论文部分内容阅读
分布式压缩感知（Distributed Compressed Sensing，DCS）将单信号在某个基下稀疏扩展到信号群在一组基下联合稀疏，并利用信号的相关性实现低速采样下多信号的联合重构。MIMO雷达采用分集技术改善系统性能，它的多个接收信号在目标空间具有相同的稀疏性，因而将DCS应用于MIMO雷达系统势必会为其信号处理带来新的变新。本文结合国家自然基金“分布式压缩感知MIMO雷达目标联合稀疏表示和重构研究”（61071163），主要研究了DCS中信号群表示的联合稀疏模型及重构算法；DCS-MIMO雷达信号的稀疏表示模型及优化重构、多目标参数估计问题，完成的工作如下：针对具有共同稀疏结构的第二联合稀疏模型信号群的重构，提出了基于贪婪迭代思想的联合正交匹配追踪（Joint Orthonormal Matching Pursuit，JOMP）算法，该算法在每次迭代中，选择占所有信号最大残余能量的列索引并更新信号在所有已选基向量上的正交投影系数和残余分量，仿真表明，该算法可以降低重构信号群的时间。研究了非相干DCS-MIMO雷达的信号模型和参数估计问题，首先提出了信号模型并在延时空间实现了所有接收信号的联合稀疏表示，然后利用分段的一步贪婪算法（One Step GreedyAlgorithm，OSGA）和JOMP算法实现了目标延时和反射幅度的估计。仿真表明，非相干DCS-MIMO雷达可以有效的抵抗目标的RCS起伏，提高目标的参数估计精度。研究了相干DCS-MIMO雷达的多目标参数估计问题，推导了接收信号在角度空间的联合稀疏表示模型。针对单基地MIMO雷达，提出了基于差值的DCS-OSGA一维谱估计算法，利用接收信号与各个基向量相关性的二阶差值作为谱估计器，实现了DOA的估计，仿真表明，该算法获得了较高的角度分辨率。针对双基地MIMO雷达，提出了基于一步贪婪的二维谱估计算法，将各稀疏基中具有相同索引的基向量与相应信号的内积之和作为谱估计器，实现了DOD和DOA的联合估计。仿真表明，该算法显著降低了二维角度估计的运算量。