CN110954883A - 基于非参数迭代自适应的捷变频雷达目标重构方法 - Google Patents
基于非参数迭代自适应的捷变频雷达目标重构方法 Download PDFInfo
- Publication number
- CN110954883A CN110954883A CN201911100821.1A CN201911100821A CN110954883A CN 110954883 A CN110954883 A CN 110954883A CN 201911100821 A CN201911100821 A CN 201911100821A CN 110954883 A CN110954883 A CN 110954883A
- Authority
- CN
- China
- Prior art keywords
- target
- signal
- frequency agile
- radar
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000035485 pulse pressure Effects 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 4
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 239000007983 Tris buffer Substances 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 claims description 2
- LENZDBCJOHFCAS-UHFFFAOYSA-N tris Chemical compound OCC(N)(CO)CO LENZDBCJOHFCAS-UHFFFAOYSA-N 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 9
- 238000011084 recovery Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000001629 suppression 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于非参数迭代自适应的捷变频雷达目标重构方法,属于雷达信号处理技术领域;具体地,本发明首先建立捷变频雷达的回波信号模型,然后将回波信号转换为对应的捷变频雷达的压缩感知模型,构建对应的观测矩阵;最后将捷变频雷达的压缩感知模型与阵列信号的压缩感知模型进行对应转化,采用非参数迭代自适应算法对捷变频雷达的目标信号进行优化求解得到目标信号列向量;再对其进行重排,得到重构的目标信号。本发明通过构建观测矩阵并将其类比到阵列流形矩阵之后,将IAA引入捷变频雷达信号的压缩感知求解过程,实现了无需稀疏度等额外参数条件下目标的准确重构。
Description
技术领域
本发明属于雷达信号处理技术领域,尤其涉及一种基于非参数迭代自适应的捷变频雷达目标重构方法。
背景技术
捷变频雷达的载频在一定范围内快速变化,对于干扰机而言,雷达下一个脉冲载频未知,欺骗式干扰和频率瞄准的压制式干扰很难起作用,因此,捷变频雷达可以提高抗干扰性能,而且还可以提高距离分辨力优势,具有广阔的应用前景。
压缩感知作为一项理论模型,其最重要的突破性和创新性在于对奈奎斯特采样理论的拓展;基于先验的信号稀疏性,在小于奈奎斯特或者远小于奈奎斯特采样率的欠采样条件下,通过非线性求解方法对压缩感知模型进行优化求解,从而可以以高精度恢复出原始信号。因此,在遥感探测、图像压缩、雷达信号处理等领域都采用该模型来解决数据缺失条件下的信号处理问题。
在捷变频雷达中,观测场景具有明显的稀疏特性,且在复杂条件下雷达数据会产生一定丢失,与压缩感知理论十分契合。然而,目前在捷变频领域所用的压缩感知算法如正交匹配追踪(OMP)算法,往往需要获取一些参数条件,实际应用时往往需要反复测试参数,计算量大,结果稳定性差,目标定位准确性较低。
发明内容
为了解决上述问题,本发明的目的是提出基于非参数迭代自适应(IAA,IterativeAdaptive Approach)的捷变频雷达目标重构方法。由于IAA算法是处理阵列信号时提出的,所以本发明方法是通过构建观测矩阵并将其类比到阵列流形矩阵之后,将IAA算法引入捷变频雷达信号的压缩感知求解过程,实现了无需稀疏度等额外参数条件下目标的准确重构。
为了达到上述目的,本发明采用以下技术方案予以解决。
基于非参数迭代自适应的捷变频雷达目标重构方法,包括以下步骤:
步骤1,建立捷变频雷达的回波信号模型,并据此获取目标的回波信号;目标的回波信号经过接收机混频解调,得到基带信号;将基带信号进行脉压和归一化处理,得到脉压后的回波信号;
步骤2,将脉压后的回波信号转换为对应的捷变频雷达的压缩感知模型,进而构建对应的观测矩阵;
步骤3,将捷变频雷达的压缩感知模型与阵列信号的压缩感知模型进行对应转化,其中,捷变频雷达的观测矩阵的每一列与阵列流形矩阵的每一列对应,阵列的DOA估计结果的来波方向与捷变频雷达的目标参数对应;采用非参数迭代自适应算法对捷变频雷达的目标信号进行优化求解,得到目标信号列向量;对目标信号列向量进行重排,得到重构的目标信号;
其中,目标参数为目标的位置和速度。
与现有技术相比,本发明的有益效果为:
(1)本发明不需要已知额外参数例如稀疏度,在捷变频雷达信号处理时,对于各种未知场景目标进行重构,比常用的正交匹配追踪(OMP)法更具稳定性。
(2)若观测噪声的强度随时间变换,则观测噪声的影响对于每次观测是不同的,而许多算法采用最小二乘估计则是同等对待每次观测量,反而是不合理的。本发明是采用加权最小二乘法进行估计,相对而言结果更精确。
(3)本发明首次在捷变频雷达信号重构中采用非参数迭代自适应(IAA)算法,并完成了目标场景的准确重构。IAA算法通过迭代过程获得最佳的重构结果,迭代过程相对简单,计算量低,容易工程实现。
附图说明
图1是本发明提供一种基于非参数迭代自适应的捷变频雷达目标重构方法的流程示意图;
图2(a)是本发明实施例提供的目标区域IAA算法迭代的初始值的距离-速度二维图;
图2(b)是本发明实施例提供的目标区域IAA算法迭代的初始值的距离-速度三维图;
图3(a)是本发明实施例提供的目标区域IAA算法迭代的最终值的距离-速度二维图;
图3(b)是本发明实施例提供的目标区域IAA算法迭代的最终值的距离-速度三维图;
图4是本发明实施例提供的目标区域正交匹配追踪(OMP)算法求解的距离-速度三维图。
具体实施方式
下面结合附图对本发明的实施例及效果作进一步详细描述。
参考图1,本发明的一种基于非参数迭代自适应的捷变频雷达目标重构方法,按照以下步骤实施:
步骤1,建立捷变频雷达的回波信号模型,并据此获取目标的回波信号;目标的回波信号经过接收机混频解调,得到基带信号;将基带信号进行脉压和归一化处理,得到脉压后的回波信号;
具体按照以下步骤进行:
步骤1.1,建立捷变频雷达的回波信号模型:
首先,设定雷达脉冲的初始载频为fc,第n个脉冲的载频为fn=fc+dnΔf,n=0,1,...,N-1,其中n为脉冲序列号,N为一个相参处理间隔内的脉冲个数,Δf为最小跳频间隔,dn为第n个脉冲的频率调制码字,其取值范围为dn∈{0,1,...M-1}。
其次,为了提高距离分辨率,基带波形采用线性调频信号(LFM),捷变频信号模型可以表示为:
步骤1.2,该目标的回波信号经过接收机混频解调,得到基带信号表示为:
步骤1.3,经过脉压之后,将回波归一化处理后,得到的回波信号为:
为使上式简洁,引入新的变量:
其中,|α|、p和q分别与幅度、距离和速度成比例关系,α为目标的散射系数,p和q为高分辨距离相位因子和速度相位因子。
由于雷达回波信号可以看成观测场景中、不同速度的所有目标回波的线性叠加,则上式改写为:
其中,Ω为目标所有高分辨距离和运动速度的集合。
步骤2,将脉压后的回波信号转换为对应的捷变频雷达的压缩感知模型,进而构建对应的观测矩阵;
具体按照以下步骤进行:
步骤2.1,在一个粗分辨距离单元内目标具有稀疏性,使用压缩感知的方法重构目标。不考虑噪声的情况下,压缩感知方程为y=Φx;
其中,y为观测数据,即为脉压后的回波信号,Φ为观测矩阵,x为目标信号。仅考虑一个粗分辨单元时,y为某个采样时刻的第n个脉冲的回波数据,即y∈CN×1;
子步骤2.2,由于捷变频雷达的回波信号可以看成观测场景中所有目标回波的线性叠加,所以在距离-速度维是一个积分求解形式。因此通常将距离-速度的二维平面离散化,以便将积分表达式近似简化为求和表达式。
将一个粗分辨单元的距离维和速度维分别对应离散化为M和N个网格格点,即p0,p1,...,pM-1,q0,q1,...,qN-1。设粗分辨距离单元为ΔR,高分辨距离单元为Δr=ΔR/M,速度分辨单元Δv=vmax/N,vmax为雷达最大不模糊速度;
子步骤2.3,构造观测矩阵Φ。
根据压缩感知方程可知,要对目标信号x进行重建,就需要求观测矩阵Φ,即对应的目标回波散射系数α(p,q),用二维M×N复数矩阵α表示
将目标回波散射系数矩阵α进行列向量化,即是目标回波散射系数重构的向量x,x∈CMN×1:
x=[α(p0,q0),…,α(pM-1,q0),…,α(p0,qN-1),…,α(pM-1,qN-1)]T则离散化后所有目标的第n个脉冲的回波信号可以改写为:
其中,k=1,2,…MN,pk(n)、qk(n)分别为第n个脉冲时目标信号x中第k个元素x(k)对应的距离相位因子、速度相位因子。
定义导引矢量φk(n)∈CN×1:
φk(n)=exp(jpk(n)dn)exp(jqk(n)lnn)
对于一个固定的脉冲序列,其导引矢量为φk,则构建的观测矩阵为:
Φ=[φ0,φ1,...,φMN-1]∈CN×MN。
步骤3:将捷变频雷达的压缩感知模型与阵列信号的压缩感知模型进行对应转化,其中,捷变频雷达的观测矩阵的每一列与阵列流形矩阵的每一列对应,阵列的DOA估计结果的来波方向与捷变频雷达的目标参数对应;采用非参数迭代自适应算法对捷变频雷达的目标信号进行优化求解,得到目标信号列向量;对目标信号列向量进行重排,得到重构的目标信号。
具体按照以下步骤进行:
步骤3.1,将捷变频的压缩感知模型转换成阵列信号模型的表示方式:即捷变频雷达的观测矩阵的每一列与阵列流形矩阵的每一列对应,阵列的DOA估计结果的来波方向与捷变频雷达的目标参数对应;
其中,目标参数为目标的位置和速度。
因此,将阵列信号模型中的IAA算法引入捷变频雷达中,采用IAA算法确定阵列信号的DOA来波方向,就等价于采用IAA算法确定捷变频雷达的目标参数。
步骤3.2,采用非参数迭代自适应算法对捷变频雷达的目标参数进行优化求解,具体过程为:
(a)设置最大迭代次数为L;初始化迭代次数μ为0;
其中,|·|表示求模操作;
其中,diag为对角化操作;
其中,(·)-1表示求逆操作;
(f)判断当前迭代次数是否满足μ<L,若是,则返回步骤(c)更新对角阵p,并将其作为下一次迭代的对角阵;否则,停止迭代,将步骤(e)得到的更新后的重构目标信号作为最终确定的目标信号,即得到对应的一个MN×1的目标信号列向量x。
以上过程中,L一般选10到15次。
上述捷变频雷达中IAA算法的具体优化思路如下:
首先,设p是一个对角阵,其对角元素是捷变频雷达离散化后网格上每个目标位置的信号能量;其中,干扰和噪声的协方差矩阵为Q(kp,kq)=R-PkΦ(kp,kq)ΦH(kp,kq),R=Φ(kp,kq)PΦ(kp,kq),kp,kq为观测矩阵Φ的第k列对应的p,q参数,Φ(kp,kq)即Φ(k)。
其次,定义加权最小二乘代价函数如下:
要得到精确的估计结果,即要使得:
步骤3.3,将目标信号列矩阵x按元素顺序重排成M×N维矩阵,即将x的前M个元素作为重排后矩阵的第一行,将x的第M+1到第2M个元素作为重排后矩阵的第2行,依次类推,即可得到重排后的M×N维矩阵;即为目标的距离-速度矩阵,亦即重构的目标信号。
仿真实验
以下通过仿真实验验证本发明的有效性,仿真参数如表所示:
表1 ***仿真参数
整个仿真过程分为两部分,第一部分是验证本发明方法能否准确恢复出信号的距离速度位置,来验证方法的有效性;第二部分在未知稀疏度情况下,与常用的正交匹配追踪(OMP)法比较,验证本发明方法的实用性。
第一部分仿真结果如图2(a)和2(b)所示,从图2(a)的IAA算法迭代的初始值的二维平面图和2(b)的IAA算法迭代的初始值的三维图中可以看出,本发明方法求解的初始重构信号即得到了目标的距离-速度信息,说明本发明方法求解捷变频压缩感知问题有效。
第二部分仿真,分别采用本发明方法和传统的OMP方法对目标信号进行重构,结果如图3和图(4)所示,图3(a)和3(b)分别为采用本发明方法的IAA算法迭代的最终值重构目标的距离-速度二维平面图和三维图,从图中可以看出,本发明方法准确重构出的目标的距离和速度信息,且对比图2(b)可以看出,本发明的IAA算法迭代过程能够消除干扰信号,提高目标重构的准确性。
在未知稀疏度的情况下,OMP算法如果迭代次数大于稀疏度,恢复结果变差,当迭代次数超过稀疏度一定程度后,恢复结果会出现虚假目标;如果迭代次数小于稀疏度时,显然也会丢失目标。在稀疏度为3,OMP迭代次数为10时,仿真结果如图4所示,明显看出仿真结果已经出现虚假目标。因此,在实际应用中,未知场景稀疏度情况下进行压缩感知恢复,传统OMP算法必须不断修改算法迭代次数,而IAA算法不需要额外参数设置,具有更高的实用价值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.基于非参数迭代自适应的捷变频雷达目标重构方法,其特征在于,包括以下步骤:
步骤1,建立捷变频雷达的回波信号模型,并据此获取目标的回波信号;目标的回波信号经过接收机混频解调,得到基带信号;将基带信号进行脉压和归一化处理,得到脉压后的回波信号;
步骤2,将脉压后的回波信号转换为对应的捷变频雷达的压缩感知模型,进而构建对应的观测矩阵;
步骤3,将捷变频雷达的压缩感知模型与阵列信号的压缩感知模型进行对应转化,其中,捷变频雷达的观测矩阵的每一列与阵列流形矩阵的每一列对应,阵列的DOA估计结果的来波方向与捷变频雷达的目标参数对应;采用非参数迭代自适应算法对捷变频雷达的目标信号进行优化求解,得到目标信号列向量;对目标信号列向量进行重排,得到重构的目标信号;
其中,目标参数为目标的位置和速度。
2.根据权利要求1所述的基于非参数迭代自适应的捷变频雷达目标重构方法,其特征在于,步骤1中,所述建立捷变频雷达的回波信号模型,具体为:
首先,设定雷达脉冲的初始载频为fc,则第n个脉冲的载频为fn=fc+dnΔf;
其中,n为脉冲序列号,n=0,1,...,N-1,N为一个相参处理间隔内的脉冲个数,Δf为最小跳频间隔,dn为第n个脉冲的频率调制码字;
其次,设定基带波形采用线性调频信号,则捷变频信号模型可以表示为:
上式即为捷变频雷达的回波信号模型。
4.根据权利要求1所述的基于非参数迭代自适应的捷变频雷达目标重构方法,其特征在于,所述将脉压后的回波信号转换为对应的捷变频雷达的压缩感知模型,具体为:
对于捷变频雷达,在一个粗分辨单元内目标具有稀疏性,因此,使用压缩感知模型进行目标回波信号重构;不考虑噪声时,压缩感知方程为y=Φx;
其中,y为观测数据,即为脉压后的回波信号,Φ为观测矩阵,x为目标信号;仅考虑一个粗分辨单元时,y为某个采样时刻的第n个脉冲的回波数据,即y∈CN×1。
5.根据权利要求3所述的基于非参数迭代自适应的捷变频雷达目标重构方法,其特征在于,所述构造观测矩阵,其具体为:
首先,将捷变频雷达的回波信号看成观测场景中所有目标回波的线性叠加,即距离-速度维的积分形式;将距离-速度的二维平面离散化,即将积分形式转变为求和形式;
其次,将一个粗分辨单元的距离维和速度维分别对应离散化为M和N个网格格点,即p0,p1,...,pM-1,q0,q1,...,qN-1;根据压缩感知方程,要对目标信号x进行重建,需要求观测矩阵Φ,即对应的目标回波散射系数α(p,q),用二维M×N复数矩阵α表示:
再次,将目标回波散射系数矩阵α进行列向量化,即为目标回波散射系数重构的向量x,x∈CMN×1:
x=[α(p0,q0),…,α(pM-1,q0),…,α(p0,qN-1),…,α(pM-1,qN-1)]T则离散化后所有目标的第n个脉冲的回波信号改写为:
其中,k=1,2,…MN,pk(n)为第n个脉冲时目标信号x中第k个元素x(k)对应的距离相位因子,qk(n)为第n个脉冲时目标信号x中第k个元素x(k)对应的速度相位因子;
最后,定义导引矢量φk(n)∈CN×1:
φk(n)=exp(jpk(n)dn)exp(jqk(n)lnn)
对于一个固定的脉冲序列,其导引矢量为φk,则构建的观测矩阵为:Φ=[φ0,φ1,...,φMN-1]∈CN×MN。
6.根据权利要求1所述的基于非参数迭代自适应的捷变频雷达目标重构方法,其特征在于,所述采用非参数迭代自适应算法对捷变频雷达的目标参数进行优化求解,具体过程为:
(a)设置最大迭代次数为L;初始化迭代次数μ为0;
其中,|·|表示求模操作;
其中,diag为对角化操作;
其中,(·)-1表示求逆操作;
(f)判断当前迭代次数是否满足μ<L,若是,则返回步骤(c)更新对角阵p,并将其作为下一次迭代的对角阵;否则,停止迭代,将步骤(e)得到的更新后的重构目标信号作为最终确定的目标信号,即得到对应的一个MN×1的目标信号列向量x。
7.根据权利要求1所述的基于非参数迭代自适应的捷变频雷达目标重构方法,其特征在于,所述对目标信号列向量进行重排,其具体为:
将目标信号列向量x按元素顺序重排成M×N维矩阵,即将x的前M个元素作为重排后矩阵的第一行,将x的第M+1到第2M个元素作为重排后矩阵的第2行,依次类推,即可得到重排后的M×N维矩阵;即为目标的距离-速度矩阵,亦即重构的目标信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100821.1A CN110954883B (zh) | 2019-11-12 | 2019-11-12 | 基于非参数迭代自适应的捷变频雷达目标重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100821.1A CN110954883B (zh) | 2019-11-12 | 2019-11-12 | 基于非参数迭代自适应的捷变频雷达目标重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110954883A true CN110954883A (zh) | 2020-04-03 |
CN110954883B CN110954883B (zh) | 2023-08-11 |
Family
ID=69977223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911100821.1A Active CN110954883B (zh) | 2019-11-12 | 2019-11-12 | 基于非参数迭代自适应的捷变频雷达目标重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110954883B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075635A (zh) * | 2021-03-30 | 2021-07-06 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
CN113589250A (zh) * | 2021-07-29 | 2021-11-02 | 上海无线电设备研究所 | 一种稀疏学习的相参捷变频雷达距离高分辨处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879783A (zh) * | 2012-10-12 | 2013-01-16 | 西安电子科技大学 | 基于稀疏探测频率信号的isar成像方法 |
CN104268907A (zh) * | 2014-09-23 | 2015-01-07 | 西安电子科技大学 | 基于引导滤波与剪切滤波的红外图像压缩感知重构方法 |
CN105652273A (zh) * | 2016-03-17 | 2016-06-08 | 哈尔滨工程大学 | 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法 |
CN106646446A (zh) * | 2017-03-15 | 2017-05-10 | 中国人民解放军国防科学技术大学 | 脉冲压缩捷变频雷达的动目标检测方法 |
CN106680815A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 基于张量稀疏表示的mimo雷达成像方法 |
WO2018049595A1 (zh) * | 2016-09-14 | 2018-03-22 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其*** |
WO2018183415A1 (en) * | 2017-03-29 | 2018-10-04 | Westerngeco Llc | Compressive sensing imaging |
CN109444885A (zh) * | 2018-12-17 | 2019-03-08 | 中国人民解放军空军工程大学 | 基于稀疏矩阵重构的超分辨成像方法、装置及电子设备 |
CN110346793A (zh) * | 2019-07-24 | 2019-10-18 | 电子科技大学 | 一种分布式阵列雷达迭代自适应高分辨成像方法 |
-
2019
- 2019-11-12 CN CN201911100821.1A patent/CN110954883B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879783A (zh) * | 2012-10-12 | 2013-01-16 | 西安电子科技大学 | 基于稀疏探测频率信号的isar成像方法 |
CN104268907A (zh) * | 2014-09-23 | 2015-01-07 | 西安电子科技大学 | 基于引导滤波与剪切滤波的红外图像压缩感知重构方法 |
CN105652273A (zh) * | 2016-03-17 | 2016-06-08 | 哈尔滨工程大学 | 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法 |
WO2018049595A1 (zh) * | 2016-09-14 | 2018-03-22 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其*** |
CN106680815A (zh) * | 2016-12-15 | 2017-05-17 | 哈尔滨工程大学 | 基于张量稀疏表示的mimo雷达成像方法 |
CN106646446A (zh) * | 2017-03-15 | 2017-05-10 | 中国人民解放军国防科学技术大学 | 脉冲压缩捷变频雷达的动目标检测方法 |
WO2018183415A1 (en) * | 2017-03-29 | 2018-10-04 | Westerngeco Llc | Compressive sensing imaging |
CN109444885A (zh) * | 2018-12-17 | 2019-03-08 | 中国人民解放军空军工程大学 | 基于稀疏矩阵重构的超分辨成像方法、装置及电子设备 |
CN110346793A (zh) * | 2019-07-24 | 2019-10-18 | 电子科技大学 | 一种分布式阵列雷达迭代自适应高分辨成像方法 |
Non-Patent Citations (12)
Title |
---|
CARLO NOVIELLO: "Focused SAR Image Formation of Moving Targets", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
CARLO NOVIELLO: "Focused SAR Image Formation of Moving Targets", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 53, no. 6, 30 June 2015 (2015-06-30) * |
JUNGANG YANG ET AL.: "Random-Frequency SAR Imaging Based on Compressed Sensing", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 51, no. 2, XP011488140, DOI: 10.1109/TGRS.2012.2204891 * |
刘鲁涛等: "同时到达捷变频雷达信号的DOA估计", 《哈尔滨工程大学学报》 * |
刘鲁涛等: "同时到达捷变频雷达信号的DOA估计", 《哈尔滨工程大学学报》, no. 05, 31 May 2011 (2011-05-31) * |
杨新锋;张金娜;滕书华;崔宇;: "利用压缩感知实现随机变频雷达散射中心估计", 红外与激光工程, no. 05 * |
王烈等: "分段弱选择自适应正交匹配追踪算法", 《计算机工程与设计》 * |
王烈等: "分段弱选择自适应正交匹配追踪算法", 《计算机工程与设计》, no. 12, 31 December 2018 (2018-12-31) * |
罗倩: "基于稀疏表示的杂波建模和微弱运动目标探测", 《现代雷达》 * |
罗倩: "基于稀疏表示的杂波建模和微弱运动目标探测", 《现代雷达》, vol. 38, no. 2, 28 February 2016 (2016-02-28) * |
苏伍各等: "基于稀疏贝叶斯方法的脉间捷变频ISAR成像技术研究", 《电子与信息学报》 * |
苏伍各等: "基于稀疏贝叶斯方法的脉间捷变频ISAR成像技术研究", 《电子与信息学报》, vol. 37, no. 1, 31 January 2015 (2015-01-31) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075635A (zh) * | 2021-03-30 | 2021-07-06 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
CN113075635B (zh) * | 2021-03-30 | 2024-04-12 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
CN113589250A (zh) * | 2021-07-29 | 2021-11-02 | 上海无线电设备研究所 | 一种稀疏学习的相参捷变频雷达距离高分辨处理方法 |
CN113589250B (zh) * | 2021-07-29 | 2024-02-23 | 上海无线电设备研究所 | 一种稀疏学习的相参捷变频雷达距离高分辨处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110954883B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275166B (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
CN110095765B (zh) | 捷变频雷达的高分辨多普勒重构方法 | |
Karlsson et al. | Fast missing-data IAA with application to notched spectrum SAR | |
CN111337893B (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
Yang et al. | Knowledge‐aided STAP with sparse‐recovery by exploiting spatio‐temporal sparsity | |
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 | |
CN110954884B (zh) | 基于StOMP的捷变频雷达稀疏场景目标重构方法 | |
Huang et al. | Adaptive moving target detection without training data for FDA-MIMO radar | |
Hu et al. | Matrix completion-based MIMO radar imaging with sparse planar array | |
Maria et al. | Application of the global matched filter to STAP data an efficient algorithmic approach | |
Yang et al. | Sparsity‐based space–time adaptive processing using complex‐valued Homotopy technique for airborne radar | |
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 | |
CN105699950B (zh) | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 | |
CN110954883B (zh) | 基于非参数迭代自适应的捷变频雷达目标重构方法 | |
Zhang et al. | Fast imaging algorithm for the multiple receiver synthetic aperture sonars | |
Wu et al. | SAR imaging from azimuth missing raw data via sparsity adaptive StOMP | |
CN116593982A (zh) | 一种基于music-ap的雷达目标高分辨估计和距离模糊抑制方法 | |
Wang et al. | Low probability of intercept radar waveform recognition based on dictionary leaming | |
Huang et al. | Azimuth location deambiguity for SAR ground moving targets via coprime adjacent arrays | |
Ding et al. | Discrimination and identification between mainlobe repeater jamming and target echo via sparse recovery | |
CN106707279A (zh) | 一种随机跳频微波关联成像波形设计方法 | |
CN111044996A (zh) | 一种基于降维近似消息传递的lfmcw雷达目标检测方法 | |
CN109541567A (zh) | 基于深度学习的高速机动目标检测方法 | |
CN114397628A (zh) | 一种雷达多域捷变波形设计方法及其稀疏恢复处理方法 | |
Quan et al. | Angle-Doppler imaging based on compressive sensing in random PRF airborne radar |
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: Liang Yi Inventor after: Yin Zhiwen Inventor after: Chen Haohui Inventor after: Qin Hanlin Inventor after: Wang Wenjie Inventor before: Liang Yi Inventor before: Yin Zhiwen Inventor before: Qin Hanlin Inventor before: Wang Wenjie |
|
GR01 | Patent grant | ||
GR01 | Patent grant |