CN110780274B - 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 - Google Patents
一种用于扫描雷达的改进l1正则化方位超分辨成像方法 Download PDFInfo
- Publication number
- CN110780274B CN110780274B CN201911065607.7A CN201911065607A CN110780274B CN 110780274 B CN110780274 B CN 110780274B CN 201911065607 A CN201911065607 A CN 201911065607A CN 110780274 B CN110780274 B CN 110780274B
- Authority
- CN
- China
- Prior art keywords
- regularization
- norm
- iteration
- target
- super
- 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
-
- 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
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/32—Shaping echo pulse signals; Deriving non-pulse signals from echo pulse signals
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
本发明公开一种用于扫描雷达的改进L1正则化方位超分辨成像方法,应用于雷达成像领域,为了提高传统L1正则化算法在实际工作环境下的抗噪性能,本发明首先建立机载扫描雷达回波建立卷积模型,将前视方位超分辨成像问题转化为卷积反演问题;然后在正则化框架下,引入L1范数来表征目标的稀疏先验信息,将卷积反演转化为凸优化问题;最后将截断奇异值分解方法处理的结果作为迭代初始项,采用迭代重加权范数的方法求解目标函数,本发明通过在迭代初始项中引入截断奇异值分解的结果,在初始化的过程中将噪声的幅度大幅削减,避免了在迭代过程中因噪声放大而导致的虚假目标的出现,相比于传统的L1正则化方法,有效提高了对噪声的鲁棒性,增强了L1正则化方法的实用性。
Description
技术领域
本发明属于雷达成像领域,特别涉及一种适合于机载扫描雷达前视方位超分辨成像技术。
背景技术
雷达前视成像在全天候自主着陆、对地攻击等领域有重要应用价值。然而现有的合成孔径和多普勒锐化等技术,受机理限制,在飞行前方方位分辨率较低,并不具备前视成像能力。因此,需要探索新的技术途径,改进前视雷达方位分辨能力。
文献“Zhao,Kang,and Jianguo Wang."Improved wiener filter super-resolution algorithm for passive millimeter wave imaging."2011IEEE CIEInternational Conference on Radar,vol.2, pp.1768-1771.IEEE,2011.”中,提出了一种基于维纳逆滤波的雷达超分辨成像方法,但是该方法仅仅在雷达回波信噪比大于30dB情况下可实现方位向超分辨,难以满足实际工程应用。在文献“Huang Y,Zha Y,Wang Y,etal.Forward Looking Radar Imaging by Truncated Singular Value Decompositionand Its Application for Adverse Weather Aircraft Landing[J]. 2015,15(6):14397-14414.”,采用截断奇异值分解(TSVD)的方法,通过截断较小奇异值来抑制噪声放大,从而实现方位超分辨。该方法虽然取得了良好的抑制效果,但是没有考虑目标的先验信息,导致分辨率提升有限。在文献“邹建武,祝明波,李蔚,和董巍."用于雷达方位超分辨的L1范数正则化及其约束方法."电光与控制22,no.8(2015):33-36.”中,提出了一种基于L1范数正则化的方位超分辨成像方法,该方法通过添加稀疏先验,引入L1范数约束,取得了较好的角度分辨率。但是受作用距离、发射功率、环境噪声等诸多因素的制约,实际应用环境中的回波信噪比较低,该方法易出现虚假目标。
发明内容
为解决上述技术问题,本发明提出一种用于扫描雷达的改进L1正则化方位超分辨成像方法,有效抑制了虚假目标的出现。
本发明采用的技术方案为:一种用于扫描雷达的改进L1正则化方位超分辨成像方法,包括:
S1、对接收到的回波信号进行预处理;
S2、基于步骤S1的处理结果,采用L1范数作为惩罚项构造目标函数;
S3、对卷积测量矩阵进行奇异值分解;
S4、确定最优的截断参数;
S5、将根据步骤S4的截断参数得到的截断奇异值分解结果作为迭代初始值;
S6、通过迭代运算,得到超分辨结果。
进一步地,步骤S4通过广义交叉验证函数确定最优的截断参数。
更进一步地,所述最优的截断参数表达式为:
进一步地,步骤S2具体为:
S21、将步骤S1得到的回波信号转化为卷积形式;
S22、对步骤S21中的卷积形式,在正则化框架下,选择L1范数作为正则化项,构建目标函数。
进一步地,步骤S6具体为:采用迭代重加权范数的方法,构造迭代因子,用一系列L2范数最小值近似L1范数的最小值,从而得到目标的最优解。
本发明的有益效果:本发明的一种用于扫描雷达的改进L1正则化方位超分辨成像方法,将迭代的初始项选择为截断奇异值分解(TSVD)方法处理后的结果;然后采用迭代重加权范数的方法,构造相应的迭代因子,用一系列L2范数的最小值去近似L1范数的最小值,从而得到目标函数的最优解,实现方位超分辨成像;由于TSVD方法的引入,使得噪声在初始化的过程中被有效的削弱,算法的抗噪性能得到增强。
附图说明
图1为本发明提供方法的流程图;
图2为机载扫描雷达运动模型;
图3为SNR=5dB环境下仿真成像结果;
其中,图3(a)为目标的原始场景,图3(b)为SNR=5dB环境下的回波,图3(c)为 SNR=5dB环境下传统L1正则化方法的结果,图3(d)为SNR=5dB环境下本发明方法的结果。
具体实施方式
本发明采用仿真实验来论证提出方法的有效性,本发明所有的步骤、结论都在Matlab2012仿真平台上进行验证。
为了方便本领域的相关人员能够理解发明内容,下面结合附图1-3对本发明的内容作进一步阐述。如图1所示为本发明的方法流程图,本发明的一种用于扫描雷达的改进L1正则化超分辨成像方法,实现过程包括以下步骤:
S1、回波数据获取与预处理
本发明采用机载扫描雷达运动模型,如图2所示。机载平台的具体系统参数如表1所示。
表1雷达系统仿真参数表
仿真参数 | 数值 |
载频 | 10GHz |
时宽 | 2us |
带宽 | 75MHz |
运动速度 | 75m/s |
脉冲重复频率 | 1000Hz |
扫描速度 | 30°/s |
扫描范围 | ±10° |
依据表1中的参数,发射线性调频脉冲:
经过下变频,接收到的雷达回波信号表示为:
其中,τ是距离向时间采样向量,t表示方位向时间采样向量,x0是场景中目标点的散射系数,w(t)是天线方向图函数调制,rect(·)是矩形窗函数,Tp是发射信号的脉冲时宽,λ是载频波长,c是电磁波传播速度,f0是载频,k是线性调频率,n(τ,t)是加性高斯白噪声。目标的距离历史为R0表示目标起始距离,v表示机载平台运动速度,θ0表示目标空间方位角。
其中,n2(τ,t)表示脉冲压缩后回波中的噪声。
并将脉冲压缩压后的回波进行尺度变换,得到距离走动校正后的回波:
其中,n3(τ,t)表示距离走动校正后回波中的噪声。
S2、选择L1范数作为正则化项,建立目标函数
将式(4)的回波进行简化处理后,得到下面的卷积形式:
g=Hx+n (5)
其中,g表示接收的方位向回波向量, g=[g(1,1) g(1,2) … g(1,N) … g(M,N)]T,x表示目标散射系数分布, x=[x(1,1) x(1,2) … x(1,N) … x(M,N)]T,n表示噪声向量,n=[n(1,1) n(1,2) … n(1,N) … n(M,N)]T,M和N分别表示距离向和方位向采样点数,H表示由天线方向图函数构成的卷积测量矩阵,H的表达式为:
其中,[h-l…h0…hl]表示对天线方向图函数w(t)的采样,采样点数为F。回波进行建模简化后,目前问题转化为在已知回波g和卷积矩阵H的条件下,尽可能求解出目标散射系数x。
本发明采用正则化解卷积的方法,选择L1范数作为惩罚项,构建下面的目标函数:
通过目标函数的建立,将卷积反演问题转化为凸优化问题。
S3、卷积矩阵进行奇异值分解
利用奇异值分解(SVD,Singular Value Decomposition)理论对卷积测量矩阵进行奇异值分解:
其中,U=(u1,u2,...,uMN),V=(v1,v2,...,vMN)分别是大小为MN×MN的酉矩阵。Σ=diag(σ1,σ2,…,σMN),σi是H的第i个奇异值,并且满足σ1>σ2>σi>...>σMN。T是转置运算。
S4、选择最优的截断参数
由于L1范数的不可导特性,本发明采用迭代重加权范数的方法求解目标函数,该方法是用一系列L2范数的最小值逼近L1范数的最小值,因此需要采用迭代策略进行求解。迭代的初始值x0选择为TSVD(Truncated singular value decomposition)方法处理后的目标散射系数,因为TSVD处理后的结果既保留了目标的主要信息,又削弱了噪声的幅度,避免了噪声在迭代过程被放大。
本步骤的具体求解过程如下:
当截断参数为k,则截断后的天线测量矩阵为:
进行求逆运算,得到截断奇异值分解(TSVD)处理后的目标散射系数为:
xtsvd=xk=Hk -1g=Hk -1Hx+Hk -1n (11)
通过广义交叉验证函数(GCV,Generalized Cross-Validation)确定最优的截断函数k为:
S5、选择迭代初始项
将TSVD方法处理后的结果作为迭代的初始值:
x0=xtsvd (13)
S6、迭代求解
S61:更新迭代因子
构造下面的迭代因子:
Wj=diag(f(xj)) (14)
其中,j表示迭代的次数,xj表示经过j次迭代后目标的散射系数,diag(·)表示对角化运算。f(xj)的具体形式为:
其中,ξ是一个接近0的正数,一般选为0.001。
S62:更新目标散射系数
由迭代因子,得到更新的目标散射系数的表达式:
xj+1=(HTH+λWj)-1HTg (16)
重复式(14)和(16),直到满足|xj|<ξ=0.001时,输出最终的超分辨结果。
为了证明本发明的有效性,下面在Matlab2012仿真平台进行一维仿真。选择截断参数 k=29,λ=1,ξ=0.001,得到本发明的超分辨结果。
图3是在SNR=5dB下的仿真结果,图3(a)是原始目标分布,图3(b)是回波,由于两个目标的间距小于波束宽度,因此两个目标的回波叠加在一起,不能区分;图3(c)是传统L1正则化方法的结果,在10dB的低信噪比环境下虽然能够被分辨,但右边的目标开始分裂,出现了虚假目标,另外周围的旁瓣较强;图3(d)是本发明的方法的结果,不仅目标能够被完全分辨,且没有出现分裂,另外其周围的旁瓣较弱。通过对比,本发明的方法有效抑制了低信噪比环境下虚假目标的出现,其抗噪性能得到明显提升。
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。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (2)
1.一种用于扫描雷达的改进L1正则化方位超分辨成像方法,其特征在于,包括:
S1、对接收到的回波信号进行预处理;
S2、基于步骤S1的处理结果,采用L1范数作为惩罚项构造目标函数;
S3、对卷积测量矩阵进行奇异值分解;
S4、确定最优的截断参数;
S5、将根据步骤S4的截断参数得到的截断奇异值分解结果作为迭代初始值;将TSVD方法处理后的结果作为迭代的初始值:
x0=xtsvd
xtsvd=xk=Hk -1g=Hk -1Hx+Hk -1n
其中,g表示接收的方位向回波向量,H表示由天线方向图函数构成的卷积测量矩阵,xk表示截断奇异值分解后的目标散射系数估计,Hk表示截断参数为k,截断后的天线测量矩阵;x表示目标散射系数,n表示噪声向量;
还包括通过广义交叉验证函数确定最优的截断函数k为:
S6、通过迭代运算,得到超分辨结果;步骤S6具体为:采用迭代重加权范数的方法,构造迭代因子,用一系列L2范数最小值近似L1范数的最小值,从而得到目标的最优解;包括以下分步骤:
S61:更新迭代因子
构造下面的迭代因子:
Wj=diag(f(xj))
其中,j表示迭代的次数,xj表示经过j次迭代后目标的散射系数,diag(·)表示对角化运算;f(xj)的具体形式为:
其中,ξ是一个接近0的正数;
S62:更新目标散射系数
由迭代因子,得到更新的目标散射系数的表达式:
xj+1=(HTH+λWj)-1HTg
其中,λ是用来控制正则化强度的正则化参数;
重复S61-S62,直到满足|xj|<ξ时,输出最终的超分辨结果。
2.根据权利要求1所述的一种用于扫描雷达的改进L1正则化方位超分辨成像方法,其特征在于,步骤S2具体为:
S21、将步骤S1得到的回波信号转化为卷积形式;
S22、对步骤S21中的卷积形式,在正则化框架下,选择L1范数作为正则化项,构建目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065607.7A CN110780274B (zh) | 2019-11-04 | 2019-11-04 | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065607.7A CN110780274B (zh) | 2019-11-04 | 2019-11-04 | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780274A CN110780274A (zh) | 2020-02-11 |
CN110780274B true CN110780274B (zh) | 2022-04-01 |
Family
ID=69388660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065607.7A Active CN110780274B (zh) | 2019-11-04 | 2019-11-04 | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780274B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064165B (zh) * | 2021-03-22 | 2022-05-13 | 电子科技大学 | 一种扫描雷达俯仰-方位二维超分辨方法 |
CN113312841B (zh) * | 2021-05-28 | 2022-09-13 | 合肥工业大学 | 具有声源稀疏度自适应性的变范数等效源近场声全息算法 |
CN113640793B (zh) * | 2021-07-06 | 2023-12-26 | 南京理工大学 | 基于mrf的实孔径扫描雷达超分辨成像方法 |
CN113640762B (zh) * | 2021-07-23 | 2024-02-09 | 北京理工大学 | 基于多维参数空间自聚焦的雷达目标方位超分辨估计方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788977B (zh) * | 2011-05-19 | 2014-07-30 | 中国科学院电子学研究所 | 基于l1/2正则化的合成孔径雷达成像方法 |
CN104306022B (zh) * | 2014-10-24 | 2016-05-25 | 西安电子科技大学 | 用gpu实现压缩感知超声成像的方法 |
CN104306023B (zh) * | 2014-10-24 | 2016-05-25 | 西安电子科技大学 | 基于压缩感知的超声成像快速实现方法 |
CN106168665B (zh) * | 2016-07-18 | 2018-03-27 | 电子科技大学 | 一种基于正则化的扫描雷达自适应角超分辨方法 |
CN107064896B (zh) * | 2017-03-30 | 2019-12-10 | 南京信息工程大学 | 基于截断修正sl0算法的mimo雷达参数估计方法 |
CN107193003B (zh) * | 2017-07-20 | 2020-07-07 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
CN108196251A (zh) * | 2017-12-25 | 2018-06-22 | 电子科技大学 | 基于向量外推的加速迭代正则化超分辨成像方法 |
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 |
CN110208796B (zh) * | 2019-05-27 | 2021-04-06 | 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 |
CN110176046B (zh) * | 2019-05-31 | 2023-04-07 | 天津大学 | 收缩系数改进Tikhonov正则化参数的电阻层析成像方法 |
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 |
-
2019
- 2019-11-04 CN CN201911065607.7A patent/CN110780274B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110780274A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780274B (zh) | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 | |
CN107271993B (zh) | 一种基于最大后验的扫描雷达角超分辨成像方法 | |
CN104977582B (zh) | 一种实现扫描雷达方位超分辨成像的解卷积方法 | |
CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
CN110146881B (zh) | 一种基于改进全变差的扫描雷达超分辨成像方法 | |
CN110208796B (zh) | 基于奇异值逆滤波的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 | |
CN107621635B (zh) | 一种前视海面目标角超分辨方法 | |
CN111856465B (zh) | 一种基于稀疏约束的前视海面目标角超分辨方法 | |
CN106680817A (zh) | 一种实现前视雷达高分辨成像的方法 | |
CN110118967B (zh) | 一种基于全变差的扫描雷达方位向超分辨成像方法 | |
CN107607945B (zh) | 一种基于空间嵌入映射的扫描雷达前视成像方法 | |
CN103293528B (zh) | 扫描雷达超分辨成像方法 | |
CN109709552B (zh) | 一种低信噪比isar成像运动补偿方法 | |
CN110109098B (zh) | 一种扫描雷达快速超分辨成像方法 | |
CN113064165B (zh) | 一种扫描雷达俯仰-方位二维超分辨方法 | |
CN101907702A (zh) | 用于mimo雷达的两维多脉冲对消器 | |
CN110082759B (zh) | 一种随机辐射雷达快速高分辨成像处理方法 | |
CN110780273B (zh) | 一种混合正则化方位超分辨成像方法 | |
CN116577749A (zh) | 一种天线方向图未知展宽下的扫描雷达超分辨方法 | |
CN116165664A (zh) | 一种基于二维波形编码的星载sar距离模糊抑制方法 | |
Yu et al. | Smart noise jamming suppression technique based on blind source separation | |
CN110927718A (zh) | 一种基于低秩近似的快速超分辨成像方法 | |
CN110109097B (zh) | 一种扫描雷达前视成像方位超分辨方法 | |
Yin et al. | Coupling signal suppression method of ground-based synthetic aperture radar based on singular value decomposition |
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 |