利用雷达目标在空间的稀疏特性,研究了一种基于压缩感知的伪随机频率步进雷达(compressive sensing based pseudo-random step frequency radar,CS-PRSFR)。首先,在分析CS-PRSFR目标回波的基础上,建立了目标参数提取模型;然后,针对在噪...利用雷达目标在空间的稀疏特性,研究了一种基于压缩感知的伪随机频率步进雷达(compressive sensing based pseudo-random step frequency radar,CS-PRSFR)。首先,在分析CS-PRSFR目标回波的基础上,建立了目标参数提取模型;然后,针对在噪声统计特性未知时,传统稀疏信号重构算法无法适用的问题,提出一种基于交叉验证的稳健SL0(robust SL0based on cross validation,CV-RSL0)目标参数提取算法。CS-PRSFR由于其感知矩阵较强的非相关性,可获得更高的距离-速度联合分辨性能;该算法无需已知噪声统计特性,随着信噪比的提高,其目标参数提取性能能够快速逼近最佳估计的下限。仿真结果表明该方法的正确性和有效性。展开更多
文摘利用雷达目标在空间的稀疏特性,研究了一种基于压缩感知的伪随机频率步进雷达(compressive sensing based pseudo-random step frequency radar,CS-PRSFR)。首先,在分析CS-PRSFR目标回波的基础上,建立了目标参数提取模型;然后,针对在噪声统计特性未知时,传统稀疏信号重构算法无法适用的问题,提出一种基于交叉验证的稳健SL0(robust SL0based on cross validation,CV-RSL0)目标参数提取算法。CS-PRSFR由于其感知矩阵较强的非相关性,可获得更高的距离-速度联合分辨性能;该算法无需已知噪声统计特性,随着信噪比的提高,其目标参数提取性能能够快速逼近最佳估计的下限。仿真结果表明该方法的正确性和有效性。
