Citation: | TONG Ningning, ZHAO Xiaoru, DING Shanshan, HE Xingyu. Improved Smoothed l0 Norm Algorithm for MIMO Radar Signal Snapshot Imaging via Composite Trigonometric Function[J]. Journal of Electronics & Information Technology, 2017, 39(12): 2803-2810. doi: 10.11999/JEIT170294 |
线性复杂度和周期是衡量序列伪随机性的两个重要指标。序列的线性复杂度已经在很多文献中被研究过[1],比如文献[1]研究了一种特殊2元序列的线性复杂度,文献[2-4]讨论了周期不同的2元广义分圆序列的线性复杂度,文献[5,6]研究了不同周期的4元广义分圆序列的线性复杂度,文献[7,8]分别讨论了2元割圆序列和广义割圆序列的线性复杂度,文献[9,10]讨论了不同周期序列的线性复杂度。本文主要研究的是新型自缩控序列的线性复杂度,自缩序列有许多密码学优点,比如构造方式简单、周期较大、线性复杂度较高、对驱动序列有强力保护,而成为密码学中一类重要的伪随机序列。文献[11]定义了自缩序列的构造方式,给出了其线性复杂度的上界值等于周期的上界值:
下面定义新型自缩控序列。
定义1 设
(a0,a1,a2)(a3,a4,a5)···(a3k,a3k+1,a3k+2)··· | (1) |
若
引理1[17] 设
N(b1,b2,···,bk)={3n−k,(b1,b2,···,bk)≠(0,0,···,0)3n−k−1,(b1,b2,···,bk)=(0,0,···,0) | (2) |
证明:考虑在序列
引理2[17] 设
(1) 序列
(2) 序列
证明 由
为了得到SSC(模3)-序列线性复杂度更精确的上界值,先从序列的特征多项式入手来展开讨论。设序列
v∑i=0(vv−i)(−1)v−i\boldsymbolod3⋅ui=0 | (3) |
即等价于证明
v∑i=0(vi)(−1)v−i\boldsymbolod3⋅ui=0 | (4) |
其中
引理3[18] 设
证明 为了证明简便,不妨设
定义2[18] 设
定义3[18] 设
引理4[18] 设
证明 由引理3知
引理5[18] 设
证明
当
引理6[18] 设
证明 若
引理7[18] 设
证明 因为
引理8 设
证明 因为
∑x∈GF(3n)f1(x)+2f2(x)=∑x∈GF(3n)(3n−2∑r=1arxr+3n−2∑r=12brxr)=3n−2∑r=1(ar+2br)∑x∈GF(3n)xr=0 | (5) |
证毕
为了得到周期为
定义4 设
T1:n−1∑i=0aiαi→an−2,T2:n−1∑i=0aiαi→an−2,an−1 | (6) |
由以上
当
定理1 设
v∑i=0(vi)(−1)v−i\boldsymbolod3⋅ui=0 | (7) |
其中,
证明
v∑i,j=0,i≠jctiuti+ctjutj=0 | (8) |
即等价于证明式(9)成立
v∑i,j=0,i≠juti+2utj=0 | (9) |
为了证明式(9)成立,需要定义以下两个映射,设
v∑i,j=0,i≠juti+2utj=∑x∈GF(3n)∖{0}σ1(x)+2σ2(x)=0 | (10) |
则由引理8知,要证明式(10)成立,只需证明
定义函数
设
P1=XT1∏(h1k+1)2∏(h42k+1)P2=12XT2∏(h1k+1)2∏(h42k+1)} | (11) |
其中,
证毕
本部分给出
设
由此看到,把序列
定理2 设
证明 由新型自缩控序列的定义知,只有当
故
定理3 对于任意正整数
证明 设
(1)
(2)
在第(1)种情况下,
由上述定理可知
设
s∞=(s00,s10,s20,···,s3n−1−1,0,s3n−1,0,···,s2⋅3n−1−1,0,s2⋅3n−1,1,···,s3⋅3n−1−1,1) | (12) |
则有
当
当
当
为了更方便地来表示序列的线性复杂度,下面我们利用迹映射的相关性质和上述
设
T(αk)=Tr((c3n−1+(cα+cα2)3n−1)αk)=Tr(((c3n−1+(cα+cα2)3n−1)αk)3)=Tr(cα3k+cα3k+1+cα3k+2)=a3k+a3k+1+a3k+2 | (13) |
设
T1′(αk)=Tr((cα)3n−1αk)=Tr((cα)3nα3k)=Tr(c3nα3nα3k)=Tr(cαα3k)=Tr(cα3k+1)=a3k+1 | (14) |
设
T2′(αk)=Tr((cαm+1)3n−1αk)=Tr((cαm+1)3nα3k)=Tr(c3nα3n(m+1)α3k)=Tr(cαm+1α3k)=Tr(cα3k+(m+1))=a3k+(m+1) | (15) |
其中,
以下为了叙述方便,当
u∞=(u00,u10,u20,···,u3n−1−1,0,u3n−1,0,···,u2⋅3n−1−1,0,u2⋅3n−1,1,···,u3⋅3n−1−1,1) | (16) |
对所有的非负整数
由前述定理1和上边的记法可得下面的式子是成立的,即有
0=T′(0)=T′(3n−⌊n−34⌋−1∑i=0ciui)=T′1(3n−1−1∑i=0ciui)+T′20(2⋅3n−1−1∑i=3n−1ciui)+T′21(3n−⌊n−34⌋−1∑i=2⋅3n−1ciui)=3n−1−1∑i=0ciT′1(ui)+2⋅3n−1−1∑i=3n−1ciT′20(ui)+3n−⌊n−34⌋−1∑i=2⋅3n−1ciT′21(ui)=3n−1−1∑i=0cisi+2⋅3n−1−1∑i=3n−1cisi+3n−⌊n−34⌋−1∑i=2⋅3n−1cisi=3n−⌊n−34⌋−1∑i=0cisi=0 | (17) |
由以上的讨论可以得到以下定理4。
定理4 新型自缩控序列(SSC(模3)-序列)
L(s∞)≤3n−⌊(n−3)/4⌋−1 | (18) |
定理5 新型自缩控序列(SSC(模3)-序列)
证明 设
本文从上边讨论的结果中可以看出:与文献[12-16]中的序列相比,本文中的新型自缩控序列(SSC(模3)-序列)
(1) 文献[13]中改进的自收缩序列模型是由
(2) 文献[15]中
(3) 本文中的自缩控序列(SSC(模3)-序列)的周期整除
(4) 通过此种方式得到的自缩控序列的信息利用率更高,达到
伪随机序列在通信加密、雷达信号设计和编码技术等很多领域中有着广泛的应用。在这些应用中,通常要求序列具有大的周期和高的线性复杂度。衡量伪随机性的指标主要有周期、平衡性、线性复杂度和自相关性等。本文所设计的密码序列,主要是从周期、线性复杂度这两个安全指标来分析所构造序列的安全性,本文基于
HU Xiaowei, TONG Ningning, ZhANG Yongshun, et al. Multiple-Input-Multiple-Output (MIMO) radar super- resolution three-dimensional imaging based on a dimension- reduction compressive sensing[J]. IET Radar, Sonar Navigation, 2016, 10(4): 757-764. doi: 10.1049/iet-rsn. 2015.0345.
|
杨建超, 苏卫民, 顾红. 基于二维频率估计的MIMO-ISAR空时二维回波重排方法[J]. 电子与信息学报, 2014, 36(9): 2180-2186. doi: 10.3724/SP.J.1146.2013.01558.
|
YANG Jian-chao, SU Wei-min, and GU Hong. A method for rearrangement of 2D MIMO-ISAR space-time echo based on 2D frequency estimation[J]. Journal of Electronics Information Technology, 2014, 36(9): 2180-2186. doi: 10.3724 /SP.J.1146.2013.01558.
|
陈刚. 稀布阵列MIMO雷达成像技术研究[D]. [博士论文], 南京理工大学, 2014.
|
CHEN Gang. Research on techniques for sparse array MIMO radar imaging[D]. [Ph.D. dissertation], Nanjing University of Science Technology, 2014.
|
GU Fufei, CHI Long, ZHANG Qun, et al. Single snapshot imaging method in Multiple-Input Multiple-Output radar with sparse antenna array[J]. IET Radar, Sonar Navigation, 2013, 7(5): 535-543. doi: 10.1049/iet-rsn.2011.0363.
|
DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306. doi: 10.1109/ TIT.2006.871582.
|
文方青, 张弓, 陶宇, 等. 面向低信噪比的自适应压缩感知方法[J]. 物理学报, 2015, 64(8): 084301-1-084301-8. doi: 10.7498 /aps.64.084301.
|
WEN Fangqing, ZHANG Gong, TAO Yu, et al. Adaptive compressive sensing toward low signal-to-noise ratio scene[J]. Acta Physics Sinica, 2015, 64(8): 084301-1-084301-8. doi: 10.7498/aps.64.084301.
|
徐浩, 朱宇, 刘杰, 等. 集群微波遥感卫星稀疏随机分布构型成像[J]. 测绘通报, 2014(S1): 32-35. doi: 10.13474/j.cnki. 11-2246.2014.0608.
|
XU Hao, ZHU Yu, LIU Jie, et al. The imaging of cluster microwave remote sensing satellites based on the sparse random distribution[J]. Bulletin of Surveying and Mapping, 2014(S1): 32-35. doi: 10.13474/j.cnki.11-2246.2014.0608.
|
胡晓伟, 童宁宁, 何兴宇, 等. 基于Kronecker压缩感知的宽带MIMO雷达高分辨三维成像[J]. 电子与信息学报, 2016, 38(6): 1475-1481. doi: 10.11999/JEIT150995.
|
HU Xiaowei, TONG Ningning, HE Xingyu, et al. High- resolution 3D imaging via wideband MIMO radar based on kronecker compressive sensing[J]. Journal of Electronics Information Technology, 2016, 38(6): 1475-1481. doi: 10. 11999/JEIT150995.
|
MOHIMANI G H, BABAIE-ZADEH M, and JUTTEN C. A fast approach for overcomplete sparse decomposition based on smoothed l0 norm[J]. IEEE Transactions on Signal Processing, 2009, 57(1): 289-301. doi: 10.1109/TSP.2008. 2007606.
|
齐焕芳, 徐源浩. 用于压缩感知信号重建的SL0改进算法[J]. 电子科技, 2015, 28(4): 27-30. doi: 10.16180/j.cnki.issn1007- 7820.2015.04.008.
|
QI Huanfang and XU Yuanhao. Improved SL0 algorithm for compressive sensing signal reconstruction[J]. Electronic Science Technology, 2015, 28(4): 27-30. doi: 10.16180/ j.cnki.issn1007-7820.2015.04.008.
|
CHANGZHENG M, TAT SOON Y, YONGBO Z, et al. MIMO radar 3D imaging based on combined amplitude and total variation cost function with sequential order one negative exponential form[J]. IEEE Transactions on Image Processing, 2014, 23(5): 2168-2183. doi: 10.1109/TIP.2014. 2311735.
|
朱宇涛, 粟毅. 一种M2发N2收MIMO雷达平面阵列及其三维成像方法[J]. 中国科学: 信息科学, 2011, 41(12): 1495-1506.
|
ZHU Yutao and SU Yi. A type of M2-transmitter N2-receiver MIMO radar array and 3D imaging theory[J]. Scientia Sinica (Informationis), 2011, 41(12): 1495-1506.
|
赵瑞珍, 林婉娟, 李浩, 等. 基于光滑l0范数和修正牛顿法的压缩感知重建算法[J]. 计算机辅助设计与图形学学报, 2012, 24(4): 478-484.
|
ZHAO Ruizhen, LIN Wanjuan, LI Hao, et al. Reconstruction algorithm for compressive sensing based on smoothed norm and revised newton method[J]. Journal of Compute-Aided Design Computer Graphics, 2012, 24(4): 478-484.
|
HOU Biao, ZHANG Guang, LI Zhenwei, et al. Sparse coding-inspired high-resolution ISAR imaging using multistage compresive sensing[J]. IEEE Transactions on Aerospace and Electronic Systems, 2017, 53(1): 26-40. doi: 10.1109/TAES.2017.2649161.
|
ZUO Wangmei and LIN Zhouchen. A generalized accelerated proximal gradient approach for solving total-variation-based image restoration[J]. IEEE Transactions on Image Processing, 2011, 20(10): 2748-2759. doi: 10.1109/TIP.2011.2131665.
|
乔田田. 基于优化模型和Bregman迭代的图像恢复算法研究[D]. [博士论文, 哈尔滨工业大学, 2014.
|
QIAO Tiantian. Research on algorithms of image restoration based on l1 optimization model and Bregman iteration[D]. [Ph.D. dissertation], Harbin Institute of Technology, 2014.
|
1. | 李旻,何婷婷. 基于随机数三角阵映射的高维大数据二分聚类初始中心高效鲁棒生成算法. 电子与信息学报. 2021(04): 948-955 . ![]() | |
2. | 刘瑞杰,王瑛,王铁流. 基于STM32F4的超短基线定位系统设计. 国外电子测量技术. 2021(05): 158-162 . ![]() | |
3. | 庞菲菲,温祥西,王晓华. 基于SVDD去除异常值的水下目标定位方法. 振动与冲击. 2021(22): 182-187 . ![]() |