CN112395546A - 一种基于线性正则域的有限新息率信号降采样与重构方法 - Google Patents
一种基于线性正则域的有限新息率信号降采样与重构方法 Download PDFInfo
- Publication number
- CN112395546A CN112395546A CN202011379358.1A CN202011379358A CN112395546A CN 112395546 A CN112395546 A CN 112395546A CN 202011379358 A CN202011379358 A CN 202011379358A CN 112395546 A CN112395546 A CN 112395546A
- Authority
- CN
- China
- Prior art keywords
- signal
- sampling
- linear
- domain
- finite
- 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.)
- Granted
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000021615 conjugation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000001172 regenerating effect Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 230000008929 regeneration Effects 0.000 description 5
- 238000011069 regeneration method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于线性正则域的有限新息率信号降采样与重构方法,属于数字信号处理技术领域。本方法的创新点在于:基于信号在线性正则域的表征,通过设计一类新型的紧支撑的采样核,实现对有限新息率信号降采样,然后,通过高分辨谱估计,完成信号重构。相较现有技术,本方法根据信号的有限新息率和线性正则变换的4个自由参数,设计不同的新型紧支撑采样核,能够以远低于传统Nyquist采样率的降采样数据实现信号的完美重构,打破了Nyquist采样理论对信号带限和采样率的要求和限制,对降低数模转换设备要求、减少储存空间及计算能耗,进一步促进信息领域发展具有重要意义。
Description
技术领域
本发明涉及一种数字信号降采样与重构处理方法,尤其涉及一种基于线性正则域的有限新息率信号降采样与重构方法,属于数字信号处理技术领域。
背景技术
在数字信号处理领域,传统的Nyquist采样理论为了不失真地完美重构信号,要求采样率大于或等于2倍的带限信号的带宽,这种方式,支撑并实现了从模拟信号处理到数字信号处理的飞跃,极大地提升了雷达、通信、导航等信息系统的性能。
然而,随着现代信息领域的飞速发展,以及雷达、通信、导航等信息系统要求的不断提高,信号带宽达到几百兆赫兹甚至千兆赫兹(例如超宽带信号与图像处理)。这对数模转换设备、储存空间以及计算能耗提出了巨大的挑战。
为了满足对信息系统性能的要求,除了改进硬件设备外,往往还必须从信号采样与信号处理的层面来获取信号有效信息。因此,尽可能地降低信号采样率,成为信息发展领域中亟待解决的问题之一。
现有的信号降采样方法主要基于两类:压缩感知理论和有限新息率理论。
其中,基于压缩感知(CS)降采样理论的方法,首先要对信号进行稀疏表征,经典的稀疏化的方法有离散余弦变换(DCT)、傅里叶变换(FFT)、离散小波变换(DWT)或其几种方法结合等。由于不同的信号存在不同的稀疏基,因此,需要找到信号的最稀疏表达,然后再进行降采样,最后采用重构方法对信号进行重构。尽管压缩感知的方法,降低了信号的采样率,但是,其重构结果受到采样数据、稀疏化方法和采样栅格的影响,不可避免地出现更大的重构误差,容易导致基于此降采样的信号完美重构失败。
基于有限新息率理论的方法,最初是针对非带限信号提出的,根据信号中参数的自由度得到采样率。一般情况下,基于这种方法的降采样率远远低于Nyquist采样率和CS降采样率。采样核的设计是最关键的一步。常用的采样核分为两类:(1)基于Sinc函数类:其中Sinc函数求和(SoS)是一种常见的采样核,已经应用到雷达、声呐、超宽带图像处理等信息与工程领域。(2)再生核:常见的E指数再生核、多项式再生核或两者结合的一般再生核。这类再生核存在明显缺陷,即,难以实现对多个信号组成的脉冲串的完美重构,在实际工程中应用较少。另外,降采样理论仅限于在傅里叶域,没有在更一般的变换域中得以推广和应用,同时难以在重构中获取信号精细的特征。
发明内容
本发明的目的是为了克服现有技术的缺陷,创造性地提出一种新的基于线性正则域的有限新息率信号降采样与重构方法。
本方法的创新点在于:基于信号在线性正则域的表征,通过设计一类新型的紧支撑的采样核,实现对有限新息率信号降采样,然后,通过高分辨谱估计,完成信号重构。
线性正则变换(Linear canonical transform,LCT),是在20世纪70年代出现的一种时频变换,最初应用于光学领域,随之成为了信号处理领域的研究热点之一。它具有3个自由参量,当选取不同的矩阵参数时,能够转变为传统傅里叶变换、分数阶傅里叶变换和Fresnel变换,因此,在进行信号和图像处理时,参数的灵活性使得它获得比传统的变换更好的特性。
为了更好地阐述本发明方法,首先对其涉及的基本概念进行说明:
定义1:对于信号x(t)∈L2(R),其线性正则变换(LCT)定义为:
其中,L2(R)表示实数域R上的二次可积函数空间,即x(t)是二次可积函数,t∈R;KA(t,u)是线性正则变换的变换核,其定义为:
其中,表示KA(t,u)的复共轭,j是虚数单位,π是圆周率,u是线性正则变换域的频率;δ(t)是冲激函数,其定义为δ(t)=0,t≠0,且线性正则变换的参数矩阵为且|A|=1a,b,c,d∈R,实现函数的旋转和拉伸变换,此处设b≠0。
定义2:对于周期为τ的信号x(t)∈L2(R),其线性正则级数(Linear canonicalseries,LCS)定义为:
其中,
ΦA(t,m)=ΦA(t,mu0) (5)
则信号x(t)用线性正则系数表征为:
定义3:对于信号x(t),g(t)∈L2(R),线性正则域卷积定义为:
一种基于线性正则域的有限新息率信号降采样与重构方法,包括以下步骤:
步骤1:信号降采样。
步骤1.1:对于有限新息率为ρ的周期信号x(t),用线性正则系数对其表征,得到包含由未知的自由参数决定的信号模型Q[m]。
步骤1.2:在线性正则域内,设计一类紧支撑的Sinc函数求和(SoSA)的采样核H(u),其在时域表征为E指数函数的求和形式h(t)。
步骤1.3:将步骤1.1中的稀疏信号x(t),与步骤1.2中的采样核h(t)进行时域卷积,此卷积为定义3中的卷积“*A”,完成对信号的采样,从而得到信号的降采样数据y(nT)。
步骤1.1-1.3可进一步归纳表述如下:
对周期为τ的Dirac脉冲串信号x(t),其有限新息率SoSA采样核h(t)为在线性正则域带宽为[-Bπ,Bπ],B≥ρ的理想低通滤波器。对x(t)滤波后得到的y(t)=x(t)*Ah(-t)在t=nT,n=0,1,…,N-1进行均匀采样,当N≥2MA+1,时,y(nT)包含信号x(t)的全部特征:
y(nT)=x(t)*Ah(-t)|t=nT n=0,1,…,N-1 (10)
步骤2:对降采样后的信号进行重构。
步骤2.1:对步骤1.3得到降采样数据y(nT),通过高分辨谱估计的方法零化滤波,实现对时间位置的重构:
有益效果
本发明方法,相对现有技术,具有以下优点:
本方法根据信号的有限新息率和线性正则变换的4个自由参数,设计不同的新型紧支撑采样核,能够以远低于传统Nyquist采样率的降采样数据实现信号的完美重构,打破了Nyquist采样理论对信号带限和采样率的要求和限制,对降低数模转换设备要求、减少储存空间及计算能耗,进一步促进信息领域发展具有重要意义。
附图说明
图1为本发明设计的新型紧支撑的采样核由5个Sinc函数求和得到的采样核;
图2为本发明的整个采样过程示意图;
图3为2个Dirac组成的脉冲串及其在线性正则域的表征;
图4为基于本发明提出的降采样方法的采样结果和线性正则域的低通结果;
图5为基于本发明提出的采样与重构方法的重构结果;
图6为9的随机Dirac组成的脉冲串及其在线性正则域的表征;
图7为基于压缩感知不同数据量对图6中稀疏信号的重构结果;
图8为基于E指数再生采样核和一般再生采样核对图6中稀疏信号的重构结果;
图9为基于有限新息率降采样方法在傅里叶域和线性正则域对图6中稀疏信号的重构结果;
图10为基于不同的降采样方法在不同噪声环境下对时间位置重构的鲁棒性;
图11为雷达回波信号在时域、傅里叶域及线性正则域的表征;
图12为基于本发明提出的降采样方法对雷达回波信号的降采样和时延估计结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
一种基于线性正则域的有限新息率信号降采样与重构方法,包括以下步骤:
步骤1:信号降采样。
步骤1.1:对于有限新息率为ρ的周期信号x(t),用线性正则系数对其表征,得到包含由未知的自由参数决定的信号模型Q[m]。
具体地:
对由L个冲激脉冲组成的周期脉冲串信号x(t):
步骤1.2:在线性正则域内,设计一类紧支撑的Sinc函数求和SoSA的采样核H(u),其在时域表征为E指数函数的求和形式h(t)。
具体地:
根据信号的有限新息率ρ和其在具体线性正则域的表征,设计一类Sinc函数求和SoSA的采样核H(u):
采样核H(u)在时域的对应表达形式为E指数函数的求和形式h(t):
图1即为采样核在时域和线性正则域的表征,从中可发现,其紧支撑性质和理想低通滤波的性质。
步骤1.3:将步骤1.1中的稀疏信号x(t),与步骤1.2中的采样核h(t)进行时域卷积,此卷积为定义3中的卷积“*A”,完成对信号的采样,从而得到信号的降采样数据y(nT)。
具体地:
步骤2:对降采样信号进行重构。
具体地:
首先,构造零化滤波器,使其z变换为:
且
不失一般性,令A0=1,其零化过程转换为:
步骤2.2:根据步骤2.1重构的时间位置,构造范德蒙矩阵U和对角矩阵V,采用最小二乘法求解:
实施例
图1展示了线性正则域中由5个Sinc函数组成的新型的紧支撑的SoSA采样核,图2为本发明方法的整个采样过程。
为了说明本发明中降采样与重构方法,首先,如图3所示,以2个Dirac组成的脉冲串为例,其有限新息率所用采样点数N=5。图4给出了脉冲串信号的预滤波效果和均匀降采样结果,同时考虑了其在线性正则域的表征和低通采样结果。基于上述降采样数据和本发明中采用的高分辨谱估计方法,可实现信号的完美重构结果,如图5所示。此数值信号的例子证实了本发明方法,能够以远低于传统Nyquist采样理论要求的采样数据实现对信号的完美重构。同时本发明方法打破了传统Nyquist采样理论对信号带限和采样率的要求和限制,对降低数模转换设备要求、减少储存空间和计算能耗具有重要意义。
其次,选择现有的具有代表性的降采样方法:压缩感知及常见的基于有限新息率的其他采样核的降采样方法作为对比,进一步验证本发明中提出的方法的重构优势。9个随机Dirac信号组成的脉冲串信号及其在线性正则域的表征列在图6,离散信号长度为W。考虑到在压缩感知所使用的数据量对稀疏信号的重构效果有直接关系,本发明分别基于W/4和的降采样数据量,采用正交匹配追踪法进行重构(图7)。观察图7可发现,尽管图7(b)存在重构误差,但其重构效果明显提升了很多。这是由于图7(b)中采用的数据量多于图7(a)中所使用的数据量W/4。需要说明的是下面图8和图9的降采样数据量都是低于Nyquist采样数据和图7中压缩感知的降采样数据量。图8是基于再生核的有限新息率降采样方法得到的重构结果,其中图8(a)是基于E指数再生核的降采样方法的重构结果,图8(b)是基于满足strang-fix条件的一般再生采样核(可看作E指数再生核与多项式再生核的结合)的降采样方法的结果。从图8中的重构结果来看,基于再生类采样核的有限新息率采样与重构方法不能很好的实现信号重构。实际上,这是因为这类方法不适用于包含多个Dirac脉冲的脉冲串信号才产生的较差的重构结果。基于SoS类采样核的有限新息率降采样方法的重构结果列为图9,其中图9中的两个重构结果分别是基于傅里叶域和线性正则域。观察图9可进一步得到,本发明提出的基于线性正则域的有限新息率信号降采样与重构方法能够实现信号的完美重构。为了研究其在噪声环境中的重构性能,以均方误差作为衡量标准,选择在信噪比范围[-10,60]内进行测试与检验,其结果列为图10。观察图10可得,随着信噪比的增加,所有方法的均方误差结果都呈下降趋势,但基于CS重构方法的结果明显具有不稳定性。四种基于有限新息率的降采样与重构方法的重构误差具有较高的相似性和稳定性,同时基于本发明中的降采样方法在较低的信噪比环境中具有更好的鲁棒性。这也说明了本发明提出的基于线性正则域的有限新息率降采样与重构方法的有效性和稳定性。
最后,将本发明中降采样方法应用到雷达回波信号的超分辨时延估计中,进一步开发其在实际中的应用潜力。假设雷达发射线性调频脉冲信号,其接收信号中包含了5个目标回波。接收信号在时域、傅里叶域以及线性正则域的表征列在图11中。基于本发明中的有限新息率的降采样方法,采样11个数据点(图12(a))作为降采样数据,用于对时延的重构,这是远远低于雷达领域大带宽信号的传统Nyquist采样率。通过本发明中的重构方法,可得到其超分辨时延估计结果(图12(b)),这为本发明的进一步应用于实际工作中奠定了很好的基础。
Claims (5)
1.一种基于线性正则域的有限新息率信号降采样与重构方法,其特征在于,包括以下步骤:
定义1:对于信号x(t)∈L2(R),其线性正则变换定义为:
其中,L2(R)表示实数域R上的二次可积函数空间,即x(t)是二次可积函数,t∈R;KA(t,u)是线性正则变换的变换核,其定义为:
其中,表示KA(t,u)的复共轭,j是虚数单位,π是圆周率,u是线性正则变换域的频率;δ(t)是冲激函数,其定义为δ(t)=0,t≠0,且线性正则变换的参数矩阵为且|A|=1a,b,c,d∈R,实现函数的旋转和拉伸变换,此处设b≠0;
定义2:对于周期为τ的信号x(t)∈L2(R),其线性正则级数定义为:
其中,
ΦA(t,m)=ΦA(t,mu0) (5)
则信号x(t)用线性正则系数表征为:
定义3:对于信号x(t),g(t)∈L2(R),线性正则域卷积定义为:
步骤1:信号降采样;
步骤1.1:对于有限新息率为ρ的周期信号x(t),用线性正则系数对其表征,得到包含由未知的自由参数决定的信号模型Q[m];
步骤1.2:在线性正则域内,设计一类紧支撑的Sinc函数求和SoSA的采样核H(u),其在时域表征为E指数函数的求和形式h(t);
步骤1.3:将步骤1.1中的稀疏信号x(t),与步骤1.2中的采样核h(t)进行时域卷积,此卷积为定义3中的卷积“*A”,完成对信号的采样,从而得到信号的降采样数据y(nT);
步骤2:对降采样后的信号进行重构;
步骤2.1:对步骤1.3得到降采样数据y(nT),利用高分辨谱估计方法进行零化滤波,实现对时间位置的重构:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020113640209 | 2020-11-27 | ||
CN202011364020 | 2020-11-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395546A true CN112395546A (zh) | 2021-02-23 |
CN112395546B CN112395546B (zh) | 2022-07-01 |
Family
ID=74603963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011379358.1A Active CN112395546B (zh) | 2020-11-27 | 2020-11-30 | 一种基于线性正则域的有限新息率信号降采样与重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395546B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607610A (zh) * | 2021-06-07 | 2021-11-05 | 哈尔滨工业大学 | 一种基于无线传感器网络的连续扩散点源的参数估计方法 |
CN114145749A (zh) * | 2021-11-05 | 2022-03-08 | 浙江工业大学 | 基于优化模型的ecg信号有限新息率采样方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143078A1 (en) * | 2001-03-26 | 2007-06-21 | Martin Vetterli | Sampling method, reconstruction method, and device for sampling and/or reconstructing signals |
US20090191814A1 (en) * | 2008-01-29 | 2009-07-30 | Qualcomm Incorporated | Sparse sampling of signal innovations |
CN102904069A (zh) * | 2012-10-26 | 2013-01-30 | 浙江大学 | 基于Sinc函数的圆形口径场分布的阵列天线的设计方法 |
CN106908789A (zh) * | 2017-02-28 | 2017-06-30 | 西安电子科技大学 | 一种基于空间域支撑区融合的sar成像方法 |
CN107276560A (zh) * | 2017-06-08 | 2017-10-20 | 江苏大学 | 一种fri稀疏采样核函数构建方法及电路 |
CN109782250A (zh) * | 2019-03-13 | 2019-05-21 | 昆山煜壶信息技术有限公司 | 基于有限新息率采样的雷达目标参数提取方法 |
-
2020
- 2020-11-30 CN CN202011379358.1A patent/CN112395546B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143078A1 (en) * | 2001-03-26 | 2007-06-21 | Martin Vetterli | Sampling method, reconstruction method, and device for sampling and/or reconstructing signals |
US20090191814A1 (en) * | 2008-01-29 | 2009-07-30 | Qualcomm Incorporated | Sparse sampling of signal innovations |
CN102904069A (zh) * | 2012-10-26 | 2013-01-30 | 浙江大学 | 基于Sinc函数的圆形口径场分布的阵列天线的设计方法 |
CN106908789A (zh) * | 2017-02-28 | 2017-06-30 | 西安电子科技大学 | 一种基于空间域支撑区融合的sar成像方法 |
CN107276560A (zh) * | 2017-06-08 | 2017-10-20 | 江苏大学 | 一种fri稀疏采样核函数构建方法及电路 |
CN109782250A (zh) * | 2019-03-13 | 2019-05-21 | 昆山煜壶信息技术有限公司 | 基于有限新息率采样的雷达目标参数提取方法 |
Non-Patent Citations (2)
Title |
---|
吴新杰等: "基于有限新息率(FRI)的激光测距脉冲串信号的采样与重构", 《辽宁大学学报(自然科学版)》 * |
王亚军等: "复杂脉冲序列的有限新息率采样方法", 《电子与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607610A (zh) * | 2021-06-07 | 2021-11-05 | 哈尔滨工业大学 | 一种基于无线传感器网络的连续扩散点源的参数估计方法 |
CN113607610B (zh) * | 2021-06-07 | 2024-04-05 | 哈尔滨工业大学 | 一种基于无线传感器网络的连续扩散点源的参数估计方法 |
CN114145749A (zh) * | 2021-11-05 | 2022-03-08 | 浙江工业大学 | 基于优化模型的ecg信号有限新息率采样方法 |
CN114145749B (zh) * | 2021-11-05 | 2024-04-05 | 浙江工业大学 | 基于优化模型的ecg信号有限新息率采样方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112395546B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395546B (zh) | 一种基于线性正则域的有限新息率信号降采样与重构方法 | |
CN106093908A (zh) | 一种基于分块分段aic模型的雷达目标检测方法 | |
Govindan et al. | Processing algorithms for three‐dimensional data compression of ultrasonic radio frequency signals | |
CN111582205B (zh) | 一种基于多分辨率奇异值分解模型的降噪方法 | |
CN106772270A (zh) | 一种雷达回波信号的采样方法及重构方法 | |
CN112526423A (zh) | 基于共轭和层间信息的并行磁共振成像算法 | |
CN114895305B (zh) | 一种基于l1范数正则化的稀疏sar自聚焦成像方法及装置 | |
Liu et al. | Seismic data reconstruction via complex shearlet transform and block coordinate relaxation | |
Aelterman et al. | COMPASS: a joint framework for parallel imaging and compressive sensing in MRI | |
Quan et al. | An efficient general algorithm for SAR imaging: Complex approximate message passing combined with backprojection | |
CN107942271B (zh) | 基于迭代的speed快速磁共振成像方法 | |
CN108132383B (zh) | 一种时间交错的多谐波信号欠采样方法 | |
CA1256164A (en) | Image reconstruction for nuclear magnetization distribution in body | |
CN112419206A (zh) | 一种基于多尺度分解-重构的sar干涉图滤波方法 | |
CN108647183A (zh) | 基于压缩感知的复rcs数据插值方法 | |
Bilgin et al. | Randomly perturbed radial trajectories for compressed sensing MRI | |
CN112965066B (zh) | 一种单比特带通采样合成孔径雷达成像方法 | |
Çukur et al. | Varying kernel‐extent gridding reconstruction for undersampled variable‐density spirals | |
CN105068071A (zh) | 一种基于反投影算子的快速成像方法 | |
Gabr et al. | Deconvolution‐interpolation gridding (DING): accurate reconstruction for arbitrary k‐space trajectories | |
CN111538003B (zh) | 一种单比特压缩采样合成孔径雷达成像方法 | |
CN107171748A (zh) | 欠采样的多阵列协同测频与直接定位方法 | |
CN112924913A (zh) | 一种时空编码磁共振成像超分辨率重建方法及系统 | |
Wei et al. | Super-resolution reconstruction of radar tomographic image based on image decomposition | |
CN112557981A (zh) | 一种并行磁共振成像的改进算法 |
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 |