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。     

基于时频稀疏性的跳频信号时频图修正方法

为了获取清晰的时频图,提出了一种基于时频稀疏性的跳频信号时频图修正方法。该方法根据跳频信号时频图的时频稀疏性,建立了修正时频图的最优化求解模型,然后利用匹配搜索的方法进行求解得到修正后清晰的时频图。仿真结果表明本文方法能够在低信噪比下获取精确的时频图,且用修正后的时频图估计跳周期,估计性能明显优于现有方法。     

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。     

基于Transformer的点云几何有损压缩方法

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在编码端利用稀疏卷积提取特征,进行多尺度的逐步下采样,结合Transformer模块加强点空间特征感知与提取;在解码端进行对应的多尺度上采样重建,同样采用Transformer模块对有用特征进行加强与恢复,逐步细化并重建点云。与2种点云标准编码方法对比,所提方法平均获得80%和75%的BD-Rate增益;与基于深度学习的点云压缩方法对比,平均获得16%的BD-Rate增益,在相同码率点有约0.6的PSNR提升。实验结果表明：Transformer在点云压缩领域的可行性与有效性;在主观质量方面,所提方法也有明显的主观效果提升,重建的点云更接近原始点云。     

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。     

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。     

一种用于星载多波束相控阵的稀疏阵列

现有的技术较难满足星载多波束相控阵天线射频前端的通道间距,已有的研究工作大量集中在提高射频电路和芯片的集成度,提出采用稀疏布阵的方式来增加天线单元的平均间距,从而缓解现有技术条件下的高密度集成难题。设计了Ka频段八波束相控阵天线的稀疏布阵阵面,首先采用遗传算法优化设计64元稀疏子阵,子阵增益在±60°扫描范围内大于18.6dB,该子阵沿4个象限镜像对称,便于高效设计将不规则分布的天线单元端口与规则排布的R组件端口进行互连的带状线转接板,然后随机旋转、平移36个子阵拼接成全阵,在一定程度上打乱子阵分布均匀性,以起到栅瓣抑制的作用。该方法具有简单、高效、快捷的优点,稀疏阵列的设计结果基本能满足工程应用需求,适用于星载多波束相控阵。     

基于双频GPS观测的简化动力学最小二乘批处理精密定轨

星载双频GPS载波相位和伪距观测量已成为低轨卫星获取精确三维位置和速度信息的主要方式. 本文以非差消电离载波相位和伪距组合作为观测量,应用简化动力学最小二乘批处理方法进行地球低轨卫星的精密定轨,并给出完整定轨流程. 采用逐段常量的经验加速度对动力学模型误差进行补偿,描述了经验加速度敏感矩阵及稀疏带状矩阵求逆的有效计算方法. 利用GRACE-A卫星GPS观测数据对定轨位置精度进行分析,结果显示,三维位置定轨精度优于5cm,经验加速度在径向、切向和法向上的补偿水平不超过40nm·s^-2,大气阻力系数和辐射光压系数的估计值符合物理实际,星载接收机钟差大致呈线性并具有短周期小波动.     

基于低轨稀疏星座的蓝绿激光对潜定位研究

潜艇只在必要时刻才浮出水面,对实时通信和导航定位造成极大制约。蓝绿激光具有深水穿透性高、衰减系数低等优势,已在机载和星载平台对潜艇通信中得到验证。借鉴GNSS导航信号产生原理,结合蓝绿激光通信测距一体化与低轨卫星自身精密定轨,提出了基于蓝绿激光通信的低轨卫星对潜定位算法。通过在激光通信中增加载波相位调制,实现潜艇激光接收器的伪距测量,联合其高程测量信息实现水下定位。以一带一路海域,特别是中国南海区域为服务对象,优化星座参数设计了3颗卫星组成的低轨稀疏星座。潜艇在星座覆盖区域内保持静态,间隔1～3 min完成至少两次通信测距和导航电文接收,联合两组观测数据、精密星历及高程测量信息进行定位解算。仿真结果显示,在卫星过境期间,考虑卫星定轨精度,激光在空气、水下传播误差等因素,潜艇可在水下实现X、Z方向定位误差优于100 m,Y方向误差约100～150 m的高精度定位,对提升潜艇的战场作战能力具有意义。     

基于深度强化学习的智能空战决策与仿真

飞行器空战智能决策是当今世界各军事强国的研究热点。为解决近距空战博弈中无人机的机动决策问题，提出一种基于深度强化学习方法的无人机近距空战格斗自主决策模型。决策模型中，采取并改进了一种综合考虑攻击角度优势、速度优势、高度优势和距离优势的奖励函数，改进后的奖励函数避免了智能体被敌机诱导坠地的问题，同时可以有效引导智能体向最优解收敛。针对强化学习中随机采样带来的收敛速度慢的问题，设计了基于价值的经验池样本优先度排序方法，在保证算法收敛的前提下，显著加快了算法收敛速度。基于人机对抗仿真平台对决策模型进行验证，结果表明智能决策模型能够在近距空战过程中压制专家系统和驾驶员。