基于近端算子PHMC的机载雷达高度表参数估计

传统雷达高度表参数估计算法在面对参数的高维特性时会出现过拟合情况,导致参数估计精确度降低。为此,提出一种新颖的基于近端算子修正的哈密顿蒙特卡洛(PHMC)算法,通过统计学的手段估计高程参数。首先假设高程参数具有稀疏特性,并使用拉普拉斯分布对其进行表征,这种稀疏先验可表征高程突变的地形场景。稀疏先验与似然函数之间为非共轭关系,使用分层贝叶斯的方法获得后验分布函数的闭合解,采用哈密顿蒙特卡洛(HMC)方法通过采样的方式解决贝叶斯推论中的参数估计问题,引入近端算子提供次梯度完成参数估计。仿真数据验证了所提PHMC算法优于其他传统算法。

一种基于蒙特卡洛的机载测高算法

雷达高度表作为重要的微波遥感器件,由于其全天候、全时段特性,在地形探测等方面备受关注。机载雷达高度表具有较高的机动性,在实际探测中使用广泛。随着探测场景复杂度的提升,对雷达高度表测量精度也有较高的要求。现阶段提升测量精度的主要方法有对场景进行精准建模、使用参数估计算法。对传统参数估计算法而言,受步长影响,在估计过程中容易陷入局部最优,且随着参数维度的增高,只能求解低维参数的传统算法,难以获得较为精确的估计结果。因此,为了满足现阶段测量精度的需求,需要使用一种高精度参数估计算法。针对雷达高度表传统参数估计算法在面对参数的高维特性时会出现过拟合的情况,提出一种新颖的基于近端算子的哈密顿蒙特卡洛算法(proximal hamiltonian monte carlo,PHMC)。通过面元仿真数据进行测试,并使用了提出的算法与多种传统算法进行比对,证明了所提出算法的参数估计能力优于传统参数估计算法。

高分辨SAR目标复杂结构特征增强成像算法

提出面向合成孔径雷达(Synthetic Aperture Radar,SAR)回波数据的复杂结构特征增强算法(Complex Structure Feature Enhancement Algorithm,CEA),面向SAR成像目标的复杂结构特征,算法利用高阶方向全变分(High-order Total Direction Variation,HOTDV)正则算子表示,面向SAR成像目标的稀疏特征,算法用ℓ_(1)正则算子表示。算法利用交替方向多乘子法(Alternating Direction Method of Multipliers,ADMM)建立多正则约束优化框架,设计复杂结构分裂变量和稀疏分裂变量,并求出分裂变量解析更新解以实现SAR成像目标的复杂结构特征与稀疏特征的增强。多正则约束优化框架中的对偶分解保证多特征多任务处理能力,增广拉格朗日项的使用则保证了算法的收敛性和稳健性。最后,设计了仿真和实测SAR数据特征增强实验以验证算法的有效性,对比多种传统结构特征增强算法以验证所提复杂结构特征增强算法的优越性。

多任务协同优化学习高分辨SAR稀疏自聚焦成像算法

针对传统高分辨合成孔径雷达(SAR)稀疏自聚焦成像算法难以有效平衡稀疏与聚焦特征的问题,该文提出一种基于交替方向多乘子方法(ADMM)的多任务协同优化学习稀疏自聚焦(MtL-SA)算法。该算法通过引入熵范数表征SAR成像结果聚焦特征,在ADMM优化框架下,利用近端算法求解聚焦特征解析解。针对原熵范数正则优化目标函数的非凸问题,该文合理设计代价函数,从而保证熵范数近端算子的闭合解析解。同时,应用`1范数表征成像结果稀疏特征,并建立面向复数SAR成像数据的复数软阈值近端算子。该文所提MtL-SA成像算法可实现对目标场景后向散射场对应稀疏特征和聚焦特征的解析求解,并有效提升自聚焦算法的可靠性和稳健性。两种特征增强处理相互调和,保证了算法运行过程中有效降低误差传播,进而保证联合特征增强精度。仿真及实测机载SAR成像数据实验,验证了算法的有效性和实用性,同时应用相变分析方法分别定量和定性地分析了该文所提算法相比其他传统算法的优越性。

高分辨SAR目标成像方向性结构特征增强

针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation, DTSV)正则子进行结构先验表征,实现对成像目标复杂结构特征任意梯度变化的拟合,进而实现对结构特征的高精度正则优化处理。首先,在交替方向多乘子方法(alternating direction method of multipliers, ADMM)的协同优化框架下实现DTSV正则优化求解(DTSV-ADMM),利用该框架提供的对偶上升思想可有效提升迭代优化算法的收敛性能。其次,基于ADMM框架提供的多变量"分解-调和"机理,通过建立分裂变量组可以实现多个正则项的协同优化增强。然后,进一步引入?;范数对成像目标稀疏特征进行表征,并在协同优化框架下实现对方向性结构特征和稀疏特征的稳健计算,有效减小多特征优化存在的"误差传播"问题。最后,通过近端算子对特征进行解析计算,获得对应特征的闭合解析解,进一步提升算法运算稳健性和计算效率。实验证明了所提算法相比传统方法的优越性。

无线网络资源可信大数据分析方法研究

在传统无线网络资源的可信大数据分析中,存在运算精度不高的问题。基于此,笔者首先运用关联规则对大数据中需要分析的数据进行挖掘,然后对挖掘出的数据集采用并行计算来确定并行关系,确定其中存在的并行关系后,对分析数据集进行空间划分,生成数据集网格,最后对生成的数据集网格进行近端算子分析,完成对大数据的分析。实验结果表明,设计方法在收敛系数和运算时间上均优于传统方法,证明该方法具有可行性。