基于非局部低秩和加权全变分的图像压缩感知重构算法

赵辉; 张静; 张乐; 刘莹莉; 张天骐

doi:10.11999/JEIT180828

基于非局部低秩和加权全变分的图像压缩感知重构算法

doi: 10.11999/JEIT180828

1.
重庆邮电大学通信与信息工程学院重庆 400065
2.
重庆邮电大学信号与信息处理重庆市重点实验室重庆 400065

基金项目: 国家自然科学基金(61671095)

详细信息

作者简介:
赵辉：女，1980年生，教授，硕士生导师，研究方向为信号与图像处理

张静：女，1992年生，硕士生，研究方向为信号与图像处理

张乐：女，1993年生，硕士生，研究方向为信号与图像处理

刘莹莉：女，1994年生，硕士生，研究方向为信号与图像处理

张天骐：男，1971年生，博士后，教授，研究方向为通信信号的调制解调、盲处理、语音信号处理、神经网络实现以及FPGA, VLSI实现

通讯作者:
赵辉　zhaohui@cqupt.edu.cn

中图分类号: TP391.41
计量
- 文章访问数: 3398
- HTML全文浏览量: 1091
- PDF下载量: 129
- 被引次数: 2
出版历程
- 收稿日期: 2018-08-22
- 修回日期: 2019-01-28
- 网络出版日期: 2019-02-25
- 刊出日期: 2019-08-01

Compressed Sensing Image Restoration Based on Non-local Low Rank and Weighted Total Variation

1.
School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
2.
Chongqing Key Laboratory of Signal and Information Processing, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

Funds: The National Natural Science Foundation of China (61671095)

摘要

摘要: 为准确有效地实现自然图像的压缩感知(CS)重构，该文提出一种基于图像非局部低秩(NLR)和加权全变分(WTV)的CS重构算法。该算法考虑图像的非局部自相似性(NSS)和局部光滑特性，对传统的全变分(TV)模型进行改进，只对图像的高频分量设置权重，并用一种差分曲率的边缘检测算子来构造权重系数。此外，算法以改进的TV模型与NLR模型为约束构建优化模型，并分别采用光滑非凸函数和软阈值函数来求解低秩和全变分优化问题，很好地利用了图像的自身性质，保护了图像的细节信息，并提高了算法的抗噪性和适应性。仿真结果表明，与基于NLR的CS算法相比，相同采样率下，该文所提算法的峰值信噪比最高可提高2.49 dB，且抗噪性更强，验证了算法的有效性。
- 压缩感知 /
- 图像重构 /
- 非局部低秩 /
- 加权全变分
Abstract: In order to reconstruct natural image from Compressed Sensing(CS) measurements accurately and effectively, a CS image reconstruction algorithm based on Non-local Low Rank(NLR) and Weighted Total Variation(WTV) is proposed. The proposed algorithm considers the Non-local Self-Similarity(NSS) and local smoothness in the image and improves the traditional TV model, in which only the weights of image’s high-frequency components are set and constructed with a differential curvature edge detection operator. Besides, the optimization model of the proposed algorithm is built with constraints of the improved TV and the non-local low rank model, and a non-convex smooth function and a soft thresholding function are utilized to solve low rank and TV optimization problems respectively. By taking advantage of them, the proposed method makes full use of the property of image, and therefore conserves the details of image and is more robust and adaptable. Experimental results show that, compared with the CS reconstruction algorithm via non-local low rank, at the same sampling rate, the Peak Signal to Noise Ratio(PSNR) of the proposed method increases by 2.49 dB at most and the proposed method is more robust, which proves the effectiveness of the proposed algorithm.
- Compressed Sensing(CS) /
- Image reconstruction /
- Non-local Low Rank(NLR) /
- Weighted Total Variation(WTV)

HTML全文

1. 引言

近年来，随着电子技术的不断发展，雷达所处的电磁工作环境正呈现复杂化和激烈化态势^[1]。尤其是数字射频存储器(Digital Radio Frequency Memory, DRFM)的出现和日臻完善，给雷达抗干扰带来了极大挑战^[2-4]。间歇采样转发干扰(Interrupted Sampling Repeater Jamming, ISRJ)作为DRFM衍生出的新型相参干扰样式，通过巧妙地对截获雷达信号进行分段转发，在雷达接收端脉压后形成与目标回波相似的密集假目标串^[5]，达到对干扰方实施压制和欺骗的双重效果。由于ISRJ具有响应速度快、工程实现简单的特点，传统方法往往难以有效抑制^[6,7]。因此，针对ISRJ的对抗技术成为当前抗干扰领域研究的热点问题。

目前，针对ISRJ的抑制方法可分为3个类别：第1类采用发射端波形设计的方法，具体做法是在发射端设计稀疏多普勒特性波形和正交LFM-相位编码波形，然后在接收端进行滑窗抽取检测和分段滤波来实现对ISRJ的识别和抑制^[8,9]。第2类采用接收端的信号处理方法，即基于干扰信号不同于目标回波的特征，在雷达接收端实现对ISRJ的滤除或抑制^[10-12]，该类方法大多依赖于对ISRJ的相关参数的估计^[13]；此外，也有学者通过深度学习对回波信号进行处理^[14,15]，在显著抑制干扰的同时摆脱了对参数估计的依赖。第3类方法综合采用发射端和接收端的联合设计^[6,7,16-19]，以提高抗干扰的自由度，简化接收端处理的复杂程度，代表性工作包括：文献[6]提出了一种抗ISRJ的联合设计算法，通过对非凸优化问题的求解实现了对ISRJ的显著抑制；文献[7]将模型扩展至多脉冲情形，并有效地解决了干扰机高速运动时的波形失配问题。

但需要指出的是，以文献[6]和文献[7]为代表的抗ISRJ联合设计方法中，性能准则“信干噪比”中的“信”并未考虑目标特性对发射信号的调制作用。但在宽带雷达条件下，目标常常不能再看作一个点目标，而是在距离维上具有多个散射中心的扩展目标^[19]。另外，值得注意的是，作为表征电磁波矢量性的参数，极化信息的利用可以显著提高雷达系统的目标检测^[19]、识别^[20]和抗干扰能力^[21,22]。在抗干扰方面，文献[21]在空域-极化域显著地抑制了多干扰源欺骗干扰；文献[22]利用正交极化高分辨距离像间的互相关系数作为鉴别量，达到了大于90%的正确鉴别概率。这充分说明了极化信息的引入对有效解决抗干扰问题具有重要价值。

针对现有技术的不足和短板，本文将在抗干扰设计中引入极化信息，并修正波形优化性能指标中信干噪比的数学形式，进而深入研究宽带全极化雷达的抗ISRJ发射波形和接收滤波器联合设计问题。实验结果表明，引入极化信息和考虑扩展目标对信号的调制作用显著提高了ISRJ的抑制性能。

2. 问题模型

假设雷达在一个相干处理间隔(Coherent Processing Interval, CPI)内发射 $K$ 个相位编码脉冲信号，发射波形序列的表达式为 ${\boldsymbol{s}} = [{\boldsymbol{s}}_1^{\text{T}},{\boldsymbol{s}}_2^{\text{T}},\cdots, {\boldsymbol{s}}_K^{\text{T}}]^{\text{T}} \in {\mathbb{C}^{NK \times 1}}$ ，其中 ${( \cdot )^{\text{T}}}$ 表示转置运算。不失一般性，序列中的第 $k$ 个脉冲表示为

${{\boldsymbol{s}}_k} = {[{s_k}(1),{s_k}(2), \cdots ,{s_k}(N)]^{\text{T}}} \in {\mathbb{C}^{N \times 1}},k = 1,2, \cdots ,K$

(1)

其中， $N$ 表示相位编码信号的码长。并且 $K$ 个相位编码脉冲信号满足恒模条件。

宽带雷达条件下，第 $k$ 个脉冲的目标冲激响应矩阵(Target Response Impulse Matrix, TIRM)表示为^[19]

$\begin{split} & {{\boldsymbol{H}}_k}(\theta ) = \left( {\begin{array}{*{20}{c}} {{H_0}(\theta )}&0& \cdots &0 \\ {{H_1}(\theta )}&{{H_0}(\theta )}& \cdots &0 \\ \vdots & \vdots & \ddots &0 \\ {{H_{Q - 1}}(\theta )}&{{H_{Q - 2}}(\theta )}& \cdots &0 \\ 0&{{H_{Q - 1}}(\theta )}& \cdots &0 \\ \vdots & \vdots & \ddots & \vdots \\ 0&0& \cdots &{{H_{Q - 1}}(\theta )} \end{array}} \right),\\ & Q = M - N + 1 \\[-10pt] \end{split}$

(2)

其中， $\theta$ 表示对应的目标方位角(Target Aspect Angle, TAA)。

假定目标在一个CPI内保持特性不变，则有 ${{\boldsymbol{H}}_1}(\theta ) = {{\boldsymbol{H}}_2}(\theta ) = \cdots = {{\boldsymbol{H}}_K}(\theta )$ ，则 $K$ 个目标回波可以表征为

${{\boldsymbol{s}}_{\text{T}}} = {\boldsymbol{H}}{\text{(}}\theta {\text{)}}{\boldsymbol{s}}$

(3)

其中， ${\boldsymbol{H}}{\text{(}}\theta {\text{)}} = {\text{diag(}}{{\boldsymbol{H}}_1}{\text{(}}\theta {\text{)}},\;{{\boldsymbol{H}}_2}{\text{(}}\theta {\text{)}}, \;\cdots ,\;{{\boldsymbol{H}}_K}{\text{(}}\theta {\text{))}} \in {\mathbb{C}^{MK \times NK}}$ 。

需要指出的是， ${\boldsymbol{H}}(\theta )$ 对方位角扰动十分敏感，故本文将给定方位角的先验范围 $[{\theta _{{\text{min}}}},{\theta _{{\text{max}}}}]$ ，并取该方位角范围内TIRM的均值作为目标特性，以此来增加系统设计的鲁棒性^[19]，即

$\overline {{\boldsymbol{H}}(\theta )} = \frac{1}{{{K_{\text{H}}}}}\sum\limits_{i = 1}^{{K_{\text{H}}}} {{\boldsymbol{H}}({\theta _i})}$

(4)

其中， ${K_{\text{H}}}$ 为对方位角区间 $[{\theta _{{\text{min}}}},{\theta _{{\text{max}}}}]$ 离散化的份数。

令 ${\boldsymbol{\varepsilon}} = {[{{\boldsymbol{\varepsilon}} _{\text{H}}},{{\boldsymbol{\varepsilon}} _{\text{V}}}]^{\text{T}}}$ 为全极化雷达发射天线的Jones矢量，则 ${\boldsymbol{\varepsilon}}$ 可以写为

${\boldsymbol{\varepsilon}} = \left[ {\begin{array}{*{20}{c}} {\cos \alpha }&{\sin \alpha } \\ { - \sin \alpha }&{\cos \alpha } \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\cos \beta } \\ {{\text{j}}\sin \beta } \end{array}} \right]$

(5)

其中， $\alpha \in [ - {\pi}/2,{\pi}/2]$ 为极化旋转角， $\beta \in [ - {\pi}/4,{\pi}/4]$ 为极化椭圆角。假设雷达发射和接收信号共用一副天线，且一个CPI内不改变天线的极化方式，则有接收天线极化 ${\boldsymbol{\eta}} = {\boldsymbol{\varepsilon}}$ 。则全极化雷达接收到的回波序列表示为

${{\boldsymbol{x}}_{\text{T}}} = ({{\boldsymbol{\eta}} ^{\text{H}}}{\boldsymbol{T\varepsilon}} )\overline {{\boldsymbol{H}}{\text{(}}\theta {\text{)}}} {\boldsymbol{s}} = ({{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T}}{\boldsymbol{\varepsilon}} )\overline {{\boldsymbol{H}}{\text{(}}\theta {\text{)}}} {\boldsymbol{s}} \in {\mathbb{C}^{MK \times 1}}$

(6)

其中， ${\boldsymbol{T}}$ 为目标的极化散射矩阵。

另外，ISRJ可用矩阵 ${\boldsymbol{J}} = {\text{Diag(}}{\boldsymbol{j}}{\text{)}} \in {\mathbb{C}^{N \times N}}$ 表示^[7]，则对应于第 $k$ 个发射脉冲的ISRJ信号可表示为

${{\boldsymbol{s}}_{{\text{J}}k}} = ({{\boldsymbol{W}}_{\text{J}}}{{\boldsymbol{J}}_k}){{\boldsymbol{s}}_k} = {{\boldsymbol{J}}_M}{{\boldsymbol{s}}_k}$

(7)

其中， ${{\boldsymbol{W}}}_{\text{J}}\in {ℂ}^{M\times N}$ 且有

${{\boldsymbol{W}}_{\rm{J}}}\left[ {p,q} \right] = \left\{ {\begin{array}{*{20}{c}} {1{\text{ , }}p = q} \\ {0{\text{ , }}p \ne q} \end{array}} \right.$

(8)

其中， $p = 1,2, \cdots ,M$ , $q = 1,2, \cdots ,N$ ，等价于在干扰矢量 ${\boldsymbol{j}}$ 后补 $M - N$ 个 $0$ 。同目标特性相似，假定干扰特性在一个CPI内也保持不变，即有 ${{\boldsymbol{J}}_1} = {{\boldsymbol{J}}_2} = \cdots ={{\boldsymbol{J}}_K} = {\boldsymbol{J}}$ ，则雷达在一个CPI内接收到的 $K$ 个ISRJ信号可综合表示为

${{\boldsymbol{s}}_{\text{J}}} = {[{\boldsymbol{s}}_{{\text{J}}1}^{\text{T}},{\boldsymbol{s}}_{{\text{J}}2}^{\text{T}},\cdots,{\boldsymbol{s}}_{{\text{J}}K}^{\text{T}}]^{\text{T}}} = {\boldsymbol{C}}\cdot {\boldsymbol{s}}$

(9)

其中， ${\boldsymbol{C}}$ 是 $K$ 个ISRJ信号对应的干扰特性矩阵，有 ${\boldsymbol{C}} = {\text{diag}}({{\boldsymbol{W}}_{\text{J}}}J,{{\boldsymbol{W}}_{\text{J}}}{\boldsymbol{J}}, \cdots ,{{\boldsymbol{W}}_{\text{J}}}{\boldsymbol{J}}) \in {\mathbb{C}^{MK \times NK}}$ 。可以看出， ${\boldsymbol{C}}$ 是由K个发射脉冲干扰特性矩阵拼接而成的分块对角矩阵。则全极化雷达接收到的干扰回波序列为

${{\boldsymbol{x}}_{\text{J}}} = ({{\boldsymbol{\eta}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}}){{\boldsymbol{s}}_{\text{J}}} = ({{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}}){{\boldsymbol{s}}_{\text{J}}} \in {\mathbb{C}^{MK \times 1}}$

(10)

其中， ${{\boldsymbol{\varepsilon}} _{\text{J}}}$ 为干扰机天线极化方式的Jones矢量。

设接收滤波器为 ${\boldsymbol{w}} = {[{\boldsymbol{w}}_1^{\text{T}},{\boldsymbol{w}}_2^{\text{T}},\cdots,{\boldsymbol{w}}_K^{\text{T}}]^{\text{T}}} \in {\mathbb{C}^{MK \times 1}}$ ，则不失一般性，雷达回波经接收滤波器处理后的输出结果为

${\boldsymbol{r}} = ({{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T}}{\boldsymbol{\varepsilon}} )\cdot {{\boldsymbol{w}}^{\text{H}}}\overline {{\boldsymbol{H}}{\text{(}}\theta {\text{)}}} {\boldsymbol{s}} + ({{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}})\cdot {{\boldsymbol{w}}^{\text{H}}}{{\boldsymbol{s}}_{\text{J}}} + {{\boldsymbol{w}}^{\text{H}}}{\boldsymbol{v}}$

(11)

其中， ${\boldsymbol{v}} \in {\mathbb{C}^{MK \times 1}}$ 为复加性高斯白噪声序列。

设 $r_{{x_{\text{T}}}h}^k(n)$ 为第 $k$ 个目标回波 ${{\boldsymbol{x}}_{{\text{T}}k}}$ 和相应接收滤波器 ${{\boldsymbol{h}}_k}$ 的互相关函数，即

$\begin{split} & r_{{{\boldsymbol{x}}_{\text{T}}}h}^k(n) = \sum\limits_{m = 1}^M ({{\boldsymbol{x}}_{{\text{TH}}k}}(m)h_{{\text{H}}k}^*(m + n) \\ & \quad + {{\boldsymbol{x}}_{{\text{TV}}k}}(m)h_{{\text{V}}k}^*(m + n)) ,{\text{ }}\\ & n = 1 - M,2 - M,\cdots,0,\cdots,M - 2,M - 1 \end{split}$

(12)

则目标回波与接收滤波器的互模糊函数为

${\chi _{{{\boldsymbol{x}}_{\text{T}}}h}}(n,f) = \sum\limits_{k = 1}^K {r_{{{\boldsymbol{x}}_{\text{T}}}h}^k(n)\exp ({\text{j}}kf)}$

(13)

其中， $f = 2{\pi}{f_{\text{d}}}{T_{\text{p}}}$ , ${f_{\text{d}}}$ 为多普勒频移， ${T_{\text{p}}}$ 为雷达的脉冲重复周期。干扰信号与接收滤波器的互模糊函数为

${\chi _{{{\boldsymbol{x}}_{\text{J}}}h}}(n,f) = \sum\limits_{k = 1}^K {r_{{{\boldsymbol{x}}_{\text{J}}}h}^k(n)\exp ({\text{j}}kf)}$

(14)

联合设计的目的，一方面在于在干扰机高速运动的情况下，目标回波能够最大限度地匹配目标特性，而在一定的多普勒频移区间内保持较高的脉压增益。另一方面，尽可能地让多普勒频移区间内干扰信号与接收滤波器之间的互模糊函数能量保持为零，从而对ISRJ的形成抑制。综合以上要求，对多普勒频移区间(f₁, f₂)进行离散化处理后，构造如式(15)的目标函数分量：

$\begin{split} \xi = & \sum\nolimits^{L}_{l=1} \left( \sum\nolimits_{n = 1 - N,n \ne 0}^{N - 1} \left| \sum\nolimits_{k = 1}^K (r_{{{\boldsymbol{x}}_{{\text{TH}}}}{{\boldsymbol{h}}_{\text{H}}}}^k(n) \right.\right.\\ & + r_{{{\boldsymbol{x}}_{{\text{TV}}}}{{\boldsymbol{h}}_{\text{V}}}}^k(n))\exp ({\text{j}}kf) |^2 + \sum\nolimits_{n = 1 - M}^{M - 1} \\ & \cdot\left. {{{\left| {\sum\limits_{k = 1}^K {(r_{{{\boldsymbol{x}}_{{\text{JH}}}}{{\boldsymbol{h}}_{\text{H}}}}^k(n) + r_{{{\boldsymbol{x}}_{{\text{JV}}}}{{\boldsymbol{h}}_{\text{V}}}}^k(n))\exp ({\text{j}}kf)} } \right|}^2}}\right) \end{split}$

(15)

其中， ${f_l} = {f_1} + (l - 1){{\Delta }}f,l = 1,2,\cdots,L$ ， $L$ 为离散化份数， ${{\Delta }}f = ({f_2} - {f_1})/(L - 1)$ 为等份划分后的频率间隔。

另外，由于非匹配滤波体制的使用，在对目标回波进行接收滤波处理时，脉压峰值将存在峰值损耗，即存在信噪比损失(Signal-to-Noise Ratio Loss, SNRL)。由矩阵的相容性，有

$\left\| {({{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T\varepsilon}} )\cdot{{\boldsymbol{w}}^{\text{H}}}\overline {{\boldsymbol{H}}(\theta )} {\boldsymbol{s}}} \right\| \le \left\| {{{\boldsymbol{\varepsilon}} ^2}} \right\|\left\| T \right\|\left\| {\boldsymbol{w}} \right\|\left\| {\overline {{\boldsymbol{H}}(\theta )} } \right\|\left\| {\boldsymbol{s}} \right\|$

(16)

其中， $\left\| \cdot \right\|$ 表示向量或矩阵的 $2$ -范数。由此可定义SNRL的表达式为

${\text{SNRL}} = 20\lg \frac{{\left\| {\boldsymbol{T}} \right\|\left\| {\boldsymbol{w}} \right\|\left\| {\overline {{\boldsymbol{H}}(\theta )} } \right\|\left\| {\boldsymbol{s}} \right\|}}{{\left| {({{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T\varepsilon}} )\cdot {{\boldsymbol{w}}^{\text{H}}}\overline {{\boldsymbol{H}}(\theta )} {\boldsymbol{s}}} \right|}}$

(17)

故可给目标回波施加如式(18)的峰值约束条件，保证脉压峰值具备一定的稳定性，即

$\begin{split} {g_1}({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} ) =& {\left| {({\boldsymbol{h}}_{\text{H}}^{\text{H}}{{\boldsymbol{x}}_{{\text{TH}}}} + {\boldsymbol{h}}_{\text{V}}^{\text{H}}{{\boldsymbol{x}}_{{\text{TV}}}}) - {a_{{\text{max}}}}} \right|^2} \\ & = {\left| {({{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T\varepsilon}} )\cdot {{\boldsymbol{w}}^{\text{H}}}\overline {{\boldsymbol{H}}(\theta )} {\boldsymbol{s}} - {a_{{\text{max}}}}} \right|^2} \end{split}$

(18)

代入恒模约束条件 ${\boldsymbol{s}} = NK$ ，以及 ${{\boldsymbol{w}}^{\text{H}}}{\boldsymbol{w}} = {M_{\boldsymbol{w}}}$ ，其中 ${M_{\boldsymbol{w}}}$ 为接收滤波器能量，则有

${a_{{\text{max}}}} = \sqrt {NK{M_{\boldsymbol{w}}}} \left\| {\boldsymbol{T}} \right\|\left\| {\overline {{\boldsymbol{H}}(\theta )} } \right\|{10^{ - \frac{\mu }{{20}}}}$

(19)

然后，为进一步抑制干扰信号，同样对干扰施加峰值约束，以将干扰信号的脉压峰值尽可能降低，即

$\begin{split} {g_2}({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} ) & = {\left| {({\boldsymbol{h}}_{\text{H}}^{\text{H}}{{\boldsymbol{x}}_{{\text{JH}}}} + {\boldsymbol{h}}_{\text{V}}^{\text{H}}{{\boldsymbol{x}}_{{\text{JV}}}}) - {a_{{\text{min}}}}} \right|^2} \\ & = {\left| {({{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}})\cdot {{\boldsymbol{w}}^{\text{H}}}{{\boldsymbol{s}}_{\text{J}}} - {a_{{\text{min}}}}} \right|^2} \end{split}$

(20)

综上，能量约束下天线极化方式、发射波形序列和接收滤波器序列的联合优化问题可以表示为

$\left. \begin{split} & \mathop {{\text{min }}}\limits_{{\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} } \varGamma ({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} ) = \xi ({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} ) + {\gamma _1}{g_1}({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} ) \\ & \quad + {\gamma _2}{g_2}({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} )\\ & \text{s}\text{.t}\text{.}\;\;{{\boldsymbol{w}}}^{\text{H}}{\boldsymbol{w}}={M}_{w}\text{,}\left|{s}_{k}(n)\right|=1,k=1,2,\cdots, K,\\ & \quad n=1,2,\cdots ,N \end{split}\right\}$

(21)

其中， ${\gamma _1}$ 和 ${\gamma _2}$ 表示对应的峰值约束权值，需要指出的是，为保证惩罚力度， ${\gamma _1}$ 和 ${\gamma _2}$ 通常取较大数值^[23]，这样才能有效地滤波器的输出，同时抑制干扰信号。至此，本节完成了宽带全极化雷达抗ISRJ问题的数学建模。

3. 问题求解

对于式 $\left(21\right)$ ，本文将采用交替迭代的方法进行分解，具体做法为：在给定发射波形序列 ${{\boldsymbol{s}}^{(0)}}$ 和Jones矢量 ${{\boldsymbol{\varepsilon}} ^{(0)}}$ 初始值的基础上，先固定 ${{\boldsymbol{s}}^{(i)}}$ 和 ${{\boldsymbol{\varepsilon}} ^{(i)}}$ ，可求解 ${{\boldsymbol{w}}^{(i + 1)}}$ ；再固定 ${{\boldsymbol{w}}^{(i + 1)}}$ 和 ${{\boldsymbol{\varepsilon}} ^{(i)}}$ ，可求解 ${{\boldsymbol{s}}^{(i + 1)}}$ ；最后固定 ${{\boldsymbol{s}}^{(i + 1)}}$ 和 ${{\boldsymbol{w}}^{(i + 1)}}$ ，求解 ${{\boldsymbol{\varepsilon}} ^{(i + 1)}}$ ，重复上述流程，直至达到设定的收敛条件，上述迭代过程的数学形式依次可表示为

${{\boldsymbol{w}}^{(i + 1)}} = {\text{arg min }}\varGamma \left( {{{\boldsymbol{s}}^{(i)}},{\boldsymbol{w}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right)$

(22)

${{\boldsymbol{s}}^{(i + 1)}} = {\text{arg min }}\varGamma \left( {{\boldsymbol{s}},{{\boldsymbol{w}}^{(i + 1)}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right)$

(23)

${{\boldsymbol{\varepsilon}} ^{(i + 1)}} = {\text{arg min }}\varGamma \left( {{{\boldsymbol{s}}^{(i + 1)}},{{\boldsymbol{w}}^{(i + 1)}},{\boldsymbol{\varepsilon}} } \right)$

(24)

其中， ${{\boldsymbol{s}}^{(i)}}$ , ${{\boldsymbol{w}}^{(i)}}$ 和 ${{\boldsymbol{\varepsilon }}^{(i)}}$ 分别表示第 $i$ 次迭代后发射波形序列 ${\boldsymbol{s}}$ 、接收滤波器序列 ${\boldsymbol{w}}$ 和Jones矢量 ${\boldsymbol{\varepsilon}}$ 的最优解。收敛条件方面，可设置 $\left| {{\varGamma ^{(i + 1)}}({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} ) - {\varGamma ^{(i)}}({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon}} )} \right|/ \left| {{\varGamma ^{(i)}}({\boldsymbol{s}},{\boldsymbol{w}},{\boldsymbol{\varepsilon }})} \right| < {\eta _\varGamma }$ 作为算法的收敛条件^[24,25]， ${\eta _\varGamma }$ 为预设值。下面将分别求解迭代过程中接收滤波器 ${{\boldsymbol{s}}^{(i + 1)}}$ 、发射波形 ${{\boldsymbol{w}}^{(i + 1)}}$ 和Jones矢量 ${{\boldsymbol{\varepsilon}} ^{(i + 1)}}$ 对应的子问题。

根据式 $\left(21\right)$ 和式 $\left(22\right)$ ，在迭代求解的第i步，固定发射波形 ${{\boldsymbol{s}}^{(i)}}$ 和Jones矢量 ${{\boldsymbol{\varepsilon}} ^{{\text{(}}i{\text{)}}}}$ ，求解 ${{\boldsymbol{w}}^{(i + 1)}}$ 的问题为

$\begin{split} & \mathop {{\text{min }}}\limits_{\boldsymbol{w}} \varGamma ({\boldsymbol{w}}) = \xi \left( {{{\boldsymbol{s}}^{(i)}},{\boldsymbol{w}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right) + {\gamma _1}{g_1}\left( {{{\boldsymbol{s}}^{(i)}},{\boldsymbol{w}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right) \\ & \quad + {\gamma _2}{g_2}\left( {{{\boldsymbol{s}}^{(i)}},{\boldsymbol{w}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right)\\ & {\text{s}}{\text{.t}}{\text{. }}{{\boldsymbol{w}}^{\text{H}}}{\boldsymbol{w}} = {M_{\boldsymbol{w}}}\\[-10pt] \end{split}$

(25)

为了便于对目标函数进行优化，分别定义目标回波矩阵 ${{\boldsymbol{S}}_{{\text{T}}l}}$ 和ISRJ矩阵 ${{\boldsymbol{S}}_{{\text{J}}l}}$ 为

$\begin{split} & {{\boldsymbol{S}}}_{\text{T}l}\left[p,q\right]\\ & =\left\{ \begin{aligned} & {s}_{\text{T}k+1}\left(M - n\right)\text{exp}\left({\rm{j}}\left(k + 1\right){f}_{l}\right),q - \left(p - Mk\right)=n\\ & 0,\;{\text{其他}} \end{aligned}\right. \end{split}$

(26)

$\begin{split} & {{\boldsymbol{S}}}_{\text{J}l}\left[p,q\right]\\ & =\left\{\begin{aligned} & {s}_{\text{J}k+1}\left(M - n\right)\text{exp}\left({\rm{j}}\left(k + 1\right){f}_{l}\right),q - \left(p - Mk\right)=n\\ & 0,\; 其他\end{aligned}\right. \end{split}$

(27)

其中， $l = 1,2, \cdots ,L$ , $n = 0,1, \cdots ,M - 1$ , $p = 1, 2, \cdots ,MK$ , $q = 1,2, \cdots ,2M - 1$ , $k = {\text{quo}}(p - 1,M)$ 表示 $\left\lfloor {\dfrac{{p - 1}}{M}} \right\rfloor$ , $\left\lfloor \cdot \right\rfloor$ 表示向下取整操作，于是，优化问题(25)可以等效写为

$\begin{split} & \mathop {{\text{min }}}\limits_{\boldsymbol{w}} \varGamma ({\boldsymbol{w}}) = {{\boldsymbol{w}}^{\text{H}}}{\boldsymbol{Pw}} - 2{\text{Re}}\left( {{{\boldsymbol{p}}^{\text{H}}}{\boldsymbol{w}}} \right)\\ & {\text{s}}{\text{.t}}{\text{. }}\;{{\boldsymbol{w}}^{\text{H}}}{\boldsymbol{w}} = {M_{\boldsymbol{w}}} \end{split}$

(28)

其中

$\begin{split} {\boldsymbol{P}} =& \sum\limits_{l = 1}^L {\left( {{{\left| {{\boldsymbol{{\varepsilon}} ^{\text{H}}}{\boldsymbol{T\varepsilon}} } \right|}^2}{{\boldsymbol{S}}_{{\text{T}}l}}{\boldsymbol{W}}{\boldsymbol{S}}_{{\text{T}}l}^{\text{H}} + {{\left| {{{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}}} \right|}^2}{{\boldsymbol{S}}_{{\text{J}}l}}{{\boldsymbol{S}}_{{\text{J}}l}}^{\text{H}}} \right)} \\ & + {\gamma _1}{\left| {{{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T\varepsilon}} } \right|^2}{{\boldsymbol{s}}_{\text{T}}}{{\boldsymbol{s}}_{\text{T}}}^{\text{H}} + {\gamma _2}{\left| {{{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}}} \right|^2}{{\boldsymbol{s}}_{\text{J}}}{{\boldsymbol{s}}_{\text{J}}}^{\text{H}}\\[-1pt] \end{split}$

(29)

${\boldsymbol{p}} = {\gamma _1}{a_{{\text{max}}}}{{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T\varepsilon}} \cdot {{\boldsymbol{s}}_{\text{T}}} + {\gamma _2}{a_{{\text{min}}}}{{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}}\cdot {{\boldsymbol{s}}_{\text{J}}}$

(30)

${\text{Re(}} \cdot {\text{)}}$ 表示取实部操作， ${\boldsymbol{W}}$ 表示维度为 $2M - 1$ 的对角方阵(除了第 $M$ 个对角元素等于0之外，其余对角元素为1，且对角元素以外的元素均为0)。

根据文献[]，式 $\left(28\right)$ 中的最优解为

${{\boldsymbol{w}}^{(i + 1)}} = - \sqrt {\frac{{{M_{\boldsymbol{w}}}}}{{{{\left\|u\left( {{{\boldsymbol{w}}^{(i)}}} \right)\right\|}^2}}}} u\left( {{{\boldsymbol{w}}^{(i)}}} \right)$

(31)

其中

$u\left( {{{\boldsymbol{w}}^{(i)}}} \right) = \left( {{{\boldsymbol{P}}^{(i)}} - {\text{tr}}\left( {{{\boldsymbol{P}}^{(i)}}} \right){{\boldsymbol{I}}_{MK}}} \right){{\boldsymbol{w}}^{(i)}} - {{\boldsymbol{p}}^{(i)}}$

(32)

根据式 $\left(21\right)$ 和式 $\left(23\right)$ ，固定接收滤波器序列 ${{\boldsymbol{w}}^{(i + 1)}}$ 和Jones矢量 ${{\boldsymbol{\varepsilon}} ^{(i)}}$ ，求解 ${{\boldsymbol{s}}^{(i + 1)}}$ 的问题形式可以表示为

$\begin{split} & \mathop {{\text{min }}}\limits_s \varGamma ({\boldsymbol{s}}) = \xi \left( {{\boldsymbol{s}},{{\boldsymbol{w}}^{(i + 1)}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right) + {\gamma _1}{g_1}\left( {{\boldsymbol{s}},{{\boldsymbol{w}}^{(i + 1)}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right) \\ & \quad + {\gamma _2}{g_2}\left( {{\boldsymbol{s}},{{\boldsymbol{w}}^{(i + 1)}},{{\boldsymbol{\varepsilon}} ^{(i)}}} \right)\\ & {\text{s}}{\text{.t}}{\text{. }}\;\left| {{s_k}(n)} \right| = 1,k = 1,2,\cdots,K,n = 1,2, \cdots ,N \\[-10pt] \end{split}$

(33)

为求解式(33)，定义接收滤波器矩阵 ${{\boldsymbol{R}}_l}$

$\begin{split} & {{\boldsymbol{R}}}_{l}\left[p,q\right]\\ & =\left\{ \begin{aligned} & {w}_{k+1}\left(n\right)\text{exp}\left(j\left(k + 1\right){f}_{l}\right), q + \left(p - Mk\right) = M + n\\ & 0, {\text{其他}}\end{aligned}\right. \end{split}$

(34)

其中， $l = 1,2, \cdots ,L$ , $n = 1,2, \cdots ,M$ , $p = 1,2, \cdots ,MK$ , $q=1,2,\cdots ,2M-1,\;k=\text{quo}(p-1,M)$ 。

于是，式 $\left(33\right)$ 可以等效为

$\begin{split} & \mathop {{\text{min }}}\limits_{\boldsymbol{s}} \varGamma (s) = {s^{\text{H}}}{\boldsymbol{Qs}} - 2{\text{Re}}\left( {{{\boldsymbol{q}}^{\text{H}}}{\boldsymbol{s}}} \right)\\ & \text{ s}\text{.t}\text{.}\;\left|{s}_{k}(n)\right|=1,k=1,2,\cdots,K,n=1,2,\cdots ,N \end{split}$

(35)

其中

$\begin{split} {\boldsymbol{Q}} =& \sum\limits_{l = 1}^L \left( {{\left| {{{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T}}{\boldsymbol{\varepsilon}} } \right|}^2}{{\overline {{\boldsymbol{H}}(\theta )} }^{\text{H}}}{{\boldsymbol{R}}_l}{\boldsymbol{W}}{{\boldsymbol{R}}_l}^{\text{H}}\overline {{\boldsymbol{H}}(\theta )} \right. \\ & \left.+ {{\left| {{{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}}} \right|}^2}{{\boldsymbol{C}}^{\text{H}}}{{\boldsymbol{R}}_l}{{\boldsymbol{R}}_l}^{\text{H}}{\boldsymbol{C}} \right) \\ & + {\gamma _1}{\left| {{{\boldsymbol{\varepsilon}} ^{\text{H}}}{\boldsymbol{T}}{\boldsymbol{\varepsilon}} } \right|^2}{\overline {{\boldsymbol{H}}(\theta )} ^{\text{H}}}{\boldsymbol{w}}{{\boldsymbol{w}}^{\text{H}}}\overline {{\boldsymbol{H}}(\theta )} \\ & + {\gamma _2}{\left| {{{\boldsymbol{\varepsilon}} ^{\text{H}}}{{\boldsymbol{\varepsilon}} _{\text{J}}}} \right|^2}{{\boldsymbol{C}}^{\text{H}}}{\boldsymbol{w}}{{\boldsymbol{w}}^{\text{H}}}{\boldsymbol{C}} \end{split}$

(36)

${\boldsymbol{q}}={\gamma }_{1}{a}_{\text{max}}{({{\boldsymbol{\varepsilon}} }^{\text{H}}{\boldsymbol{T}}{\boldsymbol{\varepsilon}} )}^{\text{H}}{\overline{{\boldsymbol{H}}(\theta )}}^{\text{H}}{\boldsymbol{w}}+{\gamma }_{2}{a}_{\text{min}}{({{\boldsymbol{\varepsilon}} }^{\text{H}}{{\boldsymbol{\varepsilon}} }_{\text{J}})}^{\text{H}}{{\boldsymbol{C}}}^{\text{H}}{\boldsymbol{w}}$

(37)

对于问题式(35)，有最优解为^[7]

${{\boldsymbol{s}}^{(i + 1)}} = - {\text{exp}}\left( {{\text{j}} \cdot {\text{arg}}\left( {v\left( {{{\boldsymbol{s}}^{(i)}}} \right)} \right)} \right)$

(38)

其中

$v\left( {{{\boldsymbol{s}}^{(i)}}} \right) = \left( {{{\boldsymbol{Q}}^{(i)}} - {\text{tr}}\left( {{{\boldsymbol{Q}}^{(i)}}} \right){{\boldsymbol{I}}_{NK}}} \right){{\boldsymbol{s}}^{(i)}} - {{\boldsymbol{q}}^{(i)}}$

(39)

根据式 $\left(21\right)$ 和式 $\left(24\right)$ ，固定接收滤波器序列 ${{\boldsymbol{w}}^{(i + 1)}}$ 和发射波形序列 ${{\boldsymbol{s}}^{(i + 1)}}$ ，求解Jones矢量 ${{\boldsymbol{\varepsilon}} ^{(i + 1)}}$ 的问题为

$\begin{split} \mathop {{\text{min }}}\limits_{\boldsymbol{\varepsilon}} \varGamma {\text{(}}{\boldsymbol{\varepsilon}} {\text{)}} = & \xi \left( {{{\boldsymbol{s}}^{(i + 1)}},{{\boldsymbol{w}}^{(i + 1)}},{\boldsymbol{\varepsilon}} } \right) \\ & + {\gamma _1}{g_1}\left( {{{\boldsymbol{s}}^{(i + 1)}},{{\boldsymbol{w}}^{(i + 1)}},{\boldsymbol{\varepsilon}} } \right) \\ & + {\gamma _2}{g_2}\left( {{{\boldsymbol{s}}^{(i + 1)}},{{\boldsymbol{w}}^{(i + 1)}},{\boldsymbol{\varepsilon}} } \right) \\ \text{ s}\text{.t}\text{. }{{\boldsymbol{\varepsilon}} }^{\text{H}}{\boldsymbol{\varepsilon}} =1& \end{split}$

(40)

由于Jones矢量 ${\boldsymbol{\varepsilon}}$ 的未知量个数恒定为2，可采用网格法求解。具体地，将 $\alpha \in [ - {\pi}/2,{\pi}/2]$ 等分为 ${L_\alpha }$ 份，将 $\beta \in [ - {\pi}/4,{\pi}/4]$ 等分为 ${L_\beta }$ 份，算法遍历 ${L_\alpha }\cdot {L_\beta }$ 次后求得最优解 ${{\boldsymbol{\varepsilon}} ^{(i + 1)}}$ 。

综合以上发射波形序列 ${\boldsymbol{s}}$ 、接收滤波器序列 ${\boldsymbol{w}}$ 和Jones矢量 ${\boldsymbol{\varepsilon}}$ 的交替迭代求解方法，即可完成抗ISRJ的恒模互补波形最优化设计。为进一步缩短算法收敛所需的时长，可在不牺牲算法性能的前提下，引入平方迭代框架(SQUAREd iterative Method, SQUAREM)实现算法收敛速度的显著提升^[25]。使用平方迭代框架后，宽带全极化雷达的恒模互补波形设计算法流程如算法1所示。

算法1　宽带全极化雷达抗ISRJ恒模互补波形设计流程
输入：目标脉冲响应矩阵 $\overline {{\boldsymbol{H}}(\theta )}$ 、干扰特性矩阵 ${\boldsymbol{C}}$ 、初始 ${\boldsymbol{s}}$ , ${\boldsymbol{w}}$ 和　　　　 ${\boldsymbol{\varepsilon}}$
输出：最优发射波形序列 ${{\boldsymbol{s}}^\nabla }$ 、接收滤波器序列 ${{\boldsymbol{w}}^\nabla }$ 和Jones矢量 ${{\boldsymbol{\varepsilon}} ^\nabla }$
1 重复
2 将 ${{\boldsymbol{w}}^{(i)} }$ 代入式(31)计算 ${{\boldsymbol{w}}_1}$ ，将 ${{\boldsymbol{w}}_1}$ 代入式(31)计算 ${{\boldsymbol{w}}_2}$
3 　　 ${{\boldsymbol{r}}_1} = {{\boldsymbol{w}}_1} - {{\boldsymbol{w}}^{(i)} }$ , ${{\boldsymbol{v}}_1} = {{\boldsymbol{w}}_2} - {{\boldsymbol{w}}_1} - {{\boldsymbol{r}}_1}$ $,$ ${\alpha _1} = - {{\boldsymbol{r}}_1}/{{\boldsymbol{v}}_1}$
4 　　将 ${ {\boldsymbol{w} }^{(i)} } - 2{\alpha _1}{ {\boldsymbol{r} }_1} + {\alpha _1}^2{{\boldsymbol{v}}_1}$ 代入式(31)计算 ${{\boldsymbol{w}}^{(i + 1)}}$
5 　　若 $\varGamma \left( {{{\boldsymbol{s}}^{{\text{(}}i{\text{)}}}},{{\boldsymbol{w}}^{(i + 1)}},{{\boldsymbol{\varepsilon }}^{{\text{(}}i{\text{)}}}}} \right) > \varGamma \left( {{{\boldsymbol{s}}^{{\text{(}}i{\text{)}}}},{{\boldsymbol{w}}^{{\text{(}}i{\text{)}}}},{{\boldsymbol{\varepsilon}} ^{{\text{(}}i{\text{)}}}}} \right)$ ，循环
6 　　　　 ${\alpha _1} \leftarrow \left( {{\alpha _1} - 1} \right)/2$
7 　　　　将 ${{\boldsymbol{w}} ^{{\text{(}}i{\text{)}}}} - 2{\alpha _1}{{\boldsymbol{r}}_1} + {\alpha _1}^2{{\boldsymbol{v}}_1}$ 代入式(31)计算 ${{\boldsymbol{w}}^{{\text{(}}i + 1{\text{)}}}}$
8 　　结束
9 　　将 ${{\boldsymbol{s}}^{{\text{(}}i{\text{)}}}}$ 代入式(38)计算 ${{\boldsymbol{s}}_1}$ ，将 ${{\boldsymbol{s}}_1}$ 代入式(38)计算 ${{\boldsymbol{s}}_2}$
10 　 ${{\boldsymbol{r}}_2} = {{\boldsymbol{s}}_1} - {{\boldsymbol{s}}^{{\text{(}}i{\text{)}}}}$ , ${{\boldsymbol{v}}_2} = {{\boldsymbol{s}}_2} - {{\boldsymbol{s}}_1} - {{\boldsymbol{r}}_1},{\text{ }}{\alpha _2} = - {{\boldsymbol{r}}_2}/{{\boldsymbol{v}}_2}$
11 　将 ${{\boldsymbol{s}}^{ {\text{(} }i{\text{)} } } } - 2{\alpha _2}{{\boldsymbol{r}}_2} + {\alpha _2}^2{{\boldsymbol{v}}_2}$ 代入式(38)计算 ${s^{{\text{(}}i + 1{\text{)}}}}$
12 　若 $\varGamma \left( {{{\boldsymbol{s}}^{{\text{(}}i + 1{\text{)}}}},{{\boldsymbol{w}}^{{\text{(}}i + 1{\text{)}}}},{{\boldsymbol{\varepsilon}} ^{{\text{(}}i{\text{)}}}}} \right) > \varGamma \left( {{{\boldsymbol{s}}^{{\text{(}}i{\text{)}}}},{{\boldsymbol{w}}^{{\text{(}}i + 1{\text{)}}}},{{\boldsymbol{\varepsilon}} ^{{\text{(}}i{\text{)}}}}} \right)$ ，循环
13 　　　　 ${\alpha _2} \leftarrow \left( {{\alpha _2} - 1} \right)/2$
14 　　　　将 ${ {\boldsymbol{s} }^{ {\text{(} }i{\text{)} } } } - 2{\alpha _2}{{\boldsymbol{r}}_2} + {\alpha _2}^2{ {\boldsymbol{v} }_2}$ 代入式(38)计算 ${{\boldsymbol{s}}^{{\text{(}}i + 1{\text{)}}}}$
15 　结束
16 　使用网格法迭代求解 ${{\boldsymbol{\varepsilon}} ^{{\text{(}}i + 1{\text{)}}}}$
17 　 $i \leftarrow i + 1$
18 达到收敛条件，结束

下载: 导出CSV

| 显示表格

计算复杂度方面，第 $i$ 次迭代求解 ${{\boldsymbol{w}}^{{\text{(}}i + 1{\text{)}}}}$ 和 ${{\boldsymbol{s}}^{{\text{(}}i + 1{\text{)}}}}$ 的运算量主要来自对矩阵 ${\boldsymbol{P}}$ 和 ${\boldsymbol{Q}}$ 的计算，求解 ${{\boldsymbol{\varepsilon}} ^{{\text{(}}i + 1{\text{)}}}}$ 的运算量则可忽略不计。使用式(29)、式(36)给出的定义式运算的计算复杂度分别为 ${{O}}(LK{M^3})$ 和 ${{O}}(LKN{M^2})$ 。若直接计算式(32)、式(39)中的第1项和第2项，可大幅度降低算法复杂度。经由证明，求解 ${\text{tr}}({\boldsymbol{P}})$ 和 ${\text{tr}}({\boldsymbol{Q}})$ 的复杂度为 ${{O}}(LK{M^2})$ ，故本文算法经简化后的计算复杂度为 ${{O}}(LK{M^2})$ ，而引入平方迭代框架不改变计算复杂度。

4. 实验验证

本节设计了基于实测目标数据的实验验证。目标数据采用佐治亚理工学院T-72坦克全极化雷达 $\mathrm{X}$ 波段实测数据^[26]，测量信号为中心频率 ${f_0} = 9.6{\text{ GHz}}$ 的步进频脉冲信号，覆盖带宽为660 MHz，雷达俯仰角固定为30.42°，方位角范围为 $[0^\circ , 360^\circ ]$ 。具体来说，数据库中，转台方位角的变动步长为0.05°，每个数据文件中宽带雷达共进行 79 次扫描，因此，单个文件的方位角变化范围为3.90°，同时，相邻数据文件中心方位角间相差4.25°。这表明在 79 次扫描之后，存在 0.35°的测量盲区。高分辨测量中，单个 $\mathrm{T}\mathrm{I}\mathrm{R}\mathrm{M}$ 的距离支撑长度为 $Q = 37$ ^[19]。非特别说明，仿真中求平均采用的方位角范围 $[{\theta _{{\text{min}}}},{\theta _{{\text{max}}}}]$ 取 $[161.55^\circ ,162.75^\circ ]$ 。

4.1 天线极化矢量固定条件下算法的有效性验证

本小节固定雷达的天线极化方式，分析本文方法的有效性。仿真参数设置为：雷达和干扰机均采用垂直极化 ${\boldsymbol{\varepsilon}} = {[0,1]^{\text{T}}}$ ，雷达参数方面，发射波形时宽为 $T = 81.28{\text{ ns}}$ ，发射脉冲个数为 $K = 4$ ，发射信号的码长为 $N = 40$ ，回波点数为 $M = 76$ ，对应信号带宽 $B = 0.5{\text{ GHz}}$ ，占空比 ${D_{\text{t}}} = 1\%$ ；干扰机参数方面，设置ISRJ占空比为 ${D_{\text{J}}} = 20\%$ ，ISRJ转发周期为 ${T_{\text{J}}} = 20{\text{ ns}}$ ；目标方面，极化散射矩阵设置为 $[1,{\text{0}}{\text{.1}}{{\text{e}}^{{{ - {\rm{j}}\pi }}/3}};{\text{0}}{\text{.1}}{{\text{e}}^{{{ - {\rm{j}}\pi }}/3}},{{\text{e}}^{{{{\rm{j}}\pi }}/3}}]$ ，信噪比损失因子为 $\mu = 1{\text{ dB}}$ ，权重因子 ${\gamma _1} = {\gamma _2} = 100$ ，峰值约束关系为 ${a_{{\text{min}}}} = {a_{{\text{max}}}} \times {10^{ - 4}}$ ，并将 $[{f_1},{f_2}]$ = $[ - 0.3,0.3]$ 离散化为 $L = 10$ 份，预设收敛精度为 ${\eta _\varGamma }$ = ${10^{ - 7}}$ ，设置信噪比为 $15{\text{ dB}}$ ，信干比为 $- 15{\text{ dB}}$ 。

、分别给出了目标函数 $\varGamma$ 、信噪比损失 $\mu$ 随迭代次数的取值变化情况。可以看出，本文算法具有收敛性。给出了优化后的目标回波、 $\mathrm{I}\mathrm{S}\mathrm{R}\mathrm{J}$ 的脉压结果及归一化模糊函数能量图。从可以看出，本文方法的目标回波主瓣峰值约为 $- 7{\text{ dB}}$ ，文献[]方法的目标回波主瓣峰值约为 $- 12{\text{ dB}}$ ；由可见，本文方法的干扰峰值约为 $- 29{\text{ dB}}$ ，文献[]方法的干扰峰值约为 $- 24{\text{ dB}}$ 。这表明，本文方法较好地实现了波形对目标特性的匹配和对ISRJ的抑制。对比、可以看出，目标回波的模糊函数在给定的频移区间内保持了良好的多普勒容忍性；而ISRJ的模糊函数也实现了对给定频移区间的干扰抑制。针对算法的鲁棒性，给出了不同方位角区间 $[{\theta _{{\text{min}}}},{\theta _{{\text{max}}}}]$ 对目标回波脉压峰值的影响，对比TIRM精确已知的情况，跨度1.2°的方位角区间 $[161.55^\circ ,162.75^\circ ]$ 性能下降约2 dB、跨度3.9°的方位角区间 $[161.55^\circ ,165.45^\circ ]$ 性能下降约4 dB、跨度10.0°的方位角区间 $[161.55^\circ , 171.55^\circ ]$ 性能下降约4.5 dB。由此表明：先验方位角范围越大，本文所提算法的脉压增益下降越大，但鲁棒性随之增强。给出了不同脉冲数 $K$ 和信噪比损失 $\mu$ 时，本文算法重复1000次独立实验后旁瓣峰值随信干比的变化情况。图5(a)表明，随信干比增加，旁瓣峰值呈现下降-稳中略升-下降-稳定的趋势，当信干比较大时，回波几乎仅含有目标回波。图5(b)表明，旁瓣峰值呈现单调下降至稳定的趋势，当信噪比很大时，回波几乎不含噪声，而信干比固定，因而趋于稳定。

图 1 目标函数和信噪比损失的收敛情况

下载: 全尺寸图片幻灯片

图 2 目标回波和干扰的脉压性能比较

下载: 全尺寸图片幻灯片

图 3 目标回波和干扰的互模糊函数性能比较

下载: 全尺寸图片幻灯片

图 4 不同方位角范围的鲁棒性算法的归一化脉压峰值

下载: 全尺寸图片幻灯片

图 5 旁瓣峰值随信干比和信噪比的变化曲线

下载: 全尺寸图片幻灯片

4.2 天线极化矢量优化条件下算法的有效性验证

本小节引入天线极化矢量优化，分析极化优化对目标回波和ISRJ脉压性能的影响。仿真过程中设置 $N = M = 80$ ，将极化旋转角 $\alpha \in [ - {\pi}/2,{\pi}/2]$ 、极化椭圆角 $\beta \in [ - {\pi}/4,{\pi}/4]$ 等分为50份，步长分别为 $0.02{\pi}$ , $0.01{\pi}$ ，其他参数设置同4.1节。干扰机天线极化方式依次考虑以下几种设置：60°线极化 ${{\boldsymbol{\varepsilon}} _{\text{J}}} = {\left[ {\dfrac{{\sqrt 2 }}{2}{{\text{e}}^{{\text{j}}\frac{{\pi}}{3}}},\dfrac{{\sqrt 2 }}{2}{{\text{e}}^{{\text{j}}\frac{{\pi}}{3}}}} \right]^{\text{T}}}$ 、左旋圆极化 ${{\boldsymbol{\varepsilon}} _{\text{J}}} = \left[ \dfrac{{\sqrt 2 }}{2}{{\text{e}}^{{\text{j}}\frac{{5{\pi}}}{6}}}, \dfrac{{\sqrt 2 }}{2}{{\text{e}}^{{\text{j}}\frac{{\pi}}{3}}} \right]^{\text{T}}$ 、右旋圆极化 ${{\boldsymbol{\varepsilon}} _{\text{J}}} = {\left[ {\dfrac{{\sqrt 2 }}{2}{{\text{e}}^{ - {\text{j}}\frac{{\pi}}{6}}},\dfrac{{\sqrt 2 }}{2}{{\text{e}}^{{\text{j}}\frac{{\pi}}{3}}}} \right]^{\text{T}}}$ 。

图6依次给出了干扰机在3种不同极化工作方式下，进行天线极化矢量优化前后的目标回波脉压归一化幅度图。可以看出，经极化矢量优化后目标回波脉压结果对比优化前旁瓣平均下降了13～19 dB。图7则给出了干扰机在不同极化工作方式下，进行天线极化矢量优化前后的ISRJ信号脉压归一化幅度图。可以看出，经极化矢量优化后目标的ISRJ信号脉压峰值对比优化前有不同程度的下降，其中在干扰机采用60°线极化时，干扰脉压峰值近似相同，整体水平却有所下降；在干扰机采用左旋圆极化和右旋圆极化时，干扰脉压后整体下降至非常低的水平(此时近似被完全滤除)。综上说明了经优化后的天线极化矢量在获得更好目标位置检测能力的同时，显著抑制了间歇采样干扰信号，进一步增强了宽带场景下的雷达探测能力。

图 6 不同干扰机天线极化方式设置条件下目标回波脉压幅度图

下载: 全尺寸图片幻灯片

图 7 不同干扰机天线极化方式设置条件下ISRJ回波脉压幅度图

下载: 全尺寸图片幻灯片

4.3 本文方法的抗ISRJ性能分析

为进一步验证本文方法在宽带全极化雷达条件下抗ISRJ的有效性，本节考虑干扰机高速运动，即设置干扰机与雷达间距离为 ${d_{\text{J}}} = 1100{\text{ m}}$ ，干扰机速度 ${v_{\text{J}}} = 30{\text{ m}}/{\text{s}}$ ；目标距离雷达 $d = 600{\text{ m}}$ ，目标速度 $v = 40{\text{ m}}/{\text{s}}$ ，其余参数同4.1节，对比本文方法与文献[7]方法在目标探测和干扰抑制方面的差异。

给出了不同脉冲数 $K$ 对应的回波脉压效果。根据可以看出，在 $K = 2$ 时，本文方法对目标回波有约 $- 9{\text{ dB}}$ 的脉压增益(较文献[]方法高出约 $8{\text{ dB}}$ )；从可看出在 $K = 4$ 时目标回波增益较文献[]方法高出约6 dB；从则可看出在 $K = 6$ 时目标回波增益较文献[7]方法高出约4 dB。而对于ISRJ信号，则在3种场景下都近似被完全滤除，图8结果进一步表明，本文方法相比文献[7]的目标探测性能更好，同时对ISRJ信号起到了显著的抑制效果。

图 8 不同脉冲数条件下本文方法与文献[7]方法的脉压结果对比

下载: 全尺寸图片幻灯片

5. 结语

本文对宽带全极化雷达发射波形、接收滤波器和天线极化进行联合优化以实现间歇采样转发干扰的抑制。对于多分量非凸优化问题，基于交替迭代求解方法，依次对最优发射波形、接收滤波器和天线极化进行了有效求解。对比现有方法，本文方法不仅实现了发射波形-目标的相互匹配，还充分利用了目标和干扰机的极化域信息，使得脉压后显著抑制了ISRJ并保证良好的目标回波增益，同时其多普勒容限显著增强了算法对高速干扰机的适用性，对解决高分辨场景下抗间歇采样转发干扰问题具有一定的实际意义和应用价值。而下一步将重点研究 $\mathrm{I}\mathrm{S}\mathrm{R}\mathrm{J}$ 参数不确定条件下的波形鲁棒性设计问题，以降低对先验信息的精度要求。

图 1 Barbara仿真效果对比图

下载: 全尺寸图片幻灯片

图 2 Parrots仿真效果对比图

下载: 全尺寸图片幻灯片

图 3 6幅测试图在不同采样率下各种算法的PSNR平均值

下载: 全尺寸图片幻灯片

图 4 算法测量值含噪的PSNR值比较

下载: 全尺寸图片幻灯片

表 1 基于非局部低秩和加权全变分的图像压缩感知重构算法(NLR-WTV)

　输入：　从原始图像

${{u}}$ 采样得到的压缩感知测量值

${{y}}$

　初始化：

${{{u}}_0} = {{{Φ}} ^{\rm{T}}}{{y}}$ ,

${{a}}$ ,

${{b}}$ ,

${{c}}$ ,

${\lambda _1}$ ,

${\lambda _2}$ ,

${\mu _1}$ ,

${\mu _2}$ ；

　Outer loop for

$k{\rm{ }} = 1, {\rm{ }}2, ·\!·\!·, K$

　　(1) 根据块匹配法找到图像各相似像素点的位置；

　　(2) 根据式(6)、式(7)和式(8)计算图像的低频分量

${{{u}}_{\rm{L}}}$ 和高频分
量

${{{u}}_{\rm{R}}}$ ；

　　(3) if

$k \le {K_{{0}}}$ ,

${{{w}}_i} = 1$ else 根据式(9)计算

${{{w}}_i}$ ；end if

　Inner loop for

$t{\rm{ }} = 1, {\rm{ }}2, ·\!·\!·, T\;$

　　　　(a) 根据式(17)计算

${{{L}}_i}^{(k + 1)}$ ；

　　　　(b) 根据式(19)计算

${{{x}}^{(k + 1)}}$ ；

${{{z}}_1}^{(k + 1)}$ 和

${{{z}}_2}^{(k + 1)}$ ；

　　　　(d) 根据式(25)计算

${{{u}}^{(k + 1)}}$ ；

　　　end for

　　　根据式(14)更新

${{a}}$ ,

${{b}}$ 和

${{c}}$ ；

　end for

　输出：重构图像

${ {{ u} } \!\,\!\! { { {\widehat} }= { {{u} }^{(k + 1)} }$

下载: 导出CSV

表 2 不同算法重构图像的PSNR(dB)和SSIM比较

采样率	算法	性能指标	Monarch	Barbara	Lena	Boats	Parrots	Cameraman
5%	TVAL3	PSNR	20.06	19.79	23.08	22.38	22.87	22.89
	TVAL3	SSIM	0.508	0.412	0.560	0.543	0.593	0.605
	BM3D-CS	PSNR	22.73	21.34	24.12	23.31	24.13	23.76
	BM3D-CS	SSIM	0.642	0.523	0.693	0.610	0.692	0.658
	TVNLR	PSNR	23.02	22.65	25.41	24.79	25.89	24.39
	TVNLR	SSIM	0.751	0.568	0.745	0.696	0.800	0.737
	NLR-CS	PSNR	26.38	27.94	30.64	29.81	31.71	25.38
	NLR-CS	SSIM	0.848	0.830	0.875	0.830	0.885	0.770
	NLR-WTV	PSNR	28.21	29.10	30.83	30.14	32.31	27.87
	NLR-WTV	SSIM	0.883	0.862	0.879	0.857	0.891	0.817

下载: 导出CSV

表 3 算法测量值含噪的SSIM值比较

图像	算法	15	20	25	30	35
Monarch	NLR-CS	0.374	0.550	0.748	0.874	0.939
Monarch	NLR-WTV	0.387	0.569	0.761	0.890	0.948
Boats	NLR-CS	0.276	0.452	0.672	0.824	0.904
Boats	NLR-WTV	0.281	0.466	0.681	0.844	0.927

下载: 导出CSV

参考文献(24)

CANDES 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. doi: 10.1109/TIT.2005.862083

DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289–1306. doi: 10.1109/TIT.2006.871582

石光明, 刘丹华, 高大化, 等. 压缩感知理论及其研究进展[J]. 电子学报, 2009, 37(5): 1070–1081. doi: 10.3321/j.issn:0372-2112.2009.05.028

SHI Guangming, LIU Danhua, GAO Dahua, et al. Advances in theory and application of compressed sensing[J]. Acta Electronica Sinica, 2009, 37(5): 1070–1081. doi: 10.3321/j.issn:0372-2112.2009.05.028

ZHANG Jian, ZHAO Debin, ZHAO Chen, et al. Compressed sensing recovery via collaborative sparsity[C]. 2012 Data Compression Conference, Snowbird, USA, 2012: 287–296.

HE Guiqing, XING Siyuan, DONG Dandan, et al. Panchromatic and multi-spectral image fusion method based on two-step sparse representation and wavelet transform[C]. The 9th Asia-Pacific Signal and Information Processing Association Annual Summit and Conference, Kuala Lumpur, Malaysia, 2017: 259–262.

RUBINSTEIN R, BRUCKSTEIN A M, and ELAD M. Dictionaries for sparse representation modeling[J]. Proceedings of the IEEE, 2010, 98(6): 1045–1057. doi: 10.1109/JPROC.2010.2040551

HONG Tao and ZHU Zhihui. Online learning sensing matrix and sparsifying dictionary simultaneously for compressive sensing[J]. Signal Processing, 2018, 153: 188–196. doi: 10.1016/j.sigpro.2018.05.021

EGIAZARIAN K, FOI A, and KATKOVNIK V. Compressed sensing image reconstruction via recursive spatially adaptive filtering[C]. 2007 IEEE International Conference on Image Processing, San Antonio, USA, 2007: I-549-I-552.

BUADES A, COLL B, and MOREL J M. A review of image denoising algorithms, with a new one[J]. Multiscale Modeling & Simulation, 2005, 4(2): 490–530. doi: 10.1137/040616024

LIU Hangfan, XIONG Ruiqin, ZHANG Xinfeng, et al. Nonlocal gradient sparsity regularization for image restoration[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 27(9): 1909–1921. doi: 10.1109/TCSVT.2016.2556498

YU Jun and DONG Shumin. Nonlocal variational method application for image denoising[C]. 2017 IEEE International Conference on Signal Processing, Communications and Computing, Xiamen, China, 2017: 1–6.

DONG Weisheng, SHI Guangming, LI Xin, et al. Compressive sensing via nonlocal low-rank regularization[J]. IEEE Transactions on Image Processing, 2014, 23(8): 3618–3632. doi: 10.1109/TIP.2014.2329449

宋云, 李雪玉, 沈燕飞, 等. 基于非局部相似块低秩的压缩感知图像重建算法[J]. 电子学报, 2017, 45(3): 695–703. doi: 10.3969/j.issn.0372-2112.2017.03.029

SONG Yun, LI Xueyu, SHEN Yanfei, et al. Compressed sensing image reconstruction based on low rank of non-local similar patches[J]. Acta Electronica Sinica, 2017, 45(3): 695–703. doi: 10.3969/j.issn.0372-2112.2017.03.029

LIU Hangfan, XIONG Ruiqin, LIU Dong, et al. Low rank regularization exploiting intra and inter patch correlation for image denoising[C]. 2017 IEEE Visual Communications and Image Processing, USA, 2017: 1–4.

GU Shuhang, XIE Qi, MENG Deyu, et al. Weighted nuclear norm minimization and its applications to low level vision[J]. International Journal of Computer Vision, 2017, 121(2): 183–208. doi: 10.1007/s11263-016-0930-5

RUDIN L I, OSHER S, and FATEMI E. Nonlinear total variation based noise removal algorithms[C]. The 11th Annual International Conference of the Center for Nonlinear Studies on Experimental mathematics: Computational Issues in Nonlinear Science, Los Alamos, USA, 1992: 259–268.

LI Chengbo, YIN Wotao, and ZHANG Yin. TVAL3: TV minimization by augmented lagrangian and alternating direction algorithms[EB/OL]. http://www.caam.rice.edu/~optimization/L1/TVAL3/, 2013.

CHEN Qiang, MONTESINOS P, SUN Quansen, et al. Adaptive total variation denoising based on difference curvature[J]. Image and Vision Computing, 2010, 28(3): 298–306. doi: 10.1016/j.imavis.2009.04.012

ZHANG Jian, LIU Shaohui, XIONG Ruiqin, et al. Improved total variation based image compressive sensing recovery by nonlocal regularization[C]. 2013 IEEE International Symposium on Circuits and Systems, Beijing, China, 2013: 2836–2839.

CANDèS E J, WAKIN M B, and BOYD S P. Enhancing sparsity by reweighted

${\ell _1}$ minimization[J]. Journal of Fourier Analysis and Applications, 2008, 14(5/6): 877–905. doi: 10.1007/s00041-008-9045-x

WANG Ting, NAKAMOTO K, ZHANG Heye, et al. Reweighted anisotropic total variation minimization for limited-angle CT reconstruction[J]. IEEE Transactions on Nuclear Science, 2017, 64(10): 2742–2760. doi: 10.1109/TNS.2017.2750199

LI Yan. Sparse hyperspectral unmixing combined L1/2 norm and reweighted total variation regularization[C]. The Ninth International Conference on Digital Image Processing, Hong Kong, China, 2017: 1042046.

BOYD S, PARIKH N, CHU E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers[J]. Foundations and Trends in Machine Learning, 2011, 3(1): 1–122. doi: 10.1561/2200000016

ZHANG Mingli, DESROSIERS C, and ZHANG Caiming. Effective compressive sensing via reweighted total variation and weighted nuclear norm regularization[C]. 2017 IEEE International Conference on Acoustics, Speech and Signal Processing, New Orleans, LA, United States, 2017: 1802–1806.

施引文献

期刊类型引用(1)
1. 王颖，郭睿，梁毅. 实测双极化雷达压制干扰的特性分析与抑制. 海军航空大学学报. 2025(01): 163-170+196 . 百度学术
其他类型引用(1)

资源附件(0)

访问统计

图(4) / 表(3)

计量

文章访问数: 3398
HTML全文浏览量: 1091
PDF下载量: 129
被引次数: 2

1. 引言
2. 问题模型
3. 问题求解
4. 实验验证
4.1 天线极化矢量固定条件下算法的有效性验证
4.2 天线极化矢量优化条件下算法的有效性验证
4.3 本文方法的抗ISRJ性能分析
5. 结语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于非局部低秩和加权全变分的图像压缩感知重构算法

doi: 10.11999/JEIT180828

通讯作者:
赵辉　zhaohui@cqupt.edu.cn

计量

Compressed Sensing Image Restoration Based on Non-local Low Rank and Weighted Total Variation

1. 引言

2. 问题模型

3. 问题求解

4. 实验验证

4.1 天线极化矢量固定条件下算法的有效性验证

4.2 天线极化矢量优化条件下算法的有效性验证

4.3 本文方法的抗ISRJ性能分析

5. 结语

期刊类型引用(1)

其他类型引用(1)

计量

目录

1. 引言

2. 问题模型

3. 问题求解

4. 实验验证

4.1 天线极化矢量固定条件下算法的有效性验证

4.2 天线极化矢量优化条件下算法的有效性验证

4.3 本文方法的抗ISRJ性能分析

5. 结语

留言板

基于非局部低秩和加权全变分的图像压缩感知重构算法

doi: 10.11999/JEIT180828

通讯作者: 赵辉 zhaohui@cqupt.edu.cn

计量

出版历程

Compressed Sensing Image Restoration Based on Non-local Low Rank and Weighted Total Variation

1. 引言

2. 问题模型

3. 问题求解

4. 实验验证

4.1 天线极化矢量固定条件下算法的有效性验证

4.2 天线极化矢量优化条件下算法的有效性验证

4.3 本文方法的抗ISRJ性能分析

5. 结语

期刊类型引用(1)

其他类型引用(1)

计量

出版历程

目录

1. 引言

2. 问题模型

3. 问题求解

4. 实验验证

4.1 天线极化矢量固定条件下算法的有效性验证

4.2 天线极化矢量优化条件下算法的有效性验证

4.3 本文方法的抗ISRJ性能分析

5. 结语

通讯作者:
赵辉　zhaohui@cqupt.edu.cn