CN111025257B - 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 - Google Patents
基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 Download PDFInfo
- Publication number
- CN111025257B CN111025257B CN201911412455.3A CN201911412455A CN111025257B CN 111025257 B CN111025257 B CN 111025257B CN 201911412455 A CN201911412455 A CN 201911412455A CN 111025257 B CN111025257 B CN 111025257B
- Authority
- CN
- China
- Prior art keywords
- time
- sliding window
- distribution
- frequency
- ith
- 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
- G01S7/418—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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Abstract
本发明公开了一种基于稀疏贝叶斯学习的微动目标时频图重构方法,主要解决现有技术在低信噪比环境下难以获得微动目标高分辨时频图的问题。其实现方案为:1)获取微动目标的雷达回波信号向量s;2)构建傅里叶字典F;3)从雷达回波信号向量s中获取其每个时间窗内的回波信号si,并获取从傅里叶字典F中抽取的每个时间窗对应列构成的字典Fi,利用字典Fi对回波信号si进行建模;4)对每个时间窗内的信号si及每个时间窗内的时频分布fi引入稀疏先验;5)基于3)构建的模型及4)中的先验,求解每个时间窗内的时频分布fi并进行拼接,得到微动目标的时频图重构结果。本发明能在低信噪比下获得弹道目标、微动目标聚焦良好的时频图,可用于复杂环境微动特征提取与识别。
Description
技术领域
本发明属于雷达信号处理技术领域,特别涉及一种微动目标高分辨时频图重构方法,可用于复杂观测条件下的微动目标高分辨成像、特征提取与识别。
背景技术
微动是指目标或目标上的某些结构存在的独立于主体运动的振动或旋转,例如直升机叶片的旋转、弹道目标的自旋、进动和章动,以及人体四肢的摆动等。微动会在目标主体运动对应的主多普勒周围产生边带,即产生微多普勒效应。由于微动目标参数化特征提取方法通常需要建立复杂的参数化模型,并且求解运算量很大。因此基于联合时频JTF分析的非参数化方法被广泛用于微动目标成像与特征提取,该类方法对微动形式具有鲁棒性,计算效率较高。然而,在低信噪比的观测环境下,利用传统时频分析方法所得时频图将出现虚假点,从而影响准确的目标特征提取。
针对低信噪比等观测环境,可采用稀疏信号重构技术实现有效的JTF分析。例如:白雪茹,周峰在其发表的论文“Radar imaging of micromotion targets from corrupteddata”(IEEE Trans.Aerosp.&Electron.Syst..vol.52,no.6,pp.2789-2802,Dec.2016.)中,公开了一种在低信噪比条件下获得微动目标高质量时频图的方法。该方法将JTF重构问题转化为L1范数最优化问题,从而获得微动目标高质量时频图,进而实现目标高分辨成像。但是该类算法难以确定正则化参数。
发明内容
本发明目的在于提出一种基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法,以解决在上述现有技术在低信噪比的观测环境下难以获得微动目标高质量时频图的问题。
本发明的技术方案是:先利用非参数化字典对微动目标回波信号进行JTF域建模,然后构建基于伽马-复高斯先验的概率模型,进而采用变分推断求解模型中的未知系数,得到高分辨时频图,具体实现步骤包括如下:
(1)发射线性调频信号进行解线频调处理,并接收低信噪比环境下微动目标维数为N×1的雷达回波信号向量s,其中,N为采样点数;
(2)以ej2πmn/N为元素,构造维数为N×N的傅里叶字典F,其中,e(·)表示以自然常数为底的指数操作,j表示虚数单位,m表示傅里叶字典F的行序号,n表示傅里叶字典F的列序号,行序号m与列序号n的取值范围均为[1:N];
(3)获取每个时间矩形滑窗内的信号si:
设L为每个个滑窗的窗长,设si表示第i个滑窗内的回波信号,其维度为L×1,i∈[1,N];
对每个时间矩形滑窗内的信号si进行建模:
si=Gifi+ni
其中,Gi为矩阵FiHi的伪逆矩阵,其维度为L×N;Hi表示第i个滑窗窗函数对应的对角矩阵,其维度为L×L,Fi表示从矩阵F中抽取第i个滑窗内对应的列所构成的第i个滑窗对应的傅里叶字典,其维度为N×L;ni为噪声向量,维度为L×1,fi为第i个滑窗内的时频分布,fi=[fi,1,...,fi,n,...,fi,N]T,其中fi,n为fi的第n个元素,n=1,...,N,fi维度为N×1;;
(4)假设每个时间矩形滑窗内的信号si及每个时间矩形滑窗内的时频分布fi服从伽马-复高斯先验,则si的先验概率密度函数p(si|αi,fi)及fi的先验概率密度函数p(fi|λi)的表达式分别为:
p(fi|λi)=CN(fi|0,Σi)
其中,CN(·)表示复高斯分布,(·)H表示矩阵的共轭转置,αi是第i个滑窗内的噪声精度参数,每个滑窗内对应的αi独立,αi服从伽马分布p(αi),λi是第i个滑窗内时频分布fi的分布参数,λi服从伽马分布p(λi),p(αi)及p(λi)的表达式分别为:
其中,Gam(·)表示伽马分布,ci,bi,ui,n和vi,n为伽马分布的不同参数;
(5)依据(3)构建的模型及(4)中的先验概率密度函数,利用变分推断方法求解每个时间矩形滑窗内的时频分布fi:
(5a)将阈值T的值设置为10-6,最大迭代次数M的值设置为500;
(5b)令滑窗的初始序号为i=1;
(5c)初始化参数:
令初始迭代次数为k=1,将参数ci,bi的初始值设置为将参数ui,n的初始值设置为参数vi,n的初始值设置为第i个滑窗内的噪声精度参数αi初始值及第i个滑窗内时频分布fi的分布参数λi的初始值根据回波信噪比的不同而设置;
(5d)计算第k次迭代过程中第i个滑窗内时频分布fi的近似后验分布q(k)(fi):
(5g)判断当前迭代次数k>1是否成立,若是,执行(5h);否则,令k=k+1,返回(5d);
(5i)判断i=N是否成立,若是,得到每个时间矩形滑窗内的时频分布fi;否则,令i=i+1,并执行步骤(5c);
(6)将每个时间矩形滑窗内的时频分布fi,按行拼接,得到一个N×N的矩阵,即为微动目标的时频图重构结果。
本发明由于构建了基于伽马-复高斯先验的概率模型,采用变分推断求解模型中的稀疏系数,具有以下优点:
1)在低信噪比情况下,能够得到稀疏且高分辨的时频图,克服了现有技术在低信噪比条件下重构时频图存在虚假点的不足。
2)避免了现有基于L1范数优化方法在JTF重构时需要预先确定正则化参数的不足,简化了高分辨时频图的重构过程。
附图说明
图1为本发明的实现流程图;
图2为本发明的仿真结果图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细描述。
参照图1,本实例基于贝叶斯学习的微动目标高分辨时频图重构方法,包括如下步骤:
步骤1,获取微动目标的雷达回波信号向量s。
发射线性调频信号进行解线频调处理,并接收低信噪比环境下微动目标的回波信号,对回波信号进行采样,取采样点数为N,得到维数为N×1的雷达回波信号向量s。
步骤2,构建傅里叶字典F。
以ej2πmn/N为元素,构造维数为N×N的傅里叶字典F:
其中,e(·)表示以自然常数为底的指数操作,j表示虚数单位,m表示傅里叶字典F的行序号,n表示傅里叶字典F的列序号,行序号m与列序号n的取值范围均为[1:N]。
步骤3,获取每个时间矩形滑窗内的信号si,并对其进行建模。
设L为各个滑窗的窗长,其中滑窗可为矩形窗,汉明窗,三角窗,本实例采用的是矩形窗,窗长设置为Li=31;
设si表示第i个滑窗内的回波信号,其维度为L×1,i∈[1,N];
对每个时间矩形滑窗内的信号si进行建模:
si=Gifi+ni
其中,Gi为矩阵FiHi的伪逆矩阵,其维度为L×N;Hi表示第i个滑窗窗函数对应的对角矩阵,其维度为L×L,Fi表示从矩阵F中抽取第i个滑窗内对应的列所构成的第i个滑窗对应的傅里叶字典,其维度为N×L;ni为噪声向量,维度为L×1,fi为第i个滑窗内的时频分布,fi=[fi,1,...,fi,n,...,fi,N]T,其中fi,n为fi的第n个元素,n=1,...,N,,fi的维度为N×1。
步骤4,求解每个时间矩形滑窗内的时频分布fi。
4.1)假设每个时间矩形滑窗内的信号si及每个时间矩形滑窗内的时频分布fi服从伽马-复高斯先验,则si的先验概率密度函数p(si|αi,fi)及fi的先验概率密度函数p(fi|λi)的表达式分别为:
p(fi|λi)=CN(fi|0,Σi)
其中,CN(·)表示复高斯分布,(·)H表示矩阵的共轭转置,αi是第i个滑窗内的噪声精度参数,每个滑窗内对应的αi独立,αi服从伽马分布p(αi),λi是第i个滑窗内时频分布fi的分布参数,λi服从伽马分布p(λi),p(αi)及p(λi)的表达式分别为:
其中,Gam(·)表示伽马分布,ci,bi,ui,n和vi,n为伽马分布的不同参数;
4.2)依据上述先验概率密度函数和(3)构建的模型,利用变分推断方法求解每个时间矩形滑窗内的时频分布fi:
(4.2.1)将阈值T的值设置为10-6,最大迭代次数M的值设置为500;
(4.2.2)令滑窗的初始序号为i=1;
(4.2.3)初始化参数:
(4.2.4)计算第k次迭代过程中第i个滑窗内时频分布fi的近似后验分布q(k)(fi):
(4.2.7)判断当前迭代次数k>1是否成立,若是,则执行(4.2.8);否则,令k=k+1,返回(4.2.4);
(4.2.9)判断i=N是否成立,若是,得到每个时间矩形滑窗内的时频分布fi;否则,令i=i+1,返回步骤(4.2.3)。
步骤6,将得到的各滑窗内的时频分布fi,i=1,...,N按行拼接,得到一个N×N的矩阵,该矩阵为微动目标的时频图重构结果。
以下结合仿真实验,对本实例的技术效果作进一步说明。
1.仿真条件:
本实例的仿真实验采用工作在C波段的雷达,对应载频为10GHZ,脉冲重复频率为500Hz,采样点数取N=256。
目标由4个散射点组成,目标自旋频率为0.5Hz。
2.仿真内容:
仿真1,对信噪比为5dB的回波信号做STFT,将结果绘制为目标的时频仿真图,如图2(a)所示,其中横坐标表示慢时间,纵坐标表示目标的多普勒频率。由图2(a)可以看出,用现有方法在低信噪比条件下,所得的时频图会出现虚假点,影响准确的目标特征提取。
仿真2,利用本发明对信噪比为5dB的回波信号进行时频图重构,绘制仿真结果图,如图2(b)所示,横坐标表示慢时间,纵坐标表示目标的多普勒频率。图2(b)可以看出,利用本发明可以得到高分辨时频图。
由上述仿真结果表明,采用本发明可以在低信噪比情况下获得高分辨时频图。与现有技术相比,本发明避免了现有基于L1范数优化方法在JTF重构时需要预先确定正则化参数的不足,解决了在低信噪比的观测环境下难以获得微动目标高分辨时频图的问题。
Claims (5)
1.一种基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法,其特征在于,包括如下步骤:
(1)发射线性调频信号进行解线频调处理,并接收低信噪比环境下微动目标维数为N×1的雷达回波信号向量s,其中,N为采样点数;
(2)以ej2πmn/N为元素,构造维数为N×N的傅里叶字典F,其中,e(·)表示以自然常数为底的指数操作,j表示虚数单位,m表示傅里叶字典F的行序号,n表示傅里叶字典F的列序号,行序号m与列序号n的取值范围均为[1:N];
(3)获取每个时间矩形滑窗内的信号si:
设L为每个滑窗的窗长,设si表示第i个滑窗内的回波信号,其维度为L×1,i∈[1,N];
对每个时间矩形滑窗内的信号si进行建模:
si=Gifi+ni
其中,Gi为矩阵FiHi的伪逆矩阵,其维度为L×N;Hi表示第i个滑窗窗函数对应的对角矩阵,其维度为L×L,Fi表示从矩阵F中抽取第i个滑窗内对应的列所构成的第i个滑窗对应的傅里叶字典,其维度为N×L;ni为噪声向量,维度为L×1,fi为第i个滑窗内的时频分布,fi=[fi,1,...,fi,n,...,fi,N]T,其中fi,n为fi的第n个元素,n=1,...,N,fi维度为N×1;
(4)假设每个时间矩形滑窗内的信号si及每个时间矩形滑窗内的时频分布fi服从伽马-复高斯先验,则si的先验概率密度函数p(si|αi,fi)及fi的先验概率密度函数p(fi|λi)的表达式分别为:
p(fi|λi)=CN(fi|0,Σi)
其中,CN(·)表示复高斯分布,(·)H表示矩阵的共轭转置,αi是第i个滑窗内的噪声精度参数,每个滑窗内对应的αi独立,αi服从伽马分布p(αi),λi是第i个滑窗内时频分布fi的分布参数,λi服从伽马分布p(λi),p(αi)及p(λi)的表达式分别为:
其中,Gam(·)表示伽马分布,ci,bi,ui,n和vi,n为伽马分布的不同参数;
(5)依据(3)构建的模型及(4)中的先验概率密度函数,利用变分推断方法求解每个时间矩形滑窗内的时频分布fi:
(5a)将阈值T的值设置为10-6,最大迭代次数M的值设置为500;
(5b)令滑窗的初始序号为i=1;
(5c)初始化参数:
令初始迭代次数为k=1,将参数ci,bi的初始值设置为将参数ui,n的初始值设置为参数vi,n的初始值设置为第i个滑窗内的噪声精度参数αi初始值及第i个滑窗内时频分布fi的分布参数λi的初始值根据回波信噪比的不同而设置;
(5d)计算第k次迭代过程中第i个滑窗内时频分布fi的近似后验分布q(k)(fi):
(5g)判断当前迭代次数k>1是否成立,若是,执行(5h);否则,令k=k+1,返回(5d);
(5i)判断i=N是否成立,若是,得到每个时间矩形滑窗内的时频分布fi;否则,令i=i+1,并执行步骤(5c);
(6)将每个时间矩形滑窗内的时频分布fi,按行拼接,得到一个N×N的矩阵,即为微动目标的时频图重构结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911412455.3A CN111025257B (zh) | 2019-12-31 | 2019-12-31 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911412455.3A CN111025257B (zh) | 2019-12-31 | 2019-12-31 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111025257A CN111025257A (zh) | 2020-04-17 |
CN111025257B true CN111025257B (zh) | 2023-03-10 |
Family
ID=70201117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911412455.3A Active CN111025257B (zh) | 2019-12-31 | 2019-12-31 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111025257B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610502B (zh) * | 2020-05-29 | 2023-05-30 | 西安电子科技大学 | 基于fvsbl的空间微动目标回波信号时频分析方法 |
CN112184849B (zh) * | 2020-09-25 | 2022-06-07 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
CN113093140B (zh) * | 2021-04-09 | 2023-05-19 | 西安电子科技大学 | 基于加权admm的微动目标时频图重构方法 |
CN114036458B (zh) * | 2021-10-22 | 2024-04-30 | 哈尔滨工程大学 | 一种非合作水声信号时频信息获取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663316A (zh) * | 2016-08-30 | 2017-05-10 | 深圳大学 | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 |
CN108931770B (zh) * | 2018-05-30 | 2022-04-19 | 西安电子科技大学 | 基于多维贝塔过程线性回归的isar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 |
-
2019
- 2019-12-31 CN CN201911412455.3A patent/CN111025257B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111025257A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111025257B (zh) | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 | |
CN110334741B (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
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 | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN103954934B (zh) | 基于低秩字典学习及稀疏表示的极化sar舰船检测方法 | |
CN111580104B (zh) | 基于参数化字典的机动目标高分辨isar成像方法 | |
CN107544066B (zh) | 一种基于检测前跟踪分布式异步迭代滤波融合方法 | |
CN109143195B (zh) | 一种基于全kl散度的雷达目标检测方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN109298383A (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
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 | |
CN106990392B (zh) | 一种基于随机步进频信号的空间目标微动信息获取方法 | |
CN115061126A (zh) | 一种基于多维参数神经网络的雷达集群目标行为识别方法 | |
CN117192548A (zh) | 基于深度展开的稀疏isar高分辨成像方法 | |
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 | |
Bhatti et al. | Radar signals intrapulse modulation recognition using phase-based stft and bilstm | |
CN113160392B (zh) | 基于深度神经网络的光学建筑目标三维重建方法 | |
CN108919263B (zh) | 基于最大互信息准则的isar高分辨成像方法 | |
CN104268397A (zh) | 基于舰船辐射噪声优化特征的水声目标识别方法 | |
CN109288511B (zh) | 一种从钙离子荧光观测值中获取神经元动作电位出现时刻的采样算法 | |
CN114428235A (zh) | 基于决策级融合的空间微动目标识别方法 |
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 |