10.12305/j.issn.1001-506X.2022.01.10
基于深度学习的捷变相参雷达1-Bit块稀疏重构
近年来,量化压缩感知理论在雷达目标参数估计问题中得到了广泛应用,其主要思想是对采样回波数据进行量化,并将雷达观测模型建模为欠定方程,再利用压缩感知理论对稀疏目标信号进行恢复,降低回波数据的位宽,达到简化系统、提升效率的目的 .本文建立了捷变相参雷达信号的块稀疏压缩感知模型,并提出一种基于深度学习的1 Bit块稀疏重建网络B-BAdaLISTA,该重建网络与传统1-Bit硬判决迭代算法比较,在1 Bit采样量化下具有相近的重构性能和更快的收敛速度,同时将块稀疏的结构特征融入到网络结构中,显著提高了雷达目标参数的恢复质量.通过仿真实验定量分析了B-BAdaLISTA重建网络在无噪、有噪条件下的恢复能力,验证了算法的有效性.
捷变相参雷达;块稀疏;1-Bit量化;深度学习
44
TP957.51
国家自然科学基金61801258
2022-03-09（万方平台首次上网日期，不代表论文的发表时间）
共6页
70-75
