压缩感知介绍PPT--最终版精选.ppt

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