采用复合三角函数实现MIMO雷达单快拍成像的平滑l0范数改进算法

2017-12-16童宁宁赵小茹丁姗姗何兴宇

电子与信息学报 2017年12期

关键词：宁宁范数重构

童宁宁赵小茹丁姗姗何兴宇

采用复合三角函数实现MIMO雷达单快拍成像的平滑0范数改进算法

童宁宁*赵小茹丁姗姗何兴宇

(空军工程大学防空反导学院西安 710051)

MIMO雷达；稀疏阵列；平滑SL0算法；复合三角函数；Chaotic迭代；全变差

1 引言

针对雷达成像技术的研究，近年来，MIMO雷达以其多发多收的结构特性拓宽了雷达成像的技术平台，通过发射正交不相干信号得到波形分集增益，再分选接收信号得到空间分集增益，有效地增加了雷达的观测通道和自由度，同时降低了成像所需的阵列规模和时间积累。因为成像积累时间的缩短，所以众多学者展开了对MIMO雷达单快拍成像的研究[1,2]，综合考虑阵列规模大和实现成本高等问题，将研究重点集中到探索稀疏阵列MIMO雷达的高效单快拍成像方法。针对阵列的优化设计，文献[3]平衡阵列精度与速度之间的权重，提出差集理论和遗传算法相结合的设计思路，实现稀疏阵列MIMO雷达单快拍成像方法。文献[4]研究了基于压缩感知的稀疏阵列MIMO雷达成像方法，保证成像质量的同时有效地减少了阵元数量。

2 稀疏阵列MIMO雷达成像模型

图1中黑色实线表示阵列有效阵元，蓝色实线代表满阵中缺少的稀疏阵元。图1(a)表示实际稀疏阵列，经PCA等效后得到收发同置的虚拟稀疏阵列如图1(b)所示，阵列孔径总长度保持不变，阵元减少。

图1 稀疏天线布阵示意图

根据CS原理，可通过式(9)，求得目标散射点分布

3 ICTF-SL0算法

基于ICTF函数的良好性能，将式(9)通过ICTF-SL0实现稀疏信号重构的算法表达为

根据TV函数定义公式[15]，本文提出平滑函数的全变差为

将全变差代入式(11), ICTF-SL0算法重新表达为

SL0信号重构算法通过最速梯度投影法求解，每次迭代循环中的最速梯度投影法分为如下两步：无约束最大化和可行域投影：

进行可行域投影：

4 仿真实验

图3 散射点模型

图6(a)是稀疏阵列下得到的成像结果，图6(b)是初始的SL0恢复算法的结果，图6(c)是将平滑函数替换成复合三角函数的DNSL0算法的结果，图6(d)是双曲正切函数作平滑函数实现的SL0算法的结果，图6(e)是用连续负指数函数替换平滑函数实现的SL0算法的结果，图6(f)改进图6(c)所选平滑函数，加入TV变量的结果。观察图6(a)-图6(f)，重构算法实现成像结果的质量逐步提升，图6(e)和图6(f)两种算法实现成像的效果均较好，后续会在计算耗时方面对两种算法进行比较，验证ICTF-SL0算法的时效性。综合对比图6中5幅图，可以肯定ICTF函数作为平滑函数的可能性和本文所提改进算法的有效性。为进一步验证ICTF-SL0算法对重构精度改善和成像质量提高的有效性，取图6成像数据中位于中间的距离单元作1维方位像，如图7所示。

图4 随TV变化的2维成像图

图5 随TV变化的2维成像图

图6 2维成像效果图()

图8中SL0, DNSL0, SOONE-SL0, NSL0和ICTF-SL0 5种重构算法的均方误差曲线均随稀疏度增大而升高，其中SL0, DNSL0, NSL0和ICTF- SL0 4个算法的均方误差间差值随稀疏度的增大而变得更明显，在阵列完整度较高时，5种算法均能较好地恢复图像，当稀疏度逐步提升时，ICTF-SL0和SOONE-SL0算法的均方误差值都明显低于其余3种算法，肯定了SOONE-SL0算法和本文所提算法均可以在稀疏阵列下成像，证明了ICTF-SL0算法在稀疏度变化下成像的有效性且能够保证高稀疏度的成像。

观察图9，虽然5种算法的运算时间曲线均随稀疏度的增加而减少，但是SOONE-SL0算法的运算时间远高于其他4种算法，ICTF-SL0算法的运算时间曲线稳定维持在较小的区域，且明显小于其余4种算法。直观地证明ICTF-SL0算法在降低运算量方面的有效性，能够显著降低运算时间，提高算法效率。

图7 1维方位像对比图()

图8 标准差随稀疏度变化图

图9 运算时间随稀疏度变化图

5 总结

本文提出一种改进的SL0重构算法—ICTF- SL0算法，通过改进平滑函数，加入TV变量来改进初始SL0算法中的目标函数，再通过引入新的Chaotic迭代法，最终提高了算法的高效重构能力。通过仿真实验证明，本文所提算法实现成像的同时，能够有效提高重构精度，并且在保证成像的同时显著地降低了算法的运算负担。在稀疏度变化的阵列下，观察成像结果，验证了ICTF-SL0算法对不同稀疏度的线性稀疏阵列成像的普适性。

[1] HU Xiaowei, TONG Ningning, ZhANG Yongshun,. Multiple-Input-Multiple-Output (MIMO) radar super- resolution three-dimensional imaging based on a dimension- reduction compressive sensing[J].,&, 2016, 10(4): 757-764. doi: 10.1049/iet-rsn. 2015.0345.

[2] 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].&, 2014, 36(9): 2180-2186. doi: 10.3724 /SP.J.1146.2013.01558.

[3] 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.

[4] GU Fufei, CHI Long, ZHANG Qun,Single snapshot imaging method in Multiple-Input Multiple-Output radar with sparse antenna array[J].,&, 2013, 7(5): 535-543. doi: 10.1049/iet-rsn.2011.0363.

[5] DONOHO D L. Compressed sensing[J]., 2006, 52(4): 1289-1306. doi: 10.1109/ TIT.2006.871582.

[6] 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,. Adaptive compressive sensing toward low signal-to-noise ratio scene[J]., 2015, 64(8): 084301-1-084301-8. doi: 10.7498/aps.64.084301.

[7] 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,. The imaging of cluster microwave remote sensing satellites based on the sparse random distribution[J]., 2014(S1): 32-35. doi: 10.13474/j.cnki.11-2246.2014.0608.

[8] 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,. High- resolution 3D imaging via wideband MIMO radar based on kronecker compressive sensing[J].&, 2016, 38(6): 1475-1481. doi: 10. 11999/JEIT150995.

[9] MOHIMANI G H, BABAIE-ZADEH M, and JUTTEN C. A fast approach for overcomplete sparse decomposition based on smoothed0norm[J]., 2009, 57(1): 289-301. doi: 10.1109/TSP.2008. 2007606.

[10] 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 SL0algorithm for compressive sensing signal reconstruction[J].&, 2015, 28(4): 27-30. doi: 10.16180/ j.cnki.issn1007-7820.2015.04.008.

[11] CHANGZHENG M, TAT SOON Y, YONGBO Z,. MIMO radar 3D imaging based on combined amplitude and total variation cost function with sequential order one negative exponential form[J]., 2014, 23(5): 2168-2183. doi: 10.1109/TIP.2014. 2311735.

[12] 朱宇涛, 粟毅. 一种2发2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 of2-transmitter2-receiver MIMO radar array and 3D imaging theory[J].(), 2011, 41(12): 1495-1506.

[13] 赵瑞珍, 林婉娟, 李浩, 等. 基于光滑0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.

[14] HOU Biao, ZHANG Guang, LI Zhenwei,. Sparse coding-inspired high-resolution ISAR imaging using multistage compresive sensing[J]., 2017, 53(1): 26-40. doi: 10.1109/TAES.2017.2649161.

[15] ZUO Wangmei and LIN Zhouchen. A generalized accelerated proximal gradient approach for solving total-variation-based image restoration[J]., 2011, 20(10): 2748-2759. doi: 10.1109/TIP.2011.2131665.

QIAO Tiantian. Research on algorithms of image restoration based on1optimization model and Bregman iteration[D]. [Ph.D. dissertation], Harbin Institute of Technology, 2014.

童宁宁：女，1963年生，教授，研究方向为雷达阵列信号处理.

赵小茹：女，1993年生，硕士生，研究方向为MIMO雷达成像研究.

丁姗姗：女，1993年生，博士生，研究方向为MIMO雷达信号处理、DOA信号处理.

何兴宇：男，1989年生，博士生，研究方向为雷达目标成像.

Improved Smoothed0Norm Algorithm for MIMO Radar SignalSnapshot Imaging via Composite Trigonometric Function

TONG Ningning ZHAO Xiaoru DING Shanshan HE Xingyu

(,,’710051,)

MIMO radar; Sparse array; Smoothed0(SL0) norm algorithm; Composite trigonometric function; Chaotic iteration; Total Variation (TV)

TN957.51

1009-5896(2017)12-2803-08

10.11999/JEIT170294

2017-04-05；