一种面向二维观测模型的压缩感知重构算法

针对目前二维信号压缩感知重构时,常采用的一维化手段效率低、重构性能有待提高等缺陷,基于二维观测模型,提出一种新的压缩感知重构方法,并证明了其有效性。算法通过两个独立感知矩阵对二维信号的行列同时进行压缩感知,并考察信号的整体重构,缓解了传统算法引入的重构人为效应以及问题规模扩张带来的重构压力。理论分析和实验表明,新算法成功重构概率、重构信噪比等性能优于现有典型二维信号重构方法,且其运算复杂度较之一维化方法有所降低。     

一种聚束SAR回波数据压缩成像方法

针对聚束合成孔径雷达(SAR)成像中的海量数据问题,提出了一种基于压缩感知的聚束SAR回波数据压缩成像方法。首先对回波信号进行分析,利用波前匹配字典构造方法得到回波观测矩阵,其次通过构造二维离散余弦变换(2D\|DCT)等效矩阵得到回波信号的稀疏变换矩阵,然后利用平滑L0算法重构得到观测场景的二维像。本文方法可以在采集远小于传统聚束SAR成像方法所需回波数据量的基础上实现准确成像,最后的仿真结果表明了方法的可行性和有效性。     

用于并行压缩感知成像系统的观测矩阵优化算法

压缩感知理论为遥感空间超分辨技术提供了一种新的实现方式。其中观测矩阵决定着压缩感知的采样规则,设计和优化观测矩阵对于保证信号的重构品质具有重要意义。文章在并行压缩感知成像系统的基础上,提出了一种基于列独立性和互相关性的观测矩阵优化算法。算法通过正交三角分解增强观测矩阵的列向量独立性,再通过特征值分解和等角紧框架约束来降低观测矩阵与稀疏矩阵之间的互相关性。同时,文章还提出了一种基于阈值分割的优化方法,将观测矩阵转化为便于硬件实现的二值矩阵,在降低了硬件加工难度的同时,进一步增强了观测矩阵的效果,提高了优化算法的实用性。仿真实验证明,文章提出的优化算法相较于传统优化算法在峰值信噪比方面提升1～2 dB,具有更好地优化效果。     

一种用于遥感成像系统的压缩感知编码矩阵设计

压缩感知作为突破传统奈奎斯特定理限制的一种信号处理的新途径,近年来受到了诸多研究领域的广泛关注,特别是在遥感成像方面。该理论中,编码矩阵的设计起着非常关键的作用。事实上,原始信号能否被有效压缩,接收端能否将原始信号精确重构,都依赖于编码矩阵设计的优劣。然而,目前常见的编码矩阵普遍不利于硬件的实现,尤其是遥感成像中的采样更是要求计算简单、省电的设备,所以这是影响压缩感知在遥感成像领域推广的主要障碍之一。文章的研究目的是找到一种新的编码矩阵,既有良好的压缩感知采样性能,又有利于针对遥感应用的硬件实现和降低硬件成本。鉴于分块压缩感知在重构时的优势即提升重构速度和品质,提出了基于分块的二级尺度编码矩阵设计,即在第一次分块的基础上再次分块,并以此基础设置编码矩阵。通过实验模拟实际的硬件采样过程,分析所设计编码矩阵的不足之处,并对其进一步优化,使得所搭建的硬件成像平台中对图像采样的数据可以在终端进行高品质的重构。     

频域空域二维稀疏SIMO高分辨雷达成像方法

利用频域稀疏的线性调频步进信号（FSCS）作为雷达发射信号,并结合空域稀疏的SIMO雷达阵列来构建二维稀疏的高分辨雷达成像模型。针对该稀疏模型,首先通过对低维数据简单补零处理,然后利用图像熵准则完成对运动目标速度的有效估计。在此基础上,结合压缩感知理论,构造有效的观测矩阵、稀疏变换矩阵以及重构算法,获得目标高分辨距离像（HRRP）,进一步提出基于保相性的频域空域二维稀疏SIMO高分辨雷达成像方法。该方法可以大幅减少FSCS脉冲串的子脉冲个数,大幅减少SIMO高分辨雷达接收天线阵元个数,并获得高质量的HRRP和目标二维像。仿真实验验证了本文方法的有效性和鲁棒性。     

基于Hankel矩阵填充的稀疏孔径ISAR成像

在稀疏孔径(SA)逆合成孔径雷达(ISAR)成像中,传统压缩感知(CS)方法使用稀疏信号处理来处理数据缺失下的成像问题。这类方法存在模型不匹配这一固有问题,在一定程度上会限制成像质量。提出了一种利用Hankel矩阵填充(HMC)的基于结构化稀疏ISAR成像方法。该方法是一种典型的无网格方法,可以有效地提高稀疏孔径ISAR成像性能。首先,建立ISAR稀疏孔径成像信号模型,根据每个距离单元的回波构造Hankel矩阵;其次,通过证明所构造Hankel矩阵的低秩性质,作为方位稀疏成像的先验信息约束;最后,通过逐步迭代求解基于增广拉格朗日乘子(ALM)的矩阵填充(MC)来实现重构方位维成像。提出的基于低秩约束的方法,可以避免过完备基的假设,有效地克服了CS方法的离网格效应。基于实测数据的实验分析,进一步验证了所提算法的有效性。     

双极性压缩观测光谱成像技术研究

压缩传感突破了 Nyquist-Shannon 采样定理的限制,从随机观测的少量测量值中即可高精度地获取图像,给成像设备的设计带来了巨大变革。压缩传感理论证明可以通过重构恢复获得比焦平面阵列分辨率更高的场景图像。尽管在理论上存在巨大优越性,压缩传感成像系统的物理实现需要考虑一些实际问题。文章围绕压缩传感成像设备进行了研究,提出了一种物理可实现的压缩成像方法,该方法利用双通道观测架构实现压缩成像中的双极性观测,解决了压缩成像理论与实际物理约束不一致的问题。采用多路技术和多膜技术实现大视场观测与多次视场观测,该方法可以单次曝光获取充足的观测值来高精度重构原图像。压缩光谱成像数值仿真实验验证了该方法的有效性和鲁棒性。     

融合注意力机制的航天器重建信号异常检测

针对航天器遥测数据异常检测时先验知识缺失、难以进行有监督条件下机器学习的问题,提出一种融合注意力机制的航天器信号智能异常检测算法。首先,通过注意力机制捕捉航天器遥测数据长距离特征,分析注意力关系矩阵为异常溯源提供指导。其次,采用堆叠自动编码器压缩数据维度并基于此重建输入信号,利用输入信号与重建信号间的残差获取误差重构序列。然后,基于窗口阈值法标记误差重构序列异常索引,实现航天器遥测信号异常检测。最后,通过多通道航天器遥测信号算例验证算法在提高航天器遥测信号异常检测性能与可解释能力的有效性。     

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.     

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。