CN114047509A - 基于cd-asp算法的mimo雷达超分辨成像算法 - Google Patents
基于cd-asp算法的mimo雷达超分辨成像算法 Download PDFInfo
- Publication number
- CN114047509A CN114047509A CN202111334592.7A CN202111334592A CN114047509A CN 114047509 A CN114047509 A CN 114047509A CN 202111334592 A CN202111334592 A CN 202111334592A CN 114047509 A CN114047509 A CN 114047509A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- sparsity
- measurement matrix
- asp
- calculating
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000011084 recovery Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims 1
- 239000010959 steel Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
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
- 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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
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
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Φm×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18)判断第k个通道是否存在噪声:
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=ΘΘHy,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(|ΘHz|,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(|ΘHr|,K);
步骤29)若‖rk-1‖≥‖rk‖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Φm×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18)判断第k个通道是否存在噪声:
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=ΘΘHy,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(|ΘHz|,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(|ΘHr|,K);
步骤29)若‖rk-1‖≥‖rk‖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Φm×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18)判断第k个通道是否存在噪声:
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=ΘΘHy,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(|ΘHz|,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(|ΘHr|,K);
步骤29)若‖rk-1‖≥‖rk‖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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334592.7A CN114047509A (zh) | 2021-11-11 | 2021-11-11 | 基于cd-asp算法的mimo雷达超分辨成像算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334592.7A CN114047509A (zh) | 2021-11-11 | 2021-11-11 | 基于cd-asp算法的mimo雷达超分辨成像算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114047509A true CN114047509A (zh) | 2022-02-15 |
Family
ID=80208439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111334592.7A Pending CN114047509A (zh) | 2021-11-11 | 2021-11-11 | 基于cd-asp算法的mimo雷达超分辨成像算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114047509A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
US20130289942A1 (en) * | 2011-01-10 | 2013-10-31 | Keying Wu | Method and apparatus for measuring and recovering sparse signals |
CN103957011A (zh) * | 2014-04-11 | 2014-07-30 | 西安理工大学 | 基于阈值收缩迭代的压缩感知含噪信号的恢复方法 |
CN105656819A (zh) * | 2016-03-21 | 2016-06-08 | 电子科技大学 | 一种基于压缩感知和大规模mimo的自适应信道估计方法 |
CN108717189A (zh) * | 2018-06-01 | 2018-10-30 | 西安电子科技大学 | 基于压缩感知理论的双基地mimo雷达成像方法 |
CN109959932A (zh) * | 2019-04-08 | 2019-07-02 | 西安电子科技大学 | 基于下降段曲线轨迹的雷达前视三维成像方法 |
WO2020034394A1 (zh) * | 2018-08-13 | 2020-02-20 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
CN111812644A (zh) * | 2020-08-29 | 2020-10-23 | 西安电子科技大学 | 基于稀疏估计的mimo雷达成像方法 |
-
2021
- 2021-11-11 CN CN202111334592.7A patent/CN114047509A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130289942A1 (en) * | 2011-01-10 | 2013-10-31 | Keying Wu | Method and apparatus for measuring and recovering sparse signals |
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
CN103957011A (zh) * | 2014-04-11 | 2014-07-30 | 西安理工大学 | 基于阈值收缩迭代的压缩感知含噪信号的恢复方法 |
CN105656819A (zh) * | 2016-03-21 | 2016-06-08 | 电子科技大学 | 一种基于压缩感知和大规模mimo的自适应信道估计方法 |
CN108717189A (zh) * | 2018-06-01 | 2018-10-30 | 西安电子科技大学 | 基于压缩感知理论的双基地mimo雷达成像方法 |
WO2020034394A1 (zh) * | 2018-08-13 | 2020-02-20 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
CN109959932A (zh) * | 2019-04-08 | 2019-07-02 | 西安电子科技大学 | 基于下降段曲线轨迹的雷达前视三维成像方法 |
CN111812644A (zh) * | 2020-08-29 | 2020-10-23 | 西安电子科技大学 | 基于稀疏估计的mimo雷达成像方法 |
Non-Patent Citations (1)
Title |
---|
王敏 等: "多用户MIMO系统中连续块对角化预编码算法", 《四川大学学报(自然科学版)》, vol. 54, no. 06, 28 November 2017 (2017-11-28), pages 1190 - 1194 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN110266620B (zh) | 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN110619296B (zh) | 一种基于奇异分解的信号降噪方法 | |
CN112737711B (zh) | 一种基于自适应噪声基底估计的宽带载波检测方法 | |
CN111178261B (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN113238227B (zh) | 一种结合深度学习的改进最小二乘相位解缠方法及系统 | |
CN116563146A (zh) | 基于可学习曲率图的图像增强方法与系统 | |
CN107290720B (zh) | 一种基于被动微波干涉成像的运动点目标的检测方法 | |
CN112327259A (zh) | 一种sar图像中干扰信号的消除方法和装置 | |
CN112598069A (zh) | 基于特征提取和权重系数参数更新的高光谱目标跟踪方法 | |
CN114779185A (zh) | 编解码卷积神经网络的雷达信号抗干扰低损恢复方法 | |
CN112598711B (zh) | 一种基于联合光谱降维和特征融合的高光谱目标跟踪方法 | |
CN107292855A (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN112014818B (zh) | 一种基于批处理clean的杂波抑制方法 | |
CN111796266B (zh) | 一种匀加速运动目标rd平面检测前跟踪方法 | |
CN114047509A (zh) | 基于cd-asp算法的mimo雷达超分辨成像算法 | |
CN111562584B (zh) | 被动声纳方位历程图处理方法和装置及设备 | |
CN116612032A (zh) | 基于自适应维纳滤波和2d-vmd的声呐图像去噪方法及设备 | |
CN111901266A (zh) | 面向低信噪比和高动态场景的载波多普勒频偏捕获方法 | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
CN113835107B (zh) | 阵列卫星导航接收机的信号处理方法、装置及智能终端 | |
CN113299284B (zh) | 一种基于自适应滤波的语音识别装置、方法、设备及介质 | |
CN112731273B (zh) | 一种基于稀疏贝叶斯的低复杂度信号波达方向估计方法 | |
Zibetti et al. | Simultaneous super-resolution for video sequences |
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 |