CN109696671B - 基于组结构与相关性学习的高分辨穿墙雷达成像方法 - Google Patents

基于组结构与相关性学习的高分辨穿墙雷达成像方法 Download PDF

Info

Publication number
CN109696671B
CN109696671B CN201811629446.5A CN201811629446A CN109696671B CN 109696671 B CN109696671 B CN 109696671B CN 201811629446 A CN201811629446 A CN 201811629446A CN 109696671 B CN109696671 B CN 109696671B
Authority
CN
China
Prior art keywords
zero
gamma
matrix
group
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
Application number
CN201811629446.5A
Other languages
English (en)
Other versions
CN109696671A (zh
Inventor
武其松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Huijun Semiconductor Technology Co ltd
Original Assignee
Nanjing Huijun Semiconductor Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Huijun Semiconductor Technology Co ltd filed Critical Nanjing Huijun Semiconductor Technology Co ltd
Priority to CN201811629446.5A priority Critical patent/CN109696671B/zh
Publication of CN109696671A publication Critical patent/CN109696671A/zh
Application granted granted Critical
Publication of CN109696671B publication Critical patent/CN109696671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
    • G01S13/888—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons through wall detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

基于组结构与相关性学习的高分辨穿墙雷达成像方法，涉及雷达成像的技术领域。本发明包括如下步骤：假设N阵元的均匀线性列阵，仿真第n个阵元的直达回波信号；同时向量化N个阵元M个频点回波信号；仿真N个阵元多径回波信号；获得压缩后的观测数据；构造一个分层贝叶斯生成模型；对变量γ,x与c进行优化；初始化γ,x与c；计算将γ的一个非零元素变为零元素后目标函数减少的上界
Figure DDA0001928669430000011
计算将γ的一个零元素变非零元素后目标函数减少的上界
Figure DDA0001928669430000012
将γ收敛至最优值；参数c即为所学得的组内元素相关性。本发明充分利用了信号内在的组稀疏结构以及组内元素之间的相关性，可以有效改善信号的稀疏重构均方误差，减少重构原信号所需的观测数，且具有更强的抗噪声能力。

Description

基于组结构与相关性学习的高分辨穿墙雷达成像方法
技术领域
本发明属于雷达成像领域，具体涉及一种基于组结构与相关性学习的高分辨雷达成像方法。
背景技术
近年来，随着公共安全部门、消防灾害救援人员以及快速反应防卫部队对获取城市地区墙后区域和房间内部信息的需求不断增长，穿墙雷达成像作为新一代透视成像技术得到了来自科研界和工业界大量关注和研究。穿墙雷达成像采用超宽带微波雷达技术，通过电磁波实现对墙体、树木、草丛、烟雾等非电磁透明介质的穿透探测，完成对屏障后目标区域的全景成像显示，包括探测目标图像、区域布局图像、以及人体和运动目标的跟踪等。在军事方面，穿墙雷达成像能够提高反恐作战和城区、野外作战人员的态势感知和侦查能力，并能够有效地保证作战人员的安全；在民用方面，穿墙雷达成像为灾难搜救人员提供了“第三只眼"，保障了生命救援的高效，同时，为现代无损检测提供了一种完美的解决方案。因此，穿墙雷达成像可广泛应用于公安、武警、海关、安全、消防等领域，具有重要的研究价值和广阔的应用前景，必将成为未来科技研究和发展的重点方向。
在超宽带穿墙成像中，要实现对墙后目标快速、准确成像，必须找到一种适合穿墙探测的成像算法，随着成像技术的发展，已经涌现了很多性能出众的成像算法。F.Ahmad等人在非相干成像方法上做了大量的研究工作，提出了二维非相干成像方法。该方法主要思想是利用三圆定位原理来确定目标的位置。该非相干方法中涉及信号到达时间的计算，而对于穿墙成像问题来说，由墙壁和空气构成的传播空间可以看作是多层媒质，电磁波在多层媒质的不连续分界面上将发生反射和折射现象。要正确地计算到达时间需要找到正确的传播路径，而这是一个难点，对于多个目标情况，各个目标的到达时间容易重叠，此时非相干方法将不再适用。S.Kidera等人提出了基于逆边界散射变换的SEABED非相干成像算法，该算法可以对目标边界形状准确成像。但是在穿墙雷达应用中，由于墙体的存在，电磁波在墙壁与空气分界面发生折射，使得SEABED算法中逆边界散射变换的条件不再满足。随着压缩感知(Compressive Sensing,CS)技术的发展，Q.Huang和M.G.Amin 等人将压缩感知技术运用到高分辨穿墙成像中。由于穿墙成像中目标的分布相对于整个场景而言是稀疏的，且观测模型可以写成线性形式，利用传统的 CS重构方法例如正交匹配追踪(OrthogonalMatched Pursuit,OMP)、Lass 等方法可以很方便地对场景中的目标进行反演成像。然而，这些方法是建立在射线模型上，没有考虑多径传播问题，且这类组稀疏重构方法对感知字典矩阵相关性比较敏感，而高分辨率则决定了感知字典矩阵具有高相关性，这将影响该类方法的重构性能。
发明内容
发明目的：为了抑制穿墙雷达成像场景下的多径传播问题，提高成像精度，本发明提供了一种基于组结构与相关性学习的高分辨雷达成像方法，该方法可以有效抑制多径问题，显著降低成像所需观测数，且具有更强的抗噪声能力。
基于组结构与相关性学习的高分辨穿墙雷达成像方法，包括如下步骤：
步骤一：假设N阵元的均匀线性列阵，仿真第n个阵元的直达回波信号, 同时向量化N个阵元M个频点回波信号；
步骤二：对于室内多径传播，仿真N个阵元多径回波信号；
步骤三：对测量信号进行降采样，获得压缩后的观测数据；
步骤四：引入基于组结构的“spike and slab”先验概率分布，构造一个分层贝叶斯生成模型；
步骤五：利用最大后验概率准则将上述模型的参数求解问题转化为关于变量γ,x与c的优化问题；
步骤六：初始化γ,x与c；
步骤七：计算将γ的一个零元素变非零元素后目标函数减少的上界
Figure BDA0001928669410000031
步骤八：计算将γ的一个非零元素变为零元素后目标函数减少的上界
Figure BDA0001928669410000032
步骤九：当
Figure BDA0001928669410000033
与
Figure BDA0001928669410000034
至少有一个小于零时，若
Figure BDA0001928669410000035
大于
Figure BDA0001928669410000036
则将
Figure BDA0001928669410000037
对应的γ元素变为非零值，若
Figure BDA0001928669410000038
大于
Figure BDA0001928669410000039
则将
Figure BDA00019286694100000310
对应的γ元素变为零；
步骤十：求解当前γ确定时所对应的x并更新参数c；
步骤十一：当
Figure BDA00019286694100000311
与
Figure BDA00019286694100000312
至少有一个小于零时，重复步骤四到步骤七，当
Figure BDA00019286694100000313
与
Figure BDA00019286694100000314
均大于零时，停止重复，γ收敛至最优值；
步骤十二：最优γ所对应x即为重构出的信号，参数c即为所学得的组内元素相关性。
有益效果：本发明公开的一种基于组结构与相关性学习的高分辨雷达成像方法与现有其它方法相比，其显著优点是：1、本方法基于多径传播模型分别构建真实目标位置和虚像位置的感知字典矩阵，利用真实目标位置和虚像位置成对出现的组稀疏结构特征对稀疏重构进行条件约束，可以有效抑制多径传播问题。2、本方法引入结构化的“spike andslab”先验概率分布，可显著降低成像误差，同时学习组内元素相关性，利用此相关性提升成像性能。
附图说明
图1为本发明的流程图。
图2为未采用本发明成像方法原图像。
图3为采用本发明成像方法重构后的图像。
图4为采用本发明成像方法与现有方法在不同信噪比下成像误差的对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
如图1，该方法包括如下步骤：
步骤一、仿真并向量化N个阵元M个频点回波信号：
Figure BDA0001928669410000041
其中m∈{1,2,…,M}表示第m个频点，fm表示第m个频点的频率，且带宽为fM-f1，n为第n个阵元，且n＝1,2,…,N，Nx和Ny分别表示观测区域横向和纵向的栅格数目，xl表示第l个栅格目标的散射系数，当xl≠0时表示该位置具有目标，反之，该位置没有目标。τln表示第l个目标和第n个阵元之间的时延。将M个频点N个阵元接收的回波信号向量化，即 s＝[s(1,1),…,s(1,N),…,s(M,N)]T∈CMN,则y可表示为，
s＝φx (2)
其中感知矩阵
Figure BDA0001928669410000051
的第(i,l)个元素为，
[φ]il＝exp(-j2πfmτln) (3)
其中i∈{1,…,MN},
Figure BDA0001928669410000052
表示目标散射系数构成的向量。
本实施例中，fM为2.5GHz,f1为1.5GHz，发射带宽为1GHz，阵元数N为 40，频点数M为360，阵元间距为c/(4×f1)，其中c表示光的传播速度。观测区域横向宽度与纵向宽度均为3m，Nx与Ny均为40。
步骤二、仿真N个阵元多径回波信号：
假设存在L-1个多径，则M个频点N个阵元接收的回波信号
Figure BDA0001928669410000057
可表示为，
Figure BDA0001928669410000053
其中x1为直达波的散射系数，xl为第l-1个多径传播的散射系数。φ1为直达波感知矩阵，φl为第l-1个多径传播的感知矩阵，则观测数据s％还可以重新表示为：
Figure BDA0001928669410000054
Figure BDA0001928669410000055
Figure BDA0001928669410000056
其中Ψ为联合感知矩阵，x为向量化的散射系数。由多径传播原理可知，直达波和L-1多径系数具有相同的非零支撑区，即它们的非零项位置相同，但反射系数一般不同。本实施例中所设置多径个数为3。
步骤三、对测量信号进行降采样，获得压缩后的观测数据：
利用压缩感知理论，获得测量数据表示为,
Figure BDA0001928669410000061
其中D∈Cq×MN是由{0,1}元素构成的测量矩阵且q<N，y为测量数据，且 A＝DΨ为测量矩阵。不失一般性，考虑到加性噪声，上式可以写成
y＝Ax+ξ (9)
其中ξ为加性噪声。
综上所述，本实施例中向量y为2100维，矩阵A为2100×6400维，x为6400 维。
步骤四、引入基于组结构的“spike and slab”先验概率分布，构造一个分层贝叶斯生成模型：
引入结构化的“spike and slab”先验概率分布，构造分层贝叶斯生成模型：
Figure 1
其中，
Figure BDA0001928669410000063
为便于表示x的组结构，将x向量均匀分割成K组，每组元素个数为L，如公式(11)所示，其中xi表示x向量中的第i组，且xil为xi向量中第l个元素。Iq表示q×q维的单位矩阵，N(g)为高斯分布。I(g)为指示函数，当指示函数括号内条件成立时函数值为1，括号内条件不成立时为0；γ为所有γi组成的向量，γi是服从Bernoulli分布的二元变量，且第i组元素共享γi；当γi为零时，xi组内所有元素均为零，当γi不为零时，xi组内所有元素均不为零且服从高斯分布；参数κ为Bernoulli分布参数，用来控制γ以影响x的稀疏程度，σ2为观测数据的噪声方差，B为稀疏向量x的协方差矩阵，σ2λ-1为协方差矩阵系数。协方差矩阵B是一具有如下形式的托普利兹矩阵，
Figure BDA0001928669410000071
其中，c是要学习的相关性参数。为了避免过拟合问题，不同组之间共享同一个托普利兹矩阵。
本实施例中，稀疏向量x共包含5组共20个非零元素。参数设置选择为：σ为1，λ为0.2，κ为每个元素均为0.48的1600维向量，信噪比为5dB。
步骤五、利用最大后验概率准则将上述模型的参数求解问题转化为关于变量γ,x与c的优化问题：
(3.1)关于x与γ的条件概率分布满足如下关系
f(x,γ,c|y,λ,σ2,κ)∝f(y|x,γ,c,λ,σ2,κ)f(x|γ,c,λ,σ2,κ)f(γ|κ)
(12)
其中f(a|b)表示b已知的条件下a的条件概率分布，符号∝表示左右两端为正比关系。
基于最大后验概率估计方法，x*,γ*与c*可以通过下式计算获得，
Figure BDA0001928669410000081
其中
Figure BDA0001928669410000082
返回当括号中关于a的函数取最小值时的a，ln(·)表示以自然数为底的对数。
(3.2)联合式(12)和式(13)可以得到
Figure 2
引入目标函数L(x,γ)为
Figure BDA0001928669410000084
为便于组结构的表示，可将矩阵A表示为
Figure BDA0001928669410000085
其中Φi为第i组向量元素对应的观测矩阵列向量构成的子矩阵，
Figure BDA0001928669410000086
表示子矩阵Φi中第l列向量。
步骤六、初始化γ,x与c，将ρ中小于零的元素对应位置的γ初始化为1，其余部分初始化为0，将x参数c初始化为0。
步骤七、计算将某一组未激活的x激活后目标函数减少的上界，即将γ的某一零元素变为非零元素后目标函数减少的上界：
Figure 3
其中，S＝{j:γj≠0,i≠j}。
步骤八、计算将γ的一个非零元素变为零元素后目标函数减少的上界
Figure BDA00019286694100000924
Figure BDA0001928669410000092
步骤九、当
Figure BDA0001928669410000093
与
Figure BDA0001928669410000094
两者至少有一个小于零时，进一步比较
Figure BDA0001928669410000095
与
Figure BDA0001928669410000096
的大小，若
Figure BDA0001928669410000097
小于
Figure BDA0001928669410000098
则将
Figure BDA0001928669410000099
对应的γ元素变为非零值，若
Figure BDA00019286694100000910
大于
Figure BDA00019286694100000911
则将
Figure BDA00019286694100000912
对应的γ元素变为零。
步骤十、利用当前γ将式(14)转化为
Figure 4
并利用下式更新参数c，
Figure 5
Figure 6
其中，m1与m0分别为矩阵B主对角线与次对角线元素的平均值。
步骤十一、当
Figure BDA00019286694100000916
与
Figure BDA00019286694100000917
至少有一个小于零时，重复步骤七到步骤十，当
Figure BDA00019286694100000918
与
Figure BDA00019286694100000919
均大于零时，停止重复，γ收敛至最优值的方法是当
Figure BDA00019286694100000920
与
Figure BDA00019286694100000921
至少有一个小于零时，重重复步骤七到步骤十，当
Figure BDA00019286694100000922
与
Figure BDA00019286694100000923
均大于零时，停止重复。
步骤十二、最优γ所对应的x即为重构出的信号，c即为学得的组内元素相关性。
图2与图3分别给出了本实例中原图像与本方法重构的图像。从图中可以看到，本方法重构出的图像与原图像几乎一致，说明本发明公开的高分辨雷达成像方法可以有效的抑制多径干扰，精确重构原图像。
图4给出了本实施例中所示成像方法与稀疏贝叶斯学习Block Sparse BayesianLearning(BSBL)在不同信噪比下均方误差的对比，其中横轴表示信噪比，纵轴表示均方误差，从图中可以看到在不同信噪比的情况下两种方法均方误差的变化趋势大致相同，但本发明所公开的方法性能显著优于 BSBL，在不同信噪比下均方误差均明显小于BSBL。

Claims (13)

1.一种基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，包括如下步骤：
步骤一：假设N阵元的均匀线性列阵，仿真第n个阵元的直达回波信号,同时向量化N个阵元M个频点回波信号；
步骤二：对于室内多径传播，仿真N个阵元多径回波信号；
步骤三：对测量信号进行降采样，获得压缩后的观测数据；
步骤四：引入基于组结构的“spike and slab”先验概率分布，构造一个分层贝叶斯生成模型；
步骤五：利用最大后验概率准则将上述模型的参数求解问题转化为关于变量γ,x与c的优化问题；
步骤六：初始化γ,x与c；
步骤七：计算将γ的一个零元素变非零元素后目标函数减少的上界
Figure FDA0002542951800000011
步骤八：计算将γ的一个非零元素变为零元素后目标函数减少的上界
Figure FDA0002542951800000012
步骤九：当
Figure FDA0002542951800000013
与
Figure FDA0002542951800000014
至少有一个小于零时，若
Figure FDA0002542951800000015
大于
Figure FDA0002542951800000016
则将
Figure FDA0002542951800000017
对应的γ元素变为非零值，若
Figure FDA0002542951800000018
大于
Figure FDA0002542951800000019
则将
Figure FDA00025429518000000110
对应的γ元素变为零；
步骤十：求解当前γ确定时所对应的x并更新参数c；
步骤十一：当
Figure FDA00025429518000000111
与
Figure FDA00025429518000000112
至少有一个小于零时，重复步骤四到步骤七，当
Figure FDA00025429518000000113
与
Figure FDA00025429518000000114
均大于零时，停止重复，γ收敛至最优值；
步骤十二：最优γ所对应x即为重构出的信号，参数c即为所学得的组内元素相关性。
2.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，
步骤一中所述第n个阵元的直达回波信号s(m,n)可表示如下：
Figure FDA0002542951800000021
其中m∈{1,2,…,M}表示第m个频点，fm表示第m个频点的频率，n为第n个阵元，且n＝1,2,…,N，Nx和Ny分别表示观测区域横向和纵向的栅格数目，xl表示第l个栅格目标的散射系数，当xl≠0时表示该位置具有目标，反之，该位置没有目标；τln表示第l个目标和第n个阵元之间的时延；将M个频点N个阵元接收的回波信号向量化，即s＝[s(1,1),…,s(1,N),…,s(M,N)]T∈CMN,则y可表示为：
s＝φx (2)
其中感知矩阵
Figure FDA0002542951800000022
的第(i,l)个元素为：
[φ]il＝exp(-j2πfmτln) (3)
其中i∈{1,…,MN},
Figure FDA0002542951800000023
表示目标散射系数构成的向量。
3.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，
步骤二所述对于室内多径传播，仿真N个阵元多径回波信号的方法是：电磁波在室内传播中除了具有直达波外，由于墙体反射会出现多径现象，对于一次反射引起的多径会产生对应的虚假目标；
假设存在L-1个多径，则M个频点N个阵元接收的回波信号可表示为：
Figure FDA0002542951800000031
其中
Figure FDA0002542951800000032
为观测数据，x1为直达波的散射系数，xl为第l-1个多径传播的散射系数,φ1为直达波感知矩阵，φl为第l-1个多径传播的感知矩阵，则观测数据
Figure FDA0002542951800000033
还可以重新表示为：
Figure FDA0002542951800000034
Figure FDA0002542951800000035
Figure FDA0002542951800000036
其中Ψ为联合感知矩阵，x为向量化的散射系数。
4.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，
步骤三中对测量信号进行降采样，获得压缩后的观测数据的步骤包括：
利用压缩感知理论，获得测量数据表示为,
Figure FDA0002542951800000037
其中D∈Cq×N是由{0,1}元素构成的测量矩阵且q<N，y为测量数据，且A＝DΨ为q×NxNyL维测量矩阵；不失一般性，考虑到加性噪声，上式可以写成
y＝Ax+ξ (9)
其中ξ为加性噪声，Nx和Ny分别表示观测区域横向和纵向的栅格数目，L为每组元素个数。
5.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，
步骤四中构造具有组稀疏结构的分层贝叶斯模型的步骤包括：引入结构化的“spikeand slab”先验概率分布，构造分层贝叶斯生成模型：
Figure FDA0002542951800000041
其中，
Figure FDA0002542951800000042
且NxNy＝K，每组元素个数为L，Nx和Ny分别表示观测区域横向和纵向的栅格数目，公式(11)中，其中xi表示x向量中的第i组，且xil为xi向量中第l个元素；y表示q维观测向量，Iq表示q×q维的单位矩阵，N(·)为高斯分布；I(·)为指示函数，当指示函数括号内条件成立时函数值为1，括号内条件不成立时为0；γ是由γi组成的向量，γi是服从Bernoulli分布的二元变量，且第i组元素共享γi；当γi为零时，xi组内所有元素均为零，当γi不为零时，xi组内所有元素均不为零且服从高斯分布；参数κi为Bernoulli分布参数，所有κi构成向量κ用来控制γ以影响x的稀疏程度，σ2为观测数据的噪声方差，B为稀疏向量x的协方差矩阵，σ2λ-1为协方差矩阵系数；协方差矩阵B是一具有如下形式的托普利兹矩阵，
Figure FDA0002542951800000043
其中，c是要学习的相关性参数，不同组之间共享同一个托普利兹矩阵。
6.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤五中利用最大后验概率准则将上述模型的参数求解问题转化为关于变量γ,x与c的优化问题的步骤如下：
(5.1)关于x与γ的条件概率分布满足如下关系
f(x,γ,c|y,λ,σ2,κ)∝f(y|x,γ,c,λ,σ2,κ)f(x|γ,c,λ,σ2,κ)f(γ|κ) (12)
其中f(a|b)表示b已知的条件下a的条件概率分布，符号∝表示左右两端为正比关系；
基于最大后验概率估计方法，x*,γ*与c*通过下式计算获得，
Figure FDA0002542951800000051
其中
Figure FDA0002542951800000052
返回当括号中关于a的函数取最小值时的a，ln(·)表示以自然数为底的对数；
(5.2)联合式(12)和式(13)可以得到
Figure FDA0002542951800000053
其中，
Figure FDA0002542951800000054
表示xi的共轭转置；
引入目标函数L(x,γ)为
Figure FDA0002542951800000055
为便于组结构的表示，可将矩阵A表示为
Figure FDA0002542951800000056
其中Φi为第i组向量元素对应的观测矩阵列向量构成的子矩阵，
Figure FDA0002542951800000061
表示子矩阵Φi中第l列向量。
7.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤六中初始化γ,x与c的方法是将向量x直接初始化为零向量，将ρ中小于零的元素对应位置的γ初始化为1，其余部分初始化为0，将参数c初始化为0。
8.根据权利要求6或7所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤七中计算将γ的一个零元素变非零元素后目标函数减少的上界
Figure FDA0002542951800000062
的方法是计算将某一组未激活的x激活后目标函数减少的上界，即将γ的某一零元素变为非零元素后目标函数减少的上界：
Figure FDA0002542951800000063
其中，S＝{j:γj≠0,i≠j}，Φi为第i组向量元素对应的观测矩阵列向量构成的子矩阵，
Figure FDA0002542951800000064
表示子矩阵Φi中第l列向量。
9.根据权利要求8所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤八中所述计算将γ的一个非零元素变为零元素后目标函数减少的上界
Figure FDA0002542951800000065
的方法是计算将γ的一个非零元素变为零元素后目标函数减少的上界
Figure FDA0002542951800000066
Figure FDA0002542951800000071
其中
Figure FDA0002542951800000072
表示xi的共轭转置，
Figure FDA0002542951800000073
表示子矩阵Φi中第l列向量。
10.根据权利要求9所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤九中所述当
Figure FDA0002542951800000074
与
Figure FDA0002542951800000075
至少有一个小于零时，若
Figure FDA0002542951800000076
大于
Figure FDA0002542951800000077
则将
Figure FDA0002542951800000078
对应的γ元素变为非零值，若
Figure FDA0002542951800000079
大于
Figure FDA00025429518000000710
则将
Figure FDA00025429518000000711
对应的γ元素变为零的方法是当
Figure FDA00025429518000000712
与
Figure FDA00025429518000000713
两者至少有一个小于零时，进一步比较
Figure FDA00025429518000000714
与
Figure FDA00025429518000000715
的大小，若
Figure FDA00025429518000000716
小于
Figure FDA00025429518000000717
则将
Figure FDA00025429518000000718
对应的γ元素变为非零值，若
Figure FDA00025429518000000719
大于
Figure FDA00025429518000000720
则将
Figure FDA00025429518000000721
对应的γ元素变为零。
11.根据权利要求10所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤十中所述求解当前γ确定时所对应的x并更新参数c的方法是利用当前γ将式(14)转化为
Figure FDA00025429518000000722
并利用下式更新参数c，
Figure FDA00025429518000000723
Figure FDA00025429518000000724
其中，m1与m0分别为矩阵B主对角线与次对角线元素的平均值。
12.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤十一中所述当
Figure FDA00025429518000000725
与
Figure FDA00025429518000000726
至少有一个小于零时，重复步骤七到步骤十，当
Figure FDA0002542951800000081
与
Figure FDA0002542951800000082
均大于零时，停止重复，γ收敛至最优值的方法是当
Figure FDA0002542951800000083
与
Figure FDA0002542951800000084
至少有一个小于零时，重重复步骤七到步骤十，当
Figure FDA0002542951800000085
与
Figure FDA0002542951800000086
均大于零时，停止重复。
13.根据权利要求1所述的基于组结构与相关性学习的高分辨穿墙雷达成像方法，其特征在于，步骤十二中所述最优γ所对应的x即为重构出的信号，c即为学得的组内元素相关性。
CN201811629446.5A 2018-12-29 2018-12-29 基于组结构与相关性学习的高分辨穿墙雷达成像方法 Active CN109696671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811629446.5A CN109696671B (zh) 2018-12-29 2018-12-29 基于组结构与相关性学习的高分辨穿墙雷达成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811629446.5A CN109696671B (zh) 2018-12-29 2018-12-29 基于组结构与相关性学习的高分辨穿墙雷达成像方法

Publications (2)

Publication Number Publication Date
CN109696671A CN109696671A (zh) 2019-04-30
CN109696671B true CN109696671B (zh) 2020-08-18

Family

ID=66232353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811629446.5A Active CN109696671B (zh) 2018-12-29 2018-12-29 基于组结构与相关性学习的高分辨穿墙雷达成像方法

Country Status (1)

Country Link
CN (1) CN109696671B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110596645B (zh) * 2019-09-10 2021-04-23 中国人民解放军国防科技大学 二维免求逆稀疏贝叶斯学习快速稀疏重构方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8193967B2 (en) * 2008-12-10 2012-06-05 The United States Of America As Represented By The Secretary Of The Army Method and system for forming very low noise imagery using pixel classification
CN103197289B (zh) * 2013-04-03 2015-02-18 电子科技大学 一种适用于穿墙雷达成像的多径幻象抑制方法
CN104062638B (zh) * 2014-06-18 2016-11-09 电子科技大学 一种用于穿墙雷达多目标检测的方法
CN104950305B (zh) * 2015-06-17 2017-07-14 电子科技大学 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法
CN106772365B (zh) * 2016-11-25 2019-07-12 南京理工大学 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法
CN107479043B (zh) * 2017-08-15 2020-10-30 电子科技大学 基于多成像字典的合成孔径穿墙雷达多径假目标剔除方法
CN108919240B (zh) * 2018-04-23 2020-08-25 东南大学 一种基于组稀疏结构的水声目标辐射噪声调制谱重构方法

Also Published As

Publication number Publication date
CN109696671A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN106772365B (zh) 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法
CN107037429B (zh) 基于门限梯度追踪算法的线阵sar三维成像方法
Tang et al. Multipolarization through-wall radar imaging using low-rank and jointly-sparse representations
CN105699969B (zh) 基于广义高斯约束的最大后验估计角超分辨成像方法
CN103698763B (zh) 基于硬阈值正交匹配追踪的线阵sar稀疏成像方法
Li et al. Hybrid matching pursuit for distributed through-wall radar imaging
Wang et al. TPSSI-Net: Fast and enhanced two-path iterative network for 3D SAR sparse imaging
CN108983228B (zh) 一种基于深度神经网络的rcs近远场变换方法
CN109696672B (zh) 一种基于空间结构关联性的高分辨率穿墙雷达成像方法
CN107202989B (zh) 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法
AU2007279020B2 (en) Processing method for coded aperture sensor
CN104391295A (zh) 一种图像熵最优的压缩传感sar稀疏自聚焦成像方法
CN111580099A (zh) 基于联合熵值的穿墙成像雷达墙体杂波抑制方法
CN112198506A (zh) 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质
Wu et al. Through-the-wall radar imaging based on Bayesian compressive sensing exploiting multipath and target structure
CN108896990A (zh) 一种利用耦合模式字典学习的建筑物墙体成像方法和装置
CN109696671B (zh) 基于组结构与相关性学习的高分辨穿墙雷达成像方法
CN113534077A (zh) 一种雷达辐射源威力反演方法、装置及电子设备
Leigsnering et al. CS based wall ringing and reverberation mitigation for through-the-wall radar imaging
CN107167782B (zh) 基于信杂噪比最大的雷达三维异构阵稀疏重构方法
CN111931570B (zh) 一种基于全卷积网络的穿墙成像雷达人体目标检测方法
CN115656944A (zh) 基于mimo雷达的舰船图像电磁散射特征闪烁的精确校正方法
Zha et al. An iterative shrinkage deconvolution for angular superresolution imaging in forward-looking scanning radar
Abdalla et al. Multiple target sparse reconstruction in TWRI utilizing ghost's aspect dependence feature
CN109683125B (zh) 一种免疫飞蛾扑火机制的特殊阵列测向方法

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
GR01 Patent grant
GR01 Patent grant