CN111580104B - 基于参数化字典的机动目标高分辨isar成像方法 - Google Patents
基于参数化字典的机动目标高分辨isar成像方法 Download PDFInfo
- Publication number
- CN111580104B CN111580104B CN202010461593.7A CN202010461593A CN111580104B CN 111580104 B CN111580104 B CN 111580104B CN 202010461593 A CN202010461593 A CN 202010461593A CN 111580104 B CN111580104 B CN 111580104B
- Authority
- CN
- China
- Prior art keywords
- vector
- matrix
- dictionary
- parameterized
- echo
- 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
- 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
- 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
Abstract
本发明提出了一种基于参数化字典的机动目标高分辨ISAR成像方法,用于解决现有技术中存在的当目标散射点偏离预设网格时出现的重构误差较大的技术问题,实现步骤为:获取机动目标的有效回波矩阵;获取相位补偿后的回波向量;构建包括参数化傅里叶字典和参数化二次相位字典的参数化字典;构建基于参数化字典的线性回归模型;获取噪声向量、散射点幅度和散射点多普勒频率的先验概率密度函数;获取机动目标高分辨ISAR图像。本发明能够在回波缺损及低信噪比的条件下,得到机动目标重构误差较小且聚焦良好的ISAR像,可用于稀疏孔径及低信噪比环境下机动目标的特征提取与识别。
Description
技术领域
本发明属于雷达信号处理技术领域,特别涉及一种机动目标高分辨ISAR成像方法,可用于稀疏孔径及低信噪比环境下机动目标的特征提取与识别。
背景技术
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。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,近年来提出将ISAR成像问题转化为稀疏信号重构问题。稀疏ISAR成像方法主要包括基于数值优化的稀疏ISAR成像方法和基于稀疏贝叶斯学习的ISAR成像方法。基于稀疏贝叶斯学习的重构方法通过引入稀疏先验进行概率建模,进而采用贝叶斯推断方法求解模型参数。由于该类方法充分利用了目标及环境的统计特性,因此在低信噪比等复杂环境下具有良好的高分辨成像性能。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,但该方法近似目标在观测时间内是匀速转动的,仅考虑固定字典下的平稳目标成像,当目标具有机动特性时,其旋转角速度是非均匀的,此时目标散射点的多普勒频率在观测时间内将随时间变化,此时上述基于固定字典的方法无法得到聚焦良好的ISAR像。徐刚等人在其发表的论文“Enhanced ISAR Imaging and MotionEstimation With Parametric and Dynamic Sparse Bayesian Learning”(Computational Imaging IEEE Transactions on 3.4(2017):940-952.)中公开了一种基于参数化字典的机动目标ISAR成像方法,该方法以目标旋转角速度和旋转角加速度为参数构建字典,采用MAP和梯度下降法对散射点和字典参数进行交替更新,最终得到聚焦良好的ISAR像。上述算法解决了传统ISAR成像方法对机动目标成像时会散焦的问题,但上述方法假设散射点的位置均位于由字典划分的网格上,但在实际上目标散射点的位置是任意的,不一定刚好落在预设的网格上,此时上述方法的重构误差较大,较大的重构误差也会影响机动目标旋转参数的估计,从而影响最终成像结果。若想得到更准确的信号重构结果,需要在信号重构的过程中得到尽可能准确的字典。
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,提出一种基于参数化字典的机动目标高分辨ISAR成像方法,用于解决现有技术中存在的当目标散射点偏离预设网格时出现的重构误差较大的技术问题。
本发明的技术思路是:根据机动目标回波信号特性,以目标的旋转参数和目标散射点的多普勒频率为参数构建参数化字典,并将ISAR成像问题转化为稀疏信号表征问题,交替进行稀疏信号重构和旋转参数估计,最终得到机动目标的高分辨ISAR像,其中,采用稀疏贝叶斯学习的方法进行重构,采用牛顿法求解旋转参数,具体实现步骤为:
(1)获取机动目标的有效回波矩阵S:
(1a)ISAR对其向机动目标发射的线性调频信号所产生的回波进行解线频调,得到噪声环境下机动目标维数为N×M的缺损回波矩阵Sr,其中:线性调频信号的中心频率、带宽和脉冲重复频率分别为fc、B和PRF,N表示缺损回波矩阵Sr的距离单元数,N≥2,M表示缺损回波矩阵Sr的方位单元数,M≥2;
(1b)对缺损回波矩阵Sr各列进行傅里叶变换,得到距离脉压后的缺损回波矩阵Spc;
(1c)剔除距离脉压后的缺损回波矩阵Spc中缺损的列向量,得到维数为N×K的有效回波矩阵S,S=(s1,s2,...,sn,...,sN)T,其中:K为有效方位单元数,n=1,...,N,有效回波矩阵S的第n行第k列元素可近似为
exp(·)表示以自然常数为底的指数操作,j表示虚数单位,β2为旋转角加速度参数,mk为有效回波矩阵S的第k列向量在缺损回波矩阵Spc中的列序号,P为第n个距离单元的散射点个数,σn,p为第n个距离单元的第p个散射点的幅度,p=1,...,P,ωn,p为第n个距离单元的第p个散射点的多普勒频率,β1为旋转角速度参数,εn,k为第n个距离单元第mk个方位单元的噪声,(·)T表示转置,sn为第n个距离单元的回波向量,维度为K×1;
(2)获取相位补偿后的回波向量s′n(β2):
以exp(jc2β2(n-N/2)mk 2)为元素,构造维数为1×K的相位补偿向量En(β2),并将各距离单元的回波向量sn与相位补偿向量En(β2)的共轭转置进行点乘,得到相位补偿后的回波向量s′n(β2);
(3)构建包括参数化傅里叶字典F(ωn)和参数化二次相位字典Θ(β1,ωn)的参数化字典:
构建参数化傅里叶字典F(ωn)=(Fn,1,Fn,2,...,Fn,p,...,Fn,P),维数为K×P,Fn,p的第k行元素为exp(jωn,p·mk),同时构建参数化二次相位字典Θ(β1,ωn)=(Θn,1,Θn,2,...,Θn,p,...,Θn,P),维数为K×P,Θn,p的第k行元素为exp(jc1β1·ωn,p·mk 2);
(4)构建基于参数化字典的线性回归模型s′n(β2):
s′n(β2)=(Θ(β1,ωn)⊙F(ωn))σn+εn
其中:ωn为第n个距离单元的散射点的多普勒频率向量,ωn=(ωn,1,ωn,2,...,ωn,p...,ωn,P),维度为1×P,σn为第n个距离单元的散射点的幅度向量,σn=(σn,1,σn,2,...,σn,p...,σn,P)T,维度为P×1,εn为第n个距离单元的噪声向量,εn=(εn,1,εn,2,...,εn,k,...,εn,K)T,维度为K×1;
(5)获取噪声向量εn、散射点的幅度σn,p和散射点的多普勒频率ωn,p的先验概率密度函数p(εn;vn)、p(σn,p|zn,p,αn)和p(ωn,p):
p(εn;vn)=CN(εn|0,vn)
p(σn,p|zn,p,αn)=(1-zn,p)δ(σn,p)+zn,pCN(σn,p|0,αn)
其中:CN(·)表示复高斯分布的概率密度,vn为第n个距离单元的噪声系数,αn为各距离单元散射点幅度的方差,zn,p为隐藏变量,隐藏变量zn,p的先验概率密度函数p(zn,p)的表达式为:ρn为伯努利分布的参数,δ(·)表示冲激函数;
(6)获取机动目标高分辨ISAR图像:
(6b)令初始距离单元n=1;
(6c)初始化重构次数i、伯努利分布参数噪声系数散射点幅度的方差散射点序号p、剩余回波和隐藏变量向量并令i=1、p=1、和其中:隐藏变量向量Zn=(zn,1,zn,2,...,zn,p,...,zn,P)T,维度为P×1;
(6h)判断且是否成立,若是,则令第n个距离单元的散射点的多普勒频率向量第n个距离单元的复高斯分布均值第n个距离单元隐藏变量向量第n个距离单元参数化傅里叶字典第n个距离单元参数化二次相位字典执行步骤(6i),否则令i=i+1,执行步骤(6f);
(6i)判断n<N是否满足,若是令n=n+1,执行步骤(6c),否则执行步骤(6j);
其中:|·|表示求绝对值;
本发明与现有技术相比,具有如下优点:
1)本发明采用包含参数化傅里叶字典和参数化二次相位字典的参数化字典构建线性回归模型,使线性回归模型能更准确的描述回波,通过在重构过程中不断的对散射点的位置进行估计得到更加准确的重构结果,与现有技术相比,能有效的降低重构误差;
2)本发明在迭代过程中对散射点和旋转参数进行交替更新,较低的重构误差能够使旋转参数的估计值更准确,与现有技术相比,能够得到聚焦更好的ISAR像。
附图说明
图1为本发明的实现流程图;
图2为本发明与现有技术的对比仿真结果图,其中图2(a)为目标散射点位置分布图,图2(b)为利用现有技术中基于参数化字典的方法对如图(a)所示机动目标的缺损回波成像结果仿真图,图2(c)为利用本发明对如图(a)所示机动目标的缺损回波成像结果仿真图。
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1,一种基于参数化字典的机动目标高分辨ISAR成像方法,包括如下步骤:
步骤1)获取机动目标的有效回波矩阵S:
步骤1a)ISAR对其向机动目标发射的中心频率、带宽和脉冲重复频率分别为fc、B和PRF的线性调频信号所产生的回波进行解线频调,得到噪声环境下机动目标维数为N×M的缺损回波矩阵Sr,其中:N表示缺损回波矩阵Sr的距离单元数,M表示缺损回波矩阵Sr的方位单元数,在本实施例中,N=128,M=128;
其中,对回波进行解线频调,实现步骤为:
(1a1)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;
(1a2)将接收到的回波逐列与参考信号Sref的共轭进行点乘,得到噪声环境下机动目标维数为N×M的缺损回波矩阵Sr;
步骤1b)对缺损回波矩阵Sr各列进行傅里叶变换,得到距离脉压后的缺损回波矩阵Spc;
步骤1c)剔除距离脉压后的缺损回波矩阵Spc中缺损的列向量,得到维数为N×K的有效回波矩阵S,S=(s1,s2,...,sn,...,sN)T,其中:K为有效方位单元数,n=1,...,N,有效回波矩阵S的第n行第k列元素可近似为
exp(·)表示以自然常数为底的指数操作,j表示虚数单位,β2为旋转角加速度参数,mk为有效回波矩阵S的第k列向量在缺损回波矩阵Spc中的列序号,P为第n个距离单元的散射点个数,σn,p为第n个距离单元的第p个散射点的幅度,p=1,...,P,ωn,p为第n个距离单元的第p个散射点的多普勒频率,β1为旋转角速度参数,εn,k为第n个距离单元第mk个方位单元的噪声,(·)T表示转置,sn为第n个距离单元的回波向量,维度为K×1,在本实施例中,K=64,P=128;
步骤2)获取相位补偿后的回波向量s′n(β2):
以exp(jc2β2(n-N/2)mk 2)为元素,构造维数为1×K的相位补偿向量En(β2),并将各距离单元的回波向量sn与相位补偿向量En(β2)的共轭转置进行点乘,得到相位补偿后的回波向量s′n(β2);
步骤3)构建包括参数化傅里叶字典F(ωn)和参数化二次相位字典Θ(β1,ωn)的参数化字典:
构建参数化傅里叶字典F(ωn)=(Fn,1,Fn,2,...,Fn,p,...,Fn,P),维数为K×P,Fn,p的第k行元素为exp(jωn,p·mk),同时构建参数化二次相位字典Θ(β1,ωn)=(Θn,1,Θn,2,...,Θn,p,...,Θn,P),维数为K×P,Θn,p的第k行元素为exp(jc1β1·ωn,p·mk 2);
步骤4)构建基于参数化字典的线性回归模型s′n(β2):
s′n(β2)=(Θ(β1,ωn)⊙F(ωn))σn+εn
其中:ωn为第n个距离单元的散射点的多普勒频率向量,ωn=(ωn,1,ωn,2,...,ωn,p...,ωn,P),维度为1×P,σn为第n个距离单元的散射点的幅度向量,σn=(σn,1,σn,2,...,σn,p...,σn,P)T,维度为P×1,εn为第n个距离单元的噪声向量,εn=(εn,1,εn,2,...,εn,k,...,εn,K)T,维度为K×1,其中:⊙表示点乘;
步骤5)获取噪声向量εn、散射点的幅度σn,p和散射点的多普勒频率ωn,p的先验概率密度函数p(εn;vn)、p(σn,p|zn,p,αn)和p(ωn,p):
为了使散射点幅度向量更加稀疏、模型更加灵活,构建散射点幅度的spike-and-slab先验:
p(εn;vn)=CN(εn|0,vn)
p(σn,p|zn,p,αn)=(1-zn,p)δ(σn,p)+zn,pCN(σn,p|0,αn)
其中:CN(·)表示复高斯分布的概率密度,vn为第n个距离单元的噪声系数,αn为各距离单元散射点幅度的方差,zn,p为隐藏变量,隐藏变量zn,p的先验概率密度函数p(zn,p)的表达式为:ρn为伯努利分布的参数,δ(·)表示冲激函数;
步骤6)获取机动目标高分辨ISAR图像:
步骤6b)令初始距离单元n=1;
步骤6c)初始化重构次数i、伯努利分布参数噪声系数散射点幅度的方差散射点序号p、剩余回波和隐藏变量向量并令i=1、p=1、和本实施例中,其中:隐藏变量向量Zn=(zn,1,zn,2,...,zn,p,...,zn,P)T,维度为P×1,初始化噪声系数及散射点幅度的方差的计算公式为:
其中:mean(·)表示求均值操作,λ′n由向量λn的后1/4元素构成,λn=K·eig(γn),eig(·)表示对矩阵特征值从大到小进行排序,(·)*表示取共轭,M″k′={(a,b)|1≤a,b≤K,m′a-mb′=m″k′},round(·)表示取最近整数,M′={m′1,m′2,...,m′K},m″k′∈M″,M″={a-b|a,b∈M′,a≥b},K′为集合M″中元素个数且有m″1<m″2<...<m″k′,k′=1,...,K′,分别表示向量中的第a行和第b行的元素,(·)H表示求共轭转置;
其中:max表示取其中绝对值最大的元素,e(·)表示以自然常数为底的指数操作,r=(r1,r2,...,rk′,...,rK′),K′为集合M″中元素个数,k′=1,...,K′,M″={a-b|a,b∈M′,a>b},M′={m′1,m′2,...,m′K},m′k=round(mk+mk 2c1β1 t-1),round(·)表示取最近整数, m″k′∈M″且有m″1<m″2′<...<m″K′,κk′为γk′的幅值,为γk′的相位,M″k′={(a,b)|1≤a,b≤K,m′a-m′b=m″k′},和分别表示向量中的第a行和第b行元素,(·)*表示取共轭,Ib(·)表示b阶第一类修正贝塞尔函数,R={1,...,m″1}×...×{1,...,m″K′},(·)-1表示对元素或矩阵求逆,I为维数等于矩阵的单位矩阵,(·)H表示求共轭转置,散射点幅度向量σn中列序号属于集合的元素服从复高斯分布,集合由隐藏变量向量中非零元素的下标构成,为复高斯分布的均值,为复高斯分布的方差;
其中:|·|2表示求元素模值的平方,ln表示以自然常数为底的对数操作, jn,p为矩阵的第p列元素中行序号属于集合的元素构成的向量,集合由向量中非零元素的下标构成,矩阵(·)H表示求共轭转置,hn,p为向量的第p行元素, p′n为元素p在集合中的序号,为矩阵的第p′n行第p′n列元素,为的第p′n行元素, 为矩阵中列序号属于集合的列向量构成的矩阵,集合由向量中非零元素的下标构成,为矩阵中列序号属于集合的列向量构成的矩阵,I为维数等于矩阵的单位矩阵,(·)-1表示对元素或矩阵求逆;
其中:表示求向量模值的平方,tr(·)表示矩阵求迹,由参数化傅里叶字典中列序号属于集合的列向量构成,由参数化二次相位字典中列序号属于集合的列向量构成,集合由向量中非零元素的下标构成,||·||0表示非零元素个数,(·)H表示求共轭转置,多维坐标r=(r1,...,rK)∈R,集合R={1,...,m1}×...×{1,...,mK},max表示取其中绝对值最大的元素, 为的相位,κp,k为的幅值,为中的第k列元素,
l′n为元素l在集合中的序号,p′n为元素p在集合中的序号,(·)*表示取共轭,集合由向量中非零元素的下标构成,为向量的第l′n行元素,为向量的第p′n行元素,为中横坐标为p′n纵坐标为l′n的元素,Ib(·)表示b阶第一类修正贝塞尔函数,e(·)表示以自然常数为底的指数操作;
步骤6h)判断且是否成立,若是,则令第n个距离单元的散射点的多普勒频率向量第n个距离单元的复高斯分布均值第n个距离单元隐藏变量向量第n个距离单元的参数化傅里叶字典第n个距离单元的参数化二次相位字典执行步骤(6i),否则令i=i+1,执行步骤(6f);
步骤6i)判断是否满足n<N,若是令n=n+1,执行步骤(6c),否则执行步骤(6j);
λt=λt-1α
,(·)-1表示对元素或矩阵求逆,(·)*表示取共轭,Re{·}表示取实部操作,sn,k为sn中的第k行元素,p′n为元素p在集合Zn中的序号,集合Zn由向量Zn中非零元素的下标构成,为向量中的第p′n行元素,fn,k,p为Fn中第k行第p列元素,Θn,k,p为Θn中第k行第p列元素;
其中:|·|为取绝对值操作;
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1000Hz,带宽为0.4GHZ,回波缺损率为50%,回波信噪比5dB。
仿真1,绘制目标散射点位置分布图,如图2(a);
仿真2,利用现有技术中基于参数化字典的方法对机动目标的缺损回波进行重构,绘制仿真结果图,其结果如图2(b)所示;
仿真3,利用本发明对机动目标的缺损回波进行重构,绘制仿真结果图,其结果如图2(c)所示。
2.仿真结果分析:
图2(b)为利用现有技术中基于参数化字典的方法进行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,可以看出利用现有方法得到的机动目标ISAR像的方位向仍然存在少许散焦,且无法得到散射点的准确位置信息,重构误差较大。
图2(c)利用本发明进行重构后的仿真结果图,图2(c)中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)对比可得,相比于现有技术重构后的成像结果仿真图,利用本发明得到的机动目标ISAR像聚焦良好,能更准确的反映散射点的真实位置分布,重构误差较小。
由上述仿真结果表明,采用本发明可以在低信噪比情况下得到机动目标的高分辨ISAR像。与现有技术相比,本发明得到的ISAR像更能准确的反应散射点的真实分布,重构误差更小,解决了现有技术中存在的当目标散射点偏离预设网格时出现的重构误差较大的技术问题。
Claims (6)
1.一种基于参数化字典的机动目标高分辨ISAR成像方法,其特征在于,包括如下步骤:
(1)获取机动目标的有效回波矩阵S:
(1a)ISAR对其向机动目标发射的线性调频信号所产生的回波进行解线频调,得到噪声环境下机动目标维数为N×M的缺损回波矩阵Sr,其中:线性调频信号的中心频率、带宽和脉冲重复频率分别为fc、B和PRF,N表示缺损回波矩阵Sr的距离单元数,N≥2,M表示缺损回波矩阵Sr的方位单元数,M≥2;
(1b)对缺损回波矩阵Sr各列进行傅里叶变换,得到距离脉压后的缺损回波矩阵Spc;
(1c)剔除距离脉压后的缺损回波矩阵Spc中缺损的列向量,得到维数为N×K的有效回波矩阵S,S=(s1,s2,...,sn,...,sN)T,其中:K为有效方位单元数,n=1,...,N,有效回波矩阵S的第n行第k列元素可近似为k=1,...,K,exp(·)表示以自然常数为底的指数操作,j表示虚数单位,β2为旋转角加速度参数,mk为有效回波矩阵S的第k列向量在缺损回波矩阵Spc中的列序号,P为第n个距离单元的散射点个数,σn,p为第n个距离单元的第p个散射点的幅度,p=1,...,P,ωn,p为第n个距离单元的第p个散射点的多普勒频率,β1为旋转角速度参数,εn,k为第n个距离单元第mk个方位单元的噪声,(·)T表示转置,sn为第n个距离单元的回波向量,维度为K×1;
(2)获取相位补偿后的回波向量s′n(β2):
以exp(jc2β2(n-N/2)mk 2)为元素,构造维数为1×K的相位补偿向量En(β2),并将各距离单元的回波向量sn与相位补偿向量En(β2)的共轭转置进行点乘,得到相位补偿后的回波向量s′n(β2);
(3)构建包括参数化傅里叶字典F(ωn)和参数化二次相位字典Θ(β1,ωn)的参数化字典:
构建参数化傅里叶字典F(ωn)=(Fn,1,Fn,2,...,Fn,p,...,Fn,P),维数为K×P,Fn,p的第k行元素为exp(jωn,p·mk),同时构建参数化二次相位字典Θ(β1,ωn)=(Θn,1,Θn,2,…,Θn,p,…,Θn,P),维数为K×P,Θn,p的第k行元素为exp(jc1β1·ωn,p·mk 2);
(4)构建基于参数化字典的线性回归模型s′n(β2):
s′n(β2)=(Θ(β1,ωn)⊙F(ωn))σn+εn
其中:ωn为第n个距离单元的散射点的多普勒频率向量,ωn=(ωn,1,ωn,2,…,ωn,p…,ωn,P),维度为1×P,σn为第n个距离单元的散射点的幅度向量,σn=(σn,1,σn,2,...,σn,p...,σn,P)T,维度为P×1,εn为第n个距离单元的噪声向量,εn=(εn,1,εn,2,...,εn,k,…,εn,K)T,维度为K×1;
(5)获取噪声向量εn、散射点的幅度σn,p和散射点的多普勒频率ωn,p的先验概率密度函数p(εn;vn)、p(σn,p|zn,p,αn)和p(ωn,p):
p(εn;vn)=CN(εn|0,vn)
p(σn,p|zn,p,αn)=(1-zn,p)δ(σn,p)+zn,pCN(σn,p|0,αn)
其中:CN(·)表示复高斯分布的概率密度,vn为第n个距离单元的噪声系数,αn为各距离单元散射点幅度的方差,zn,p为隐藏变量,隐藏变量zn,p的先验概率密度函数p(zn,p)的表达式为:ρn为伯努利分布的参数,δ(·)表示冲激函数;
(6)获取机动目标高分辨ISAR图像:
(6b)令初始距离单元n=1;
(6h)判断且是否成立,若是,则令第n个距离单元的散射点的多普勒频率向量第n个距离单元的复高斯分布均值第n个距离单元隐藏变量向量第n个距离单元参数化傅里叶字典第n个距离单元参数化二次相位字典执行步骤(6i),否则令i=i+1,执行步骤(6f);
(6i)判断n<N是否满足,若是令n=n+1,执行步骤(6c),否则执行步骤(6j);
其中:|·|表示求绝对值;
2.根据权利要求1中所述方法,其特征在于,步骤(1a)中所述ISAR雷达对其向机动目标发射的线性调频信号所产生的回波进行解线频调,得到噪声环境下机动目标维数为N×M的缺损回波矩阵Sr,实现步骤为:
(1a1)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;
(1a2)将接收到的回波逐列与参考信号Sref的共轭进行点乘,得到噪声环境下机动目标维数为N×M的缺损回波矩阵Sr。
4.根据权利要求1所述方法,其特征在于,步骤(6d)中所述计算散射点多普勒频率ωn,p的初始值参数化傅里叶字典F(ωn)第p列的初始值及参数化二次相位字典第p列的初始值复高斯分布方差均值及剩余回波计算公式分别为:
其中:max表示取其中绝对值最大的元素,e(·)表示以自然常数为底的指数操作,r=(r1,r2,…,rk′,...,rK′),K′为集合M″中元素个数,k′=1,...,K′,M″={a-b|a,b∈M′,a>b},M′={m′1,m′2,...,m′K},round(·)表示取最近整数, m″k′∈M″且有m″1<m″2<...<m″K′,κk′为γk′的幅值,为γk′的相位,M″k′={(a,b)|1≤a,b≤K,m′a-m′b=m″k′},和分别表示向量中的第a行和第b行元素,(·)*表示取共轭,Ib(·)表示b阶第一类修正贝塞尔函数,R={1,...,m″1}×...×{1,...,m″K′},(·)-1表示对元素或矩阵求逆,I为维数等于矩阵的单位矩阵,(·)H表示求共轭转置,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461593.7A CN111580104B (zh) | 2020-05-27 | 2020-05-27 | 基于参数化字典的机动目标高分辨isar成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461593.7A CN111580104B (zh) | 2020-05-27 | 2020-05-27 | 基于参数化字典的机动目标高分辨isar成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580104A CN111580104A (zh) | 2020-08-25 |
CN111580104B true CN111580104B (zh) | 2023-03-17 |
Family
ID=72121611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461593.7A Active CN111580104B (zh) | 2020-05-27 | 2020-05-27 | 基于参数化字典的机动目标高分辨isar成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580104B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363137B (zh) * | 2020-10-29 | 2022-10-14 | 武汉滨湖电子有限责任公司 | 一种提高目标距离分辨率的方法 |
CN112859075B (zh) * | 2021-01-14 | 2022-07-19 | 中国人民解放军陆军工程大学 | 多频带isar融合高分辨成像方法 |
CN113126095B (zh) * | 2021-04-21 | 2022-08-30 | 西安电子科技大学 | 基于稀疏贝叶斯学习的二维isar快速成像方法 |
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 |
CN116094169B (zh) * | 2023-01-28 | 2024-04-12 | 国网江苏省电力有限公司连云港供电分公司 | 一种配电网拓扑模型生成方法及终端设备 |
Citations (2)
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 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9702971B2 (en) * | 2014-03-17 | 2017-07-11 | Raytheon Company | High-availability ISAR image formation |
CN103885050B (zh) * | 2014-03-20 | 2017-01-18 | 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 |
CN108008385B (zh) * | 2017-11-20 | 2019-07-30 | 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 |
CN108226928B (zh) * | 2017-12-18 | 2019-12-24 | 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 |
EP3588128B1 (en) * | 2018-06-26 | 2022-08-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Method for detection and height and azimuth estimation of objects in a scene by radar processing using sparse reconstruction with coherent and incoherent arrays |
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 |
-
2020
- 2020-05-27 CN CN202010461593.7A patent/CN111580104B/zh active Active
Patent Citations (2)
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111580104A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111580104B (zh) | 基于参数化字典的机动目标高分辨isar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 | |
CN111220958A (zh) | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 | |
CN113030972B (zh) | 基于快速稀疏贝叶斯学习的机动目标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 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar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 | |
CN110780298B (zh) | 基于变分贝叶斯学习的多基isar融合成像方法 | |
CN107621635B (zh) | 一种前视海面目标角超分辨方法 | |
CN109932717B (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
Fortune et al. | Statistical autofocus of synthetic aperture sonar images using image contrast optimisation | |
CN112859075B (zh) | 多频带isar融合高分辨成像方法 | |
CN112114313B (zh) | 结合正交匹配追踪算法的isar稀疏采样成像方法 | |
Hu et al. | Inverse synthetic aperture radar imaging exploiting dictionary learning | |
CN113466864B (zh) | 快速联合免逆稀疏贝叶斯学习超分辨isar成像算法 | |
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 | |
Goudarzi et al. | Inverse problem of ultrasound beamforming with denoising-based regularized solutions | |
Hou et al. | Sparse coding-inspired high-resolution ISAR imaging using multistage compressive sensing | |
CN113534065B (zh) | 一种雷达目标微动特征提取与智能分类方法及系统 | |
CN114325707A (zh) | 基于深度展开网络的稀疏孔径微动目标isar成像方法 | |
CN117192548A (zh) | 基于深度展开的稀疏isar高分辨成像方法 | |
CN114780911B (zh) | 一种基于深度学习的海洋宽测绘带距离解模糊方法 | |
CN113030964B (zh) | 基于复Laplace先验的双基地ISAR稀孔径高分辨成像方法 | |
CN108931770B (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 |