一种基于稀疏表示的DOA估计新方法

提出了一种基于空间频率稀疏表示的宽带波达方向DOA估计方法。首先利用空间频率构建过完备字典,以代替传统的频率和角度的二维字典,大大缩小了字典长度。然后对接收到的数据进行傅里叶变换,建立稀疏模型进行DOA估计,提高了算法在低信噪比下的性能。经验证,该算法可对宽带范围内的多个窄带信号及宽带信号进行高精度DOA估计,且适用于非相干信号和相干信号。     

基于贝叶斯稀疏重构的非均匀样本谱估计

在航空电子对抗领域,往往需要利用非均匀样本来估计信号的频谱。针对非均匀样本谱估计问题,提出了贝叶斯稀疏重构谱估计算法(BSRSE)。该算法首先将非均匀采样的谱估计表示为稀疏信号重构问题。然后利用拉普拉斯分布表示稀疏性,建立贝叶斯模型。最后通过构造加速的不动点迭代方法估计参数,从而估计信号频谱。与现有谱估计方法比较,该算法具有较高的频率分辨力、较强的噪声适应能力,且需要较少的样本数。数值仿真验证了该算法的有效性。     

稀疏信号重构的迭代平滑 l0 范数最小化算法

压缩感知理论 (Compressed Sensing, CS) 是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值重构稀疏信号是压缩感知理论中的核心问题。针对稀疏信号的重构问题,提出了迭代平滑l0 范数最小化算法。该算法首先利用上次迭代得到的稀疏解估计部份支撑集I,然后建立并求解基于支撑集I的平滑l0 范数最小化问题,最后对以上两步迭代少数几次得到稀疏解。数值仿真表明,本文所提出的算法重构信号需要测量值数少于已有的算法,且计算速度较快。     

平滑零范数稀疏度约束下的盲稀疏回溯重构算法

现有的回溯迭代类算法具有重构速度快、精度高等优点,但实际中其需要已知信号稀疏度的条件有时难以满足。针对以上不足,提出了一种基于平滑零范数稀疏度约束的盲稀疏回溯重构算法,并证明了其收敛性。该算法不需已知稀疏度先验,在截断过程中以平滑零范数来估计信号的稀疏度并确定支撑集。新算法继承了现有回溯迭代类算法的有效性,同时避免了因稀疏度未知或估计不足导致的重构失败。理论分析和实验表明,新算法在无需信号稀疏度先验的条件下,重构性能优于现有典型回溯迭代类算法。     

基于稀疏重构的杂波环境下红外图像空间邻近目标超分辨方法

基于稀疏重构的超分辨方法是应对空间邻近目标的有效方法之一,但是当目标处于杂波环境下时,杂波会布满在整个视场范围内,导致场景原有的稀疏性被破坏。针对这一现象提出了一种在杂波环境下的超分辨方法。该方法充分利用了传感器的结构特性以及重构算法中的参数,通过建立观测信号的红外成像模型并利用像元网格划分的方式,建立空间邻近目标群的位置和幅度信号的稀疏表示,并利用其光学系统的点扩散函数来构造超完备字典,最后通过控制重构场景中非零元素的个数比例来使重构参数处于一个合理的区间范围,以此来达到去除杂波干扰并准确重建稀疏目标的目的。     

基于稀疏重构的蜂窝夹层复合材料板中Lamb波传播特性估计方法

针对航天器装备中蜂窝夹层复合材料板中的超声Lamb波传播特性难以准确估计的问题,提出基于导波信号稀疏表达与重构方法的传播特性曲线估计方法。首先,根据Lamb波传播的散射模型建立Lamb波在频率?波数域下的稀疏表达方程;然后,以Lamb波频率?波数域表达的稀疏性为约束条件,建立基于l₁范数的基追踪消噪求解方法;最后,通过提取重构的导波频率?波数域表达结果脊线,可准确获取Lamb波传播的频散速度曲线。在蜂窝夹层复合材料机翼结构上进行测试实验验证的结果表明,该方法能在有限次数的测试下保证传播特性曲线的估计精度,具有较好的工程应用前景。     

图像压缩感知的自适应方向提升稀疏表示及重构算法

为了克服传统的压缩感知重构中正交小波方向选择性差的局限性,针对图像信号方向性决定了需要在不同纹理区域选择滤波器以使变换后信号能量更加稀疏,提出一种基于自适应方向提升稀疏表示的重构方法。重构时,在每次迭代更新后,根据图像信号的纹理特征选择不同强度方向和信号光滑度的小波基,使得变换后信号能量分布更加集中,并利用小波域阈值处理方法解决信号的重构噪声问题。实验结果表明,该算法提高了重构图像的峰值信噪比和视觉效果,保护了图像的细节。     

基于压缩感知的高分辨DOA估计

研究基于压缩感知的多目标DOA估计问题.利用空间目标空域的稀疏性,提出一种新的DOA压缩感知模型,其感知矩阵满足约束等容(RIP)条件.提出一种基于奇异值分解的多测量矢量欠定系统正则化聚焦求解(SVD-RMFOCUSS)算法.该算法在一定程度上克服了压缩感知重构算法无法用于低信噪比情况缺陷,且具有较低的运算复杂度.计算机仿真表明该算法性能优于传统DOA估计算法,能够对任意相关性的信号进行有效DOA估计,具有更高的角度分辨力及估计精度.     

三重混合范数的L型嵌套阵列二维角度估计

针对L型嵌套阵列二维角度估计问题，提出一种三重混合范数块稀疏重构算法。首先，建立一种俯仰角和方位角可分离的二维稀疏测向模型，将两个维度采样点分块，分别计算联合协方差矩阵，二维角度估计问题被转化为联合协方差矩阵稀疏优化问题；为减小计算复杂度，建立三重混合范数块稀疏重构模型，利用交叉迭代的方法得到稀疏解，实现了二维角度估计，并且可以自动配对。仿真试验表明，三重混合范数稀疏重构算法能够有效估计多个辐射源的二维角度，分辨率较高，并且具有一定的鲁棒性。与传统算法相比，在低信噪比和小快拍数的条件下，均优于传统二维角度估计算法。     

基于稀疏系数位置特征的LFM雷达信源个数估计算法

信源个数估计是多信源信号处理的基础,对后续信号的捕获分析关系重大。依据稀疏系数在不同测量矩阵、相同稀疏字典下位置信息相同的特点,提出一种新的信源个数估计算法,突破了传统算法最优门限阈值随信噪比变化的桎梏,实现了信源个数的准确估计。仿真结果表明,算法在保证估计性能的同时降低了运算复杂度。     

基于稀疏信号表示的空间碎片成像

地基雷达一直是空间碎片监测的有力工具,研究如何利用它们对尺寸小于距离分辨率的目标进行成像具有重要意义。基于空间碎片通常会围绕它的主轴进行简单的自旋转运动这一事实,通过对目标回波模型的分析,本文提出了一种基于稀疏信号表示的空间碎片成像方法。该方法将成像问题转化为稀疏信号分解问题,首先以各个散射点的散射特性作为元素构建字典,然后通过采用现有的方法对单个距离单元横向回波数据的稀疏信号表示进行求解,最后对求解的结果重新排列以得到目标的二维高分辨图像。仿真实验结果表明了本方法的正确性。     

基于组字典学习的逆合成孔径雷达成像方法

基于压缩感知(compressive sensing, CS)的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像方法可以使用非常少的数据来获得高质量的图像。但基于CS的ISAR成像方法中目标场景不准确的稀疏表示限制了成像方法的性能。结合字典学习(dictionary learning, DL)技术的CS ISAR成像方法能够寻找到目标场景图像块的最优稀疏表示,提高成像质量,但每一个图像块被单独考虑,而忽略了彼此之间的相互依赖关系。为了实现进一步提高成像质量的目标,针对ISAR图像分块重建的问题,首次提出一种基于组字典学习(group dictionary learning,GDL)的ISAR成像方法。将具有相似结构的图像块聚类并构建出多个图像块组,利用奇异值分解(singular value decomposition, SVD)从图像块组中学习出最优组稀疏变换字典。学习好的组稀疏变换字典可以寻找到待重建图像块组的最优稀疏表示,进而重建出高质量的目标场景图像。实验结果表明:与现有的CS ISAR成像方法相比,基于GDL的ISAR成像方法能获得更好的成像效果,并具有更高的计算效率。     

基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

基于属性散射中心模型的SAR超分辨成像算法

基于属性散射中心模型,提出一种稳健而快速的SAR超分辨成像算法,在超分辨的同时能够考虑到目标的整体结构。首先利用改进的正交匹配追踪算法（OMP）对简化的属性散射中心模型进行参数估计,然后基于估计的模型参数在信号重构时进行二维频谱外推实现SAR超分辨成像。该算法具有较高的运算效率,相对于传统基于点散射模型超分辨算法,能够有效解决部件不连续的问题,并且初始指向角的利用可以取得良好的聚焦效果。仿真实验验证了该算法的优越性。