基于压缩感知的雷达成像(共10页)

精选优质文档-倾情为你奉上Harbin Institute of Technology课程报告课程名称： 现代信号处理专题 论文题目： 基于压缩感知的雷达成像 院 系： 电信学院 班 级： 电子一班 设 计 者： 刘玉鑫 学 号： 13S 指导教师： 张云 时 间： 2014.06 哈尔滨工业大学第一章 压缩感知理论基本原理1.1 压缩感知的基本知识压缩感知理论的核心思想主要包括两点。第一个是信号的稀疏结构。传统的香农信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。但是，现实生活中很多广受关注的信号本身具有一些结构特点。相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。所以，在这种意义上，这种信号是稀疏信号（或者近似稀疏信号、可压缩信号）。另外一点是不相关特性。稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。这些波形要求是与信号所在的稀疏空间不相关的。压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。 1.2 压缩感知的主要原理内容总的说来，压缩感知方法的处理流程可简要描述为：基于待处理信号在某个基上的稀疏性或可压缩性，设计合理的测量矩阵，获得远小于信号维数但包含足够信号特征信息的采样，通过非线性优化算法重构信号。在传统理论的指导下，信号X的编解码过程如图1-1所示。编码端首先获得X的N店采样值经变换后只保留其中K个最大的投影系数并对它们的幅度和位置编码，最后将编得的码值进行存储或者传输。解压缩仅仅是编码过程的逆变换。实际上，采样得到的大部分数据都是不重要的，即K值很小，但由于奈奎斯特采样定理的限制，采样点数N可能会非常大，采样后的压缩是造成资源浪费的根本所在。图1-1 传统数据的编解码过程压缩感知很好的解决了这一问题，它将信号的采样、压缩及编码合并在了同一步骤中，不经过N点采样的中间过程而直接得到信号的表示，其编解码过程如图1-2所示。可压缩信号X通过一个线性观测过程获得M个观测值后直接进行存储或传输。在满足一定的条件下接收端可以根据这M个观测值通过一个非线性优化过程恢复出原信号X。图 1-2 CS理论下数据的编解码过程1.2.1 信号的稀疏表示信号的稀疏性或可压缩性是压缩感知的重要前提和理论基础。现考虑一个实值离散时间信号X，长度为N。X在时域的元素为，n=1，2，N。假设追域的一组标准正交基为，则信号X 可以由线性表示为： 或 （1-1）其中X、S为N1的列向量，为NN矩阵且（表示转置），。可见，X 和是同一信号在不同域的等价表示。如果X只是K（KN）个基向量的线性组合，那么信号X 就是K-稀疏的。当式（1-1）中仅有少量的大系数，而大部分的系数都很小时，就认为信号X 是可压缩的。如果信号具有稀疏性或是可压缩的，那么小系数的丢弃不会影响对原始信号的高概率重构。图1-2中的线性观测过程可以用一个MN的矩阵椎表示，对信号X 观测得到的M 个观测值为，。其中是向量Y（M1）中的元素，是观测矩阵（MN）的列向量。写成矩阵形式为： （1-2）将式（2-1）代入式（2-2）中得： （1-3）其中是MN的矩阵。该观测过程是非自适应的，也就是说是固定的，不随信号X 的变化而变化。有下面两个问题需要解决：（1）如何设计一个稳定的观测矩阵使得在从到的降维处理中可压缩信号的重要信息不被破坏。（2）如何设计重构算法从个测量值Y 中恢复出X。1.2.2 测量矩阵的设计在式（1-2）中，因方程的个数M远远小于未知数的个数N故该线性方程组有无穷解。但是如果X 是K-稀疏的即投影系数中只有K 个非零且这K个非零系数的位置已知，在的前提下这个问题就可以解决。如果观测矩阵满足约束等距特性（RIP），即对于任意K-稀疏向量S，满足下式成立： （1-4）那么就可以从M个观测值中解出K个投影系数。不过为了保证算法的稳定性，对于K-稀疏信号，通常要求对任意的3K-稀疏向量满足RIP准则。RIP准则等价于观测矩阵与稀疏基不相关，当观测矩阵为随机矩阵时，RIP准则及不相关性很容易满足。1.2.3 信号的重构算法假设在基矩阵下，信号X是K-稀疏的，那么可以通过求解最小0-范数的问题从Y中恢复X。 s.t. （1-5）可以证明只要利用M=K+1个独立同分布的高斯测量值就可以用最小0- 范数法以高概率重构K-稀疏信号。但式（1-5）的求解复杂度高、稳定性差而且是一个NP-hard问题。实际上，可以用更为简单的最小1-范数代替最小0-范数求解该问题。 s.t. （1-6）只要利用个独立同分布的高斯测量值就可以以高概率重构K-稀疏信号。这是一个凸优化问题，可转化为线性规划问题来求解，典型算法是基追踪（BP）算法，通过该算法可以精确重构原信号，并且对噪声干扰的抑制能力强，缺点是计算复杂度高，给硬件实现带来了挑战。其他的重构算法有迭代阈值法、子空间追踪算法贪婪算法（包括正交匹配追踪（OMP），匹配追踪（MP）以及树匹配追踪（TMP）等以及一些综合的改进算法。第二章 基于压缩感知的雷达成像2.1雷达成像：压缩传感技术也可以应用于雷达成像领域，与传统雷达成像技术相比压缩传感雷达成像实现了两个重要改进：在接收端省去脉冲压缩匹配滤波器；同时由于避开了对原始信号的直接采样，降低了接收端对模数转换器件带宽的要求。设计重点由传统的设计昂贵的接收端硬件转化为设计新颖的信号恢复算法，从而简化了雷达成像系统。SAR成像是利用雷达观测系统接收到的目标回波信号获得目标电磁散射特性的空间分布，或者说是根据观测系统模型从回波信号中获取信号的驱动源，本质上就是一个信号表示问题。利用压缩感知来研究雷达成像问题，一方面可望减少提取目标脉冲响应和刻画目标散射机制所需的测量数，生成高分辨雷达图像；另一方面，也可用于雷达图像的后处理，减少斑点噪声，实现特征增强，从而有利于图像分析和目标识别。图2-1 传统成像方法和压缩感知方法流程比较对应于压缩感知的三要素，将压缩感知用于雷达成像的三个关键点是：分析雷达回波数据，建立信号的稀疏模型；构造非相干测量矩阵，确定合理的观测模型；利用压缩采样结果，设计有效稳健的重构算法。由此可挖掘压缩感知理论在雷达成像处理中面临的一些亟待解决的基础性问题。2.2 雷达回波的稀疏表示稀疏性是信号复杂度的本质度量，待处理信号在某个基上可稀疏表示是压缩感知理论应用的前提。合理地选择稀疏基，使得信号的稀疏系数个数尽可能少，不仅有利于提高信号获取速度，而且有利于减少存储、传输信号所占用的资源。因此，压缩感知应用于雷达成像的关键基础问题是对雷达回波数据的稀疏性进行分析，揭示目标区域稀疏性与相应雷达回波稀疏性的内在联系，分析稀疏性的形成机理，从而建立雷达回波信号稀疏化的数学模型。作为被观测场景的不同观测数据集，雷达回波原始数据经一定成像处理的数据都具有在某个变换域稀疏化表征的可能性。比如，常见的地基雷达对飞机的探测，可看成是对多个点目标的探测，待测量是时间稀疏信号；机载或星载雷达对地面的探测，可看成是对连续光滑目标或分段光滑目标的探测，待测量在频域或小波变换域是稀疏的；对动态目标的探测，被测信号在时频域或模糊函数域是稀疏的。当然，实际目标信号不一定是在某个正交基上稀疏的，可将压缩感知概念扩展到在冗余字典稀疏的信号，字典的冗余性加强了信号的稀疏性，但同时也使得必需的测量数增多。稀疏基的选择目前主要有两种途径，其一是采用稀疏表示字典的波形匹配分量构造方法，即根据发射信号和回波信号模型的先验信息设计波形匹配字典；其二是分析雷达回波数据模型，通过离散化目标空间，综合每个空间位置的模型数据来生成字典元素。需要注意的是，雷达目标散射体不一定是简单的冲激脉冲几何（或等效的K-稀疏散射体），而更多地是冲激脉冲、阶跃函数、doublets等组成的几何。这意味着雷达成像问题不仅仅是一个单纯的频谱估计问题，而是包含附加的频率和时间依赖元素，这些元素限制了信号的稀疏性假设。此时，根据目标和环境的先验信息构造合适的稀疏冗余字典成为必要。2.3 测量矩阵的构造稀疏性和不相干性是压缩感知的两个核心内容，前者由信号本身决定，后者由感知系统和信号共同确定。这使得测量矩阵与信号的稀疏基息息相关，测量矩阵的确定将直接影响所需采样的数目以及最终能否精确重构出信号。因此，如何根据压缩感知理论中的RIP或不相干条件，针对已获得的稀疏基，设计合理的测量矩阵同样是压缩感知应用于雷达成像的关键环节，包括雷达数据的随机化、非均匀采样机理及测量矩阵合理性的衡量准侧。信号的采样过程可视为一个采样矩阵作用到目标信号上。随机测量矩阵尽管容易构造并以极高的概率满足RIP，但其实用性在系统实现和计算效率上受限，且从非相干正交基得到的随机采样（如部分傅里叶矩阵）不具有通用性。因此，需要构造具有通用性、结构允许快速计算、便于物理实现的确定性测量矩阵。鉴于此，先后出现了基于随机滤波、随机卷积的通用压缩感知测量体系，即将信号通过一个具有随机延迟系数的确定性FIR滤波器或与一个随机脉冲相卷积，然后降采样。雷达回波序列对应于发射脉冲和目标场景反射率函数的卷积，可把发射脉冲视为随机滤波中的FIR滤波器、随机卷积中的随机脉冲，从而基于压缩感知实现雷达成像。降采样过程根据需要可设计不同的方案，均匀降采样简单易行，但所需的测量数较多，随机降采样可通过两种方式实现：一种是在少数随机位置处采样，另一种则用随机符号序列对信号样本进行调制并分块，把每块的和视为一个测量，成为随机预调制求和或随机解调器。压缩感知在AIC及UWB回波信号检测中的应用实质上就是采用了随机解调的测量方式。归纳起来，快时间域的数据获取体质与发射波形密切相关，可采用波形设计、调制和降采样，而慢时间域则采用随机采样方式。其中，波形设计主要考虑两个因素：一是RIP，二是对噪声和杂波的稳健性。对于分布式成像雷达，测量矩阵还依赖于场景的稀疏构成及多站几何有关的基函数，多站几何配置对测量矩阵性质的影响不容忽视。2.4 雷达图像形成Nyquist采样属于局部采样方式，其对应的信号重构算法是线性的；CS采用整体的非自适应测量方式，大大减少了数据采集量，但必须将高度非线性的稀疏约束并入重构过程，付出的代价是信号重构算法的软件成本。对雷达数据进行稀疏性建模，并确定观测模型后，即可采用非线性重构算法生成雷达图像，算法的好坏直接影响到压缩感知理论能否走向实用。为满足雷达成像或数据处理的实时性要求，克服测量噪声及模型误差的影响，重构算法需具有快速稳健性。因此，雷达图像重构算法的研究主要集中在减少测量数、增强稳健性和降低复杂度上。目前为止出现的重构算法可归为凸优化、贪婪追踪和组合算法三大类，此外的Bayesian和非凸优化方法目前还没有严格的理论证明。每种算法都有其固有的优缺点，许多组合算法特别快，但对采样结构有较严格的要求；凸松弛算法需要的测量数最少，精度高，但有繁重的计算负担；贪婪追踪，特别是ROMP、CoSaMP、SubspacePursuit（SP）是运行时间和采样效率的折衷产物。但现有的贪婪算法大都存在两个明显缺陷，即需要信号的稀疏度作为先验信息且抗噪能力较差。Thong T.Do等人提出的稀疏自适应匹配追踪（SAMP）和Hao Zhang等人提出的自适应正交。当然，对于雷达图像重构问题，现有算法是否适用、是否快速稳健仍有待进一步研究。综上所述，压缩感知的三大核心思想即为稀疏表示、测量矩阵和重构算法。2.5 仿真实验本小结通过仿真实验对比基于传统脉压SAR成像和基于压缩感知SAR成像，仿真流程图如图2-2所示，仿真参数见表2-1，观测目标为一个孤立点目标。基于传统脉压成像实验中，脉压过程采用匹配滤波实现；基于压缩感知成像实验中，数据量为50%，重构算法采用正交匹配追踪法（Orthogonal Matching Pursuit）。 图2-1 仿真流程图参数数值单位脉冲宽度10信号带宽20MHz载频9.4GHz方位采样率600Hz飞行速度200m/s中心距离20000m 表2-1 仿真参数仿真结果如图2-3和图2-4所示。 （a）距离压缩 （b）目标图像图2-3基于传统脉压的目标成像 （a）距离压缩 （b）目标图像图2-4 基于压缩感知的目标成像对比图2-3和图2-4，可以看出，采用匹配滤波方法得到的距离压缩结果有旁瓣，而采用压缩感知方法所得到距离向压缩结果中旁瓣被明显抑制。专心-专注-专业