压缩感知介绍PPT.pptVIP

3.4.1 CS与传统的高分辨雷达 CS雷达的三个关键点 （1）发射信号必须是充分不相关的； （2）在CS方法中，不需要使用匹配滤波器； （3）目标场景可以恢复是在假设目标满足稀疏性约束的条件下。 3 压缩感知应用 3.4.1 CS与传统的高分辨雷达 CS技术很重要的思想是设计一个观测矩阵 ，用来表示稀疏信号的字典集 ，并且 与 是不相关的。利用这个思想设计出CS雷达接收机如下图所示。 3 压缩感知应用 假设空间有若干个稀疏目标，将目标所在的距离向与方位向分割成网格形式。CS雷达可以检测的目标数量 ， 为稀疏单元数目。如果 ，则可以采用CS理论，通过优化问题求解，精确分辨出空间的多个目标。 3 压缩感知应用 3.4.2 CS与MIMO雷达 2004年Fishler等人提出了多输入多输出(Multiple Input Multiple Output，MIMO)雷达的概念 MIMO雷达收发阵列配置图 3 压缩感知应用 3.4.2 CS与MIMO雷达 文献Yao Yu, Athina P. Petropulu, H. Vincent Poor, MIMO Radar Using Compressive Sampling, IEEE Journal Of Selected Topics in Signal Processing, Vol. 4, NO. 1, FEB 2010基于小规模的无线网络将CS理论应用于非相参MIMO雷达系统, 求得目标的角度和多普勒解。 文献Chun-Yang Chen and P. P. Vaidyanathan, Compressed Sensing in MIMO Radar, Signals, Systems and Computers, 2008 42nd Asilomar Conference on，26-29 Oct. 2008结合MIMO雷达目标在距离-多普勒-角度域的稀疏特点,研究了CS在相参MIMO雷达系统中的信号重构和波形优化问题。 文献Yao Yu, Athina P. Petropulu and H. Vincent Poor, Compressed Sensing for MIMO Radar . ICASSP 2009.已经开展了CS用于MIMO雷达的参数估计。 3 压缩感知应用 对于均匀线阵的MIMO雷达信号模型，利用CS方法估计目标波达方向(Direction of Arrival，DOA)，可以高概率的精确估计目标的DOA。 均匀线阵MIMO雷达估计结果1 均匀线阵MIMO雷达估计结果2 3 压缩感知应用 分布式压缩感知（Distributed Compressive Sensing, DCS）与MIMO雷达 相参MIMO雷达系统通过多发多收形成大数量的虚拟阵列，在发射机、目标以及接收机之间构成对目标的分布式探测系统，这与分布式压缩感知（DCS）的思想不谋而合。 如果多个信号都在某个变换基下是稀疏的,并且这些信号彼此相关,那么每个信号都能够通过测量矩阵进行联合压缩测量，利用优化方法对待测量进行联合重构。 3 压缩感知应用 分布式压缩感知（DCS）与MIMO雷达 （1）基于MIMO雷达体系的DCS变换基构造 3 压缩感知应用 （2）联合稀疏表示 构造压缩测量矩阵 对接收信号 进行联合稀疏表示，即是充分利用接收信号自身以及接收信号之间的相关性信息，对变换域系数进行联合编码，对接收信号进行降低冗余度的信息融合 。 分布式压缩感知（DCS）与MIMO雷达 3 压缩感知应用 （3） DCS-MIMO联合重构算法 求解欠定方程的处理过程，实现DCS-MIMO雷达信号重构。 常采用的方法有贪婪算法、粒子群算法、模拟退火算法等优化算法。 分布式压缩感知（DCS）与MIMO雷达 3 压缩感知应用 3.4.3 CS与雷达成像 基于CS的SAR成像需要解决的主要问题有: 目标场景的稀疏基设计， 非相关测量 最优化重构算法等。 3 压缩感知应用 3.4.3 CS与雷达成像 实际场景信号的构成模式比点目标模型要复杂得多； 大场景雷达成像，由于噪声的缘故，在实际雷达系统中非相关测量的设计是一个有待解决的问题 ； 压缩感知需要求解一个非线性最优化问题，即需要较高的信噪比，然而大场景雷达成像的数据量