本文選題：壓縮感知雷達(dá) + 測量矩陣優(yōu)化��； 參考：《西安電子科技大學(xué)》2014年碩士論文

【摘要】：超寬帶、高分辨、多通道及多目標(biāo)已成為目前雷達(dá)處理技術(shù)的主要發(fā)展趨勢,由此帶來了雷達(dá)信號處理過程中運算量巨大,數(shù)據(jù)存儲量、傳輸量急劇上升,實時處理困難等問題,受傳統(tǒng)奈奎斯特(Nyquist)采樣定理的限制,大數(shù)據(jù)處理成為傳統(tǒng)雷達(dá)的一個難以突破的瓶頸。壓縮感知雷達(dá)由于實現(xiàn)了對雷達(dá)數(shù)據(jù)的直接采樣,降低了系統(tǒng)的采樣速率和系統(tǒng)復(fù)雜度,從而提高系統(tǒng)的分辨率,其在雷達(dá)領(lǐng)域有著廣闊的應(yīng)用前景。測量矩陣與稀疏變換基的隨機(jī)不相關(guān)特性是壓縮感知雷達(dá)正確恢復(fù)信號的基礎(chǔ),測量矩陣的好壞既直接關(guān)系到信息采集和信息傳遞的實現(xiàn),又關(guān)系到能否從低維投影中正確恢復(fù)原始信號。傳統(tǒng)的隨機(jī)測量矩陣的矩陣存儲元素容量巨大,計算復(fù)雜度高,并且不是最優(yōu)的測量矩陣。針對這種情況,為了改善壓縮感知雷達(dá)目標(biāo)參數(shù)檢測和成像性能,本論文研究了MIMO壓縮感知雷達(dá)測量矩陣優(yōu)化問題,仿真分析驗證了已有的基于最大信噪比準(zhǔn)則的測量矩陣優(yōu)化方法,并提出了一種基于互信息準(zhǔn)則的測量矩陣優(yōu)化方法。文中首先建立了高斯伯努利隨機(jī)信號模型下MIMO壓縮感知雷達(dá)成像場景,然后根據(jù)信息論和凸優(yōu)化的理論知識推導(dǎo)了最大互信息與最小互相關(guān)系數(shù)測量矩陣優(yōu)化的目標(biāo)函數(shù)和約束條件,并運用優(yōu)化工具包優(yōu)化求得測量矩陣,最后用優(yōu)化所得的測量矩陣觀測數(shù)據(jù),以SLIM算法重構(gòu)目標(biāo)信號實現(xiàn)目標(biāo)檢測和成像。計算機(jī)仿真實驗驗證了基于互信息準(zhǔn)則的測量矩陣優(yōu)化方法能夠使得感知矩陣列與列之間的互相關(guān)系數(shù)更小,從而得到更好的測量矩陣。該方法下的測量矩陣克服了現(xiàn)有的隨機(jī)性測量矩陣實現(xiàn)困難和確定性測量矩陣恢復(fù)精度低的問題,能夠有效提高目標(biāo)重構(gòu)性能,降低目標(biāo)重構(gòu)誤差,提高可檢測目標(biāo)性能和成像性能。
[Abstract]:Ultra-wideband, high-resolution, multi-channel and multi-target have become the main development trend of radar processing technology. Due to the limitation of Nyquist sampling theorem, big data processing has become a bottleneck of traditional radar. Compressed sensing radar has a wide application prospect in radar field because it realizes direct sampling of radar data, reduces the sampling rate and complexity of the system, and improves the resolution of the system. The random discorrelation between the measurement matrix and the sparse transform basis is the basis for the correct recovery of the signal in the compressed sensing radar. The quality of the measurement matrix is directly related to the realization of information collection and information transfer. It is also related to whether the original signal can be correctly recovered from the low dimensional projection. The matrix of traditional random measurement matrix has large storage capacity, high computational complexity, and is not the optimal measurement matrix. In order to improve the target parameter detection and imaging performance of compressed sensing radar, this paper studies the optimization of MIMO compressed sensing radar measurement matrix. Simulation results verify the existing measurement matrix optimization methods based on the maximum signal-to-noise ratio (SNR) criterion, and propose a measurement matrix optimization method based on mutual information criterion. In this paper, firstly, the MIMO compression sensing radar imaging scene based on Gao Si Bernoulli random signal model is established. Then, according to the information theory and the theory knowledge of convex optimization, the objective function and constraint conditions of the measurement matrix optimization of the maximum mutual information and the minimum correlation number are deduced, and the measurement matrix is obtained by optimizing the optimization tool kit. Finally, the target detection and imaging are realized by using SLIM algorithm to reconstruct the target signal by using the optimized measurement matrix observation data. The computer simulation results show that the method based on mutual information criterion can make the number of correlation between the columns of perceptual matrix and the columns smaller and obtain a better measurement matrix. The measurement matrix based on this method overcomes the difficulties in the implementation of the existing random measurement matrix and the low recovery accuracy of the deterministic measurement matrix. It can effectively improve the performance of target reconstruction and reduce the error of target reconstruction. Improve detectable target performance and imaging performance.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TN957.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王泰青;王生進(jìn);丁曉青;;基于最大互信息區(qū)域跟蹤的人體行為檢測算法[J];自動化學(xué)報;2012年12期

2 茅曉泉,胡光銳;基于最大互信息的離散隱馬爾柯夫模型訓(xùn)練方法[J];上海交通大學(xué)學(xué)報;2001年11期

3 盧振泰;呂慶文;陳武凡;;基于最大互信息量的圖像自動優(yōu)化分割[J];中國圖象圖形學(xué)報;2008年04期

4 王飛;禹衛(wèi)東;;基于圖嵌入和最大互信息組合的降維[J];微計算機(jī)信息;2009年02期

5 劉郁林,景曉軍,譚剛兵,彭啟琮;幾種基于最大互信息準(zhǔn)則的聯(lián)合均衡方法性能比較[J];通信學(xué)報;2003年05期

6 李楠;;基于最大互信息配準(zhǔn)法的醫(yī)學(xué)序列圖像壓縮算法的研究[J];黑龍江科技信息;2008年30期

7 羅玲;王修信;;一種改進(jìn)的遺傳算法與最大互信息圖像配準(zhǔn)方法[J];廣西物理;2010年04期

8 索慶亮;王碩;;最大互信息在模版匹配中的應(yīng)用[J];電光與控制;2013年04期

9 茅曉泉,胡光銳,唐斌;一種基于最大互信息/進(jìn)化計算混合結(jié)構(gòu)的語音識別方法[J];上海交通大學(xué)學(xué)報;2002年03期

10 趙曉雷;薛弘曄;;基于小波分解和最大互信息的圖像配準(zhǔn)方法研究[J];陜西理工學(xué)院學(xué)報(自然科學(xué)版);2010年03期

相關(guān)會議論文 前2條

1 關(guān)存太;陳永彬;;隱馬爾柯夫模型參數(shù)估計的若干準(zhǔn)則[A];第一屆全國語言識別學(xué)術(shù)報告與展示會論文集[C];1990年

2 王安娜;孫海靜;李丹;;基于梯度與最大互信息組合的醫(yī)學(xué)圖象配準(zhǔn)[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

相關(guān)碩士學(xué)位論文 前7條

1 徐明珠;基于模糊函數(shù)和最大互信息的認(rèn)知雷達(dá)自適應(yīng)波形設(shè)計[D];哈爾濱工業(yè)大學(xué);2015年

2 李可;基于最大互信息的醫(yī)學(xué)圖像配準(zhǔn)研究[D];山東大學(xué);2006年

3 江軍;三維醫(yī)學(xué)圖像配準(zhǔn)方法研究[D];東南大學(xué);2005年

4 陳茜茜;基于信息論的MIMO壓縮感知雷達(dá)測量矩陣優(yōu)化[D];西安電子科技大學(xué);2014年

5 呂煊;基于角點特征和最大互信息的多模醫(yī)學(xué)圖像配準(zhǔn)[D];山東師范大學(xué);2008年

6 火元蓮;基于輪廓特征點最大互信息的多模態(tài)醫(yī)學(xué)圖象配準(zhǔn)[D];蘭州大學(xué);2006年

7 艾陳;基于個性化預(yù)測的推送算法研究[D];湖南農(nóng)業(yè)大學(xué);2014年

，

本文編號：1864705