压缩感知介绍PPT-.pptVIP

（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 2 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 2 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特别大，且信噪比很差。因此，如何利用CS实施大场景雷达成像是一件非常具有挑战性的课题。 3 压缩感知应用 穿墙雷达成像和探地雷达成像 余慧敏等 压缩感知理论在探地雷达三维成像中的应用 电子与信息学报，2010 Richard Baraniuk? et al， Compressive Radar Imaging, Preprint, 2008 A. Gurbuz, et al, Compressive sensing for GPR imaging, Preprint, 2008 3 压缩感知应用 3.4.3 CS与雷达成像 穿墙雷达成像和探地雷达成像 /110050241.html 3 压缩感知应用 3.4.3 CS与雷达成像 基于压缩感知的含旋转部件目标ISAR成像方法 目标到雷达距离 1km 目标运动速度 100m/s 发射信号载频 10GHz 发射信号带宽 600MHz 脉冲宽度 10-e6 s 脉冲重复频率 300Hz 距离分辨率 0.25m 横向距离分辨率 0.25m 3 压缩感知应用 3.4.5 CS在雷达目标检测与识别中的应用 CS在雷达目标识别中的应用，可涉及到两大类：第1类是基于复回波信号的特征矢量的目标识别方法；第2类是基于各种成像算法所得到的复图像的目标识别方法。 3.2.1 字典设计 3.2.2 测量算子设计及雷达目标识别 3 压缩感知应用 3.2.1 字典设计 理论上，自然信号或图像在适当的变换字典下具有稀疏性,表示每个源信号只需要有较少的时刻采样是非零值(或者较大值) ,而绝大多数时刻取值为零(或者接近零)。 据此，假设 是信号空间 中的一个字典，令 ，信号 在子空间 上的投影可以表示为： （6） 其中， ，当 ；当 时， 。若 为正交基，可用设置阈值的方法得到（6）；若 为冗余字典，可以用优化理论来实现字典的设计。 3 压缩感知应用 测量算子设计及雷达目标识别 运用滤波器组设计以及信息融合的方法来设计测量算子，来实现雷达信号中感兴趣目标及其特征的稀疏性测量。 采用多通道分析/综合的设计思想对信号 进行测量算子设计。流程如下图所示： 用于雷达目标识别的测量算子设计 3 压缩感知应用 基于稀疏表示理论的SAR目标识别 3 压缩感知应用 识别率（%） BRDM2 BTR70 D7 T72 ZSU234 平均 多线性分析方法 95.08 95.62 100 97.26 98.36 97.26 基于稀疏表示能量最大化 98.32 97.85 100 98.28 99.00 98.69 3 压缩感知应用 * * * 压缩感知理论及应用 Compressed Sensing (CS)：Theory and Applications 1 压缩感知理论分析 1.1 压缩感知的前提 1.2 压缩感知流程介绍 第一步：信号的稀疏表示 第二步：观测矩阵的设计 第三步：信号重构 2 压缩感知应用 2.1 稀疏表示去噪