CN108614252B - 基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 - Google Patents
基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 Download PDFInfo
- Publication number
- CN108614252B CN108614252B CN201810706973.5A CN201810706973A CN108614252B CN 108614252 B CN108614252 B CN 108614252B CN 201810706973 A CN201810706973 A CN 201810706973A CN 108614252 B CN108614252 B CN 108614252B
- Authority
- CN
- China
- Prior art keywords
- time delay
- target
- grid
- delay
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,该方法包括:首先离散化目标可能存在的时延范围,利用泰勒插值法在目标最邻近的时延网格处参数化稀疏表示雷达回波,构造单比特压缩感知模型,然后通过单比特压缩感知稀疏重构算法求解目标最邻近的时延网格,再利用交替优化方法估计出目标时延和最邻近离散网格之间的偏移量以及目标反射系数,完成目标时延参数估计。本发明有效地解决了传统压缩感知雷达采样速率慢、量化结构复杂、功耗大的问题,从而降低了成本,提高了采样效率;同时,BIHT算法的计算复杂度较低,凸优化方法得到的时延估计精度较高,抗噪声性能较好。
Description
技术领域
本发明属于雷达目标参数估计领域,具体涉及一种基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法。
背景技术
压缩感知(Compressed Sensing,CS)理论可以以远低于奈奎斯特速率的采样率对稀疏信号进行采样,并通过稀疏正则优化方法对信号进行重构,对宽带/超宽带信号的采集与处理具有极其重要的意义。目前,该理论被应用于医疗成像、模式识别、光学成像、雷达遥感等多个领域。
压缩感知理论通常假设压缩采样值具有无限高的精度,但是在实际应用场景中,压缩采样值必须经过量化才能进行传输和存储。量化是模拟信号数字化过程中一个不可逆的非线性操作,会引入量化误差。一般来说,量化误差大小由量化比特位数决定,比特数越低,量化误差越大。在传统的稀疏重构方法中,没有考虑量化误差对重构性能的影响。这些重构方法如果直接用于量化压缩感知场合,不可避免地引入重构误差。为了解决该问题,科研人员提出了一系列基于量化压缩感知的稀疏重构方法。单比特压缩感知是量化压缩感知的一种特殊形式,将压缩采样值量化成一个比特。与一般的量化压缩感知相比,单比特压缩感知采用一个比较器就可以实现量化功能,大大简化了量化器的结构。基于现有的电子器件发展水平,单比特压缩感知能够以很高的采样速率工作。鉴于比较器具有速度快、功耗低、结构简单、不存在非线性失真和饱和失真等优势,单比特压缩感知理论近年来受到了广泛关注。
对宽带或超宽带雷达而言,现有的模数转换器发展水平难以满足宽带雷达回波信号采集的需求。另一方面,单比特压缩感知可对稀疏信号进行高速采样,而雷达回波信号可由发射信号构造的波形匹配字典稀疏表示,因此单比特压缩感知可对宽带雷达回波进行有效采集。应当指出,雷达回波采集的最终目的是提取出回波中包含的目标信息,根据回波信号的采样数据估计出目标时延一直是雷达信号处理研究的一个基本问题。在传统压缩感知雷达中,人们运用稀疏重构理论估计目标时延参数。常用的做法是先将目标可能存在的时延范围进行网格划分,在离散网格上根据雷达发射波形构建波形匹配字典,然后将雷达回波在该字典下进行稀疏表示。对于时延位于离散网格上的目标,这种稀疏表示是准确的,通过稀疏重构估计出的时延也是准确的;然而在实际雷达场景中,真实目标的时延是随机分布的,通常不在离散时延网格上,波形匹配字典难以稀疏表示雷达回波。这种现象在压缩感知中称为字典失配(basis mismatch)效应。当字典失配现象较为严重时,基于稀疏重构的时延估计性能急剧下降,为此,人们提出了多种偏离网格目标的时延估计方法。在单比特压缩感知雷达,字典失配问题同样存在。但是,由于单比特采样值是回波信号的非线性测量,传统压缩感知雷达中基于线性测量的偏离网格目标时延估计方法不能直接应用。
发明内容
本发明的目的在于提供一种基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,可以通过少量的压缩测量数据得到较高的目标时延估计精度,且具有较低的计算负担和较好的抗噪声性能。
实现本发明目的的技术方案为:一种基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,包括以下步骤:
采用雷达发射宽带线性调频信号并接收回波,再对回波奈奎斯特采样;
将目标可能存在的时延范围离散化成时延网格,使用泰勒插值法在目标最邻近的时延网格处参数化稀疏表示雷达回波;
通过随机测量矩阵对回波信号进行压缩测量获得测量矢量,并将该测量矢量单比特量化成单比特测量矢量,构造单比特压缩感知模型;
使用二元迭代硬阈值算法或凸优化方法求解目标最邻近的时延网格;
利用交替优化方法迭代估计出目标时延与最邻近时延网格之间的偏移量和目标反射系数,并根据估计出的最邻近时延网格和时延偏移量得到目标的时延估计。
进一步的,时延估计方法具体步骤为:
步骤1、对于发射信号为s(t)的单基雷达,假定接收回波信号r(t)中包含K个目标,它们的时延和反射强度分别为{τ′1,τ′2,...,τ′K}和{p1,p2,...,pK},对回波信号r(t)进行奈奎斯特采样得到回波矢量为r,其中Nt是奈奎斯特采样个数;
步骤2、根据发射信号s(t)构建回波信号参数化表示的字典矩阵其中,Ψ(τ′K)的第k列为信号s(t-τ′k)的奈奎斯特采样向量,k=1,...,K;回波r可以用字典矩阵Ψ(τ′K)和目标反射系数矢量参数化表示:
r=Ψ(τ′K)pK
步骤3、对目标可能存在的时延范围均匀离散化,得到时延网格{τ1,τ2,…τN},N为离散的网格数,N>K,每相邻的两个时延网格的间距为Δτ;由于真实目标时延τ′k不一定在时延网格上,假定它与最邻近的时延网格τT(k)存在偏差δτk,|δτk|<Δτ/2,则可以得到τ′k=τT(k)+δτk,其中T(k)=round(τ′k/Δτ),round(·)表示根据四舍五入取整数值;于是,这K个目标的最邻近时延网格可表示为对应的K个时延偏差值可表示为用泰勒插值法在最邻近时延网格τ0处近似表示雷达回波,可以得到
其中diag(δτ)表示将矢量δτ对角化形成的对角矩阵;
其中sign(·)是符号函数,表示为:
根据上述单比特压缩测量模型,真实目标时延τ'K估计可转化为最邻近时延网格τ0和时延偏差值δτ的估计,可通过求解如下非线性优化问题实现:
求解目标反射系数矢量通过中J个最大元素的索引得到真实目标最邻近的时延网格此处取J=K+floor(K/2),floor(K/2)表示取不大于K/2的最大整数。随后通过时延网格τJ,0得到对应的感知矩阵AJ,0=ΦΨ(τJ,0);
步骤6、从迭代次数l=0开始,通过交替求解下述两个优化问题:
当||(y⊙(AJ,lpJ,l+BJ,lδτJ,l))-||1/||(y⊙(AJ,l-1pJ,l-1+BJ,l-1δτJ,l-1))-||1≥1-ε时停止迭代,取中最大的K个值的索引,索引对应的时延τJ,l+1中的元素集合即为真实目标时延估计对于问题a),使用BIHT算法或凸优化方法进行求解,得到反射系数矢量;对于问题b),使用梯度下降法进行求解,得到目标时延与最邻近时延网格之间的偏移量;最邻近时延网格加上时延偏移量即为目标的时延估计。
进一步的,所述步骤1中的雷达发射线性调频信号s(t)=cos(μπt2),调频率μ=B/T,其中B是信号带宽,T是脉冲宽度;假定场景中包含K个目标,它们的时延和反射强度分别为{τ′1,τ′2,...,τ′K}和{p1,p2,...,pK},则获取的回波信号
所述步骤2中的根据发射信号s(t)构建回波信号参数化表示的字典矩阵其中,τ′K=[τ′1,τ′2,...,τ′K]T,Ψ(τ′K)的第k列为信号s(t-τ′k)=cos(μπ(t-τ′k)2)的奈奎斯特采样向量,k=1,...,K。
进一步的,所述步骤5具体的步骤为:
2)从t=0开始迭代
qt+1=ηJ(xt+1)
其中ηJ(·)表示保留最大的J个元素,将其他值赋为0,并对它进行归一化;此处取J=K+floor(K/2),floor(K/2)表示取不大于K/2的最大整数;对它进行归一化是因为在量化过程中原测量矢量b的绝对幅值丢失,归一化得到相对幅值,且缩小解的搜索范围。
进一步的,所述步骤6中问题a)可以用BIHT算法求解,具体求解步骤为:
2)从i=0开始迭代
其中η(·)表示对它进行归一化,因为在量化过程中原测量矢量b的绝对幅值丢失,归一化得到相对幅值,且缩小解的搜索范围。
问题b)可以用梯度下降法求解,具体求解步骤为:
初始化δτJ,l=0。第l次迭代过程中第j(j=1,2,...J)个目标的梯度gj,l是BJ,l T(sign(AJ,lpJ,l+BJ,lδτl)-y)的第j个元素,第j个目标的步长uj,l=γgj,l/max(gj)=10-12gj,l/max(gj),max(gj)是指第j个目标在前几次迭代中梯度的最大值,常系数γ是为了保证时延偏差量不超过一个时延网格,因此每个目标的步长均不相同,并且在迭代过程中步长随着梯度下降而不断减小,逐渐收敛于局部最优解。
进一步的,步骤6中用凸优化方法求解的具体步骤为:
然后从l=0开始通过
与现有技术相比,本发明的显著优点为:本发明基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,有效地解决了传统压缩感知雷达采样速率慢、量化结构复杂、功耗大的问题,从而降低了成本,提高了采样效率;同时,BIHT算法的计算复杂度较低,凸优化方法得到的时延估计精度较高,抗噪声性能较好。
附图说明
图1为本发明基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法总流程图。
图2(a)为无噪情况下基于BIHT算法和凸优化方法的目标时延估计结果图,图2(b)是第一个目标的时延放大图。
图3(a)为信噪比SNR=20dB时基于BIHT算法和凸优化方法的目标时延估计结果图,图3(b)是第一个目标的时延放大图。
图4为有噪情况下基于BIHT算法和凸优化方法的时延估计误差蒙特卡洛仿真图。
图5为有噪情况下基于BIHT算法和凸优化方法的蒙特卡洛实验的平均耗时示意图。
具体实施方式
本发明提出一种基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,雷达发射宽带线性调频信号并接收回波,再对回波奈奎斯特采样;然后将目标可能存在的时延范围离散化成时延网格,用泰勒插值法在目标最邻近的时延网格处参数化稀疏表示雷达回波;之后通过随机测量矩阵对回波信号进行压缩测量获得测量矢量,并将该测量矢量单比特量化成单比特测量矢量,构造单比特压缩感知模型;随后用二元迭代硬阈值算法(Binary Iterative Hard Thresholding,BIHT)或凸优化方法求解目标最邻近的时延网格;最后利用交替优化方法迭代估计出目标时延与最邻近时延网格之间的偏移量和目标反射系数,并根据估计出的最邻近时延网格和时延偏移量得到目标的时延估计。
如图1所示,本发明的具体步骤如下:
步骤1、雷达发射线性调频信号s(t)=cos(μπt2),调频率μ=B/T,其中B是信号带宽,T是脉冲宽度;假定场景中包含K个目标,它们的时延和反射强度分别为{τ′1,τ′2,...,τ′K}和{p1,p2,...,pK},则获取的回波信号
步骤2、根据发射信号s(t)构建回波信号参数化表示的字典矩阵其中,τ′K=[τ′1,τ′2,...,τ'K]T,Ψ(τ′K)的第k列为信号s(t-τk′)=cos(μπ(t-τ′k)2)的奈奎斯特采样向量,k=1,...,K。回波r可以用字典矩阵Ψ(τ′K)和目标反射系数矢量pK=[p1,p2,...,pK]T参数化表示:
r=Ψ(τ'K)pK
步骤3、对目标可能存在的时延范围[0,Td)均匀离散化,得到时延网格{τ1,τ2,…τN},每相邻的两个时延网格的间距为Δτ。由于真实目标时延τ′k(k=1,...,K)不一定在时延网格上,我们假定它与最邻近的时延网格τT(k)存在偏差δτk(|δτk|<Δτ/2),则可以得到τ′k=τT(k)+δτk,其中T(k)=round(τ′k/Δτ)。于是,这K个目标的最邻近时延网格为τ0=[τT(1),τT(2),...,τT(K)]T,对应的K个时延偏差值为δτ=[δτ1,δτ2,...,δτK]T。用泰勒插值法在最邻近时延网格τ0处近似表示雷达回波,可以得到
其中diag(δτ)表示将矢量δτ对角化形成的对角矩阵。
y=Sign(A(τ0)PK+B(τ0)δτ)
2)从t=0开始迭代
qt+1=ηJ(xt+1)
其中ηJ(·)表示保留最大的J个元素,将其他值赋为0,并对它进行归一化。此处取J=K+floor(K/2),floor(K/2)表示取不大于K/2的最大整数。对它进行归一化是因为在量化过程中原测量矢量b的绝对幅值丢失,归一化得到相对幅值,且缩小解的搜索范围。
步骤6、从l=0开始,通过求解下述两个优化问题:
交替估计反射系数矢量和时延偏移量其中更新得到新的矩阵AJ,l+1和BJ,l+1进入下一次迭代。当||(y⊙(AJ,lpJ,l+BJ,l+τJ,l))-||1/||(y⊙(AJ,l-1pJ,l-1+BJ,l-1δτJ,l-1))-||1≥1-ε(ε是一个较小的值)时停止迭代,取中最大的K个值的索引,索引对应的时延τJ,l+1中的元素集合即为真实目标时延估计
在步骤6中,问题a)使用BIHT算法求解,具体求解步骤为:
2)从i=0开始迭代
其中η(·)表示对它进行归一化,因为在量化过程中原测量矢量b的绝对幅值丢失,归一化得到相对幅值,且缩小解的搜索范围。
问题b)可以用梯度下降法求解,具体求解步骤为:
初始化δτJ,l=0。第l次迭代过程中第j个目标的梯度gj,l是BJ,l T(sign(AJ,lpJ,l+BJ,lδτl)-y)的第j个元素,第j个目标的步长uj,l=γgj,l/max(gj)=10-12gj,l/max(gj),max(gj)是指第j个目标在前几次迭代中梯度的最大值,常系数γ是为了保证时延偏差量不超过一个时延网格,因此每个目标的步长均不相同,并且在迭代过程中步长随着梯度下降而不断减小,逐渐收敛于局部最优解。
下面结合实施例和附图对本发明进行详细说明。
实施例
该实例通过Matlab软件仿真:
1、仿真系统参数设置
发射信号带宽为B=50MHz,脉冲宽度T=20μs,奈奎斯特采样率为fs=100MHz,时延分辨率为Δτ=0.01μs,采样数Nt=4000,M=1000,真实目标时延分布在区间[0,Td)范围内,Td=1μs,离散网格字典原子个数N=100。
2、仿真目标参数设置
假设场景中存在3个目标,它们的反射系数均为1,时延为[1.6766;74.7075;95.7591]Δτ。为有效评估算法性能,本文用Δτ对时延估计误差归一化,因此我们用
来衡量目标时延估计误差,蒙特卡洛仿真的实验次数均为200次,迭代停止条件中的ε=0.001。值得一提的是,由于量化使得原信号丢失绝对幅值,估计出的信号只拥有相对幅值,因此为了公平起见,对真实目标幅值进行归一化,归一化后的反射系数均为0.5774。
仿真中将凸优化方法与BIHT算法进行比较。用凸优化方法来优化问题的具体实现为:
然后从l=0开始通过
图2(a)为无噪情况下基于BIHT算法和凸优化方法的目标时延估计仿真图,图2(b)为无噪情况下第一个目标的时延放大图。由仿真结果可知无噪情况下基于BIHT算法和凸优化方法得到的偏离网格目标时延估计值与真实值相近,基于BIHT算法的时延估计值为[1.7295,74.6849,95.8096]Δτ,归一化的时延误差为-26.99dB,所用时长为0.8422s;基于凸优化方法的时延估计值为[1.7264,74.7079,95.7374]Δτ,归一化的时延误差为-30.00dB,所用时长为3.6563s。
图3(a)为信噪比为20dB时基于BIHT算法和凸优化方法的目标时延估计仿真图,图3(b)为信噪比为20dB时第一个目标的时延放大图。由图可知当信噪比为20dB时,基于BIHT算法和凸优化方法得到的目标时延估计值与真实值相近,基于BIHT算法的时延估计值为[1.7651,74.7056,95.7348]Δτ,归一化的时延误差为-25.53dB,所用时长为0.8957s;基于凸优化方法的时延估计值为[1.7289,74.7063,95.7361]Δτ,归一化的时延误差为-29.59dB,所用时长为3.8576s。
图4为有噪情况下基于BIHT算法和凸优化方法的目标时延估计误差仿真图,稀疏度K=3,由图4可知基于BIHT算法和凸优化方法得到的目标时延估计误差值均随着信噪比的增大而减小;基于凸优化方法的目标时延估计误差较BIHT算法更小,随着信噪比的增大,两者的目标估计误差相近。图5为有噪情况下基于BIHT算法和凸优化方法的蒙特卡洛实验的平均耗时,稀疏度K=3,由图5可知BIHT算法平均耗时更短,计算复杂度更低。
由上可知,凸优化方法得到的偏离网格目标时延估计精度较高,抗噪声性能较好;BIHT算法的计算负担较低。通过偏离网格目标时延估计的归一化误差和耗时可以证明本发明的可行性和准确性。
Claims (7)
1.一种基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,其特征在于,包括以下步骤:
采用雷达发射宽带线性调频信号并接收回波,再对回波奈奎斯特采样;
将目标可能存在的时延范围离散化成时延网格,用泰勒插值法在目标最邻近的时延网格处参数化稀疏表示雷达回波;
通过随机测量矩阵对回波信号进行压缩测量获得测量矢量,并将该测量矢量单比特量化成单比特测量矢量,构造单比特压缩感知模型;
使用二元迭代硬阈值算法或凸优化方法求解目标最邻近的时延网格;
利用交替优化方法迭代估计出目标时延与最邻近时延网格之间的偏移量和目标反射系数,并根据估计出的最邻近时延网格和时延偏移量得到目标的时延估计。
2.根据权利要求1所述的基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,其特征在于,时延估计方法具体步骤如下:
步骤1、对于发射信号为s(t)的单基雷达,假定接收回波信号r(t)中包含K个目标,它们的时延和反射强度分别为{τ′1,τ′2,...,τ′K}和{p1,p2,...,pK},对回波信号r(t)进行奈奎斯特采样得到回波矢量为r,其中Nt是奈奎斯特采样个数;
步骤2、根据发射信号s(t)构建回波信号参数化表示的字典矩阵其中,Ψ(τ′K)的第k列为信号s(t-τ′k)的奈奎斯特采样向量,k=1,...,K;回波r用字典矩阵Ψ(τ′K)和目标反射系数矢量参数化表示:
r=Ψ(τ′K)pK
步骤3、对目标可能存在的时延范围均匀离散化,得到时延网格{τ1,τ2,…τN},N为离散的网格数,N>K,每相邻的两个时延网格的间距为Δτ;由于真实目标时延τ′k不一定在时延网格上,假定它与最邻近的时延网格τT(k)存在偏差δτk,|δτk|<Δτ/2,可得到τ′k=τT(k)+δτk,其中T(k)=round(τ′k/Δτ),round(·)表示根据四舍五入取整数值;于是,这K个目标的最邻近时延网格可表示为对应的K个时延偏差值可表示为用泰勒插值法在最邻近时延网格τ0处近似表示雷达回波,可以得到
其中diag(δτ)表示将矢量δτ对角化形成的对角矩阵;
其中sign(·)是符号函数,表示为:
根据上述单比特压缩测量模型,真实目标时延τ′K估计可转化为最邻近时延网格τ0和时延偏差值δτ的估计,通过求解如下非线性优化问题实现:
求解目标反射系数矢量通过中J个最大元素的索引得到真实目标最邻近的时延网格此处取J=K+floor(K/2),floor(K/2)表示取不大于K/2的最大整数,随后通过时延网格τJ,0得到对应的感知矩阵AJ,0=ΦΨ(τJ,0);
步骤6、从迭代次数l=0开始,通过交替求解下述两个优化问题:
当||(y⊙(AJ,lpJ,l+BJ,lδτJ,l))-||1/||(y⊙(AJ,l-1pJ,l-1+BJ,l-1δτJ,l-1))-||1≥1-ε时停止迭代,取中最大的K个值的索引,索引对应的时延τJ,l+1中的元素集合即为真实目标时延估计
对于问题a),使用BIHT算法或凸优化方法进行求解,得到反射系数矢量;对于问题b),使用梯度下降法进行求解,得到目标时延与最邻近时延网格之间的偏移量;最邻近时延网格加上时延偏移量即为目标的时延估计。
6.根据权利要求2所述的基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法,其特征在于,所述步骤6中问题a)使用BIHT算法求解,具体求解步骤为:
2)从i=0开始迭代
其中η(·)表示对它进行归一化,因为在量化过程中原测量矢量b的绝对幅值丢失,归一化得到相对幅值,且缩小解的搜索范围;
问题b)使用梯度下降法求解,具体求解步骤为:
初始化δτJ,l=0;第l次迭代过程中第j个目标的梯度gj,l是BJ,l T(sign(AJ,lpJ,l+BJ,lδτl)-y)的第j个元素,j=1,2,...J,第j个目标的步长uj,l=γgj,l/max(gj)=10-12gj,l/max(gj),max(gj)是指第j个目标在前几次迭代中梯度的最大值,常系数γ是为了保证时延偏差量不超过一个时延网格,因此每个目标的步长均不相同,并且在迭代过程中步长随着梯度下降而不断减小,逐渐收敛于局部最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810706973.5A CN108614252B (zh) | 2018-07-02 | 2018-07-02 | 基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810706973.5A CN108614252B (zh) | 2018-07-02 | 2018-07-02 | 基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108614252A CN108614252A (zh) | 2018-10-02 |
CN108614252B true CN108614252B (zh) | 2022-04-15 |
Family
ID=63666027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810706973.5A Active CN108614252B (zh) | 2018-07-02 | 2018-07-02 | 基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108614252B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100700B (zh) * | 2018-10-26 | 2020-12-01 | 深圳大学 | 一种单采样雷达信号处理系统及方法 |
CN109765405A (zh) * | 2019-02-26 | 2019-05-17 | 江南大学 | 一种原子力显微镜快速成像方法 |
CN110007284B (zh) * | 2019-04-10 | 2023-01-31 | 南京航空航天大学 | 一种脉冲体制1-比特雷达非线性目标重构问题降维方法 |
CN110045375B (zh) * | 2019-05-28 | 2020-12-29 | 深圳大学 | 一种一比特sar回波数据的处理方法及系统 |
CN110516286B (zh) * | 2019-07-09 | 2021-05-07 | 西安电子科技大学 | 基于稀疏重构算法的阵列幅相误差估计方法 |
CN110471037B (zh) * | 2019-08-23 | 2022-05-13 | 电子科技大学 | 一种基于网格失配的步进频合成孔径雷达成像方法 |
CN110764047B (zh) * | 2019-10-25 | 2022-08-02 | 哈尔滨工程大学 | 一种稀疏表示模型下优化正则参数的目标角度估计方法 |
CN111538003B (zh) * | 2020-04-30 | 2023-12-08 | 南京理工大学 | 一种单比特压缩采样合成孔径雷达成像方法 |
CN112305537B (zh) * | 2020-10-27 | 2024-04-05 | 南京理工大学 | 单比特随机频控阵雷达目标距离-角度联合估计方法 |
CN113242096B (zh) * | 2020-12-31 | 2022-03-25 | 杭州电子科技大学 | 基于单比特量化的光子辅助压缩感知接收器及其实现方法 |
CN112906046B (zh) * | 2021-01-27 | 2024-04-19 | 清华大学 | 一种利用单比特压缩感知技术的模型训练方法和装置 |
CN112965066B (zh) * | 2021-03-26 | 2024-01-09 | 南京理工大学 | 一种单比特带通采样合成孔径雷达成像方法 |
CN114241233B (zh) * | 2021-11-30 | 2023-04-28 | 电子科技大学 | 一种非线性类组稀疏表示真假目标一维距离像识别方法 |
CN115065367B (zh) * | 2022-08-19 | 2022-11-11 | 南京理工大学 | 一种低复杂度的稀疏信号采样重构系统及方法 |
CN115291185B (zh) * | 2022-10-09 | 2022-12-20 | 南京理工大学 | 一种雷达目标的参数检测方法、装置及电子设备 |
CN118209955A (zh) * | 2024-05-22 | 2024-06-18 | 常熟理工学院 | 基于字典动态学习的目标参数估计方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105027519A (zh) * | 2013-12-30 | 2015-11-04 | 华为技术有限公司 | 一种信号处理方法和装置 |
CN107064883A (zh) * | 2016-11-28 | 2017-08-18 | 南京理工大学 | 一种基于压缩感知的线性调频雷达信号处理方法 |
CN107390213A (zh) * | 2017-07-14 | 2017-11-24 | 中南大学 | 一种基于滑动时窗的探地雷达记录剖面的时延曲线提取方法 |
CN107576961A (zh) * | 2017-10-10 | 2018-01-12 | 电子科技大学 | 一种互质降采样间歇合成孔径雷达稀疏成像方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7916052B2 (en) * | 2009-07-13 | 2011-03-29 | L3 Communications Integrated Systems, L.P. | Compressed sensing characterization system and method |
-
2018
- 2018-07-02 CN CN201810706973.5A patent/CN108614252B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105027519A (zh) * | 2013-12-30 | 2015-11-04 | 华为技术有限公司 | 一种信号处理方法和装置 |
CN107064883A (zh) * | 2016-11-28 | 2017-08-18 | 南京理工大学 | 一种基于压缩感知的线性调频雷达信号处理方法 |
CN107390213A (zh) * | 2017-07-14 | 2017-11-24 | 中南大学 | 一种基于滑动时窗的探地雷达记录剖面的时延曲线提取方法 |
CN107576961A (zh) * | 2017-10-10 | 2018-01-12 | 电子科技大学 | 一种互质降采样间歇合成孔径雷达稀疏成像方法 |
Non-Patent Citations (4)
Title |
---|
A MAP Approach for 1-Bit Compressive Sensing in Synthetic Aperture Radar Imaging;Xiao Dong等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20150630;第12卷(第6期);全文 * |
Robust 1-Bit Compressive Sensing via Binary Stable Embeddings of Sparse Vectors;Laurent Jacques等;《IEEE TRANSACTIONS ON INFORMATION THEORY》;20130430;第59卷(第4期);全文 * |
一种基于块稀疏的1比特压缩感知重构算法;熊杰等;《计算机科学》;20161130;第43卷(第11A期);全文 * |
单比特压缩感知理论及应用研究;王妃等;《微型机与应用》;20160531;第35卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108614252A (zh) | 2018-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108614252B (zh) | 基于参数化稀疏表示的单比特压缩感知雷达目标时延估计方法 | |
CN109343018B (zh) | 基于单比特压缩感知雷达的目标时延估计方法 | |
CN102288951B (zh) | 基于aic压缩信息获取和fbmp的雷达目标参数估计方法 | |
CN112099008B (zh) | 基于cv-admmn的sa-isar成像与自聚焦方法 | |
Gu et al. | Radar target profiling and recognition based on TSI-optimized compressive sensing kernel | |
CN110275158A (zh) | 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法 | |
CN110954885B (zh) | 基于sbl的捷变频雷达自适应目标重构方法 | |
CN106443621A (zh) | 冲击噪声条件的基于正交匹配稀疏重构的相干信源动态doa追踪方法 | |
JP2019090795A (ja) | ビロウノイズ送信後(bat)チャープレーダー | |
CN109523486A (zh) | 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法 | |
CN112731306B (zh) | 基于CS和简化FrFT的UWB-LFM信号参数估计方法 | |
CN111553513A (zh) | 一种基于二次分解与回声状态网络的中长期径流预测方法 | |
CN112305537B (zh) | 单比特随机频控阵雷达目标距离-角度联合估计方法 | |
CN112147571A (zh) | 基于正则正交匹配追踪和蝙蝠算法的声源方位角估计方法 | |
CN109586728B (zh) | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 | |
CN115453528A (zh) | 基于快速sbl算法实现分段观测isar高分辨成像方法及装置 | |
CN117192548A (zh) | 基于深度展开的稀疏isar高分辨成像方法 | |
Xi et al. | Super-resolution pulse-Doppler radar sensing via one-bit sampling | |
CN116660883A (zh) | 一种单比特压缩感知雷达目标时延多普勒doa估计方法 | |
CN113466864B (zh) | 快速联合免逆稀疏贝叶斯学习超分辨isar成像算法 | |
CN115079171A (zh) | 基于混合范数的自适应稀疏约束逆合成孔径雷达成像方法 | |
CN106872773A (zh) | 一种单载频脉冲信号的多脉冲频率精确测量方法及装置 | |
Rajankar et al. | An optimum ECG denoising with wavelet neural network | |
CN116389198A (zh) | 一种基于指数滤波器的多目标时延稀疏重构估计方法 | |
CN107015210B (zh) | 一种基于相似性约束的雷达慢时间域恒模信号设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Shengyao Inventor after: Xi Feng Inventor after: Yin Jia Inventor after: Xue Cheng Inventor before: Yin Jia Inventor before: Xue Cheng Inventor before: Chen Shengyao Inventor before: Xi Feng |
|
GR01 | Patent grant | ||
GR01 | Patent grant |