CN107193003A - 一种稀疏奇异值分解扫描雷达前视成像方法 - Google Patents
一种稀疏奇异值分解扫描雷达前视成像方法 Download PDFInfo
- Publication number
- CN107193003A CN107193003A CN201710593469.4A CN201710593469A CN107193003A CN 107193003 A CN107193003 A CN 107193003A CN 201710593469 A CN201710593469 A CN 201710593469A CN 107193003 A CN107193003 A CN 107193003A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mover
- msub
- msup
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000035485 pulse pressure Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 240000004760 Pimpinella anisum Species 0.000 claims description 2
- 238000005316 response function Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种稀疏奇异值分解的扫描雷达前视成像方法,应用于雷达成像技术领域,首先分析扫描雷达前视回波信号,构造目标散射系数与天线测量矩阵运算的方位回波模型,将方位高分辨问题转化为矩阵求逆问题;其次,利用本发明提出的稀疏奇异值分解的方法构建目标函数,最后,利用迭代策略实现回波方位向信号求解;本发明的方法突破传统TSVD方法分辨率提高和噪声抑制矛盾的限制,并且降低成像结果对噪声的敏感性,实现了方位向分辨率的提高。
Description
技术领域
本发明属于雷达成像技术领域,具体涉及扫描雷达前视方位向高分辨成像。
背景技术
雷达由于具有全天候和全天时的特性,被广泛应用于军事和民用领域。而实现雷达前视成像,在精确制导、飞行器自主着陆等领域都有重要的意义。然而,在传统的雷达成像方法中,虽然通过扫描雷达可以得到前视区域实波束回波信号,但是孔径大小和成像方法限制了成像区域的方位向分辨率,很难满足实际应用对分辨率的需求。因此,利用信号处理的方法,实现前视区分辨率的改善具有重要意义。
文献“Q.Huang,L.Qu,B.Wu,et al.UWB through-wall imaging based oncompressive sensing[J].Geoscience and Remote Sensing,IEEE Transactions on,2010,48(3):1408–1415.”中将L1算子的正则化解卷积方法应用到雷达成像中,将雷达成像问题转化为L1算子为约束项的优化问题,但文献中所述的方法的成像结果对噪声较为敏感。文献“Huang Yulin,Zha Yuebo,Yang Jianyu et al.Forward looking radar imagingby truncated singular value decomposition and its application for adverseweather aircraft landing 2015,15(6)14397–14414”将截断奇异值方法用于雷达前视成像,利用截断较小的奇异值,抑制噪声的放大,实现矩阵求逆。但是该方法中,采用截断奇异值手段,抑制噪声放大的同时,目标信息量同样会丢失,方位向分辨率会受到影响。
发明内容
为解决上述问题,本发明提出了一种稀疏奇异值分解扫描雷达前视成像方法,利用奇异值分解理论,对天线测量矩阵奇异值分解,筛选保留主要奇异值,降低噪声影响,保留目标的主要信息,对回波信号和天线测量矩阵进行重构,然后基于稀疏约束条件构建目标函数,并用迭代求解的策略恢复出目标方位向分布,提高方位向分辨率。
本发明的技术方案为:一种稀疏奇异值分解扫描雷达前视成像方法,包括:
S1、根据扫描雷达前视回波信号,将方位向信号构造为目标散射系数与天线测量矩阵运算形式;
S2、采用截断奇异值分解对回波信号和天线测量矩阵进行重构,得到主要目标信息;
S3、根据步骤S2得到的主要目标信息,基于稀疏约束条件,构建目标函数;
S4、采用迭代求解目标函数,得到目标方位向分布。
进一步地,步骤S1所述扫描雷达前视回波信号还包括以下处理过程:
A1、根据发射的线性调频信号,构造脉冲压缩参考信号;将脉冲压缩参考信号与回波进行相关运算,得到脉冲压缩后的回波信号:
其中,f(x,y)为位于场景(x,y)处的目标散射系数;sinc(·)为距离脉压响应函数,ωa(t)为时间调制函数;t为方位向慢时间;N1(τ,t)为成像过程中产生的噪声;τ是距离向时间变量;Ω为整个的成像区域;B为发射信号的信号带宽;fc为发射信号载频;c为光速;R(x,y,t)为机载雷达平台与前视成像区域中位于(x,y)的目标的距离历史;
A2、对脉冲压缩后的回波信号进行尺度变换,得到距离走动校正后的回波信号:
其中,N2(τ,t)为进行距离走动校正处理后的系统中的噪声。
进一步地,所述步骤S2具体包括以下分步骤:
S21、首先利用奇异值理论对天线测量矩阵进行奇异值分解,得到天线测量矩阵的逆矩阵;
其中,U和V分别为天线测量矩阵奇异值分解后的左右酉矩阵,N为天线测量矩阵的阶数;vi表示矩阵V中的元素;ui表示矩阵U中的元素;(·)-1表示求逆;(·)T表示转置;∑为由矩阵D构成的对角矩阵,D为奇异值构成的对角矩阵,D=diag(σ1,σ2,…,σr);
S22、将天线测量矩阵的逆矩阵转化为:
其中,s为方位向回波,且s是N×1维的向量;表示相同距离单元处目标的散射系数,且为N×1向量;为N×1维噪声向量;为天线测量矩阵,且是N×N维的矩阵;
S23、对步骤S22得到的式子利用截断奇异值方法,去除较小奇异值,保留主要奇异值,得到主要目标信息。
更进一步地,步骤S23具体为:对步骤S22得到的式子通过广义交叉验证选择截断参数j,得到主要目标信息的表达式:
其中,表示相同距离单元处目标的散射系数,且为N×1向量;为N×1维噪声向量;(·)-1表示求逆;表示经截断参数j截断后的天线测量矩阵。
进一步地,步骤S3构建的目标函数为:
其中,λ为正则化参数,为主要目标信息,表示相同距离单元处目标的散射系数,且为N×1向量;(·)-1表示求逆;表示经截断参数j截断后的天线测量矩阵;表示向量二范数的平方;表示向量一范数。
进一步地,所述步骤S4具体包括以下分步骤:
S41、初始化迭代策略:
其中,表示相同距离单元处目标的散射系数的初始值;λ表示正则化参数;I为N阶单位矩阵,为主要目标信息;
S42、构造迭代因子:
其中,表示相同距离单元处目标的散射系数第k次迭代的值,diag(·)表示对角化运算;
S43、根据步骤S42的迭代因子,计算得到目标方位向分布表达式:
其中,λ为正则化参数,为主要目标信息;(·)-1表示求逆;表示经截断参数j截断后的天线测量矩阵。
S44、重复步骤S42至步骤S43,得到步骤S3所述目标函数的最优解,从而得到目标方位向分布。
本发明的有益效果:本发明的一种稀疏奇异值分解扫描雷达前视成像方法,首先分析回波模型,将信号方位向回波构建成目标散射系数跟天线测量矩阵运算的形式;然后构造稀疏约束的目标函数,并利用截断奇异值分解的结果,重构天线测量矩阵,即保留目标信息,又降低噪声放大;最后,利用迭代求解策略,恢复目标散射分布,实现方位向高分辨;本申请通过将截断奇异值分解与稀疏信号复原思想结合,降低成像结果对噪声的敏感性,为提高方位向分辨率提供了新思路。
附图说明
图1为本发明提出方法的流程示意图;
图2为前视扫描雷达运动过程图;
图3为本发明实施例采用的目标场景分布图;
图4为对应目标场景分布图回波添加10dB噪声后的回波图;
图5为截断奇异值方法处理得到的结果;
图6为贝叶斯方法处理的结果;
图7为本发明所述方法处理结果。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明作进一步说明。
如图1所示为本发明的方法流程图,前视扫描雷达运动过程的几何模型如附图2所示,平台系统的仿真参数如表1所示。目标分布如图3所示,设置多个方位向目标,验证方位向分辨效果。根据仿真参数,距离向采样点数为Mr,方位向采样点数为Nr。
表1平台系统的仿真参数
参数 | 数值 |
载频fc | 10GHz |
带宽B | 75MHz |
天线扫描范围 | -10°~10° |
天线波束宽度 | 3° |
脉冲重复频率 | 1000Hz |
天线波束扫描速度ω | 30°/s |
脉冲时宽 | 2μs |
本发明的技术方案为:一种稀疏奇异值分解扫描雷达前视成像方法,包括:
S1、根据扫描雷达前视回波信号,将方位向信号构造为目标散射系数与天线测量矩阵运算形式;
扫描雷达前视回波信号的处理过程为:目前,前视扫描雷达回波模型已经分析的较为完善,假设雷达平台相关的参数,发射信号载频为fc,平台速度为V,雷达波束扫描速度为ω,波束俯仰角为θ,目标方位角为目标相对于平台的初始距离为R0。那么平台运动t时刻后,机载雷达平台与前视成像区域中位于(x,y)的目标的距离历史为
为了提高距离向分辨率,利用脉冲压缩技术进行处理,脉压之后的回波信号表达式为:
其中,f(x,y)为位于场景(x,y)处的目标散射系数;ωa(t)为时间调制函数,表示天线测量值在方位向的调制;N1(τ,t)为成像过程中产生的噪声;τ是距离向时间变量;Ω为整个的成像区域;B为发射信号的信号带宽。
对于成像区域Ω中目标点(x,y),机载平台运动t时刻后,距离历史会随着时间而变化,从而会引起能量的发散,使本来位于一个距离单元的能量,分散到邻近的几个距离单元,影响方位向的处理。为了消除距离走动的影响,对脉压后的回波数据进行尺度变换,得到距离走动校正后的回波信号表达式为:
其中,N2(τ,t)为进行距离走动校正处理后的系统中的噪声。
对回波信号S2(τ,t),进行方位向的建模,将方位向信号S2构建为目标散射函数f与天线测量矩阵的矩阵H运算形式。将回波信号离散化之后,假设距离向点数为M,方位向点数为N,得到回波信号的矩阵运算形式:
S2=Hf+n (3)
由于距离向处理与方位向处理相互独立,接下来的处理主要针对位于相同距离单元不同方位角度目标的回波。当相同距离单元的目标成像效果验证后,同理可以推广到二维场景;将相同距离单元的回波信号表示为:
其中,
s=[S2(τ,t1),S2(τ,t2),S2(τ,t3),…,S2(τ,tN-1),S2(τ,tN)]T;
[h(θ-m)…h(θ0)…h(θm)]是对天线测量值的采样,2m+1为对天线测量值的采样点数。图4为在图3的基础上加入10dB的噪声回波图,从图4中无法分辨目标原有的位置信息。
s是N×1维的向量,为方位向回波;是N×1向量,相同距离单元处目标的散射系数;为N×1维噪声向量;为天线测量值构成的N×N维的矩阵。
将方位向回波信号模型建立后,问题转化为已知两个量s和求解未知量的过程,从前视扫描雷达方位向高分辨问题转化为矩阵求解。
S2、采用截断奇异值分解对回波信号和天线测量矩阵进行重构,得到主要目标信息;
在步骤S1中,已将前视扫描雷达方位向高分辨问题转化为矩阵求解,在本步骤中,利用稀疏奇异值分解方法建立目标函数。
目标函数的建立是将矩阵求逆问题转化为方程函数最小值对应解求解问题。对于y=Gx+n问题,标准目标函数是
其中,λ为正则化参数,Γ(x)为正则项,p,q表示矩阵范数;利用稀疏特性,选择Γ(x)=x,p=2,q=1,目标函数变成
本发明中并没有将方位向模型直接代入标准目标函数进行方位分辨率求解,来实现方位向的分辨;本发明的处理过程更为:先利用截断奇异值分解的方法对回波信号和天线测量矩阵进行重构,降低对噪声的敏感性,保留目标的主要信息,然后在稀疏约束条件下,构建了目标函数。具体如下:
首先,利用奇异值理论对天线测量矩阵进行奇异值分解,
其中,VVT=I,UUT=I,∑为由矩阵D构成的对角矩阵,D为奇异值构成的对角矩阵,D=diag(σ1,σ2,…,σr);N为矩阵的阶数;U=(u1,u2,…,uN)和V=(v1,v2,…,vN)分别为矩阵奇异值分解后的左右酉矩阵。
然后,得到天线测量矩阵的逆矩阵,
其次,在得到天线测量矩阵的逆矩阵之后,可以得到,
从式(9)中可以看出,较小的奇异值造成了矩阵的病态性,噪声造成回波矩阵的较小摄动,会引起解的很大的偏差,从而得到错误的目标信息,成像结果对噪声很敏感。
最后,本发明利用截断奇异值方法,去除较小奇异值,保留主要奇异值,降低噪声敏感性,筛选保留目标的主要信息。具体的:本发明通过广义交叉验证的方法选择截断参数j,当截断参数j选定之后,得到主要目标信息的表达式,
S3、根据步骤S2得到的主要目标信息,基于稀疏约束条件,构建目标函数;通过截断奇异值的方法,本发明筛选出了目标的主要信息,回波和天线测量矩阵得到了重构,此时本发明利用稀疏约束的方法分析目标的主要信息,进一步提高目标方位向分辨率。
在截断奇异值分解,回波和天线测量矩阵得到重构后,稀疏约束条件下目标函数转变成,
最终方位向高分辨问题转化为上式求解函数最小值对应f的问题,完成目标函数求解,从而提高目标方位向的分辨率,实现方位向高分辨。
S4、采用迭代求解目标函数,得到目标方位向分布。
通过构造稀疏约束目标函数,最终将方位向高分辨问题转化成无约束的优化问题。对于最小值问题,常采用利用梯度求导的方式求出函数最小值对应的解,本申请中采用最速下降法,利用迭代策略实现目标函数的求解,达到方位向超分辨的目的。具体为:
首先,赋予迭代策略的初始值
初始值与重构的天线测量矩阵和重构的回波信号有关,I表示为N阶单位矩阵,体现参数λ的权重作用。
然后,构造迭代因子
其中,diag(·)表示对角化运算,迭代因子由当前的目标分布构成,为下次求解提供了目标分布的先验信息。
其次,利用迭代因子得到新的目标分布表达式
最后,重复上面两个步骤,通过重复迭代,最终得到目标函数的最优解,得到目标方位向的分布,实现目标方位向高分辨。
图5是截断奇异值方法处理的结果;图6是仅用贝叶斯方法处理得到的结果,图7是本发明所述方法处理的结果,参数λ的选取与图6的相对应,仿真在相同得信噪比下进行。
从最终的处理结果,可以看出本发明所述方法的方位向信息得到更好地恢复,方位向分辨率更高。根据图6和图7的对比可知本发明的方法在噪声方面比其他方法更优,根据图5和图7的对比,可知本发明的方法在方位向分辨率的改善效果比其他方法更好。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种稀疏奇异值分解扫描雷达前视成像方法,其特征在于,包括:
S1、根据扫描雷达前视回波信号,将方位向信号构造为目标散射系数与天线测量矩阵运算形式;
S2、采用截断奇异值分解对回波信号和天线测量矩阵进行重构,得到主要目标信息;
S3、根据步骤S2得到的主要目标信息,基于稀疏约束条件,构建目标函数;
S4、采用迭代求解目标函数,得到目标方位向分布。
2.根据权利要求1所述的一种稀疏奇异值分解扫描雷达前视成像方法,其特征在于,步骤S1所述扫描雷达前视回波信号还包括以下处理过程:
A1、根据发射的线性调频信号,构造脉冲压缩参考信号;将脉冲压缩参考信号与回波进行相关运算,得到脉冲压缩后的回波信号:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>&Omega;</mi>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>&omega;</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mi>j</mi>
<mn>4</mn>
<msub>
<mi>&pi;f</mi>
<mi>c</mi>
</msub>
<mfrac>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>c</mi>
</mfrac>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&times;</mo>
<mi>sin</mi>
<mi> </mi>
<mi>c</mi>
<mo>{</mo>
<mi>B</mi>
<mo>&lsqb;</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&CenterDot;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>c</mi>
</mfrac>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,f(x,y)为位于场景(x,y)处的目标散射系数;sinc(·)为距离脉压响应函数,ωa(t)为时间调制函数;t为方位向慢时间;N1(τ,t)为成像过程中产生的噪声;τ是距离向时间变量;Ω为整个的成像区域;B为发射信号的信号带宽;fc为发射信号载频;c为光速;R(x,y,t)为机载雷达平台与前视成像区域中位于(x,y)的目标的距离历史;
A2、对脉冲压缩后的回波信号进行尺度变换,得到距离走动校正后的回波信号:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>&Omega;</mi>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>&omega;</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mi>j</mi>
<mn>4</mn>
<msub>
<mi>&pi;f</mi>
<mi>c</mi>
</msub>
<mfrac>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>c</mi>
</mfrac>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&times;</mo>
<mi>sin</mi>
<mi> </mi>
<mi>c</mi>
<mo>{</mo>
<mi>B</mi>
<mo>&lsqb;</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mo>&CenterDot;</mo>
<msub>
<mi>R</mi>
<mn>0</mn>
</msub>
</mrow>
<mi>c</mi>
</mfrac>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,N2(τ,t)为进行距离走动校正处理后的系统中的噪声。
3.根据权利要求1所述的一种稀疏奇异值分解扫描雷达前视成像方法,其特征在于,所述步骤S2具体包括以下分步骤:
S21、首先利用奇异值理论对天线测量矩阵进行奇异值分解,得到天线测量矩阵的逆矩阵;
<mrow>
<msup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mi>V&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>U</mi>
<mi>T</mi>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mfrac>
<mn>1</mn>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</mfrac>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
</mrow>
其中,U和V分别为天线测量矩阵奇异值分解后的左右酉矩阵,N为天线测量矩阵的阶数;vi表示矩阵V中的元素;ui表示矩阵U中的元素;(·)-1表示求逆;(·)T表示转置;∑为由矩阵D构成的对角矩阵,D为奇异值构成的对角矩阵,D=diag(σ1,σ2,…,σr);
S22、将天线测量矩阵的逆矩阵转化为:
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>s</mi>
<mi>v</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>s</mi>
<mo>=</mo>
<msup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<mover>
<mi>n</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mfrac>
<mn>1</mn>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</mfrac>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mover>
<mi>n</mi>
<mo>~</mo>
</mover>
</mrow>
1
其中,s为方位向回波,且s是N×1维的向量;表示相同距离单元处目标的散射系数,且向量;维噪声向量;为天线测量矩阵,且是N×N维的矩阵;
S23、对步骤S22得到的式子利用截断奇异值方法,去除较小奇异值,保留主要奇异值,得到主要目标信息。
4.根据权利要求3所述的一种稀疏奇异值分解扫描雷达前视成像方法,其特征在于,步骤S23具体为:对步骤S22得到的式子通过广义交叉验证选择截断参数j,得到主要目标信息的表达式:
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>s</mi>
<mi>v</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<msub>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<mover>
<mi>n</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<msub>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<msup>
<msub>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mover>
<mi>n</mi>
<mo>~</mo>
</mover>
</mrow>
其中,表示相同距离单元处目标的散射系数,且为N×1向量;为N×1维噪声向量;(·)-1表示求逆;表示经截断参数j截断后的天线测量矩阵。
5.根据权利要求1所述的一种稀疏奇异值分解扫描雷达前视成像方法,其特征在于,步骤S3构建的目标函数为:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>s</mi>
<mi>v</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>1</mn>
<mn>1</mn>
</msubsup>
</mrow>
其中,λ为正则化参数,为主要目标信息,表示相同距离单元处目标的散射系数,且向量;(·)-1表示求逆;表示经截断参数j截断后的天线测量矩阵;表示向量二范数的平方;表示向量一范数。
6.根据权利要求1所述的一种稀疏奇异值分解扫描雷达前视成像方法,其特征在于,所述步骤S4具体包括以下分步骤:
S41、初始化迭代策略:
<mrow>
<msup>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>s</mi>
<mi>v</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
其中,表示相同距离单元处目标的散射系数的初始值;λ表示正则化参数;I为N阶单位矩阵,为主要目标信息;
S42、构造迭代因子:
<mrow>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中,表示相同距离单元处目标的散射系数第k次迭代的值,diag(·)表示对角化运算;
S43、根据步骤S42的迭代因子,计算得到目标方位向分布表达式:
<mrow>
<msup>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>(</mo>
<mrow>
<msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>&lambda;&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>s</mi>
<mi>v</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
其中,λ为正则化参数,为主要目标信息;(·)-1表示求逆;表示经截断参数j截断后的天线测量矩阵。
S44、重复步骤S42至步骤S43,得到步骤S3所述目标函数的最优解,从而得到目标方位向分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710593469.4A CN107193003B (zh) | 2017-07-20 | 2017-07-20 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710593469.4A CN107193003B (zh) | 2017-07-20 | 2017-07-20 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107193003A true CN107193003A (zh) | 2017-09-22 |
CN107193003B CN107193003B (zh) | 2020-07-07 |
Family
ID=59883879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710593469.4A Active CN107193003B (zh) | 2017-07-20 | 2017-07-20 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107193003B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363055A (zh) * | 2018-01-17 | 2018-08-03 | 电子科技大学 | 一种雷达前视成像区域分割方法 |
CN109709549A (zh) * | 2019-02-28 | 2019-05-03 | 电子科技大学 | 一种前视雷达超分辨率成像方法 |
CN110109114A (zh) * | 2019-05-09 | 2019-08-09 | 电子科技大学 | 一种扫描雷达超分辨成像检测一体化方法 |
CN110146881A (zh) * | 2019-06-18 | 2019-08-20 | 电子科技大学 | 一种基于改进全变差的扫描雷达超分辨成像方法 |
CN110187336A (zh) * | 2019-06-28 | 2019-08-30 | 电子科技大学 | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 |
CN110208796A (zh) * | 2019-05-27 | 2019-09-06 | 电子科技大学 | 基于奇异值逆滤波的扫描雷达超分辨成像方法 |
CN110346794A (zh) * | 2019-07-26 | 2019-10-18 | 电子科技大学 | 一种资源优化配置的分布式雷达成像方法 |
CN110780274A (zh) * | 2019-11-04 | 2020-02-11 | 电子科技大学 | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 |
CN110780273A (zh) * | 2019-11-04 | 2020-02-11 | 电子科技大学 | 一种混合正则化方位超分辨成像方法 |
CN110927718A (zh) * | 2019-12-13 | 2020-03-27 | 电子科技大学 | 一种基于低秩近似的快速超分辨成像方法 |
CN111538007A (zh) * | 2020-05-22 | 2020-08-14 | 电子科技大学 | 一种基于两步加速的稀疏超分辨成像方法 |
CN112255610A (zh) * | 2020-10-21 | 2021-01-22 | 武汉滨湖电子有限责任公司 | 一种基于目标回波强度排序的散射点模型估计方法 |
CN114545402A (zh) * | 2022-02-16 | 2022-05-27 | 西安电子科技大学 | 一种svd求逆分裂布雷格曼的扫描雷达前视成像方法 |
CN114720981A (zh) * | 2022-04-19 | 2022-07-08 | 电子科技大学 | 基于主成分增强矩阵填充的毫米波雷达三维稀疏成像方法 |
CN115097455A (zh) * | 2022-07-01 | 2022-09-23 | 电子科技大学 | 一种用于扫描雷达的平滑方位稀疏重建方法 |
CN115795814A (zh) * | 2022-11-10 | 2023-03-14 | 宝鸡文理学院 | 一种动态植被模型的敏感性参数校准方法及系统 |
CN116643249A (zh) * | 2023-07-27 | 2023-08-25 | 西安交通大学 | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487803A (zh) * | 2013-09-25 | 2014-01-01 | 电子科技大学 | 迭代压缩模式下机载扫描雷达成像方法 |
CN103869316A (zh) * | 2014-03-27 | 2014-06-18 | 西安电子科技大学 | 基于稀疏表征的前视阵列sar超分辨成像方法 |
US20140240163A1 (en) * | 2013-02-27 | 2014-08-28 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Compressive Array Processing |
CN104536000A (zh) * | 2015-01-06 | 2015-04-22 | 电子科技大学 | 一种实波束扫描雷达角超分辨方法 |
CN104950305A (zh) * | 2015-06-17 | 2015-09-30 | 电子科技大学 | 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法 |
CN106680817A (zh) * | 2016-12-26 | 2017-05-17 | 电子科技大学 | 一种实现前视雷达高分辨成像的方法 |
-
2017
- 2017-07-20 CN CN201710593469.4A patent/CN107193003B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140240163A1 (en) * | 2013-02-27 | 2014-08-28 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Compressive Array Processing |
CN103487803A (zh) * | 2013-09-25 | 2014-01-01 | 电子科技大学 | 迭代压缩模式下机载扫描雷达成像方法 |
CN103869316A (zh) * | 2014-03-27 | 2014-06-18 | 西安电子科技大学 | 基于稀疏表征的前视阵列sar超分辨成像方法 |
CN104536000A (zh) * | 2015-01-06 | 2015-04-22 | 电子科技大学 | 一种实波束扫描雷达角超分辨方法 |
CN104950305A (zh) * | 2015-06-17 | 2015-09-30 | 电子科技大学 | 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法 |
CN106680817A (zh) * | 2016-12-26 | 2017-05-17 | 电子科技大学 | 一种实现前视雷达高分辨成像的方法 |
Non-Patent Citations (1)
Title |
---|
YIN ZHANG等: "A Sparse Bayesian Approach for Forward-Looking Superresolution Radar Imaging", 《SENSORS》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363055A (zh) * | 2018-01-17 | 2018-08-03 | 电子科技大学 | 一种雷达前视成像区域分割方法 |
CN109709549A (zh) * | 2019-02-28 | 2019-05-03 | 电子科技大学 | 一种前视雷达超分辨率成像方法 |
CN110109114B (zh) * | 2019-05-09 | 2020-11-10 | 电子科技大学 | 一种扫描雷达超分辨成像检测一体化方法 |
CN110109114A (zh) * | 2019-05-09 | 2019-08-09 | 电子科技大学 | 一种扫描雷达超分辨成像检测一体化方法 |
CN110208796A (zh) * | 2019-05-27 | 2019-09-06 | 电子科技大学 | 基于奇异值逆滤波的扫描雷达超分辨成像方法 |
CN110146881A (zh) * | 2019-06-18 | 2019-08-20 | 电子科技大学 | 一种基于改进全变差的扫描雷达超分辨成像方法 |
CN110146881B (zh) * | 2019-06-18 | 2021-05-04 | 电子科技大学 | 一种基于改进全变差的扫描雷达超分辨成像方法 |
CN110187336A (zh) * | 2019-06-28 | 2019-08-30 | 电子科技大学 | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 |
CN110346794A (zh) * | 2019-07-26 | 2019-10-18 | 电子科技大学 | 一种资源优化配置的分布式雷达成像方法 |
CN110346794B (zh) * | 2019-07-26 | 2021-05-11 | 电子科技大学 | 一种资源优化配置的分布式雷达成像方法 |
CN110780273B (zh) * | 2019-11-04 | 2022-03-04 | 电子科技大学 | 一种混合正则化方位超分辨成像方法 |
CN110780273A (zh) * | 2019-11-04 | 2020-02-11 | 电子科技大学 | 一种混合正则化方位超分辨成像方法 |
CN110780274A (zh) * | 2019-11-04 | 2020-02-11 | 电子科技大学 | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 |
CN110927718A (zh) * | 2019-12-13 | 2020-03-27 | 电子科技大学 | 一种基于低秩近似的快速超分辨成像方法 |
CN111538007A (zh) * | 2020-05-22 | 2020-08-14 | 电子科技大学 | 一种基于两步加速的稀疏超分辨成像方法 |
CN112255610A (zh) * | 2020-10-21 | 2021-01-22 | 武汉滨湖电子有限责任公司 | 一种基于目标回波强度排序的散射点模型估计方法 |
CN114545402A (zh) * | 2022-02-16 | 2022-05-27 | 西安电子科技大学 | 一种svd求逆分裂布雷格曼的扫描雷达前视成像方法 |
CN114545402B (zh) * | 2022-02-16 | 2024-06-07 | 西安电子科技大学 | 一种svd求逆分裂布雷格曼的扫描雷达前视成像方法 |
CN114720981A (zh) * | 2022-04-19 | 2022-07-08 | 电子科技大学 | 基于主成分增强矩阵填充的毫米波雷达三维稀疏成像方法 |
CN115097455A (zh) * | 2022-07-01 | 2022-09-23 | 电子科技大学 | 一种用于扫描雷达的平滑方位稀疏重建方法 |
CN115795814A (zh) * | 2022-11-10 | 2023-03-14 | 宝鸡文理学院 | 一种动态植被模型的敏感性参数校准方法及系统 |
CN116643249A (zh) * | 2023-07-27 | 2023-08-25 | 西安交通大学 | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 |
CN116643249B (zh) * | 2023-07-27 | 2023-10-10 | 西安交通大学 | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107193003B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193003B (zh) | 一种稀疏奇异值分解扫描雷达前视成像方法 | |
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN103487802B (zh) | 扫描雷达角超分辨成像方法 | |
CN107271993B (zh) | 一种基于最大后验的扫描雷达角超分辨成像方法 | |
CN104950306B (zh) | 一种海杂波背景下前视海面目标角超分辨成像方法 | |
CN106680817B (zh) | 一种实现前视雷达高分辨成像的方法 | |
CN103698763B (zh) | 基于硬阈值正交匹配追踪的线阵sar稀疏成像方法 | |
CN104950305B (zh) | 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法 | |
CN102645651A (zh) | 一种sar层析超分辨成像方法 | |
CN104536000A (zh) | 一种实波束扫描雷达角超分辨方法 | |
CN109100718A (zh) | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 | |
CN105137424B (zh) | 一种杂波背景下实波束扫描雷达角超分辨方法 | |
CN105699969A (zh) | 基于广义高斯约束的最大后验估计角超分辨成像方法 | |
CN106291543A (zh) | 一种运动平台扫描雷达超分辨成像方法 | |
CN111538007B (zh) | 一种基于两步加速的稀疏超分辨成像方法 | |
CN104391295A (zh) | 一种图像熵最优的压缩传感sar稀疏自聚焦成像方法 | |
CN104251991B (zh) | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 | |
CN105137425A (zh) | 基于卷积反演原理的扫描雷达前视角超分辨方法 | |
CN114442092B (zh) | 一种分布式无人机sar深度学习三维成像方法 | |
CN105388476A (zh) | 一种基于联合稀疏模型的层析sar成像方法 | |
CN107621635A (zh) | 一种前视海面目标角超分辨方法 | |
CN107402380A (zh) | 一种实现多普勒波束锐化成像的快速自适应迭代方法 | |
CN107607945A (zh) | 一种基于空间嵌入映射的扫描雷达前视成像方法 | |
CN103076608B (zh) | 轮廓增强的聚束式合成孔径雷达成像方法 | |
CN103728617B (zh) | 双基地合成孔径雷达时域快速成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |