典型文献
基于深度学习的捷变相参雷达1-Bit块稀疏重构
文献摘要：
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.
文献关键词：
捷变相参雷达;块稀疏;1-Bit量化;深度学习
中图分类号：
作者姓名：
付蓉;黄天耀;刘一民
作者机构：
清华大学电子工程系,北京100084
文献出处：
引用格式：
[1]付蓉;黄天耀;刘一民-.基于深度学习的捷变相参雷达1-Bit块稀疏重构)[J].系统工程与电子技术,2022(01):70-75
A类：
捷变相参雷达,BAdaLISTA
B类：
Bit,块稀疏,稀疏重构,压缩感知理论,雷达目标,目标参数估计,回波,波数,雷达观测,观测模型,欠定方程,低回,提升效率,雷达信号,感知模型,稀疏重建,重建网络,判决,迭代算法,算法比较,重构性,收敛速度,恢复质量,恢复能力
AB值：
0.304867
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
