CN109932717B - 基于环境统计建模的isar高分辨成像方法 - Google Patents
基于环境统计建模的isar高分辨成像方法 Download PDFInfo
- Publication number
- CN109932717B CN109932717B CN201910173062.5A CN201910173062A CN109932717B CN 109932717 B CN109932717 B CN 109932717B CN 201910173062 A CN201910173062 A CN 201910173062A CN 109932717 B CN109932717 B CN 109932717B
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- representing
- echo
- interference
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提出了一种基于环境统计建模的ISAR高分辨成像方法,用于解决现有技术中当环境存在非高斯强干扰及噪声时无法实现ISAR聚焦成像的技术问题。实现步骤为:获取运动目标的缺损回波矩阵Sr;获取有效回波矩阵Se;获取实转置回波矩阵S;构造实傅里叶字典Φ;构建缺损回波矩阵Sr每个距离单元的稀疏信号表征模型;构建干扰向量ε的高斯混合模型;构建权向量ωq的伽马过程‑高斯层级先验;利用最大后验‑期望最大MAP‑EM算法计算Sr每个距离单元散射点分布的权向量;构造复权值矩阵Wc;获取运动目标的二维逆合成孔径雷达ISAR成像结果。本发明能够在非高斯强干扰及噪声环境下获得聚焦良好的ISAR像,可用于空间与空中目标监视。
Description
技术领域
本发明属于雷达信号处理技术领域,涉及一种逆合成孔径雷达ISAR高分辨成像方法,具体涉及一种基于环境统计建模的ISAR高分辨成像方法,可用于非高斯干扰及噪声条件下的空间与空中目标监视。
背景技术
由于具有全天时、全天候和高分辨率等特点,逆合成孔径雷达ISAR目前已在军事和民用领域获得了广泛应用。逆合成孔径雷达ISAR通过发射宽带信号获得高距离分辨率,利用雷达与目标间的相对运动获得高方位分辨率,进而获得目标的二维高分辨图像。传统逆合成孔径雷达ISAR成像算法主要基于傅里叶变换,对应分辨率较低,旁瓣较高,并且不适用于缺损回波成像。随后,基于现代谱估计的方法使成像分辨率有了显著提高,但仅适用于高信噪比条件。
为了在低信噪比、回波缺损条件下实现逆合成孔径雷达ISAR高分辨成像,近年来又提出基于稀疏信号重构理论的ISAR高分辨成像方法。例如,李文静,陈红卫在其发表的论文“一种基于压缩感知的ISAR成像方法”(《计算机仿真》,2015,32(8):10-13,62)中,公开了一种基于压缩感知的ISAR成像方法,该方法首先对回波信号进行去斜处理,通过二维稀疏采样得到观测信号,进而采用正交匹配追踪OMP算法对观测信号重构,最终实现逆合成孔径雷达ISAR成像。虽然该方法能够在回波缺损的情况下实现二维高分辨成像,但在较低信噪比条件下,成像质量较差。
又如,王天云,陆新飞,孙麟,陈畅,陈卫东在其发表的论文“基于贝叶斯压缩感知的ISAR自聚焦成像”(《电子与信息学报》,2015,(11):2719-2726)中,公开了一种基于稀疏贝叶斯学习的ISAR自聚焦成像方法,该方法首先对散射点分布建立伽马-高斯层级先验,进而依据最大后验MAP准则求解模型参数,最终实现逆合成孔径雷达ISAR成像。虽然该方法能够在较低信噪比条件下实现缺损回波的二维成像,但由于假设回波中仅存在高斯噪声,因此当观测环境中存在非高斯的强干扰时,很难获得聚焦良好的逆合成孔径雷达ISAR像。
发明内容
本发明的目的在于克服上述现有技术中存在的缺陷,提出一种基于环境统计建模的ISAR高分辨成像方法,用于解决当观测环境中存在非高斯强干扰时,现有技术无法获得聚焦良好的逆合成孔径雷达ISAR像的问题。
本发明的技术思路是:根据回波信号模型,首先将逆合成孔径雷达ISAR成像问题转化为稀疏信号表征问题,接着对非高斯的干扰向量建立高斯混合模型,并对每个距离单元散射点分布的权向量建立伽马过程-高斯层级先验,进而采用最大后验-期望最大MAP-EM算法求解每个距离单元散射点分布的权向量,最终实现强干扰环境下的高分辨二维成像,具体实现步骤为:
(1)获取运动目标的缺损回波矩阵Sr:
逆合成孔径雷达ISAR向运动目标发射线性调频信号,并接收干扰环境下运动目标维数为Nr×Na的缺损回波矩阵Sr,其中,Nr表示缺损回波矩阵Sr的距离单元数,Na表示缺损回波矩阵Sr的方位单元数;
(2)获取有效回波矩阵Se:
沿距离向对缺损回波矩阵Sr进行脉冲压缩,得到距离脉冲压缩后的缺损回波矩阵Spc,并剔除Spc中缺损的列向量,得到维数为Nr×N的有效回波矩阵Se,其中,N表示有效方位单元数;
(3)获取实转置回波矩阵S:
对有效回波矩阵Se进行转置,得到复转置回波矩阵Sc,并通过Sc构造维数为2N×Nr的实转置回波矩阵S:
其中,Re(·)表示取实部操作,Im(·)表示取虚部操作;
(4)构造实傅里叶字典Φ:
(4a)以为元素,构造维数为Na×Na的复傅里叶字典Φc,并剔除Φc中与缺损回波矩阵Sr的缺损列序号相对应的行,得到维数为N×Na的有效傅里叶字典Φe,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Φc行的序号,n表示复傅里叶字典Φc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];
(4b)通过Φe构造实傅里叶字典Φ:
(5)构建缺损回波矩阵Sr每个距离单元的稀疏信号表征模型:
通过实傅里叶字典Φ和实转置回波矩阵S,构建缺损回波矩阵Sr中第q个距离单元的稀疏信号表征模型:
Sf=Φωq+ε
其中,Sf表示实转置回波矩阵S的第f个列向量,ωq表示缺损回波矩阵Sr第q个距离单元散射点分布的权向量,ε表示干扰向量,f=q=1,…,Nr;
(6)构建干扰向量ε的高斯混合模型:
构建干扰向量ε的高斯混合模型,该模型包含干扰向量ε的第i个元素εi的概率分布p(εi|π,μ,α)、精度向量α的第j个元素αj的先验分布p(αj)和混合系数π的先验分布p(π),其中:
干扰向量ε的第i个元素εi的概率分布p(εi|π,μ,α)的表达式为:
其中,J表示干扰向量ε的聚类数,πj表示混合系数π的第j个元素,μj表示均值向量μ的第j个元素,αj表示精度向量α的第j个元素,N(·)表示高斯分布的概率密度,∑表示求和操作,i=1,…,2N,j=1,…,J;
精度向量α的第j个元素αj的先验分布p(αj)的表达式为:
p(αj)=Gam(αj|a,b)
其中,a和b表示精度向量α的第j个元素αj的超参数,Gam(·)表示伽马分布的概率密度;
混合系数π的先验分布p(π)的表达式为:
p(π)=Dir(π|γ1,...,γJ)
其中,γ1,...,γJ表示混合系数π的超参数,Dir(·)表示狄利克雷分布的概率密度;
(7)构建权向量ωq的伽马过程-高斯层级先验:
构建权向量ωq的伽马过程-高斯层级先验,该先验包含权向量ωq的先验分布p(ωq)和协方差矩阵∑第d个对角线元素ηd的先验分布p(ηd),其中:
权向量ωq的先验分布p(ωq)的表达式为:
p(ωq)=N(ωq|0,∑)
其中,协方差矩阵∑为对角阵;
协方差矩阵∑第d个对角线元素ηd的先验分布p(ηd)的表达式为:
p(ηd)=Gam(ηd|P,1)
其中,P表示协方差矩阵∑第d个对角线元素ηd的超参数,d=1,…,2Na;
(8)利用最大后验-期望最大MAP-EM算法计算Sr每个距离单元散射点分布的权向量:
(8a)令Sr初始距离单元序号为q=1;
(8b)令初始迭代次数为t=1,并初始化参数:
在Sr第q个距离单元中,令干扰向量ε的聚类数J的初始值为10,令均值向量μ包含元素的个数为10,且各元素的初始值为随机值,令精度向量α包含元素的个数为10,且各元素的初始值均为0.01,令协方差矩阵∑的初始值为对角线元素均为100的维数为2Na×2Na的对角阵,令混合系数π的超参数γ1,...,γJ均为1,令精度向量α每个元素的超参数a和b均为10-4,令协方差矩阵∑每个对角线元素的超参数P均为1/2Na,令类别矩阵L的初始值的维数为2N×10,且类别矩阵L每行中仅有一个元素为1,其余元素均为0,每行非零元素的列序号在整数[1,10]中随机产生;
(8d)更新类别矩阵L(t)、干扰向量ε的聚类数J(t)、混合系数π(t)、均值向量μ(t)和精度向量α(t);
(8e)判断当前迭代次数t>1是否成立,若是,执行步骤(8f);否则,令t=t+1,并执行步骤(8c);
(9)构造复权值矩阵Wc:
Wc=W1+jW2
其中,W1表示实权值矩阵W第1,…,Na行元素构成的矩阵,W2表示实权值矩阵W第Na+1,…,2Na行元素构成的矩阵;
(10)获取运动目标的二维逆合成孔径雷达ISAR成像结果:
对复权值矩阵Wc进行转置,得到干扰环境下运动目标的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:
(1)本发明对干扰向量建立高斯混合模型,能够对任意形式的统计分布进行逼近,克服了现有技术对干扰向量所建模型不够准确,成像效果差的问题;
(2)本发明对每个距离单元散射点分布的权向量建立伽马过程-高斯层级先验,克服了现有技术对权向量所建模型稀疏表征能力不足、对数据表示不够灵活的问题,在干扰形式未知,低信干(噪)比环境下能获得聚焦良好的ISAR像。
附图说明
图1为本发明的实现流程图;
图2为本发明的仿真图,其中图2(a)为距离脉冲压缩后的缺损回波的仿真图,图2(b)为利用现有技术中的正交匹配追踪OMP方法对缺损回波重构后的成像结果仿真图,图2(c)为利用现有技术中的相关向量机RVM对缺损回波重构后的成像结果仿真图,图2(d)为利用本发明对缺损回波重构后的成像结果仿真图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,一种基于环境统计建模的ISAR高分辨成像方法,包括如下步骤:
步骤1)获取运动目标的缺损回波矩阵Sr:
逆合成孔径雷达ISAR向运动目标发射线性调频信号,并接收干扰环境下运动目标维数为Nr×Na的缺损回波矩阵Sr,其中,Nr表示缺损回波矩阵Sr的距离单元数,Na表示缺损回波矩阵Sr的方位单元数,在本实施例中,Nr=256,Na=512;
步骤2)获取有效回波矩阵Se:
沿距离向对缺损回波矩阵Sr进行脉冲压缩,得到距离脉冲压缩后的缺损回波矩阵Spc,并剔除Spc中缺损的列向量,得到维数为Nr×N的有效回波矩阵Se,其中,N表示有效方位单元数,在本实施例中,N=256;
其中,距离脉冲压缩后的缺损回波矩阵Spc,实现步骤为:
(2a)将逆合成孔径雷达ISAR全场景中心的距离作为参考距离,并选取载频和调频率与逆合成孔径雷达ISAR发射信号相同,且距离为参考距离的线性调频信号作为参考信号Sref;
(2b)将参考信号Sref取共轭后与接收的缺损回波矩阵Sr相乘,得到解线频调后的信号Sde,并对Sde沿快时间维作傅里叶变换,得到距离脉冲压缩后的缺损回波矩阵Spc;
步骤3)获取实转置回波矩阵S:
对有效回波矩阵Se进行转置,得到复转置回波矩阵Sc,并通过Sc构造维数为2N×Nr的实转置回波矩阵S:
其中,Re(·)表示取实部操作,Im(·)表示取虚部操作;
步骤4)构造实傅里叶字典Φ:
(4a)以为元素,构造维数为Na×Na的复傅里叶字典Φc,并剔除Φc中与缺损回波矩阵Sr的缺损列序号相对应的行,得到维数为N×Na的有效傅里叶字典Φe,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Φc行的序号,n表示复傅里叶字典Φc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];
(4b)通过Φe构造实傅里叶字典Φ:
步骤5)构建缺损回波矩阵Sr每个距离单元的稀疏信号表征模型:
通过实傅里叶字典Φ和实转置回波矩阵S,构建缺损回波矩阵Sr中第q个距离单元的稀疏信号表征模型:
Sf=Φωq+ε
其中,Sf表示实转置回波矩阵S的第f个列向量,ωq表示缺损回波矩阵Sr第q个距离单元散射点分布的权向量,ε表示干扰向量,f=q=1,…,Nr;
步骤6)构建干扰向量ε的高斯混合模型:
由于干扰向量ε的统计特性未知,而高斯混合模型能够灵活地近似各种概率分布,因此构建干扰向量ε的高斯混合模型,该模型包含干扰向量ε的第i个元素εi的概率分布p(εi|π,μ,α)、精度向量α的第j个元素αj的先验分布p(αj)和混合系数π的先验分布p(π),其中:
干扰向量ε的第i个元素εi的概率分布p(εi|π,μ,α)的表达式为:
其中,J表示干扰向量ε的聚类数,πj表示混合系数π的第j个元素,μj表示均值向量μ的第j个元素,αj表示精度向量α的第j个元素,N(·)表示高斯分布的概率密度,∑表示求和操作,i=1,…,2N,j=1,…,J;
精度向量α的第j个元素αj的先验分布p(αj)的表达式为:
p(αj)=Gam(αj|a,b)
其中,a和b表示精度向量α的第j个元素αj的超参数,Gam(·)表示伽马分布的概率密度;
混合系数π的先验分布p(π)的表达式为:
p(π)=Dir(π|γ1,...,γJ)
其中,γ1,...,γJ表示混合系数π的超参数,Dir(·)表示狄利克雷分布的概率密度;
步骤7)构建权向量ωq的伽马过程-高斯层级先验:
为了使权向量ωq更加稀疏、模型更加灵活,构建权向量ωq的伽马过程-高斯层级先验,该先验包含权向量ωq的先验分布p(ωq)和协方差矩阵∑第d个对角线元素ηd的先验分布p(ηd),其中:
权向量ωq的先验分布p(ωq)的表达式为:
p(ωq)=N(ωq|0,∑)
其中,协方差矩阵∑为对角阵;
协方差矩阵∑第d个对角线元素ηd的先验分布p(ηd)的表达式为:
p(ηd)=Gam(ηd|P,1)
其中,P表示协方差矩阵∑第d个对角线元素ηd的超参数,d=1,…,2Na;
步骤8)利用最大后验-期望最大MAP-EM算法计算Sr每个距离单元散射点分布的权向量:
(8a)令Sr初始距离单元序号为q=1;
(8b)令初始迭代次数为t=1,并初始化参数:
在Sr第q个距离单元中,令干扰向量ε的聚类数J的初始值为10,令均值向量μ包含元素的个数为10,且各元素的初始值为随机值,令精度向量α包含元素的个数为10,且各元素的初始值均为0.01,令协方差矩阵∑的初始值为对角线元素均为100的维数为2Na×2Na的对角阵,令混合系数π的超参数γ1,...,γJ均为1,令精度向量α每个元素的超参数a和b均为10-4,令协方差矩阵∑每个对角线元素的超参数P均为1/2Na,令类别矩阵L的初始值的维数为2N×10,且类别矩阵L每行中仅有一个元素为1,其余元素均为0,每行非零元素的列序号在整数[1,10]中随机产生;
其中,γj表示混合系数π的超参数,Na表示缺损回波矩阵Sr的方位单元数;
其中,∑表示协方差矩阵,表示第t-1次迭代的协方差期望,ψ=[ψ1,...,ψi,...,ψ2N]表示过渡变量,且 表示精度向量α(t-1)的第j个元素,表示实傅里叶字典Φ的第i行,I表示单位矩阵,表示实转置回波矩阵S的第f个列向量的第i个元素,表示均值向量μ(t-1)的第j个元素,[·]-1表示矩阵求逆操作,T表示转置操作,f=q;
其中,a和b表示精度向量α第j个元素αj的超参数;
其中,N(·)表示高斯分布的概率密度;
(8d)更新类别矩阵L(t)、干扰向量ε的聚类数J(t)、混合系数π(t)、均值向量μ(t)和精度向量α(t),实现步骤为:
(8d1)以类别矩阵L(t)第1,…,2N行中最大元素对应列的序号M1,…,M2N为元素构造标签向量[M1,…,M2N]T;
(8d2)对比序号1,…,J(t-1)与标签向量[M1,…,M2N]T,得到r个序号l1,…,lr,其中,l1,…,lr表示序号1,…,J(t-1)在标签向量[M1,…,M2N]T中未出现过的序号;
(8d3)剔除类别矩阵L(t)的第l1,…,lr个列向量以及混合系数π(t)、均值向量μ(t)和精度向量α(t)的第l1,…,lr个元素,得到剔除后的类别矩阵L(t)′、剔除后的混合系数π(t)′、剔除后的均值向量μ(t)′和剔除后的精度向量α(t)′,将剔除后的类别矩阵L(t)′的每个元素除以所在行元素之和,得到归一化剔除后的类别矩阵L(t)″;
(8d4)更新类别矩阵L(t)=L(t)″,更新干扰向量ε的聚类数J(t)=J(t-1)-r,更新混合系数π(t)=π(t)′,更新均值向量μ(t)=μ(t)′,更新精度向量α(t)=α(t)′;
(8e)判断当前迭代次数t>1是否成立,若是,执行步骤(8f);否则,令t=t+1,并执行步骤(8c):
步骤9)构造复权值矩阵Wc:
Wc=W1+jW2
其中,W1表示实权值矩阵W第1,…,Na行元素构成的矩阵,W2表示实权值矩阵W第Na+1,…,2Na行元素构成的矩阵;
步骤10)获取运动目标的二维逆合成孔径雷达ISAR成像结果:
对复权值矩阵Wc进行转置,得到干扰环境下运动目标的二维高分辨逆合成孔径雷达ISAR成像结果。
以下结合仿真实验,对本发明的技术效果作进一步说明。
1.仿真条件和内容:
本发明的仿真实验采用工作在C波段的雷达,对应载频为10GHZ,带宽为0.4GHZ。目标长度为8.75米,翼展宽度为6米,回波数据的缺损率为50%。
仿真1,对距离脉冲压缩后的回波数据的第1~80列、207~320列以及451~512列产生缺损,并添加射频干扰,绘制距离脉冲压缩后的缺损回波的仿真图,其结果如图2(a)所示;
仿真2,利用现有技术中的正交匹配追踪OMP方法对缺损回波进行重构,绘制成像结果仿真图,其结果如图2(b)所示;
仿真3,利用现有技术中的相关向量机RVM对缺损回波进行重构,绘制成像结果仿真图,其结果如图2(c)所示;
仿真4,利用本发明对缺损回波进行重构,绘制成像结果仿真图,其结果如图2(d)所示。
2.仿真结果分析:
图2(a)为缺损率为50%的距离脉冲压缩后的缺损回波的仿真图,图2(a)中的横坐标表示距离脉冲压缩后的缺损回波的慢时间,纵坐标表示距离脉冲压缩后的缺损回波的距离单元。
图2(b)为利用现有技术中的正交匹配追踪OMP方法对缺损回波重构后的成像结果仿真图,图2(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,可以看出利用现有的正交匹配追踪OMP方法得到的成像结果仿真图在第240到280列附近具有强干扰,虚假点较多,无法清楚地呈现目标的几何结构。
图2(c)为利用现有技术中的相关向量机RVM对缺损回波重构后的成像结果仿真图,图2(c)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,可以看出利用现有的相关向量机RVM得到的成像结果仿真图受到残留干扰信号的影响,同样无法清楚地呈现目标的几何结构。
图2(d)为利用本发明对缺损回波重构后的成像结果仿真图,图2(d)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,与图2(b)和图2(c)对比可得,相比于现有技术中的正交匹配追踪OMP方法和相关向量机RVM重构后的成像结果仿真图,利用本发明得到的重构后的成像结果仿真图能够清楚地呈现目标的几何结构,虚假点少,图像聚焦良好,分辨率显著提高。
由上述仿真结果表明,采用本发明得到的逆合成孔径雷达ISAR成像结果优于其它现有技术的逆合成孔径雷达ISAR成像结果。因此,与现有技术相比,本发明能够实现准确地环境统计建模及散射点先验的灵活建模,在强干扰环境下获得目标聚焦良好的ISAR像。
Claims (4)
1.一种基于环境统计建模的ISAR高分辨成像方法,其特征在于,包括如下步骤:
(1)获取运动目标的缺损回波矩阵Sr:
逆合成孔径雷达ISAR向运动目标发射线性调频信号,并接收干扰环境下运动目标维数为Nr×Na的缺损回波矩阵Sr,其中,Nr表示缺损回波矩阵Sr的距离单元数,Na表示缺损回波矩阵Sr的方位单元数;
(2)获取有效回波矩阵Se:
沿距离向对缺损回波矩阵Sr进行脉冲压缩,得到距离脉冲压缩后的缺损回波矩阵Spc,并剔除Spc中缺损的列向量,得到维数为Nr×N的有效回波矩阵Se,其中,N表示有效方位单元数;
(3)获取实转置回波矩阵S:
对有效回波矩阵Se进行转置,得到复转置回波矩阵Sc,并通过Sc构造维数为2N×Nr的实转置回波矩阵S:
其中,Re(·)表示取实部操作,Im(·)表示取虚部操作;
(4)构造实傅里叶字典Φ:
(4a)以为元素,构造维数为Na×Na的复傅里叶字典Φc,并剔除Φc中与缺损回波矩阵Sr的缺损列序号相对应的行,得到维数为N×Na的有效傅里叶字典Φe,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Φc行的序号,n表示复傅里叶字典Φc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];
(4b)通过Φe构造实傅里叶字典Φ:
(5)构建缺损回波矩阵Sr每个距离单元的稀疏信号表征模型:
通过实傅里叶字典Φ和实转置回波矩阵S,构建缺损回波矩阵Sr中第q个距离单元的稀疏信号表征模型:
Sf=Φωq+ε
其中,Sf表示实转置回波矩阵S的第f个列向量,ωq表示缺损回波矩阵Sr第q个距离单元散射点分布的权向量,ε表示干扰向量,f=q=1,…,Nr;
(6)构建干扰向量ε的高斯混合模型:
构建干扰向量ε的高斯混合模型,该模型包含干扰向量ε的第i个元素εi的概率分布p(εi|π,μ,α)、精度向量α的第j个元素αj的先验分布p(αj)和混合系数π的先验分布p(π),其中:
干扰向量ε的第i个元素εi的概率分布p(εi|π,μ,α)的表达式为:
其中,J表示干扰向量ε的聚类数,πj表示混合系数π的第j个元素,μj表示均值向量μ的第j个元素,αj表示精度向量α的第j个元素,N(·)表示高斯分布的概率密度,Σ表示求和操作,i=1,…,2N,j=1,…,J;
精度向量α的第j个元素αj的先验分布p(αj)的表达式为:
p(αj)=Gam(αj|a,b)
其中,a和b表示精度向量α的第j个元素αj的超参数,Gam(·)表示伽马分布的概率密度;
混合系数π的先验分布p(π)的表达式为:
p(π)=Dir(π|γ1,...,γJ)
其中,γ1,...,γJ表示混合系数π的超参数,Dir(·)表示狄利克雷分布的概率密度;
(7)构建权向量ωq的伽马过程-高斯层级先验:
构建权向量ωq的伽马过程-高斯层级先验,该先验包含权向量ωq的先验分布p(ωq)和协方差矩阵Σ第d个对角线元素ηd的先验分布p(ηd),其中:
权向量ωq的先验分布p(ωq)的表达式为:
p(ωq)=N(ωq|0,Σ)
其中,协方差矩阵Σ为对角阵;
协方差矩阵Σ第d个对角线元素ηd的先验分布p(ηd)的表达式为:
p(ηd)=Gam(ηd|P,1)
其中,P表示协方差矩阵Σ第d个对角线元素ηd的超参数,d=1,…,2Na;
(8)利用最大后验-期望最大MAP-EM算法计算Sr每个距离单元散射点分布的权向量:
(8a)令Sr初始距离单元序号为q=1;
(8b)令初始迭代次数为t=1,并初始化参数:
在Sr第q个距离单元中,令干扰向量ε的聚类数J的初始值为10,令均值向量μ包含元素的个数为10,且各元素的初始值为随机值,令精度向量α包含元素的个数为10,且各元素的初始值均为0.01,令协方差矩阵Σ的初始值为对角线元素均为100的维数为2Na×2Na的对角阵,令混合系数π的超参数γ1,...,γJ均为1,令精度向量α每个元素的超参数a和b均为10-4,令协方差矩阵Σ每个对角线元素的超参数P均为1/2Na,令类别矩阵L的初始值的维数为2N×10,且类别矩阵L每行中仅有一个元素为1,其余元素均为0,每行非零元素的列序号在整数[1,10]中随机产生;
(8d)更新类别矩阵L(t)、干扰向量ε的聚类数J(t)、混合系数π(t)、均值向量μ(t)和精度向量α(t);
(8e)判断当前迭代次数t>1是否成立,若是,执行步骤(8f);否则,令t=t+1,并执行步骤(8c);
(9)构造复权值矩阵Wc:
Wc=W1+jW2
其中,W1表示实权值矩阵W第1,…,Na行元素构成的矩阵,W2表示实权值矩阵W第Na+1,…,2Na行元素构成的矩阵;
(10)获取运动目标的二维逆合成孔径雷达ISAR成像结果:
对复权值矩阵Wc进行转置,得到干扰环境下运动目标的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所述基于环境统计建模的ISAR高分辨成像方法,其特征在于,步骤(2)中所述的距离脉冲压缩后的缺损回波矩阵Spc,实现步骤为:
(2a)将逆合成孔径雷达ISAR至场景中心的距离作为参考距离,并选取载频和调频率与逆合成孔径雷达ISAR发射信号相同,且距离为参考距离的线性调频信号作为参考信号Sref;
(2b)将参考信号Sref取共轭后与接收的缺损回波矩阵Sr相乘,得到解线频调后的信号Sde,并对Sde沿快时间维作傅里叶变换,得到距离脉冲压缩后的缺损回波矩阵Spc。
3.根据权利要求1所述基于环境统计建模的ISAR高分辨成像方法,其特征在于,步骤(8c)中所述的计算干扰向量ε第j个聚类的有效数目混合系数π(t)、Sr第q个距离单元散射点分布的权向量均值向量μ(t)、精度向量α(t)、类别矩阵L(t)和协方差期望的值,计算公式分别为:
其中,γj表示混合系数π的超参数,Na表示缺损回波矩阵Sr的方位单元数;
其中,Σ表示协方差矩阵,表示第t-1次迭代的协方差期望,ψ=[ψ1,...,ψi,...,ψ2N]表示过渡变量,且 表示精度向量α(t-1)的第j个元素,表示实傅里叶字典Φ的第i行,I表示单位矩阵,表示实转置回波矩阵S的第f个列向量的第i个元素,表示均值向量μ(t-1)的第j个元素,[·]-1表示矩阵求逆操作,T表示转置操作,f=q;
其中,a和b表示精度向量α第j个元素αj的超参数;
其中,N(·)表示高斯分布的概率密度;
4.根据权利要求1所述基于环境统计建模的ISAR高分辨成像方法,其特征在于,步骤(8d)中所述的更新类别矩阵L(t)、干扰向量ε的聚类数J(t)、混合系数π(t)、均值向量μ(t)和精度向量α(t),实现步骤为:
(8d1)以类别矩阵L(t)第1,…,2N行中最大元素对应列的序号M1,…,M2N为元素构造标签向量[M1,…,M2N]T;
(8d2)对比序号1,,J(t-1)与标签向量[M1,…,M2N]T,得到r个序号l1,…,lr,其中,l1,…,lr表示序号1,…,J(t-1)在标签向量[M1,…,M2N]T中未出现过的序号;
(8d3)剔除类别矩阵L(t)的第l1,…,lr个列向量以及混合系数π(t)、均值向量μ(t)和精度向量α(t)的第l1,…,lr个元素,得到剔除后的类别矩阵L(t)′、剔除后的混合系数π(t)′、剔除后的均值向量μ(t)′和剔除后的精度向量α(t)′,将剔除后的类别矩阵L(t)′的每个元素除以所在行元素之和,得到归一化剔除后的类别矩阵L(t)″;
(8d4)更新类别矩阵L(t)=L(t)″,更新干扰向量ε的聚类数J(t)=J(t-1)-r,更新混合系数π(t)=π(t)′,更新均值向量μ(t)=μ(t)′,更新精度向量α(t)=α(t)′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173062.5A CN109932717B (zh) | 2019-03-07 | 2019-03-07 | 基于环境统计建模的isar高分辨成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173062.5A CN109932717B (zh) | 2019-03-07 | 2019-03-07 | 基于环境统计建模的isar高分辨成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109932717A CN109932717A (zh) | 2019-06-25 |
CN109932717B true CN109932717B (zh) | 2022-09-06 |
Family
ID=66986716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910173062.5A Active CN109932717B (zh) | 2019-03-07 | 2019-03-07 | 基于环境统计建模的isar高分辨成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109932717B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244303B (zh) * | 2019-07-12 | 2020-12-25 | 中国人民解放军国防科技大学 | 基于sbl-admm的稀疏孔径isar成像方法 |
CN111080674B (zh) * | 2019-12-18 | 2023-11-14 | 上海无线电设备研究所 | 一种基于混合高斯模型的多目标isar关键点提取方法 |
CN111025257B (zh) * | 2019-12-31 | 2023-03-10 | 西安电子科技大学 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
CN111781598B (zh) * | 2020-07-10 | 2023-03-14 | 西安电子科技大学 | 基于dsn的高分辨二维isar成像方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759264A (zh) * | 2016-01-19 | 2016-07-13 | 西安电子科技大学 | 基于时频字典的微动目标缺损回波高分辨成像方法 |
US9791563B1 (en) * | 2014-01-08 | 2017-10-17 | National Technology & Engineering Solutions Of Sandia, Llc | Joint synthetic aperture radar plus ground moving target indicator from single-channel radar using compressive sensing |
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 |
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 |
-
2019
- 2019-03-07 CN CN201910173062.5A patent/CN109932717B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9791563B1 (en) * | 2014-01-08 | 2017-10-17 | National Technology & Engineering Solutions Of Sandia, Llc | Joint synthetic aperture radar plus ground moving target indicator from single-channel radar using compressive sensing |
CN105759264A (zh) * | 2016-01-19 | 2016-07-13 | 西安电子科技大学 | 基于时频字典的微动目标缺损回波高分辨成像方法 |
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 |
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)
Title |
---|
一种基于压缩感知的机动目标高分辨成像方法;李少东等;《空军预警学院学报》;20151031;第29卷(第5期);第313-317页 * |
基于压缩感知理论的雷达成像技术与应用研究进展;李少东等;《电子与信息学报》;20160228;第38卷(第2期);第495-508页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109932717A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109932717B (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
US6437728B1 (en) | A-scan ISAR target recognition system and method | |
CN104504393B (zh) | 基于集成学习的极化sar图像半监督分类方法 | |
CN111580104B (zh) | 基于参数化字典的机动目标高分辨isar成像方法 | |
Wang et al. | SAR target recognition based on probabilistic meta-learning | |
CN108646247B (zh) | 基于伽马过程线性回归的逆合成孔径雷达成像方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN109840542B (zh) | 基于极化特征的自适应维度决策树分类方法 | |
CN108776339B (zh) | 基于块稀疏迭代阈值处理的单比特合成孔径雷达成像方法 | |
CN108154511B (zh) | 基于子模字典学习的sar图像分割方法 | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
Wang et al. | A novel STAP method based on structured sparse recovery of clutter spectrum | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN109766899B (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 | |
CN110082765B (zh) | 基于三维重构的空间目标姿态外推方法 | |
CN114910905A (zh) | 相似性约束下geo星机双基sar动目标智能成像方法 | |
Dong et al. | A new image simulation technique for deep-learning-based radar target recognition | |
CN107403136A (zh) | 基于结构保持字典学习的sar目标型号识别方法 | |
CN110471026B (zh) | 一种相位增强的米波雷达目标低仰角doa估计方法 | |
Ouyang et al. | Cryo-electron microscope image denoising based on the geodesic distance | |
CN110135280B (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 |
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 |