CN108646247A - 基于伽马过程线性回归的逆合成孔径雷达成像方法 - Google Patents
基于伽马过程线性回归的逆合成孔径雷达成像方法 Download PDFInfo
- Publication number
- CN108646247A CN108646247A CN201810465728.XA CN201810465728A CN108646247A CN 108646247 A CN108646247 A CN 108646247A CN 201810465728 A CN201810465728 A CN 201810465728A CN 108646247 A CN108646247 A CN 108646247A
- Authority
- CN
- China
- Prior art keywords
- matrix
- indicate
- echo
- vector
- range cell
- 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
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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9094—Theoretical aspects
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Abstract
本发明公开了一种基于伽马过程线性回归的逆合成孔径雷达成像方法,本发明的实现步骤是:(1)接收缺损回波;(2)生成实转置回波矩阵;(3)构造实傅里叶字典;(4)构建每个距离单元的信号模型;(5)对每个距离单元的权向量建立伽马过程‑高斯层级模型;(6)对噪声向量建立伽马‑高斯层级模型;(7)利用最大后验‑期望最大MAP‑EM算法计算每个距离单元的权向量;(8)生成复权值矩阵;(9)二维高分辨成像。本发明基于稀疏信号重构理论实现逆合成孔径雷达ISAR成像,可用于目标回波信噪比较低、存在缺损等复杂电磁环境下对空间与空中非合作目标的二维成像。
Description
技术领域
本发明属于雷达技术领域,更进一步涉及雷达信号处理技术领域中的一种基于伽马过程线性回归的逆合成孔径雷达成像方法。本发明可在逆合成孔径雷达接收到的目标回波存在缺损且信噪比低的复杂电磁环境下,实现空间与空中非合作目标的二维成像。
背景技术
由于具有全天时、全天候、高分辨率和远距离等特点,逆合成孔径雷达(ISAR)在航空与航天目标观测中发挥着重要作用。当受雷达工作模式限制而无法对目标进行连续观测时,会产生方位缺损回波,此时传统基于脉冲压缩的成像方法会产生高旁瓣。此外,当逆合成孔径雷达ISAR对远距离小目标进行探测时,回波信噪比较低,从而很难得到高质量成像结果。对于逆合成孔径雷达,目标强散射点数目远小于观测样本数,因此具有稀疏性。充分利用其稀疏性,在回波缺损、低信噪比情况下实现空间目标高质量、高分辨成像是提高现有雷达对空间、空中目标探测与监视能力的关键技术。
西北工业大学在其申请的专利文献“机动目标压缩感知ISAR成像方法”(公开号:CN102841350A,申请号:201210347782.7)中公开了一种机动目标压缩感知ISAR成像方法。该方法的具体步骤为:对回波数据进行距离压缩、运动补偿及徙动校正得到复矩阵,生成高斯随机矩阵对复矩阵做降维观测;再对其每一列求解1范数凸优化方程,得到一个时刻的逆合成孔径雷达ISAR成像结果;遍历各个成像时刻,实现对机动目标各时段的逆合成孔径雷达ISAR成像。但是该方法存在的不足之处是,由于该方法基于求解1范数凸优化方程得到每一时刻的逆合成孔径雷达ISAR成像结果,稀疏表征权向量能力不足,所估计参数误差较大,在回波缺损及低信噪比情况下容易产生虚假点,无法获得聚焦良好的逆合成孔径雷达ISAR图像。
Liu H C,Jiu B,Liu H W在其发表的论文“Superresolution ISAR ImagingBased On Sparse Bayesian Learning”(IEEE Transactions on Geoscience and RemoteSensing,2014,52(8):5005-5013)中提出了一种基于稀疏贝叶斯学习(SBL)的ISAR超分辨成像方法。该方法基于稀疏信号表示理论,将逆合成孔径雷达ISAR高分辨成像问题转化为稀疏信号重构问题,对权值向量建立稀疏的高斯-伽马层级先验模型,通过最大化边界似然函数得到参数的估计,最终实现逆合成孔径雷达ISAR成像。但是,该方法仍然存在的不足之处是,由于该方法对权值向量所建模型不够准确,无法充分利用环境先验信息,在低信噪比情况下,无法获得聚焦良好的逆合成孔径雷达ISAR像。
发明内容
本发明的目的在于针对上述现有技术中稀疏表征能力不足的问题,对权值向量所建模型不够准确、低信噪比条件下误差较高等局限性,提出一种基于伽马过程线性回归的逆合成孔径雷达成像方法,以实现在目标回波缺损与低信噪比情况下的空间、空中目标逆合成孔径雷达ISAR成像。
实现本发明目的的思路是:基于稀疏信号表示理论,将逆合成孔径雷达ISAR成像问题转化为稀疏线性回归问题,对每个距离单元的权向量建立伽马过程-高斯层级模型,对噪声向量建立伽马-高斯层级模型,进而采用最大后验-期望最大MAP-EM算法求解稀疏贝叶斯模型,计算每个距离单元的权向量,最终实现低信噪比及回波缺损情况下的二维成像。
为实现上述目的,本发明的主要步骤如下:
(1)接收缺损回波:
通过逆合成孔径雷达向运动目标发射线性调频信号,并获取噪声环境下所发射线性调频信号的Nr×Na的缺损回波矩阵,其中,Nr表示缺损回波的距离单元数,Na表示缺损回波的方位单元数;
(2)生成实转置回波矩阵:
(2a)利用解线频调方法,对缺损回波矩阵进行解线频调,得到解线频调后的矩阵;
(2b)删除解线频调后的矩阵中缺损距离单元的列向量,得到Nr×Nd的有效回波矩阵,其中,Nd表示删除缺损列向量后的有效方位单元数;
(2c)对有效回波矩阵沿距离向做傅里叶变换,得到距离向脉冲压缩后的矩阵;
(2d)对距离向脉冲压缩后的矩阵进行转置操作,得到复转置回波矩阵;
(2e)利用公式构造维数为2Nd×Nr的实转置回波矩阵,其中,Re()表示取实部操作,Im(·)表示取虚部操作,Sc表示复转置回波矩阵;
(3)构造实傅里叶字典:
(3a)以为元素,构造维数为Na×Na的复傅里叶字典,其中,e(·)表示以自然常数为底的指数操作,j表示虚数单位,π表示圆周率,m表示复傅里叶字典行的序号,n表示复傅里叶字典列的序号,行序号m与列序号n的取值范围均为[-Na/2,Na/2-1];
(3b)删除复傅里叶字典中缺损回波矩阵的缺损列序号所对应的行,得到维数为Nd×Na的有效傅里叶字典;
(3c)利用公式构造实傅里叶字典,其中,Φe表示有效傅里叶字典;
(4)按照下式,构建每个距离单元的信号模型:
Sf=Φωf+ε
其中,Sf表示实转置回波矩阵的第f个列向量,Φ表示实傅里叶字典,ωf表示第f个距离单元的权向量,ε表示噪声向量;
(5)按照下式,对每个距离单元的权向量建立伽马过程-高斯层级模型:
p(ωf)=N(0,Σ)
其中,p(ωf)表示第f个距离单元的权向量ωf的概率密度,N(0,Σ)表示均值为0、协方差矩阵为Σ的高斯分布的概率密度,所述协方差矩阵Σ中每个对角线元素的先验分布如下:
p(ηj)=Gam(P,1)
其中,p(ηj)表示协方差矩阵Σ中第j个对角线元素ηj的概率密度,Gam(P,1)表示参数为P和1的伽马分布的概率密度,P表示协方差矩阵Σ中每个对角线元素的超参数;
(6)按照下式,对噪声向量建立伽马-高斯层级模型:
p(εi)=N(0,α-1)
其中,p(εi)表示噪声向量第i个元素εi的概率密度,N(0,α-1)表示均值为0、精度为α的高斯分布的概率密度,所述精度α的先验分布如下:
p(α)=Gam(a,b)
其中,p(α)表示精度α的概率密度,Gam(a,b)表示参数为a和b的伽马分布的概率密度,a表示精度α的形状参数,b表示精度α的尺度参数;
(7)利用最大后验-期望最大MAP-EM算法,计算每个距离单元的权向量:
(7a)将当前距离单元序号设置为1;
(7b)将当前迭代次数设置为1;
(7c)利用参数计算公式,计算当前迭代次数的当前距离单元的权向量;
(7d)判断当前迭代次数是否大于1,若是,则执行步骤(7e);否则,将当前迭代次数加1后执行步骤(7c);
(7e)判断是否小于终止阈值η=10-5,若是,则执行步骤(7f);否则,执行步骤(7c),其中,q表示当前距离单元的序号,||·||2表示2范数操作;
(7f)判断当前距离单元序号是否等于Nr,若是,则执行步骤(8);否则,将当前距离单元序号加1后执行步骤(7b);
(8)生成复权值矩阵:
(8a)将每个距离单元的权向量按列拼成权值矩阵;
(8b)生成复权值矩阵,所述复权值矩阵的实部为权值矩阵中的第1,…,Na行,复权值矩阵的虚部为权值矩阵中的第Na+1,…,2Na行;
(9)二维高分辨成像:
对复权值矩阵进行转置操作,得到二维高分辨逆合成孔径雷达ISAR成像结果。
本发明与现有技术相比,具有以下优点:
第一,由于本发明对每个距离单元的权向量均建立伽马过程-高斯层级模型,对噪声向量建立伽马-高斯层级模型,充分利用了环境的先验信息,克服了现有技术中模型对数据表示不够灵活、稀疏表征能力不足的问题,使得本发明提高了逆合成孔径雷达的成像质量。
第二,由于本发明采用最大后验-期望最大MAP-EM算法求解模型,使得所求参数收敛到局部最优解,解决了现有技术中数值优化方法参数估计误差较大的问题,使得本发明在目标回波缺损与低信噪比情况下能够得到聚焦良好的逆合成孔径雷达ISAR像。
附图说明
图1为本发明的流程图;
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,对本发明的具体实施步骤做进一步的描述。
步骤1,接收缺损回波。
通过逆合成孔径雷达向运动目标发射线性调频信号,并获取噪声环境下所发射线性调频信号的Nr×Na的缺损回波矩阵,其中,Nr表示缺损回波的距离单元数,Na表示缺损回波的方位单元数。
步骤2,生成实转置回波矩阵。
将逆合成孔径雷达到场景中心的距离作为参考距离,选取一个载频、调频率均与逆合成孔径雷达发射信号相同,距离为参考距离的线性调频信号作为参考信号,将参考信号取共轭后与缺损回波矩阵相乘,得到解线频调后的矩阵:
其中,Srd(·)表示解线频调后的矩阵,为距离快时间,tm为方位慢时间,Sr表示缺损回波矩阵,Sref(·)表示参考信号,*表示共轭操作。
删除解线频调后的矩阵中缺损距离单元的列向量,得到一个Nr×Nd的有效回波矩阵,其中,Nd表示删除缺损列向量后的有效方位单元数。
对有效回波矩阵沿距离向做傅里叶变换,得到距离向脉冲压缩后的矩阵。
对距离向脉冲压缩后的矩阵进行转置,得到复转置回波矩阵。
利用公式构造维数为2Nd×Nr的实转置回波矩阵,其中,Re(·)表示取实部操作,Im(·)表示取虚部操作,Sc表示复转置回波矩阵。
步骤3,构造实傅里叶字典。
以为元素,构造维数为Na×Na的复傅里叶字典,其中,e(·)表示以自然常数为底的指数操作,j表示虚数单位,π表示圆周率,m表示复傅里叶字典行的序号,n表示复傅里叶字典列的序号,行序号m与列序号n的取值范围均为[-Na/2,Na/2-1]。
删除复傅里叶字典中缺损回波矩阵的缺损列序号所对应的行,得到维数为Nd×Na的有效傅里叶字典。
利用公式构造实傅里叶字典,其中,Φe表示有效傅里叶字典。
步骤4,按照下式,构建每个距离单元的信号模型:
Sf=Φωf+ε
其中,Sf表示实转置回波矩阵的第f个列向量,Φ表示实傅里叶字典,ωf表示第f个距离单元的权向量,ε表示噪声向量。
步骤5,按照下式,对每个距离单元的权向量建立伽马过程-高斯层级模型:
p(ωf)=N(0,Σ)
其中,p(ωf)表示第f个距离单元的权向量ωf的概率密度,N(0,Σ)表示均值为0、协方差矩阵为Σ的高斯分布的概率密度,所述协方差矩阵Σ中每个对角线元素的先验分布如下:
p(ηj)=Gam(P,1)
其中,p(ηj)表示协方差矩阵Σ中第j个对角线元素ηj的概率密度,Gam(P,1)表示参数为P和1的伽马分布的概率密度,P表示协方差矩阵Σ中每个对角线元素的超参数。
步骤6,按照下式,对噪声向量建立伽马-高斯层级模型:
p(εi)=N(0,α-1)
其中,p(εi)表示噪声向量第i个元素εi的概率密度,N(0,α-1)表示均值为0、精度为α的高斯分布的概率密度,所述精度α的先验分布如下:
p(α)=Gam(a,b)
其中,p(α)表示精度α的概率密度,Gam(a,b)表示参数为a和b的伽马分布的概率密度,a表示精度α的形状参数,b表示精度α的尺度参数。
步骤7,利用下述的最大后验-期望最大MAP-EM算法,计算每个距离单元的权向量。
所述最大后验-期望最大MAP-EM算法的步骤如下:
第1步,将当前距离单元序号设置为1。
第2步,将当前迭代次数设置为1。
第3步,利用参数计算公式,计算当前迭代次数的当前距离单元的权向量:
按照下式,计算当前迭代次数的当前距离单元的权向量:
其中,表示第k次迭代后第q个距离单元的权向量,E(k)[Σ]表示第k次迭代后权向量的协方差期望,E(k)[α]表示第k次迭代后噪声向量中每个元素的精度期望,T表示转置操作,I表示单位矩阵,[·]-1表示矩阵求逆操作;
其中,所述的E(k)[Σ]和E(k)[α]因k不同而取值不同,当k=1时,E(k)[Σ]的值为对角线元素全为0.015的对角矩阵,当k>1时,按照下式,计算E(k)[Σ]的每个对角线元素:
其中,E(k)[ηj]表示当k>1时E(k)[Σ]的第j个对角线元素,κ(·)(·)表示第二类修正贝塞尔函数,P的值为1/2Na,表示第k-1次迭代后第q个距离单元权向量的第j个元素,j=1,...,2Na;
当k=1时,E(k)[α]的值为3×10-6,当k>1时,按照下式,计算E(k)[α]:
其中,a和b的值均为10-4,Sqi表示实转置回波矩阵第q个列向量的第i个元素,Φi表示实傅里叶字典的第i行,表示第k-1次迭代后第q个距离单元的权向量。
第4步,判断当前迭代次数是否大于1,若是,则执行第5步;否则,将当前迭代次数加1后执行第3步。
第5步,判断是否小于终止阈值η=10-5,若是,则执行第6步;否则,执行第3步,其中,q表示当前距离单元的序号,||·||2表示2范数操作。
第6步,判断当前距离单元序号是否等于Nr,若是,则执行步骤8;否则,将当前距离单元序号加1后执行第2步。
步骤8,生成复权值矩阵。
将每个距离单元的权向量按列拼成权值矩阵。
生成复权值矩阵,所述复权值矩阵的实部为权值矩阵中的第1,…,Na行,复权值矩阵的虚部为权值矩阵中的第Na+1,…,2Na行。
步骤9,二维高分辨成像。
对复权值矩阵进行转置操作,得到二维高分辨逆合成孔径雷达ISAR成像结果。
下面结合仿真实验,对本发明的效果做进一步的说明。
1.仿真条件:
本发明的仿真实验采用工作在C波段的雷达实测得到的Yak-42飞机数据,对应载频为5.52GHZ,带宽为0.4GHZ,回波数据的缺损率为50%,信噪比为-5dB。
2.仿真内容:
本发明的仿真实验有三个。
仿真1:对雷达实测得到的Yak-42飞机的距离脉压后回波数据的第1~80列、207~320列以及451~521列产生缺损,并添加随机噪声,绘制其距离向脉冲压缩后的图像,结果如图2(a)所示。
仿真2:利用现有技术中的正交匹配追踪OMP方法,对距离脉压后的缺损回波进行重构,绘制其成像结果,结果如图2(b)所示。
仿真3:利用本发明对距离脉压后的缺损回波进行重构,绘制其成像结果,结果如图2(c)所示。
图2(a)为缺损率为50%的回波数据沿距离向脉压后的距离慢时间图,图2(a)中的横坐标表示缺损回波数据沿距离向脉压后的慢时间,纵坐标表示缺损回波数据沿距离向脉压后的距离单元。
图2(b)为利用现有技术中的正交匹配追踪OMP方法,对缺损回波沿距离向脉压后的数据进行方位向重构的成像结果图,横坐标表示成像结果的方位单元,纵坐标表示成像结果的距离单元。由图2(b)可以看出,利用现有技术中的正交匹配追踪OMP方法得到的成像结果聚焦性不好,不能有效抑制噪声,且虚假点较多。
图2(c)为利用本发明所提出的方法,对缺损回波沿距离向脉压后的数据进行方位向重构的成像结果图,横坐标表示成像结果的方位单元,纵坐标表示成像结果的距离单元,图2(c)与图2(b)对比可得,利用本发明所得的成像结果能够清楚地呈现飞机目标的几何结构,虚假点少且聚焦性更好,能够有效抑制背景噪声。
由上述仿真结果表明,本发明基于稀疏信号表示理论,将逆合成孔径雷达ISAR成像问题转化为稀疏线性回归问题,对每个距离单元的权向量建立伽马过程-高斯层级模型,对噪声向量建立伽马-高斯层级模型,采用最大后验-期望最大MAP-EM算法求解每个距离单元的权向量,充分利用了目标散射点分布的稀疏性与环境的先验信息,在回波缺损及低信噪比情况下能够得到高质量、聚焦良好的逆合成孔径雷达ISAR图像。
Claims (3)
1.一种基于伽马过程线性回归的逆合成孔径雷达成像方法,其特征在于,对每个距离单元的权向量建立伽马过程-高斯层级模型,对噪声向量建立伽马-高斯层级模型,利用最大后验-期望最大MAP-EM算法,计算每个距离单元的权向量;该方法的具体步骤包括如下:
(1)接收缺损回波:
通过逆合成孔径雷达向运动目标发射线性调频信号,并获取噪声环境下所发射线性调频信号的Nr×Na的缺损回波矩阵,其中,Nr表示缺损回波的距离单元数,Na表示缺损回波的方位单元数;
(2)生成实转置回波矩阵:
(2a)利用解线频调方法,对缺损回波矩阵进行解线频调,得到解线频调后的矩阵;
(2b)删除解线频调后的矩阵中缺损距离单元的列向量,得到Nr×Nd的有效回波矩阵,其中,Nd表示删除缺损列向量后的有效方位单元数;
(2c)对有效回波矩阵沿距离向做傅里叶变换,得到距离向脉冲压缩后的矩阵;
(2d)对距离向脉冲压缩后的矩阵进行转置操作,得到复转置回波矩阵;
(2e)利用公式构造维数为2Nd×Nr的实转置回波矩阵,其中,Re(·)表示取实部操作,Im(·)表示取虚部操作,Sc表示复转置回波矩阵;
(3)构造实傅里叶字典:
(3a)以为元素,构造维数为Na×Na的复傅里叶字典,其中,e(·)表示以自然常数为底的指数操作,j表示虚数单位,π表示圆周率,m表示复傅里叶字典行的序号,n表示复傅里叶字典列的序号,行序号m与列序号n的取值范围均为[-Na/2,Na/2-1];
(3b)删除复傅里叶字典中缺损回波矩阵的缺损列序号所对应的行,得到维数为Nd×Na的有效傅里叶字典;
(3c)利用公式构造实傅里叶字典,其中,Φe表示有效傅里叶字典;
(4)按照下式,构建每个距离单元的信号模型:
Sf=Φωf+ε
其中,Sf表示实转置回波矩阵的第f个列向量,Φ表示实傅里叶字典,ωf表示第f个距离单元的权向量,ε表示噪声向量;
(5)按照下式,对每个距离单元的权向量建立伽马过程-高斯层级模型:
p(ωf)=N(0,Σ)
其中,p(ωf)表示第f个距离单元的权向量ωf的概率密度,N(0,Σ)表示均值为0、协方差矩阵为Σ的高斯分布的概率密度,所述协方差矩阵Σ中每个对角线元素的先验分布如下:
p(ηj)=Gam(P,1)
其中,p(ηj)表示协方差矩阵Σ中第j个对角线元素ηj的概率密度,Gam(P,1)表示参数为P和1的伽马分布的概率密度,P表示协方差矩阵Σ中每个对角线元素的超参数;
(6)按照下式,对噪声向量建立伽马-高斯层级模型:
p(εi)=N(0,α-1)
其中,p(εi)表示噪声向量第i个元素εi的概率密度,N(0,α-1)表示均值为0、精度为α的高斯分布的概率密度,所述精度α的先验分布如下:
p(α)=Gam(a,b)
其中,p(α)表示精度α的概率密度,Gam(a,b)表示参数为a和b的伽马分布的概率密度,a表示精度α的形状参数,b表示精度α的尺度参数;
(7)利用最大后验-期望最大MAP-EM算法,计算每个距离单元的权向量:
(7a)将当前距离单元序号设置为1;
(7b)将当前迭代次数设置为1;
(7c)利用参数计算公式,计算当前迭代次数的当前距离单元的权向量;
(7d)判断当前迭代次数是否大于1,若是,则执行步骤(7e);否则,将当前迭代次数加1后执行步骤(7c);
(7e)判断是否小于终止阈值η=10-5,若是,则执行步骤(7f);否则,执行步骤(7c),其中,q表示当前距离单元的序号,||·||2表示2范数操作;
(7f)判断当前距离单元序号是否等于Nr,若是,则执行步骤(8);否则,将当前距离单元序号加1后执行步骤(7b);
(8)生成复权值矩阵:
(8a)将每个距离单元的权向量按列拼成权值矩阵;
(8b)生成复权值矩阵,所述复权值矩阵的实部为权值矩阵中的第1,…,Na行,复权值矩阵的虚部为权值矩阵中的第Na+1,…,2Na行;
(9)二维高分辨成像:
对复权值矩阵进行转置操作,得到二维高分辨逆合成孔径雷达ISAR成像结果。
2.根据权利要求1所述基于伽马过程线性回归的逆合成孔径雷达成像方法,其特征在于,步骤(2a)中所述解线频调方法的步骤如下:
第一步,将逆合成孔径雷达到场景中心的距离作为参考距离;
第二步,选取一个载频、调频率均与逆合成孔径雷达发射信号相同,距离为参考距离的线性调频信号作为参考信号;
第三步,将参考信号取共轭后与缺损回波矩阵相乘,得到解线频调后的矩阵。
3.根据权利要求1所述基于伽马过程线性回归的逆合成孔径雷达成像方法,其特征在于,步骤(7c)中所述利用参数计算公式,计算当前迭代次数的当前距离单元的权向量,具体步骤如下:
按照下式,计算当前迭代次数的当前距离单元的权向量:
其中,表示第k次迭代后第q个距离单元的权向量,E(k)[Σ]表示第k次迭代后权向量的协方差期望,E(k)[α]表示第k次迭代后噪声向量中每个元素的精度期望,T表示转置操作,I表示单位矩阵,[·]-1表示矩阵求逆操作;
其中,所述的E(k)[Σ]和E(k)[α]因k不同而取值不同,当k=1时,E(k)[Σ]的值为对角线元素全为0.015的对角矩阵,当k>1时,按照下式,计算E(k)[Σ]的每个对角线元素:
其中,E(k)[ηj]表示当k>1时E(k)[Σ]的第j个对角线元素,κ(·)(·)表示第二类修正贝塞尔函数,P的值为1/2Na,表示第k-1次迭代后第q个距离单元权向量的第j个元素,j=1,...,2Na;
当k=1时,E(k)[α]的值为3×10-6,当k>1时,按照下式,计算E(k)[α]:
其中,a和b的值均为10-4,表示实转置回波矩阵第q个列向量的第i个元素,Φi表示实傅里叶字典的第i行,表示第k-1次迭代后第q个距离单元的权向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810465728.XA CN108646247B (zh) | 2018-05-16 | 2018-05-16 | 基于伽马过程线性回归的逆合成孔径雷达成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810465728.XA CN108646247B (zh) | 2018-05-16 | 2018-05-16 | 基于伽马过程线性回归的逆合成孔径雷达成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108646247A true CN108646247A (zh) | 2018-10-12 |
CN108646247B CN108646247B (zh) | 2020-04-07 |
Family
ID=63755870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810465728.XA Active CN108646247B (zh) | 2018-05-16 | 2018-05-16 | 基于伽马过程线性回归的逆合成孔径雷达成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108646247B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274614A (zh) * | 2018-10-26 | 2019-01-25 | 上海无线电设备研究所 | 一种适用于时变稀疏信道的鲁棒信道估计算法 |
CN109507666A (zh) * | 2018-12-21 | 2019-03-22 | 西安电子科技大学 | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 |
CN109932717A (zh) * | 2019-03-07 | 2019-06-25 | 西安电子科技大学 | 基于环境统计建模的isar高分辨成像方法 |
CN111580104A (zh) * | 2020-05-27 | 2020-08-25 | 西安电子科技大学 | 基于参数化字典的机动目标高分辨isar成像方法 |
CN113030972A (zh) * | 2021-04-26 | 2021-06-25 | 西安电子科技大学 | 基于快速稀疏贝叶斯学习的机动目标isar成像方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4768156A (en) * | 1986-05-06 | 1988-08-30 | The United States Of America As Represented By The Secretary Of The Navy | Imaging system |
KR20110027051A (ko) * | 2009-09-09 | 2011-03-16 | 영남대학교 산학협력단 | 다항식과 가우시안 기저 함수를 이용하는 장거리 역합성 개구면 레이더 영상 생성 방법 및 그 장치 |
CN102495393A (zh) * | 2011-12-13 | 2012-06-13 | 南京理工大学 | 基于子空间追踪的压缩感知雷达成像算法 |
CN103885050A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 基于缩放字典的回波信号参数估计方法 |
CN105223571A (zh) * | 2014-05-30 | 2016-01-06 | 西安电子科技大学 | 基于加权l1优化与视觉显著注意的isar成像方法 |
CN107132535A (zh) * | 2017-04-07 | 2017-09-05 | 西安电子科技大学 | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 |
CN108008385A (zh) * | 2017-11-20 | 2018-05-08 | 西安电子科技大学 | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 |
-
2018
- 2018-05-16 CN CN201810465728.XA patent/CN108646247B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4768156A (en) * | 1986-05-06 | 1988-08-30 | The United States Of America As Represented By The Secretary Of The Navy | Imaging system |
KR20110027051A (ko) * | 2009-09-09 | 2011-03-16 | 영남대학교 산학협력단 | 다항식과 가우시안 기저 함수를 이용하는 장거리 역합성 개구면 레이더 영상 생성 방법 및 그 장치 |
CN102495393A (zh) * | 2011-12-13 | 2012-06-13 | 南京理工大学 | 基于子空间追踪的压缩感知雷达成像算法 |
CN103885050A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 基于缩放字典的回波信号参数估计方法 |
CN105223571A (zh) * | 2014-05-30 | 2016-01-06 | 西安电子科技大学 | 基于加权l1优化与视觉显著注意的isar成像方法 |
CN107132535A (zh) * | 2017-04-07 | 2017-09-05 | 西安电子科技大学 | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 |
CN108008385A (zh) * | 2017-11-20 | 2018-05-08 | 西安电子科技大学 | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 |
Non-Patent Citations (3)
Title |
---|
M.ARAGONE 等: "study of information content of SAR images", 《2008 IEEE RADAR CONFERENCE》 * |
徐丹蕾: "基于稀疏贝叶斯学习的雷达自动目标识别方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
王天云 等: "基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像", 《电子学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274614A (zh) * | 2018-10-26 | 2019-01-25 | 上海无线电设备研究所 | 一种适用于时变稀疏信道的鲁棒信道估计算法 |
CN109507666A (zh) * | 2018-12-21 | 2019-03-22 | 西安电子科技大学 | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 |
CN109507666B (zh) * | 2018-12-21 | 2022-03-04 | 西安电子科技大学 | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 |
CN109932717A (zh) * | 2019-03-07 | 2019-06-25 | 西安电子科技大学 | 基于环境统计建模的isar高分辨成像方法 |
CN109932717B (zh) * | 2019-03-07 | 2022-09-06 | 西安电子科技大学 | 基于环境统计建模的isar高分辨成像方法 |
CN111580104A (zh) * | 2020-05-27 | 2020-08-25 | 西安电子科技大学 | 基于参数化字典的机动目标高分辨isar成像方法 |
CN111580104B (zh) * | 2020-05-27 | 2023-03-17 | 西安电子科技大学 | 基于参数化字典的机动目标高分辨isar成像方法 |
CN113030972A (zh) * | 2021-04-26 | 2021-06-25 | 西安电子科技大学 | 基于快速稀疏贝叶斯学习的机动目标isar成像方法 |
CN113030972B (zh) * | 2021-04-26 | 2022-12-02 | 西安电子科技大学 | 基于快速稀疏贝叶斯学习的机动目标isar成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108646247B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108646247A (zh) | 基于伽马过程线性回归的逆合成孔径雷达成像方法 | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN107132535B (zh) | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN106772365B (zh) | 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法 | |
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN107462887B (zh) | 基于压缩感知的宽幅星载合成孔径雷达成像方法 | |
CN108872988A (zh) | 一种基于卷积神经网络的逆合成孔径雷达成像方法 | |
CN104851097B (zh) | 基于目标形状与阴影辅助的多通道sar‑gmti方法 | |
CN103955701B (zh) | 多层次结合的多视合成孔径雷达图像目标识别方法 | |
CN105608465B (zh) | 全极化sar海岸线地物分类方法 | |
CN108226928A (zh) | 基于期望传播算法的逆合成孔径雷达成像方法 | |
CN109507666A (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN104181528B (zh) | 基于bp优化的压缩感知多层isar成像方法 | |
CN110109101A (zh) | 一种基于自适应阈值的压缩感知三维sar成像方法 | |
CN109932717A (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN110596706B (zh) | 一种基于三维图像域投射变换的雷达散射截面积外推方法 | |
CN108154511B (zh) | 基于子模字典学习的sar图像分割方法 | |
CN109597048A (zh) | 基于二维卷积神经网络的米波雷达doa估计方法 | |
CN107831473A (zh) | 基于高斯过程回归的距离‑瞬时多普勒图像序列降噪方法 | |
CN109001700A (zh) | 一种实现目标轮廓重构的雷达前视成像方法 | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN105738894B (zh) | 基于增广拉普拉斯算子的微动群目标高分辨成像方法 | |
CN106971382A (zh) | 一种sar图像相干斑抑制方法 | |
CN108931770A (zh) | 基于多维贝塔过程线性回归的isar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 |