CN114047509A - 基于cd-asp算法的mimo雷达超分辨成像算法 - Google Patents

Abstract

本发明揭示了一种基于CD‑ASP算法的MIMO雷达超分辨成像算法，其主要包括以下：1）雷达成像场景模型构造；2）对待输入测量矩阵进行预处理。由于待成像区域存在块稀疏的性质，对测量矩阵进行块稀疏处理，以减小噪声干扰对雷达成像的影响，测量矩阵的每一小块中，判断存在信号的区域所对一个的测量举证予以保存，不存在信号的区域所对应的测量矩阵置零；3）对块稀疏处理之后的测量矩阵进行自适应子空间算法。本发明在稀疏度未知条件下能够自适应恢复稀疏目标场景，并具有较强的鲁棒性，有效地解决了由于稀疏度未知所带来的问题。

Description

基于CD-ASP算法的MIMO雷达超分辨成像算法

技术领域

本发明属于MIMO雷达高分辨成像技术领域，特别是涉及一种基于CD-ASP算法的MIMO雷达超分辨成像算法。

背景技术

SP(Subspace Pursuit) 算法是一种常见的压缩感知稀疏恢复算法，该算法利用回溯的思想，在每一步迭代的过程中重新估计所有的候选基的可信赖性。SP算法相对于其他贪婪稀疏恢复算法有着较低的复杂度，并且有着严格的理论基础。但是贪婪算法的噪声比较敏感，因此，提出了用通道化去噪的算法对雷达的观测矩阵进行去噪预处理，进而减小噪声对稀疏恢复的影响，提高输出信噪比。

多输入多输出（MIMO）雷达作为一种新型雷达体制，其成像兼具高分辨率和实时性的优点。由于成像区域的稀疏性，故而可以用压缩感知的方法进行稀疏恢复。贪婪算法是一种最常见的稀疏恢复算法，相比其他稀疏恢复算法，它具有较低的运算量。但是常见的稀疏恢复算法在成像时存在伪影目标、鲁棒性较弱并且需要待成像区域的稀疏度作为已知条件。

发明内容

本发明的主要目的在于提供一种基于CD-ASP算法的MIMO雷达超分辨成像算法，在稀疏度未知条件下能够自适应恢复稀疏目标场景，并具有较强的鲁棒性，有效地解决了由于稀疏度未知所带来的问题。

本发明通过如下技术方案实现上述目的：一种基于CD-ASP算法的MIMO雷达超分辨成像算法，其包括以下步骤：

步骤1）根据观测向量的估计减小噪声对成像结果的影响，得到处理后的观测矩阵；

步骤2）将处理之后的观测矩阵作为新的观测矩阵，然后通过自适应子空间匹配追逐算法进行稀疏恢复，以在稀疏度未知的情况下，能够自适应估计稀疏度然后进行稀疏恢复。

进一步的，所述步骤1)包括以下步骤：

步骤11)输入测量矩阵Φ_m×n、压缩感知测量矩阵y、子通道数目L以及噪声灵敏度η；

步骤12)将测量矩阵通道化：

步骤13)初始化使得k＝1，r₀＝y；

步骤14)开始进行迭代，判断k≤L是否成立，若成立，则进行下一步，若不成立，则执行步骤19)；

步骤15)k＝k+1；

步骤16)计算相关参数

步骤17)计算残差

步骤18)判断第k个通道是否存在噪声：

若

成立，则Φ[k]＝0；否则，Φ[k]不变，其中η∈(0,1)表示稀疏度控制因子；

步骤19)停止迭代，并输出新的测量矩阵Θ＝Φ。

进一步的，步骤2)包括以下步骤：

步骤21)估计稀疏度；记p＝ΘΘ^Hy，计算p的均值和方差分别为μ和σ；

步骤22)计算Ω＝find(p(i)＞μ+ησ)，统计向量p中的大于μ+ησ的值；

步骤23)计算信号的稀疏度K＝‖Ω‖₀；

步骤24)输入采样向量z、观测矩阵Θ以及估计出来的稀疏度K；

步骤25)初始化S＝max(|Θ^Hz|,K)，其中定义的函数max(·,K)表示返回前 K个最大的值；

步骤26)扩展支撑集C＝S∪max(|Θ^Hr|,K)；

步骤27)更新支撑集

步骤28)更新残差

步骤29)若‖r_k-1‖≥‖r_k‖成立，则停止迭代；否则，返回步骤26)继续迭代直至满足迭代终止条件。

与现有技术相比，本发明一种基于CD-ASP算法的MIMO雷达超分辨成像算法的有益效果在于：本方法是一种关于压缩感知MIMO 雷达高分辨成像算法，其主要包括：1）雷达成像场景模型构造；2）对待输入测量矩阵进行预处理；由于待成像区域存在块稀疏的性质，对测量矩阵进行块稀疏处理，以减小噪声干扰对雷达成像的影响；测量矩阵的每一小块中，判断存在信号的区域所对应的测量矩阵予以保存，不存在信号的区域所对应的测量矩阵置零；3）对块稀疏处理之后的测量矩阵进行自适应子空间算法，该算法能够自动快速收敛，并且能够自适应估计场景的稀疏度。主要解决了压缩感知成像中，待成像场景中稀疏度未知和基于贪婪类算法抗造性能弱等问题。常见的稀疏恢复算法需要稀疏度作为已知先验条件，但在实际场景中，这个先验条件很难获得；本发明提出的CD-ASP算法具有自适应估计稀疏度的优势，并且在一定的信噪比条件下能够准确地恢复出雷达的目标场景；相对于经典的稀疏重构算法，本算法的抗干扰性强，并且对噪声更不明感，算法整体的鲁棒性变强。

【附图说明】

图1是本发明实施例的原理流程图；

图2是本发明实施例进行信号通道化算法的流程示意图；

图3是本发明实施例基于SP算法对雷达信号进行稀疏恢复的流程示意图；

图4是本发明实施例的雷达成像场景示意图；

图5是本发明实施例提供的不同信噪比条件下常见算法与CD-ASP算法的信号恢复示意图；

图6是本发明实施例提供的用CD-ASP算法成像的效果图。

【具体实施方式】

实施例：

请参照图1-图3，本实施例一种基于CD-ASP算法的MIMO雷达超分辨成像算法，其包括以下步骤：

步骤1）根据观测向量的估计减小噪声对成像结果的影响，得到处理后的观测矩阵；

由于待成像场景存在着干扰噪声，所以雷达的观测向量中存在噪声，因此有必要根据观测向量的估计来尽量减小噪声对成像结果的影响；

步骤2）将处理之后的观测矩阵作为新的观测矩阵，然后通过自适应子空间匹配追逐算法进行稀疏恢复，以在稀疏度未知的情况下，能够自适应估计稀疏度然后进行稀疏恢复。

优选的，所述步骤1)包括以下步骤：

步骤11)输入测量矩阵Φ_m×n、压缩感知测量矩阵y、子通道数目L以及噪声灵敏度η；

步骤12)将测量矩阵通道化：

步骤13)初始化使得k＝0，r₀＝y；

步骤14)开始进行迭代，判断k≤L是否成立，若成立，则进行下一步，若不成立，则执行步骤19)；

步骤15)k＝k+1；

步骤16)计算相关参数

步骤17)计算残差

步骤18)判断第k个通道是否存在噪声：

若

成立，则Φ[k]＝0；否则，Φ[k]不变，其中η∈(0,1)表示稀疏度控制因子；

步骤19)停止迭代，并输出新的测量矩阵Θ＝Φ。

优选的，步骤2)包括以下步骤：

步骤21)估计稀疏度；记p＝ΘΘ^Hy，计算p的均值和方差分别为μ和σ；

步骤22)计算Ω＝find(p(i)＞μ+ησ)，统计向量p中的大于μ+ησ的值；

步骤23)计算信号的稀疏度K＝‖Ω‖₀；

步骤24)输入采样向量z、观测矩阵Θ以及估计出来的稀疏度K；

步骤25)初始化S＝max(|Θ^Hz|,K)，其中定义的函数max(·,K)表示返回前 K个最大的值；

步骤26)扩展支撑集C＝S∪max(|Θ^Hr|,K)；

步骤27)更新支撑集

步骤28)更新残差

步骤29)若‖r_k-1‖≥‖r_k‖成立，则停止迭代；否则，返回步骤26)继续迭代直至满足迭代终止条件。

请参照图4，图4是本实施例的MIMO雷达成像示意图，在对雷达成像的过程中，首先对雷达信号进行建模，然后利用雷达的发射波形得出雷达回波；最后利用雷达接收回波来对雷达目标场景进行成像。

为了验证本方法的有效性，本实施例提供了一些对比例进行的对比实验，用本发明例提供的CD-ASP算法和OMP算法、SP算法进行在不同信噪和不同稀疏度下的目标背景比的对比实验，其实验结果如图5所示。通过图5可以明显看出，本法明提出的CD-ASP算法在信噪比相同的情况下，相对于其他的稀疏恢复算法，如OMP,SP和ASP有较低的均方误差，稀疏恢复的效果较好。

图6是在信噪比为10dB时，通过本实施例中CD-ASP算法生成的雷达成像示意图，假设雷达目标在笛卡尔坐标系中位于（30,30），（30,34），（30,28），（28,30）和（34,30）。通过稀疏恢复算法，可以清晰准确地恢复出目标。

本方法是一种关于压缩感知MIMO 雷达高分辨成像算法，其主要包括：1）雷达成像场景模型构造；2）对待输入测量矩阵进行预处理；由于待成像区域存在块稀疏的性质，对测量矩阵进行块稀疏处理，以减小噪声干扰对雷达成像的影响；测量矩阵的每一小块中，判断存在信号的区域所对应的测量矩阵予以保存，不存在信号的区域所对应的测量矩阵置零；3）对块稀疏处理之后的测量矩阵进行自适应子空间算法，该算法能够自动快速收敛，并且能够自适应估计场景的稀疏度。主要解决了压缩感知成像中，待成像场景中稀疏度未知和基于贪婪类算法抗造性能弱等问题。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (3)

1.一种基于CD-ASP算法的MIMO雷达超分辨成像算法，其特征在于：其包括以下步骤：

步骤1)根据观测向量的估计减小噪声对成像结果的影响，得到处理后的观测矩阵；

步骤2)将处理之后的观测矩阵作为新的观测矩阵，然后通过自适应子空间匹配追逐算法进行稀疏恢复，以在稀疏度未知的情况下，能够自适应估计稀疏度然后进行稀疏恢复。

2.如权利要求1所述的基于CD-ASP算法的MIMO雷达超分辨成像算法，其特征在于：所述步骤1)包括以下步骤：

步骤11)输入测量矩阵Φ_m×n、压缩感知测量矩阵y、子通道数目L以及噪声灵敏度η；

步骤12)将测量矩阵通道化：

步骤13)初始化使得k＝1，r₀＝y；

步骤14)开始进行迭代，判断k≤L是否成立，若成立，则进行下一步，若不成立，则执行步骤19)；

步骤15)k＝k+1；

步骤16)计算相关参数

步骤17)计算残差

步骤18)判断第k个通道是否存在噪声：

若

成立，则Φ[k]＝0；否则，Φ[k]不变，

其中η∈(0,1)表示稀疏度控制因子；

步骤19)停止迭代，并输出新的测量矩阵Θ＝Φ。

3.如权利要求2所述的基于CD-ASP算法的MIMO雷达超分辨成像算法，其特征在于：步骤2)包括以下步骤：

步骤21)估计稀疏度；记p＝ΘΘ^Hy，计算p的均值和方差分别为μ和σ；

步骤22)计算Ω＝find(p(i)＞μ+ησ)，统计向量p中的大于μ+ησ的值；

步骤23)计算信号的稀疏度K＝‖Ω‖₀；

步骤24)输入采样向量z、观测矩阵Θ以及估计出来的稀疏度K；

步骤25)初始化S＝max(|Θ^Hz|,K)，其中定义的函数max(·,K)表示返回前K个最大的值；

步骤26)扩展支撑集C＝S∪max(|Θ^Hr|,K)；

步骤27)更新支撑集

步骤28)更新残差

步骤29)若‖r_k-1‖≥‖r_k‖成立，则停止迭代；否则，返回步骤26)继续迭代直至满足迭代终止条件。

Images