CN109507666B - 基于离网变分贝叶斯算法的isar稀疏频带成像方法 - Google Patents

基于离网变分贝叶斯算法的isar稀疏频带成像方法 Download PDF

Info

Publication number
CN109507666B
CN109507666B CN201811568090.9A CN201811568090A CN109507666B CN 109507666 B CN109507666 B CN 109507666B CN 201811568090 A CN201811568090 A CN 201811568090A CN 109507666 B CN109507666 B CN 109507666B
Authority
CN
China
Prior art keywords
matrix
band
dictionary
frequency
correction
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.)
Active
Application number
CN201811568090.9A
Other languages
English (en)
Other versions
CN109507666A (zh
Inventor
白雪茹
周雪宁
惠叶
祁浩凡
周峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201811568090.9A priority Critical patent/CN109507666B/zh
Publication of CN109507666A publication Critical patent/CN109507666A/zh
Application granted granted Critical
Publication of CN109507666B publication Critical patent/CN109507666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/9064—Inverse SAR [ISAR]
    • 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
    • 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
    • G01S7/414—Discriminating targets with respect to background clutter
    • 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
    • G01S7/418—Theoretical aspects

Abstract

本发明公开了一种基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，本发明的实现步骤是：(1)生成观测数据矩阵；(2)生成基字典矩阵及校正字典矩阵；(3)利用离网变分贝叶斯算法，计算每个方位单元的全频带回波向量；(4)二维高分辨成像。本发明基于压缩感知理论实现逆合成孔径雷达ISAR成像，克服了现有技术通过数值优化方法对字典矩阵估计误差较大及通过单个字典计算得到的全频带回波向量不准确的问题，可用于逆合成孔径雷达工作在信噪比低的复杂电磁环境下，并且获得的目标回波为稀疏频带回波时实现对空间与空中非合作目标的精确二维成像。

Description

基于离网变分贝叶斯算法的ISAR稀疏频带成像方法
技术领域
本发明属于通信技术领域，更进一步涉及雷达信号处理技术领域中的一种基于离网变分贝叶斯算法的逆合成孔径雷达ISAR(Inverse Synthetic Aperture Radar)稀疏频带成像方法。本发明可在逆合成孔径雷达工作在信噪比低的复杂电磁环境下，获得的目标回波为稀疏频带回波时，实现对空间与空中非合作目标的精确二维成像。
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。当采用超宽带雷达获得高分辨逆合成孔径雷达ISAR像时，由于它对硬件系统的要求较高，需要很高的成本。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。因此在稀疏频带且信噪比低的复杂电磁环境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发明专利文献“机动目标压缩感知逆合成孔径雷达ISAR成像方法”(专利申请号：201210347782.7，申请公开号：CN102841350A)中公开了一种机动目标压缩感知逆合成孔径雷达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；再对降维观测后的复矩阵的每一列求解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；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。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成像字典矩阵，导致字典矩阵估计误差较大，在回波缺损及低信噪比情况下容易产生虚假点，因此无法获得聚焦良好的二维逆合成孔径雷达ISAR像。
吴称光，邓彬，苏伍各，王洪强，秦玉亮在其发表的论文“基于块稀疏贝叶斯模型的ISAR成像方法”(电子与信息学报2015,37(12)：2941-2947)中提出了一种基于块稀疏贝叶斯模型的逆合成孔径雷达ISAR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表示问题，并假设散射点均位于单个字典的网格中心，利用变分推断算法求解权向量，最后，利用单个字典计算全频带回波向量，最终实现目标逆合成孔径雷达ISAR成像。该方法存在的不足之处是：由于该方法假设散射点位于字典的网格中心上，但实际情况中，无论网格划分多么精细，都会出现散射点偏离网格的情况，当散射点偏离网格时该方法无法准确计算全频带回波向量，导致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参数估计误差较大，低信噪比及散射点偏离网格的条件下无法准确计算全频带回波向量等局限，提出一种基于离网变分贝叶斯算法的稀疏频带高分辨成像方法，以实现在低信噪比与目标回波为稀疏频带回波情况下对空间与空中非合作目标的精确二维成像。
实现本发明目的的思路是：基于压缩感知理论，将逆合成孔径雷达ISAR超分辨成像问题转化为稀疏表述问题，采用离网变分贝叶斯学习算法，计算每个方位单元的全频带回波向量，最终实现逆合成孔径雷达ISAR目标的高分辨二维成像。
本发明的具体步骤如下：
(1)生成观测数据矩阵：
(1a)逆合成孔径雷达ISAR接收大小为N1×P的低频带回波以及大小为N2×P的高频带回波，其中N1表示低频带采样点数，N2表示高频带采样点数，P表示方位采样点数；
(1b)分别对低频带回波和高频带回波作方位脉压，得到方位脉压后的低频带雷达回波矩阵和高频带雷达回波矩阵；
(1c)将方位脉压后的低频带雷达回波矩阵和高频带雷达回波矩阵按行相连，得到大小为N×P的观测数据矩阵，其中，N表示低频带采样点和高频带采样点的总数；
(2)生成基字典矩阵及校正字典矩阵：
(2a)随机生成两个大小为N×M的矩阵分别作为初始基字典矩阵和初始校正字典矩阵，其中M表示矩阵的列数；
(2b)分别对初始基字典矩阵和初始校正字典进行删减，获得基字典矩阵和校正字典矩阵；
(3)利用离网变分贝叶斯算法，计算每个方位单元的全频带回波向量：
(3a)将高频带距离-多普勒图像中所有有回波的行序号中的最小值，作为当前方位单元序号；
(3b)利用基权向量更新公式，更新当前迭代次数的当前方位单元序号的基权向量；
(3c)利用校正权向量更新公式，更新当前迭代次数的当前方位单元序号的校正权向量；
(3d)判断(ωiq-ω(i-1)q)/ω(i-1)q的所有元素中的最大值是否小于终止阈值10-3，若是，则执行步骤(3e)，否则，执行步骤(3b)；其中，ωiq表示第i次迭代时第q个方位单元的基权向量，ω(i-1)q表示第i-1次迭代时第q个方位单元的基矩阵；
(3e)判断当前迭代次数是否大于50，若是，则执行步骤(3f)；否则，将当前迭代次数加1后执行步骤(3b)；
(3f)利用基字典删减法与校正字典删减法，分别对基字典和校正字典进行第二次删减，得到第二次删减后的基字典和校正字典；
(3g)利用公式
Figure GDA0003472256170000031
计算当前方位单元的全频带回波向量，其中，
Figure GDA0003472256170000032
和
Figure GDA0003472256170000033
分别表示全频带回波向量的实部和虚部；
(3h)判断当前方位单元序号是否等于高频带距离-多普勒图像中所有有回波的行序号中的最大值，若是，则执行步骤(4)；否则，将当前方位单元序号加1后执行步骤(3b)；
(4)二维高分辨成像：
将所有方位单元的全频带回波向量按列组合，得到全频带回波矩阵，将全频带回波矩阵在距离维作一维傅里叶变换，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，由于本发明利用离网变分贝叶斯算法，计算每个方位单元的全频带回波向量，该过程中所求的字典矩阵能够收敛到最优解，克服了现有技术通过数值优化方法对字典矩阵估计误差较大的问题，使得本发明在目标回波为稀疏频带回波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。
第二，由于本发明生成基字典矩阵及校正字典矩阵，利用这两个字典，计算每个方位单元的全频带回波向量，获得了更加准确的全频带回波向量，克服了现有技术通过单个字典计算得到的全频带回波向量不准确的问题，使得本发明在散射点偏离网格的情况下提高了逆合成孔径雷达的成像质量。
附图说明
图1为本发明的流程图；
图2为本发明步骤3的流程图；
图3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，生成观测数据矩阵。
逆合成孔径雷达ISAR接收大小为N1×P的低频带回波以及大小为N2×P的高频带回波，其中N1表示低频带采样点数，N2表示高频带采样点数，P表示方位采样点数。
分别对低频带回波和高频带回波作方位脉压，得到方位脉压后的低频带雷达回波矩阵和高频带雷达回波矩阵。
第1步，生成一个参考信号，该参考信号的距离与逆合成孔径雷达ISAR到场景中心的距离相等，载频、调频率分别与逆合成孔径雷达ISAR发射信号的载频、调频率相等。
第2步，将参考信号取共轭后分别与雷达接收的低频带回波和高频带回波相乘，得到解线频调后的低频带回波矩阵和高频带回波矩阵：
Figure GDA0003472256170000041
其中，
Figure GDA0003472256170000042
表示解线频调后的回波矩阵，
Figure GDA0003472256170000043
表示距离快时间，tm表示方位慢时间，Sr表示回波矩阵，
Figure GDA0003472256170000044
表示参考信号，*表示共轭操作。
第3步，将解线频调后的低频带回波矩阵和高频带回波矩阵，分别在方位维作一维傅里叶变换，得到方位脉压后的低频带雷达回波矩阵和方位脉压后的高频带雷达回波矩阵。
将方位脉压后的低频带雷达回波矩阵和高频带雷达回波矩阵按行相连，得到大小为N×P的观测数据矩阵，其中，N表示低频带采样点和高频带采样点的总数。
步骤2，生成基字典矩阵及校正字典矩阵。
随机生成两个大小为N×M的矩阵分别作为初始基字典矩阵和初始校正字典矩阵，其中M表示矩阵的列数。
分别对初始基字典矩阵和初始校正字典进行删减，获得基字典矩阵和校正字典矩阵。
第1步，分别将方位脉压后低频带雷达回波矩阵和高频带雷达回波矩阵在距离维作一维傅里叶变换，得到低频带距离-多普勒图像和高频带距离-多普勒图像。
第2步，分别利用公式
Figure GDA0003472256170000051
计算四个序号，其中，m11和m12分别表示低频带距离-多普勒图像中所有有回波的列的序号中的最小和最大值，m21和m22分别表示高频带距离-多普勒图像中所有有回波的列的序号中的最小和最大值。
第3步，保留初始字典矩阵的第一个序号和第二个序号中的最小值对应的列到第三个序号和第四个序号中的最大值对应的列，删减其余列。
步骤3，利用离网变分贝叶斯算法，计算每个方位单元的全频带回波向量。
(3.1)将高频带距离-多普勒图像中所有有回波的行序号中的最小值，作为当前方位单元序号。
(3.2)利用下述基权向量更新公式，更新当前迭代次数的当前方位单元序号的基权向量：
Figure GDA0003472256170000052
其中，ωiq表示第i次迭代时第q个方位单元的基权向量，β(i-1)q表示第i-1次迭代时第q个方位单元的噪声精度参数，当i＝1时，β(i-1)q的值为0.01，当i＞1时，β(i-1)q的值由噪声精度参数公式计算得到，Φ表示删减后的基字典，T表示转置操作，A(i-1)q表示第i-1次迭代时第q个方位单元的精度矩阵，当i＝1时，A(i-1)q的值为对角线元素全为0.01的对角矩阵，当i＞1时，利用精度矩阵公式计算对角矩阵A(i-1)q中的第m个对角线的元素值
Figure GDA0003472256170000053
m的值为[1,2,...,M]，M表示基字典的列数，-1表示求逆操作，sq表示由观测数据矩阵的第q行所有数据组成的向量，ΦR表示删减后的校正字典，
Figure GDA0003472256170000054
表示第i-1次迭代时第q个方位单元的校正权值矩阵。
所述噪声精度参数计算公式如下：
Figure GDA0003472256170000061
其中，P表示基矩阵的积，P＝ΦTΦ,PR表示校正矩阵的积,
Figure GDA0003472256170000062
Σ(i-1)q表示第i-1次迭代时第q个方位单元的基协方差矩阵，Σ(i-1)q＝[β(i-2)qP+A(i-2)q]-1，β(i-2)q表示第i-2次迭代时第q个方位单元的噪声精度参数，A(i-2)q表示第i-2次迭代时第q个方位单元的精度矩阵，
Figure GDA0003472256170000063
表示第i-1次迭代时第q个方位单元的校正协方差矩阵，
Figure GDA0003472256170000064
tr表示求迹操作。
所述精度矩阵计算公式如下：
Figure GDA0003472256170000065
其中，
Figure GDA0003472256170000066
表示第i-1次迭代时第q个方位单元的基权向量的第k个元素值，k的值为[1,2,...,K]，K表示校正字典的列数，
Figure GDA0003472256170000067
表示第i-1次迭代时第q个方位单元的校正权向量的第k个元素值，
Figure GDA0003472256170000068
表示第i-1次迭代时第q个方位单元的基协方差矩阵中第k行第k列的元素值，
Figure GDA0003472256170000069
表示第i-1次迭代时第q个方位单元的校正协方差矩阵中第k行第k列的元素值。
(3.3)利用校正权向量更新公式，更新当前迭代次数的当前方位单元序号的校正权向量：
Figure GDA00034722561700000610
其中，
Figure GDA00034722561700000611
表示第i次迭代时第q个方位单元的校正权向量，ω(i-1)q表示第i-1次迭代时第q个方位单元的基矩阵。
(3.4)判断(ωiq-ω(i-1)q)/ω(i-1)q的所有元素中的最大值是否小于终止阈值10-3，若是，则执行本步骤的(3.6)，否则，执行本步骤的(3.5)。
(3.5)判断当前迭代次数是否大于50，若是，则执行本步骤的(3.6)，否则，将当前迭代次数加1后执行本步骤的(3.2)。
(3.6)利用基字典删减法与校正字典删减法，分别对基字典和校正字典进行第二次删减，得到第二次删减后的基字典和校正字典。
所述基字典删减法的步骤如下：
第1步，依次从基权向量中选取一个当前基元素。
第2步，若当前基元素的值小于基权向量的所有元素中的最大值的0.01倍时，删除基字典中该当前基元素的序号所对应的列。
第3步，判断当前基元素的序号是否与基权向量的元素的总数相等，若不是，执行第1步。
所述校正字典删减法的步骤如下：
第1步，依次从校正权向量中选取一个当前校正元素。
第2步，若当前校正元素的值小于校正权向量的所有元素中的最大值的0.01倍时，删除校正字典中该当前校正元素的序号所对应的列。
第3步，判断当前校正元素的序号是否与校正权向量的元素的总数相等，若不是，执行第1步。
(3.7)利用公式
Figure GDA0003472256170000071
计算当前方位单元的全频带回波向量，其中，
Figure GDA0003472256170000072
和
Figure GDA0003472256170000073
分别表示全频带回波向量的实部和虚部。
所述全频带回波向量的实部和虚部通过下述公式计算得到：
Figure GDA0003472256170000074
其中，Re表示取实部操作，Im表示取虚部操作，Φnew表示第二次删减后的基字典，
Figure GDA0003472256170000075
表示第二次删减后的校正字典。
(3.8)判断当前方位单元序号是否等于高频带距离-多普勒图像中所有有回波的行序号中的最大值，若是，则执行步骤4；否则，将当前方位单元序号加1后执行本步骤(3.2)。
步骤4，二维高分辨成像。
将所有方位单元的全频带回波向量按列组合，得到全频带回波矩阵，将全频带回波矩阵在距离维作一维傅里叶变换，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：
本发明的仿真实验在MATLAB软件下实现，现有技术中的变分贝叶斯VBI方法及本发明方法均采用工作在C波段和X波段的雷达实测得到的Yak-42飞机数据，对应C波段和X波段的雷达载频分别为6.8GHz和9.2GHz，带宽均为1.2GHz，回波数据的缺损率为40％，信噪比为-5dB。
2.仿真内容：
本发明的仿真实验有2个。
仿真实验1：
利用现有技术中的变分贝叶斯VBI方法，对全频带回波进行重构，绘制其成像结果，结果如图3(a)所示。
仿真实验2：
利用本发明对全频带回波进行重构，绘制其成像结果，结果如图3(b)所示。
图3(a)为利用现有技术中的变分贝叶斯VBI方法，对全频带回波进行重构的成像结果图，图3(a)中的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3(a)可以看出，利用现有技术中的变分贝叶斯VBI方法得到的成像结果图像模糊，说明聚焦性不好，不能有效抑制噪声，且虚假点较多。
图3(b)为利用本发明所提出的方法，对全频带回波进行重构的成像结果图，图3(b)中的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3(b)与图3(a)对比可见，利用本发明所得的成像结果图能够清楚地呈现飞机目标的几何结构，图像更清晰，聚焦性更好，能够有效抑制背景噪声，且虚假点少。
由上述仿真结果表明，基于压缩感知理论，将逆合成孔径雷达ISAR超分辨成像问题转化为稀疏表述问题，采用离网变分贝叶斯学习算法计算每个方位单元的全频带回波数据，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 (8)

1.一种基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，生成基字典矩阵及校正字典矩阵，利用离网变分贝叶斯算法计算每个方位单元的全频带回波向量；该方法的具体步骤包括如下：
(1)生成观测数据矩阵：
(1a)逆合成孔径雷达ISAR接收大小为N1×P的低频带回波以及大小为N2×P的高频带回波，其中N1表示低频带采样点数，N2表示高频带采样点数，P表示方位采样点数；
(1b)分别对低频带回波和高频带回波作方位脉压操作，得到方位脉压后的低频带雷达回波矩阵和高频带雷达回波矩阵；
(1c)将方位脉压后的低频带雷达回波矩阵和高频带雷达回波矩阵按行相连，得到大小为N×P的观测数据矩阵，其中，N表示低频带采样点和高频带采样点的总数；
(2)生成基字典矩阵及校正字典矩阵：
(2a)随机生成两个大小为N×M的矩阵，分别作为初始基字典矩阵和初始校正字典矩阵，其中M表示矩阵的列数；
(2b)分别对初始基字典矩阵和初始校正字典进行删减，获得基字典矩阵和校正字典矩阵；
(3)利用离网变分贝叶斯算法，计算每个方位单元的全频带回波向量：
(3a)将高频带距离-多普勒图像中所有有回波的行序号中的最小值，作为当前方位单元序号；
(3b)利用基权向量更新公式，更新当前迭代次数的当前方位单元序号的基权向量；
(3c)利用校正权向量更新公式，更新当前迭代次数的当前方位单元序号的校正权向量；
(3d)判断(ωiq-ω(i-1)q)/ω(i-1)q的所有元素中的最大值是否小于终止阈值10-3，若是，则执行步骤(3e)，否则，将当前迭代次数加1后执行步骤(3b)；其中，ωiq表示第i次迭代时第q个方位单元的基权向量，ω(i-1)q表示第i-1次迭代时第q个方位单元的基矩阵；
(3e)判断当前迭代次数是否大于50，若是，则执行步骤(3f)；否则，将当前迭代次数加1后执行步骤(3b)；
(3f)利用基字典删减法与校正字典删减法，分别对基字典和校正字典进行第二次删减，得到第二次删减后的基字典和校正字典；
(3g)利用公式
Figure FDA0003472256160000021
计算当前方位单元的全频带回波向量，其中，
Figure FDA0003472256160000022
和
Figure FDA0003472256160000023
分别表示全频带回波向量的实部和虚部；
(3h)判断当前方位单元序号是否等于高频带距离-多普勒图像中所有有回波的行序号中的最大值，若是，则执行步骤(4)；否则，将当前方位单元序号加1后执行步骤(3b)；
(4)二维高分辨成像：
将所有方位单元的全频带回波向量按列组成全频带回波矩阵，将全频带回波矩阵在距离维作一维傅里叶变换，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所述的基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，步骤(1b)中所述方位脉压操作的步骤如下：
第一步，生成一个参考信号，该参考信号的距离与逆合成孔径雷达ISAR到场景中心的距离相等，载频、调频率分别与逆合成孔径雷达ISAR发射信号的载频、调频率相等；
第二步，将参考信号取共轭后分别与雷达接收的低频带回波和高频带回波相乘，得到解线频调后的低频带回波矩阵和高频带回波矩阵；
第三步，将解线频调后的低频带回波矩阵和高频带回波矩阵，分别在方位维作一维傅里叶变换，得到方位脉压后的低频带雷达回波矩阵和方位脉压后的高频带雷达回波矩阵。
3.根据权利要求1所述的基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，步骤(2b)中所述对初始基字典矩阵和初始校正字典进行删减的步骤如下：
第一步，分别将方位脉压后低频带雷达回波矩阵和高频带雷达回波矩阵在距离维作一维傅里叶变换，得到低频带距离-多普勒图像和高频带距离-多普勒图像；
第二步，分别利用公式
Figure FDA0003472256160000024
计算四个序号，其中，m11和m12分别表示低频带距离-多普勒图像中所有有回波的列的序号中的最小和最大值，m21和m22分别表示高频带距离-多普勒图像中所有有回波的列的序号中的最小和最大值；
第三步，保留初始字典矩阵的第一个序号和第二个序号中的最小值对应的列到第三个序号和第四个序号中的最大值对应的列，删减其余列。
4.根据权利要求1所述的基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，步骤(3b)中所述基权向量更新公式如下：
Figure FDA0003472256160000031
其中，ωiq表示第i次迭代时第q个方位单元的基权向量，β(i-1)q表示第i-1次迭代时第q个方位单元的噪声精度参数，当i＝1时，β(i-1)q的值为0.01，当i＞1时，β(i-1)q的值由噪声精度参数公式计算得到，Φ表示删减后的基字典，T表示转置操作，A(i-1)q表示第i-1次迭代时第q个方位单元的精度矩阵，当i＝1时，A(i-1)q的值为对角线元素全为0.01的对角矩阵，当i＞1时，利用精度矩阵公式计算对角矩阵A(i-1)q中的第m个对角线的元素值
Figure FDA0003472256160000032
m的值为[1,2,...,M]，M表示基字典的列数，-1表示求逆操作，sq表示由观测数据矩阵的第q行所有数据组成的向量，ΦR表示删减后的校正字典，
Figure FDA0003472256160000033
表示第i-1次迭代时第q个方位单元的校正权值矩阵；
所述噪声精度参数计算公式如下：
Figure FDA0003472256160000034
其中，P表示基矩阵的积，P＝ΦTΦ,PR表示校正矩阵的积,
Figure FDA0003472256160000035
Σ(i-1)q表示第i-1次迭代时第q个方位单元的基协方差矩阵，Σ(i-1)q＝[β(i-2)qP+A(i-2)q]-1，β(i-2)q表示第i-2次迭代时第q个方位单元的噪声精度参数，A(i-2)q表示第i-2次迭代时第q个方位单元的精度矩阵，
Figure FDA0003472256160000036
表示第i-1次迭代时第q个方位单元的校正协方差矩阵，
Figure FDA0003472256160000037
tr表示求迹操作；
所述精度矩阵计算公式如下：
Figure FDA0003472256160000041
其中，
Figure FDA0003472256160000042
表示第i-1次迭代时第q个方位单元的基权向量的第k个元素值，k的值为[1,2,...,K]，K表示校正字典的列数，
Figure FDA0003472256160000043
表示第i-1次迭代时第q个方位单元的校正权向量的第k个元素值，
Figure FDA0003472256160000044
表示第i-1次迭代时第q个方位单元的基协方差矩阵中第k行第k列的元素值，
Figure FDA0003472256160000045
表示第i-1次迭代时第q个方位单元的校正协方差矩阵中第k行第k列的元素值。
5.根据权利要求1所述的基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，步骤(3c)中所述校正权向量更新公式如下：
Figure FDA0003472256160000046
其中，
Figure FDA0003472256160000047
表示第i次迭代时第q个方位单元的校正权向量，ω(i-1)q表示第i-1次迭代时第q个方位单元的基矩阵。
6.根据权利要求1所述的基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，步骤(3g)中所述全频带回波向量的实部和虚部通过下述公式计算得到：
Figure FDA0003472256160000048
其中，Re表示取实部操作，Im表示取虚部操作，Φnew表示第二次删减后的基字典，
Figure FDA0003472256160000049
表示第二次删减后的校正字典。
7.根据权利要求1所述的基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，步骤(3f)中所述基字典删减法的步骤如下：
第一步，依次从基权向量中选取一个当前基元素；
第二步，若当前基元素的值小于基权向量的所有元素中的最大值的0.01倍时，删除基字典中该当前基元素的序号所对应的列；
第三步，判断当前基元素的序号是否与基权向量的元素的总数相等，若不是，执行第一步。
8.根据权利要求1所述的基于离网变分贝叶斯算法的ISAR稀疏频带成像方法，其特征在于，步骤(3f)中所述校正字典删减法的步骤如下：
第一步，依次从校正权向量中选取一个当前校正元素；
第二步，若当前校正元素的值小于校正权向量的所有元素中的最大值的0.01倍时，删除校正字典中该当前校正元素的序号所对应的列；
第三步，判断当前校正元素的序号是否与校正权向量的元素的总数相等，若不是，执行第一步。
CN201811568090.9A 2018-12-21 2018-12-21 基于离网变分贝叶斯算法的isar稀疏频带成像方法 Active CN109507666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811568090.9A CN109507666B (zh) 2018-12-21 2018-12-21 基于离网变分贝叶斯算法的isar稀疏频带成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811568090.9A CN109507666B (zh) 2018-12-21 2018-12-21 基于离网变分贝叶斯算法的isar稀疏频带成像方法

Publications (2)

Publication Number Publication Date
CN109507666A CN109507666A (zh) 2019-03-22
CN109507666B true CN109507666B (zh) 2022-03-04

Family

ID=65754012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811568090.9A Active CN109507666B (zh) 2018-12-21 2018-12-21 基于离网变分贝叶斯算法的isar稀疏频带成像方法

Country Status (1)

Country Link
CN (1) CN109507666B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780298B (zh) * 2019-11-01 2023-04-07 西安电子科技大学 基于变分贝叶斯学习的多基isar融合成像方法
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
CN112162246B (zh) * 2020-07-17 2024-02-09 中国人民解放军63892部队 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法
CN111856444A (zh) * 2020-07-30 2020-10-30 重庆市计量质量检测研究院 一种基于uwb多目标定位追踪方法
CN113534151B (zh) * 2021-06-24 2023-06-30 西安电子科技大学 基于离网稀疏贝叶斯学习的双频段isar成像方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108226928A (zh) * 2017-12-18 2018-06-29 西安电子科技大学 基于期望传播算法的逆合成孔径雷达成像方法
CN108646247A (zh) * 2018-05-16 2018-10-12 西安电子科技大学 基于伽马过程线性回归的逆合成孔径雷达成像方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108226928A (zh) * 2017-12-18 2018-06-29 西安电子科技大学 基于期望传播算法的逆合成孔径雷达成像方法
CN108646247A (zh) * 2018-05-16 2018-10-12 西安电子科技大学 基于伽马过程线性回归的逆合成孔径雷达成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像;王天云等;《电子学报》;20160615(第06期);全文 *
稀疏贝叶斯学习框架下的扩展目标雷达关联成像;周小利等;《国防科技大学学报》;20170628(第03期);全文 *

Also Published As

Publication number Publication date
CN109507666A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109507666B (zh) 基于离网变分贝叶斯算法的isar稀疏频带成像方法
CN107132535B (zh) 基于变分贝叶斯学习算法的isar稀疏频带成像方法
CN109212526B (zh) 用于高频地波雷达的分布式阵列目标角度测量方法
CN107271993B (zh) 一种基于最大后验的扫描雷达角超分辨成像方法
CN108226928B (zh) 基于期望传播算法的逆合成孔径雷达成像方法
CN111273238B (zh) 一种基于低秩恢复的sar宽窄带干扰同时抑制方法
CN110068805B (zh) 基于变分贝叶斯推论的高速目标hrrp重构方法
CN110244303B (zh) 基于sbl-admm的稀疏孔径isar成像方法
CN106772253B (zh) 一种非均匀杂波环境下的雷达杂波抑制方法
CN111142105A (zh) 复杂运动目标isar成像方法
CN108646247B (zh) 基于伽马过程线性回归的逆合成孔径雷达成像方法
CN107621635B (zh) 一种前视海面目标角超分辨方法
CN104950305A (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
CN111856465B (zh) 一种基于稀疏约束的前视海面目标角超分辨方法
Sun et al. High-resolution ISAR imaging of maneuvering targets based on sparse reconstruction
CN113534151B (zh) 基于离网稀疏贝叶斯学习的双频段isar成像方法
CN109031299B (zh) 低信噪比条件下基于相位差分的isar平动补偿方法
CN107831473B (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
CN112147608A (zh) 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法
CN114966693A (zh) 基于深度学习的机载舰船目标isar精细化成像方法
CN113608218B (zh) 一种基于后向投影原理的频域干涉相位稀疏重构方法
CN115453528A (zh) 基于快速sbl算法实现分段观测isar高分辨成像方法及装置
CN109143235B (zh) 一种双基前视合成孔径雷达地面运动目标检测方法
CN111722227B (zh) 基于近似观测矩阵的聚束sar压缩感知成像方法
CN113484859A (zh) 一种基于融合技术的二维超分辨雷达成像方法

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