2016年  5卷  第1期

稀疏微波成像技术
摘要:
稀疏信号处理已经在雷达目标探测领域得到应用,并获得了优于传统方法的探测性能。然而,雷达目标探测过程中往往存在目标运动、雷达轨迹误差等未知因素,这导致预先设计的字典矩阵无法实现雷达信号的最优稀疏表征。该文将介绍字典学习的一个分支参数化稀疏表征,该方法通过构建参数化的字典矩阵,实现了对雷达探测过程中未知参数的动态学习和雷达信号的最优稀疏表征。该文还将介绍参数化稀疏表征在逆合成孔径雷达成像、合成孔径雷达自聚焦、基于微多普勒的目标识别等若干雷达探测问题中的应用。 稀疏信号处理已经在雷达目标探测领域得到应用,并获得了优于传统方法的探测性能。然而,雷达目标探测过程中往往存在目标运动、雷达轨迹误差等未知因素,这导致预先设计的字典矩阵无法实现雷达信号的最优稀疏表征。该文将介绍字典学习的一个分支参数化稀疏表征,该方法通过构建参数化的字典矩阵,实现了对雷达探测过程中未知参数的动态学习和雷达信号的最优稀疏表征。该文还将介绍参数化稀疏表征在逆合成孔径雷达成像、合成孔径雷达自聚焦、基于微多普勒的目标识别等若干雷达探测问题中的应用。
摘要:
测量矩阵的优化设计有利于提高压缩感知中信号的重构性能。该文研究了适用于TDOMP (TwoDictionaries OMP)重构算法的测量矩阵优化方法。TDOMP算法是一种改进的OMP算法,该算法使用与感知矩阵互相关性低的匹配矩阵来辨识正确的感知矩阵原子。所提方法利用交替投影的思想来优化测量矩阵从而得到相关性低的感知矩阵和匹配矩阵,然后用于TDOMP算法来提高信号的重建性能。仿真实验验证了所提方法的有效性。 测量矩阵的优化设计有利于提高压缩感知中信号的重构性能。该文研究了适用于TDOMP (TwoDictionaries OMP)重构算法的测量矩阵优化方法。TDOMP算法是一种改进的OMP算法,该算法使用与感知矩阵互相关性低的匹配矩阵来辨识正确的感知矩阵原子。所提方法利用交替投影的思想来优化测量矩阵从而得到相关性低的感知矩阵和匹配矩阵,然后用于TDOMP算法来提高信号的重建性能。仿真实验验证了所提方法的有效性。
摘要:
该文针对大斜视合成孔径雷达(Synthetic Aperture Radar, SAR)成像进行研究,提出了一种基于非线性频调变标(Non-linear Chirp Scaling, NCS)算子的大斜视SAR压缩感知成像方法。首先在详细分析大斜视SAR回波信号模型的基础上,给出了一种基于全采样数据的NCS成像算法,该算法有效完成了回波数据的走动补偿与解耦合处理,实现了准确成像。其次针对降采样的大斜视SAR回波数据成像问题,提出将上述成像算法构造成NCS算子并基于该算子建立压缩感知重构模型,通过对模型的优化求解直接获得最终的成像结果。该方法对于稀疏性成像场景能够有效降低回波数据采样率实现高质量成像,对于非稀疏成像场景在满采样条件下能够提高成像质量。最后的点目标和面目标的仿真实验验证了该文所提方法的有效性和可行性。 该文针对大斜视合成孔径雷达(Synthetic Aperture Radar, SAR)成像进行研究,提出了一种基于非线性频调变标(Non-linear Chirp Scaling, NCS)算子的大斜视SAR压缩感知成像方法。首先在详细分析大斜视SAR回波信号模型的基础上,给出了一种基于全采样数据的NCS成像算法,该算法有效完成了回波数据的走动补偿与解耦合处理,实现了准确成像。其次针对降采样的大斜视SAR回波数据成像问题,提出将上述成像算法构造成NCS算子并基于该算子建立压缩感知重构模型,通过对模型的优化求解直接获得最终的成像结果。该方法对于稀疏性成像场景能够有效降低回波数据采样率实现高质量成像,对于非稀疏成像场景在满采样条件下能够提高成像质量。最后的点目标和面目标的仿真实验验证了该文所提方法的有效性和可行性。
摘要:
稀疏微波成像是将稀疏信号处理理论引入微波成像中,利用系统的稀疏约束突破传统合成孔径雷达(SAR)成像中系统复杂度的瓶颈,是微波成像的新理论、新体制和新方法。在传统的机载SAR成像中都会面临非理想运动带来的回波相位误差问题,可通过基于回波数据的自聚焦算法加以解决;但在机载稀疏微波成像中,因稀疏微波成像采用稀疏重建算法取代了传统SAR中基于匹配滤波的信号处理方法,传统的基于回波数据的自聚焦算法难以直接应用。现有基于稀疏重建的自聚焦算法主要基于两步迭代方法,收敛速度慢、运算量大。该文以基于回波模拟算子的快速稀疏微波成像算法为基础,将子孔径相关(MD)自聚焦算法引入,与之结合构建了新的MD-回波模拟算子自聚焦算法。该方法继承了基于回波模拟算子算法快速重建的优势,并利用MD自聚焦算法实现了回波2次相位误差的正确补偿,与现有基于两步迭代的稀疏微波成像自聚焦算法相比,收敛速度快,并可以实现较好的自聚焦效果。 稀疏微波成像是将稀疏信号处理理论引入微波成像中,利用系统的稀疏约束突破传统合成孔径雷达(SAR)成像中系统复杂度的瓶颈,是微波成像的新理论、新体制和新方法。在传统的机载SAR成像中都会面临非理想运动带来的回波相位误差问题,可通过基于回波数据的自聚焦算法加以解决;但在机载稀疏微波成像中,因稀疏微波成像采用稀疏重建算法取代了传统SAR中基于匹配滤波的信号处理方法,传统的基于回波数据的自聚焦算法难以直接应用。现有基于稀疏重建的自聚焦算法主要基于两步迭代方法,收敛速度慢、运算量大。该文以基于回波模拟算子的快速稀疏微波成像算法为基础,将子孔径相关(MD)自聚焦算法引入,与之结合构建了新的MD-回波模拟算子自聚焦算法。该方法继承了基于回波模拟算子算法快速重建的优势,并利用MD自聚焦算法实现了回波2次相位误差的正确补偿,与现有基于两步迭代的稀疏微波成像自聚焦算法相比,收敛速度快,并可以实现较好的自聚焦效果。
摘要:
方位模糊现象广泛存在于星载合成孔径雷达图像中。当模糊能量较强时,会出现大量的虚假目标,严重影响对图像的判读。由于模糊能量与真实主区能量在时域、频域中均互相混叠,现有的处理方法很难在不损失分辨率的条件下,有效抑制方位模糊所产生的鬼影。该文提出一种基于压缩感知恢复算法的方位模糊抑制方法,通过截断图像的多普勒频谱实现模糊抑制,而后将原始图像作为先验信息、将截断谱作为观测结果,利用压缩感知恢复算法,迭代求解出高分辨率的图像。经过仿真与真实数据验证,该方法可以有效抑制方位模糊能量,而不损失主区目标分辨能力,且对复杂场景同样具有良好的效果。 方位模糊现象广泛存在于星载合成孔径雷达图像中。当模糊能量较强时,会出现大量的虚假目标,严重影响对图像的判读。由于模糊能量与真实主区能量在时域、频域中均互相混叠,现有的处理方法很难在不损失分辨率的条件下,有效抑制方位模糊所产生的鬼影。该文提出一种基于压缩感知恢复算法的方位模糊抑制方法,通过截断图像的多普勒频谱实现模糊抑制,而后将原始图像作为先验信息、将截断谱作为观测结果,利用压缩感知恢复算法,迭代求解出高分辨率的图像。经过仿真与真实数据验证,该方法可以有效抑制方位模糊能量,而不损失主区目标分辨能力,且对复杂场景同样具有良好的效果。
摘要:
稀疏微波成像利用观测场景在空时频极化等表示域上的稀疏先验,通过线性综合测量方式获得比传统Nyquist采样低得多的回波数据,使用优化重构算法恢复观测场景微波图像,相对于传统微波成像体制具有诸多优势。在稀疏微波成像体制下,图像的获取和表征均发生了变化,需要在雷达图像理解现有理论和方法的基础上,研究新的特征分析和认知解译理论与方法。该文分析了稀疏SAR图像的统计特性以及点、线、面等特征的变化情况,对于使用空域稀疏模型重构的SAR图像,统计分布退化,适当降低采样率不影响点、线目标的提取精度。在此基础之上,研究了稀疏SAR图像海上舰船目标检测方法,得益于较弱的背景噪声,稀疏SAR图像的目标检测使用简单的阈值处理即可获得较好的检测效果。 稀疏微波成像利用观测场景在空时频极化等表示域上的稀疏先验,通过线性综合测量方式获得比传统Nyquist采样低得多的回波数据,使用优化重构算法恢复观测场景微波图像,相对于传统微波成像体制具有诸多优势。在稀疏微波成像体制下,图像的获取和表征均发生了变化,需要在雷达图像理解现有理论和方法的基础上,研究新的特征分析和认知解译理论与方法。该文分析了稀疏SAR图像的统计特性以及点、线、面等特征的变化情况,对于使用空域稀疏模型重构的SAR图像,统计分布退化,适当降低采样率不影响点、线目标的提取精度。在此基础之上,研究了稀疏SAR图像海上舰船目标检测方法,得益于较弱的背景噪声,稀疏SAR图像的目标检测使用简单的阈值处理即可获得较好的检测效果。
摘要:
基于压缩感知(Compressive Sensing, CS)的SAR层析成像方法(SAR Tomography, TomoSAR),虽然实现了对目标的3维重构,但对于具有结构特性的目标其重构性能较差。针对这一问题,该文提出了采用块压缩感知(Block Compressive Sensing, BCS)算法,该方法首先在CS方法基础上将具有结构特性的目标信号重构问题转化为BCS问题,然后根据目标结构特性与雷达参数的关系确定块的大小,最后对目标进行块稀疏的l1/l2范数最优化求解。相比基于CS的SAR层析成像方法,该方法更好地利用了目标的稀疏特性和结构特性,其重构精度更高、性能更优。仿真数据和Radarsat-2星载SAR实测数据的试验结果验证了该方法的有效性。 基于压缩感知(Compressive Sensing, CS)的SAR层析成像方法(SAR Tomography, TomoSAR),虽然实现了对目标的3维重构,但对于具有结构特性的目标其重构性能较差。针对这一问题,该文提出了采用块压缩感知(Block Compressive Sensing, BCS)算法,该方法首先在CS方法基础上将具有结构特性的目标信号重构问题转化为BCS问题,然后根据目标结构特性与雷达参数的关系确定块的大小,最后对目标进行块稀疏的l1/l2范数最优化求解。相比基于CS的SAR层析成像方法,该方法更好地利用了目标的稀疏特性和结构特性,其重构精度更高、性能更优。仿真数据和Radarsat-2星载SAR实测数据的试验结果验证了该方法的有效性。
摘要:
4维合成孔径雷达获取的观测数据在基线-时间平面非均匀分布。若采用传统成像方法来获取目标散射体的高度-速率维像,则因强副瓣存在,成像效果不理想。当信号具有稀疏性时,压缩感知技术能够利用少量的信号投影值就可实现信号的准确或近似重构。然而标准的压缩感知成像方法是针对实数据进行处理,4维合成孔径雷达成像处理的数据为复数据。因此该文提出了一种基于幅度和相位迭代重建的4维合成孔径雷达成像方法。将4维合成孔径雷达高度-速率成像问题转化为目标复散射系数的幅度和相位联合重建问题,通过在成像过程中引入相位信息来改善成像质量。仿真结果验证了该算法的有效性。 4维合成孔径雷达获取的观测数据在基线-时间平面非均匀分布。若采用传统成像方法来获取目标散射体的高度-速率维像,则因强副瓣存在,成像效果不理想。当信号具有稀疏性时,压缩感知技术能够利用少量的信号投影值就可实现信号的准确或近似重构。然而标准的压缩感知成像方法是针对实数据进行处理,4维合成孔径雷达成像处理的数据为复数据。因此该文提出了一种基于幅度和相位迭代重建的4维合成孔径雷达成像方法。将4维合成孔径雷达高度-速率成像问题转化为目标复散射系数的幅度和相位联合重建问题,通过在成像过程中引入相位信息来改善成像质量。仿真结果验证了该算法的有效性。
摘要:
正交频分复用(OFDM)技术可用以获得无干扰的高分辨距离雷达成像,该文研究利用OFDM波形实现非合作目标的逆合成孔径雷达(ISAR)成像和运动补偿问题。文中讨论了目标平动对循环前缀(CP)长度的影响,利用了ISAR成像的本质稀疏性同时实现成像重建和相位补偿。实验表明,基于CP的OFDM-ISAR运动补偿算法可有效克服OFDM-ISAR成像的距离干扰和运动误差影响,具有较好的稳健性和精确性。 正交频分复用(OFDM)技术可用以获得无干扰的高分辨距离雷达成像,该文研究利用OFDM波形实现非合作目标的逆合成孔径雷达(ISAR)成像和运动补偿问题。文中讨论了目标平动对循环前缀(CP)长度的影响,利用了ISAR成像的本质稀疏性同时实现成像重建和相位补偿。实验表明,基于CP的OFDM-ISAR运动补偿算法可有效克服OFDM-ISAR成像的距离干扰和运动误差影响,具有较好的稳健性和精确性。
摘要:
低重频、短数据条件下的雷达成像是比较困难的,同时,星载平台观测的碎片目标多以群目标形式出现。针对窄带条件下的空间碎片群目标成像问题,该文提出了一种基于稀疏重构的空间碎片群目标成像方法。由于空间碎片通常存在高速自旋现象,且碎片之间因质量、密度等物理差异存在明显的转速差,利用观测时间内碎片群的多周期观测数据与转速差异性,结合回波的自相关特性,能有效实现碎片群的转速检测。由于碎片在空域具有强稀疏特性,结合碎片转速,利用观测矩阵抽取数据,可以实现等效插值操作,并且将稀疏重构得到的数据进行重排,即可得到各个目标的像。抽取操作能够一定程度地抑制其他碎片的回波能量,并解决在低重频条件下的多普勒模糊问题。理论分析证明了该文所提方法的有效性,仿真实验表明,该文所提方法能够在低重频条件下实现对碎片群目标的分别成像。 低重频、短数据条件下的雷达成像是比较困难的,同时,星载平台观测的碎片目标多以群目标形式出现。针对窄带条件下的空间碎片群目标成像问题,该文提出了一种基于稀疏重构的空间碎片群目标成像方法。由于空间碎片通常存在高速自旋现象,且碎片之间因质量、密度等物理差异存在明显的转速差,利用观测时间内碎片群的多周期观测数据与转速差异性,结合回波的自相关特性,能有效实现碎片群的转速检测。由于碎片在空域具有强稀疏特性,结合碎片转速,利用观测矩阵抽取数据,可以实现等效插值操作,并且将稀疏重构得到的数据进行重排,即可得到各个目标的像。抽取操作能够一定程度地抑制其他碎片的回波能量,并解决在低重频条件下的多普勒模糊问题。理论分析证明了该文所提方法的有效性,仿真实验表明,该文所提方法能够在低重频条件下实现对碎片群目标的分别成像。
摘要:
该文提出了一种基于压缩感知的认知雷达跟踪方法,该方法将压缩感知理论引入到认知雷达跟踪的问题中。通过对回波信号的稀疏表示,完成稀疏变换矩阵和观测矩阵的设计,实现了降采样条件下量测信号的重构。在系统的接收端,考虑到传统的粒子滤波容易陷入局部最优,对粒子数目要求大等问题,采用了粒子群优化的粒子滤波来对目标状态进行实时估计。在系统的发射端,采用优化后验克拉美罗界(Posterior Cramr-Rao Bounds, PCRB)设计了雷达发射波形参数,降低了对目标跟踪精度的PCRB。仿真表明,相比于传统跟踪方法,该文所提跟踪方法不仅有效地减少了雷达的数据量,而且较大地提高了目标的跟踪性能。 该文提出了一种基于压缩感知的认知雷达跟踪方法,该方法将压缩感知理论引入到认知雷达跟踪的问题中。通过对回波信号的稀疏表示,完成稀疏变换矩阵和观测矩阵的设计,实现了降采样条件下量测信号的重构。在系统的接收端,考虑到传统的粒子滤波容易陷入局部最优,对粒子数目要求大等问题,采用了粒子群优化的粒子滤波来对目标状态进行实时估计。在系统的发射端,采用优化后验克拉美罗界(Posterior Cramr-Rao Bounds, PCRB)设计了雷达发射波形参数,降低了对目标跟踪精度的PCRB。仿真表明,相比于传统跟踪方法,该文所提跟踪方法不仅有效地减少了雷达的数据量,而且较大地提高了目标的跟踪性能。
摘要:
高速采样和传输是目前雷达系统面临的一个重要挑战。针对这一问题,该文提出一种利用信号块结构特性的雷达目标压缩感知方法。该方法采用一个简单的测量矩阵对信号进行采样,然后运用块稀疏贝叶斯学习算法恢复信号。经典的块稀疏贝叶斯学习算法适用于实信号,该文将其扩为可直接处理雷达信号的复数域稀疏贝叶斯算法。相对于现有压缩感知方法,该方法不仅具有更好的信号重构精度和鲁棒性,更重要的是其压缩测量矩阵形式简单、易于硬件实现。数值仿真实验结果验证了该方法的有效性。 高速采样和传输是目前雷达系统面临的一个重要挑战。针对这一问题,该文提出一种利用信号块结构特性的雷达目标压缩感知方法。该方法采用一个简单的测量矩阵对信号进行采样,然后运用块稀疏贝叶斯学习算法恢复信号。经典的块稀疏贝叶斯学习算法适用于实信号,该文将其扩为可直接处理雷达信号的复数域稀疏贝叶斯算法。相对于现有压缩感知方法,该方法不仅具有更好的信号重构精度和鲁棒性,更重要的是其压缩测量矩阵形式简单、易于硬件实现。数值仿真实验结果验证了该方法的有效性。
摘要:
该文针对飞艇平台,设计了基于组合巴克码的共形稀疏阵列,并对稀疏阵列的探测性能进行了分析。利用飞艇悬停的特点,可对前后不同时刻脉冲的实孔径成像结果进行干涉处理,去除散射单元的随机初相位,使图像在变换域稀疏。引入压缩感知方法,建立回波与变换域系数的关系,完成对地成像,可获得接近满阵阵列成效的图像质量。仿真数据处理结果验证了该方法的有效性。 该文针对飞艇平台,设计了基于组合巴克码的共形稀疏阵列,并对稀疏阵列的探测性能进行了分析。利用飞艇悬停的特点,可对前后不同时刻脉冲的实孔径成像结果进行干涉处理,去除散射单元的随机初相位,使图像在变换域稀疏。引入压缩感知方法,建立回波与变换域系数的关系,完成对地成像,可获得接近满阵阵列成效的图像质量。仿真数据处理结果验证了该方法的有效性。