参数化稀疏表征在雷达探测中的应用

李刚 夏香根

李刚, 夏香根. 参数化稀疏表征在雷达探测中的应用[J]. 雷达学报, 2016, 5(1): 1-7. doi: 10.12000/JR15126
引用本文: 李刚, 夏香根. 参数化稀疏表征在雷达探测中的应用[J]. 雷达学报, 2016, 5(1): 1-7. doi: 10.12000/JR15126
Li Gang, Xia Xiang-Gen. Parametric Sparse Representation and Its Applications to Radar Sensing[J]. Journal of Radars, 2016, 5(1): 1-7. doi: 10.12000/JR15126
Citation: Li Gang, Xia Xiang-Gen. Parametric Sparse Representation and Its Applications to Radar Sensing[J]. Journal of Radars, 2016, 5(1): 1-7. doi: 10.12000/JR15126

参数化稀疏表征在雷达探测中的应用

doi: 10.12000/JR15126
基金项目: 

国家自然科学基金(61422110, 41271011),万人计划青年拔尖人才支持项目,清华大学自主科研项目,清华信息科学与技术国家实验室(筹)拔尖人才支持计划项目

详细信息
    作者简介:

    李刚(1979-),男,2002年和2007年于清华大学电子系分别获得学士、博士学位,现为清华大学电子系研究员、博士生导师,研究方向包括雷达成像、时频分析、稀疏信号处理、分布式信号处理等。E-mail:gangli@tsinghua.edu.cn夏香根(1963-),男,现为美国特拉华大学教授、博士生导师,研究方向包括空时编码、MIMO和OFDM系统、雷达成像等。E-mail:xxia@ee.udel.edu

    通讯作者:

    李刚gangli@tsinghua.edu.cn

Parametric Sparse Representation and Its Applications to Radar Sensing

Funds: 

The National Natural Science Foundation of China (61422110, 41271011), The National Ten Thousand Talent Program-Young Top-Notch Talent Program, The Tsinghua University Initiative Scientific Research Program, The Tsinghua National Laboratory for Information Science and Technology (TNList) Program

  • 摘要: 稀疏信号处理已经在雷达目标探测领域得到应用,并获得了优于传统方法的探测性能。然而,雷达目标探测过程中往往存在目标运动、雷达轨迹误差等未知因素,这导致预先设计的字典矩阵无法实现雷达信号的最优稀疏表征。该文将介绍字典学习的一个分支参数化稀疏表征,该方法通过构建参数化的字典矩阵,实现了对雷达探测过程中未知参数的动态学习和雷达信号的最优稀疏表征。该文还将介绍参数化稀疏表征在逆合成孔径雷达成像、合成孔径雷达自聚焦、基于微多普勒的目标识别等若干雷达探测问题中的应用。
  • [1] Tibshirani R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society, Series B (Methodological), 1996: 267-288.
    [2] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.
    [3] Cands E J, Romberg J, and Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory, 2006, 52(2): 489-509.
    [4] Candes E J and Tao T. Near-optimal signal recovery from random projections: universal encoding strategies[J]. IEEE Transactions on Information Theory, 2006, 52(12): 5406-5425.
    [5] Eldar Y and Kutyniok G. Compressed Sensing: Theory and Applications[M]. Cambridge University Press, 2012.
    [6] Baraniuk R and Steeghs P. Compressive radar imaging[C]. 2007 IEEE Radar Conference, 2007: 128-133.
    [7] Potter L C, Ertin E, Parker J T, et al.. Sparsity and compressed sensing in radar imaging[J]. Proceedings of the IEEE, 2010, 98(6): 1006-1020.
    [8] Ender J H G. On compressive sensing applied to radar[J]. Signal Processing, 2010, 90(5): 1402-1414.
    [9] Zhang B, Hong W, and Wu Y. Sparse microwave imaging: principles and applications[J]. SCIENCE CHINA Information Sciences, 2012, 55(8): 1722-1754.
    [10] 吴一戎, 洪文, 张冰尘, 等. 稀疏微波成像研究进展[J]. 雷达学报, 2014, 3(4): 383-395. Wu Yi-rong, Hong Wen, Zhang Bing-chen, et al.. Current developments of sparse microwave imaging[J]. Journal of Radars, 2014, 3(4): 383-395.
    [11] Hong W, Zhang B, Zhang Z, et al.. Radar imaging with sparse constraint: principle and initial experiment[C]. Proceedings of 10th European Conference on Synthetic Aperture Radar, EUSAR 2014, Berlin, Germany, 2014: 1-4.
    [12] Tropp J A and Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666.
    [13] Dai W and Milenkovic O. Subspace pursuit for compressive sensing signal reconstruction[J]. IEEE Transactions on Information Theory, 2009, 55(5): 2230-2249.
    [14] Needell D and Tropp J A. CoSaMP: iterative signal recovery from incomplete and inaccurate samples[J]. Applied and Computational Harmonic Analysis, 2009, 26(3): 301-321.
    [15] Li G, Zhang H, Wang X, et al.. ISAR 2-D imaging of uniformly rotating targets via matching pursuit[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(2): 1838-1846.
    [16] Rao W, Li G, Wang X, et al.. Adaptive sparse recovery by parametric weighted L1 minimization for ISAR imaging of uniformly rotating targets[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(2): 942-952.
    [17] Rao W, Li G, Wang X, et al.. Comparison of parametric sparse recovery methods for ISAR image formation[J]. SCIENCE CHINA Information Sciences, 2014, 57(2). doi:  10.1007/s11432-013-4859-9.
    [18] Rao W, Li G, Wang X, et al.. Parametric sparse representation method for ISAR imaging of rotating targets[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(2): 910-919.
    [19] Chen Y, Li G, Zhang Q, et al.. Parametric sparse representation method for air-borne SAR autofocusing. submitted to IEEE Transactions on Geoscience and Remote Sensing.
    [20] Li G and Varshney P K. Micro-Doppler parameter estimation via parametric sparse representation and pruned orthogonal matching pursuit[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(12): 4937-4948.
    [21] Gaglione D, Clemente C, Coutts F, et al.. Model-based sparse recovery method for automatic classification of helicopters[C]. 2015 IEEE Radar Conference, Arlington, 2015: 1161-1165.
    [22] Alonso M T, Lopez-Dekker P, and Mallorqui J J. A novel strategy for radar imaging based on compressive sensing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(12): 4285-4295.
    [23] Coutts F K, Gaglione D, Clemente C, et al.. Label consistent K-SVD for sparse micro-Doppler classification[C]. 2015 IEEE International Conference on Digital Signal Processing, Singapore, 2015: 90-94.
    [24] Peyre G. Best basis compressed sensing[J]. IEEE Transactions on Signal Processing, 2010, 58(5): 2613-2622.
    [25] Zhu H, Leus G, and Giannakis G B. Sparsity-cognizant total least-squares for perturbed compressive sampling[J]. IEEE Transactions on Signal Processing, 2011, 59(5): 2002-2016.
    [26] Olshausen B A and Field D J. Sparse coding with an overcomplete basis set: a strategy employed by V1?[J]. Vision Research, 1997, 37(23): 3311-3325.
    [27] Kreutz-Delgado K, Murray J F, Rao B D, et al.. Dictionary learning algorithms for sparse representation[J]. Neural Computation, 2003, 15(2): 349-396.
    [28] Bryta O and Elad M. Compression of facial images using the K-SVD algorithm[J]. Journal of Visual Communication and Image Representation, 2008, 19(4): 270-282.
    [29] Tosic I and Frossard P. Dictionary learning[J]. IEEE Signal Processing Magazine, 2011, 28(2): 27-38.
    [30] Donohoe G W. Subaperture autofocus for synthetic aperture radar[J]. IEEE Transactions on Aerospace and Electronic Systems, 1994, 30(2): 617-621.
    [31] Wahl D E, Eichel P H, Ghiglia D C, et al.. Phase gradient autofocusa robust tool for high resolution SAR phase correction[J]. IEEE Transactions on Aerospace and Electronic Systems, 1994, 30(3): 827-835.
  • [1] 赵婉婉, 王鹏波, 门志荣, 李春升.  一种基于二维信号稀疏重构的互质采样星载SAR成像处理方法 . 雷达学报, 2020, 9(1): 131-142. doi: 10.12000/JR19086
    [2] 施龙飞, 全源, 范金涛, 马佳智.  通信化雷达探测技术 . 雷达学报, 2020, 9(): 1-8. doi: 10.12000/JR20088
    [3] 罗迎, 倪嘉成, 张群.  基于“数据驱动+智能学习”的合成孔径雷达学习成像 . 雷达学报, 2020, 9(1): 107-122. doi: 10.12000/JR19103
    [4] 朱岱寅, 张营, 俞翔, 毛新华, 张劲东, 李勇.  微型合成孔径雷达成像信号处理技术 . 雷达学报, 2019, 8(6): 793-803. doi: 10.12000/JR19094
    [5] 赵飞翔, 刘永祥, 霍凯.  一种基于Dropout约束深度极限学习机的雷达目标分类算法 . 雷达学报, 2018, 7(5): 613-621. doi: 10.12000/JR18048
    [6] 王俊, 郑彤, 雷鹏, 魏少明.  深度学习在雷达中的研究综述 . 雷达学报, 2018, 7(4): 395-411. doi: 10.12000/JR18040
    [7] 陈小龙, 陈宝欣, 黄勇, 薛永华, 关键.  频控阵雷达空距频聚焦信号处理方法 . 雷达学报, 2018, 7(2): 183-193. doi: 10.12000/JR18018
    [8] 杨海峰, 谢文冲, 王永良.  不同发射波形下多机协同探测雷达系统信号建模与性能分析 . 雷达学报, 2017, 6(3): 267-274. doi: 10.12000/JR16142
    [9] 胡程, 刘长江, 曾涛.  双基地前向散射雷达探测与成像 . 雷达学报, 2016, 5(3): 229-243. doi: 10.12000/JR16058
    [10] 赵春雷, 王亚梁, 阳云龙, 毛兴鹏, 于长军.  雷达极化信息获取及极化信号处理技术研究综述 . 雷达学报, 2016, 5(6): 620-638. doi: 10.12000/JR16092
    [11] 陈扶明, 李盛, 安强, 张自启, 王健琪.  生物雷达语音信号探测技术研究进展 . 雷达学报, 2016, 5(5): 477-486. doi: 10.12000/JR16099
    [12] 饶云华, 明燕珍, 林静, 朱逢园, 万显荣, 龚子平.  WiFi外辐射源雷达参考信号重构及其对探测性能影响研究 . 雷达学报, 2016, 5(3): 284-292. doi: 10.12000/JR15108
    [13] 钟金荣文贡坚, .  基于块稀疏贝叶斯学习的雷达目标压缩感知(英文) . 雷达学报, 2016, 5(1): 99-108. doi: 10.12000/JR15056
    [14] 王龙刚, 李廉林.  基于互质阵列雷达技术的近距离目标探测方法(英文) . 雷达学报, 2016, 5(3): 244-253. doi: 10.12000/JR16022
    [15] 梁福来, 李钊, 安强, 刘淼, 王健琪.  脉冲式超宽带生命探测雷达时间抖动抑制 . 雷达学报, 2015, 4(4): 439-444. doi: 10.12000/JR14115
    [16] 李廉林, 周小阳, 崔铁军.  结构化信号处理理论和方法的研究进展 . 雷达学报, 2015, 4(5): 491-502. doi: 10.12000/JR15111
    [17] 张强, 万显荣, 傅, 饶云华, 龚子平.  基于CDR 数字音频广播的外辐射源雷达信号模糊函数分析与处理 . 雷达学报, 2014, 3(6): 702-710. doi: 10.12000/JR14050
    [18] 杜剑波, 李道京, 马萌.  机载合成孔径激光雷达相位调制信号性能分析和成像处理 . 雷达学报, 2014, 3(1): 111-118. doi: 10.3724/SP.J.1300.2014.13094
    [19] 许稼, 彭应宁, 夏香根, 龙腾, 毛二可.  空时频检测前聚焦雷达信号处理方法 . 雷达学报, 2014, 3(2): 129-141. doi: 10.3724/SP.J.1300.2014.14023
    [20] 向寅, 张冰尘, 洪文.  基于Lasso 的稀疏微波成像分块成像原理与方法研究(英文) . 雷达学报, 2013, 2(3): 271-277. doi: 10.3724/SP.J.1300.2013.13011
  • 加载中
计量
  • 文章访问数:  1643
  • HTML全文浏览量:  538
  • PDF下载量:  2931
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-12-14
  • 修回日期:  2016-01-06
  • 刊出日期:  2016-02-28

参数化稀疏表征在雷达探测中的应用

doi: 10.12000/JR15126
    基金项目:

    国家自然科学基金(61422110, 41271011),万人计划青年拔尖人才支持项目,清华大学自主科研项目,清华信息科学与技术国家实验室(筹)拔尖人才支持计划项目

    作者简介:

    李刚(1979-),男,2002年和2007年于清华大学电子系分别获得学士、博士学位,现为清华大学电子系研究员、博士生导师,研究方向包括雷达成像、时频分析、稀疏信号处理、分布式信号处理等。E-mail:gangli@tsinghua.edu.cn夏香根(1963-),男,现为美国特拉华大学教授、博士生导师,研究方向包括空时编码、MIMO和OFDM系统、雷达成像等。E-mail:xxia@ee.udel.edu

    通讯作者: 李刚gangli@tsinghua.edu.cn

摘要: 稀疏信号处理已经在雷达目标探测领域得到应用,并获得了优于传统方法的探测性能。然而,雷达目标探测过程中往往存在目标运动、雷达轨迹误差等未知因素,这导致预先设计的字典矩阵无法实现雷达信号的最优稀疏表征。该文将介绍字典学习的一个分支参数化稀疏表征,该方法通过构建参数化的字典矩阵,实现了对雷达探测过程中未知参数的动态学习和雷达信号的最优稀疏表征。该文还将介绍参数化稀疏表征在逆合成孔径雷达成像、合成孔径雷达自聚焦、基于微多普勒的目标识别等若干雷达探测问题中的应用。

English Abstract

李刚, 夏香根. 参数化稀疏表征在雷达探测中的应用[J]. 雷达学报, 2016, 5(1): 1-7. doi: 10.12000/JR15126
引用本文: 李刚, 夏香根. 参数化稀疏表征在雷达探测中的应用[J]. 雷达学报, 2016, 5(1): 1-7. doi: 10.12000/JR15126
Li Gang, Xia Xiang-Gen. Parametric Sparse Representation and Its Applications to Radar Sensing[J]. Journal of Radars, 2016, 5(1): 1-7. doi: 10.12000/JR15126
Citation: Li Gang, Xia Xiang-Gen. Parametric Sparse Representation and Its Applications to Radar Sensing[J]. Journal of Radars, 2016, 5(1): 1-7. doi: 10.12000/JR15126
参考文献 (31)

目录

    /

    返回文章
    返回