CN113406575B - 一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 - Google Patents
一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 Download PDFInfo
- Publication number
- CN113406575B CN113406575B CN202110674717.4A CN202110674717A CN113406575B CN 113406575 B CN113406575 B CN 113406575B CN 202110674717 A CN202110674717 A CN 202110674717A CN 113406575 B CN113406575 B CN 113406575B
- Authority
- CN
- China
- Prior art keywords
- signal
- radar
- frequency
- distance
- representing
- 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.)
- Expired - Fee Related
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000006835 compression Effects 0.000 claims abstract description 29
- 238000007906 compression Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000035485 pulse pressure Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 241001421235 Radara Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/10—Systems for measuring distance only using transmission of interrupted, pulse modulated waves
- G01S13/26—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the transmitted pulses use a frequency- or phase-modulated carrier wave
- G01S13/28—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the transmitted pulses use a frequency- or phase-modulated carrier wave with time compression of received pulses
- G01S13/282—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the transmitted pulses use a frequency- or phase-modulated carrier wave with time compression of received pulses using a frequency modulated carrier wave
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法,包括以下步骤:S1:对雷达的回波信号进行脉冲压缩,确定群目标雷达信号段;S2:对群目标雷达信号段进行频率去斜处理,得到单频信号;S3:利用稀疏贝叶斯学习算法对单频信号进行超分辨处理,得到群目标雷达信号的频点位置;S4:根据群目标雷达信号的频点位置确定雷达距离。与传统的脉冲压缩处理算法相比,基于稀疏贝叶斯学习算法的雷达距离超分辨算法分辨的效果可以提高1倍以上。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法。
背景技术
常规处理情况下雷达距离分辨率取决于雷达所发射的基带信号带宽。在现代战争条件下,存在密集多目标或者单个扩展目标,包括飞行器编队飞行形成的编队目标,在真空段飞行的包含诱饵、碎片、弹头的弹道导弹群目标,轰炸机等较大型目标回波在距离向扩展等。如何分辨处间距较小的群目标,或者分离处遮蔽目标,或者对目标特征进行有效识别,这在军事指挥决策上具有重要的价值和意义。为此,在现有雷达测量精度条件下(或者基于现有雷达装备下),研究具有更高雷达距离分辨率的超分辨信号处理算法具有重要意义。
发明内容
本发明的目的是为了解决雷达距离分辨率处理的问题,提出了一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法。
本发明的技术方案是:一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法包括以下步骤:
S1:对雷达的回波信号进行脉冲压缩,确定群目标雷达信号段;
S2:对群目标雷达信号段进行频率去斜处理,得到单频信号;
S3:利用稀疏贝叶斯学习算法对单频信号进行超分辨处理,得到群目标雷达信号的频点位置;
S4:根据群目标雷达信号的频点位置确定雷达距离。
本发明的有益效果是:本发明针对常规的脉冲压缩处理对群目标距离分辨能力受到信号带宽限制,目标分辨识别难度大的问题,在现有雷达的测量精度下,提出基于稀疏贝叶斯学习算法的雷达距离超分辨算法。将雷达回波信号通过去斜率预处理后成为单频信号,并且目标的距离位置信息转换为信号频率信息,再利用贝叶斯学习算法完成信号频率超分辨分析得到频率估值,进而转换为目标距离估值分辨出各目标。与传统的脉冲压缩处理算法相比,基于稀疏贝叶斯学习算法的雷达距离超分辨算法分辨的效果可以提高1倍以上。
进一步地,步骤S1中,对雷达的回波信号进行脉冲压缩包括以下子步骤:
上述进一步方案的有益效果是:在本发明中,对回波信号进行脉冲压缩可以初步判断是否存在目标以及群目标回波所在的粗略位置,为避免截取的信号段中只含有噪声导致超分辨不准确的情况。
其中,Cv表示光速,R表示目标与雷达的径向距离;
进一步地,步骤S2包括以下子步骤:
上述进一步方案的有益效果是:在本发明中,通过频率去斜率处理,将信号转化为单频信号,也将测距转化为测频率,提升了贝叶斯学习算法对雷达信号的适应能力。
进一步地,步骤S3包括以下子步骤:
S31:构建超完备字典集,并在超完备字典集中对单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α赋初值;
S32:根据当前先验方差,计算可压缩信号x的后验协方差矩阵Σ和后验均值矢量β;
S33:更新单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α;
S34:判断更新后的单频信号中噪声w的噪声功率σnew和可压缩信号x的先验方差αnew是否满足收敛条件,若是则结束迭代更新,并将后验均值矢量β中模最大的元素对应的频点位置作为群目标雷达信号的频点位置,否则返回步骤S32。
上述进一步方案的有益效果是:在本发明中,通过利用贝叶斯算法对原信号的精确重构的特性,实现对群目标的超分辨。
进一步地,步骤S32中,可压缩信号x的后验协方差矩阵Σ的计算公式为:
其中,diag(α)表示以α为对角元的对角矩阵,α表示可压缩信号x的先验方差,σ2表示噪声w的方差,A表示,H表示;
可压缩信号x的后验均值矢量β的计算公式为:
进一步地,步骤S33中,更新单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α的计算公式为:
其中,σnew表示更新后的噪声w的噪声功率,αnew表示更新后的可压缩信号x的先验方差,表示αnew的第n个元素,y表示,A表示,β表示可压缩信号的后验均值矢量,H表示,M表示,γ表示,sum(γ)表示γ中所有值之和,γn表示,βn表示β的第n个元素,αn表示α的第n个元素。
进一步地,步骤S34中,收敛条件的表达式为:
其中,σ表示噪声w的噪声功率,αn表示可压缩信号的先验方差α的第n个元素,αnew表示更新后的可压缩信号x的先验方差,表示αnew的第n个元素,σnew表示更新后的噪声w的噪声功率,σ表示噪声w的噪声功率。
进一步地,步骤S4包括以下子步骤:
S41:计算单频信号中1Hz信号对应的实际距离RHz,其计算公式为:
其中,Cv表示光速,μ表示线性调频信号的调频斜率,Rfs表示1个采样点对应的距离长度,Fs表示距离维快采样频率;
S42:将后验均值矢量β中模最大的元素对应的频点与单频信号中1Hz信号对应的实际距离RHz相乘,作为雷达距离。
附图说明
图1为雷达距离超分辨计算方法的流程图;
图2为本发明实施例噪声功率Npower=0dB的雷达回波波形图;
图3为本发明实施例噪声功率Npower=0dB的传统脉冲压缩算法结果示意图;
图4为本发明实施例噪声功率Npower=0dB的基于贝叶斯学习超分辨算法结果示意图;
图5为本发明实施例噪声功率Npower=10dB的雷达回波波形图;
图6为本发明实施例噪声功率Npower=10dB的传统脉冲压缩算法结果示意图;
图7为本发明实施例噪声功率Npower=10dB的基于贝叶斯学习超分辨算法结果示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法,包括以下步骤:
S1:对雷达的回波信号进行脉冲压缩,确定群目标雷达信号段;
S2:对群目标雷达信号段进行频率去斜处理,得到单频信号;
S3:利用稀疏贝叶斯学习算法对单频信号进行超分辨处理,得到群目标雷达信号的频点位置;
S4:根据群目标雷达信号的频点位置确定雷达距离。
在本发明实施例中,步骤S1中,对雷达的回波信号进行脉冲压缩包括以下子步骤:
在本发明中,对回波信号进行脉冲压缩可以初步判断是否存在目标以及群目标回波所在的粗略位置,为避免截取的信号段中只含有噪声导致超分辨不准确的情况。
其中,Cv表示光速,R表示目标与雷达的径向距离;
在本发明实施例中,步骤S2包括以下子步骤:
在本发明中,通过频率去斜率处理,将信号转化为单频信号,也将测距转化为测频率,提升了贝叶斯学习算法对雷达信号的适应能力。
在本发明实施例中,步骤S3包括以下子步骤:
S31:构建超完备字典集,并在超完备字典集中对单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α赋初值;
S32:根据当前先验方差,计算可压缩信号x的后验协方差矩阵Σ和后验均值矢量β;
S33:更新单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α;
S34:判断更新后的单频信号中噪声w的噪声功率σnew和可压缩信号x的先验方差αnew是否满足收敛条件,若是则结束迭代更新,并将后验均值矢量β中模最大的元素对应的频点位置作为群目标雷达信号的频点位置,否则返回步骤S32。
通过利用贝叶斯算法对原信号的精确重构的特性,实现对群目标的超分辨。
在步骤S31中,考虑两个频率信号的模型:
其中,w是复高斯白噪声。为了实现对fa和fb的估计,对区间[0,1)划分成N份,每个网格点的位置为(n=0,1,…,N-1),当网格点足够密集时,则可以通过估计fa和fb落在网格点的位置,来实现对fa和fb值的估计。两个频率信号的模型可以写为:
y=Ax+w
假设噪声w的噪声功率为σ,并且对x的先验方差α=[α1,α2,…,αN]T赋初值为100。
在本发明中,通过利用贝叶斯算法对原信号的精确重构的特性,实现对群目标的超分辨。
在本发明实施例中,步骤S32中,可压缩信号x的后验协方差矩阵Σ的计算公式为:
其中,diag(α)表示以α为对角元的对角矩阵,α表示可压缩信号x的先验方差,σ2表示噪声w的方差,A表示,H表示;
可压缩信号x的后验均值矢量β的计算公式为:
步骤S32中计算x的后验协方差矩阵Σ和后验均值矢量β的具体推导为:
记高斯白噪声w的方差为σ2,则当x已知时,接收信号y的概率分布为:
根据式(1)和式(2)可以得到x的后验概率为
由于p(y)是关于y的函数,相对于x是常数,因此可以忽略,对式(3)取对数:
lnp(x|y)=lnp(x)+lnp(y|x)+c (4)
其中,c是常数。把式(1)和(2)带入(4)可以得到:
对式(5)进行进一步的整理,可以写成如下的形式:
lnp(x|y)=-(x-β)HΣ-1(x-β)+c (6)
计算得到β和Σ为
其中,α=[α1,α2,…,αN]T,diag(α)表示以α为对角元的对角矩阵。值得注意的是,在式(4)、(5)和(6)中,c仅表示与x无关的常数,不同式中c的具体值不一定相同。由式(6)可以看出,x的后验概率是以β为均值矢量,Σ为协方差矩阵的复高斯分布,其后验分布的均值可以作为x的估计值。
在本发明实施例中,步骤S33中,更新单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α的计算公式为:
其中,σnew表示更新后的噪声w的噪声功率,αnew表示更新后的可压缩信号x的先验方差,表示αnew的第n个元素,y表示,A表示,β表示可压缩信号的后验均值矢量,H表示,M表示,γ表示,sum(γ)表示γ中所有值之和,γn表示,βn表示β的第n个元素,αn表示α的第n个元素。
对于α中大于1000的部分对应的μ会趋近0,所以不再进行更新,令
γn=1-αn×real(Σn,n)n=1,…,N
其中,Σn,n表示Σ的第n个对角元,real(Σn,n)表示Σn,n的实部,αn表示α的第n个元素,γn表示γ的第n个元素。
在本发明实施例中,步骤S34中,收敛条件的表达式为:
其中,σ表示噪声w的噪声功率,αn表示可压缩信号的先验方差α的第n个元素,αnew表示更新后的可压缩信号x的先验方差,表示αnew的第n个元素,σnew表示更新后的噪声w的噪声功率,σ表示噪声w的噪声功率。
此时的后验概率的均值β就是x估计值,在β中寻找模最大的两个元素,这两个元素的位置则对应于两个频点的位置。否则继续带入步骤S32中继续迭代。该算法上述流程及分析对于两个以上频点的估计仍然适用。
在本发明实施例中,步骤S4包括以下子步骤:
S41:计算单频信号中1Hz信号对应的实际距离RHz,其计算公式为:
其中,Cv表示光速,μ表示线性调频信号的调频斜率,Rfs表示1个采样点对应的距离长度,Fs表示距离维快采样频率;
S42:将后验均值矢量β中模最大的元素对应的频点与单频信号中1Hz信号对应的实际距离RHz相乘,作为雷达距离。
如果需要进一步,再加上前述参考距离值Rref后就可以得到目标的绝对径向距离值。
下面结合具体的实施例对本发明的技术方案进行说明:S1、对雷达回波信号进行常规脉冲压缩处理,并截取群目标的回波信号;
本实施例采用线性调频信号(LFM)作为雷达的发射信号仿真建模。具体参数为:脉宽Tp=80us,带宽B=5MHz,采样频率Fs=20MHz,目标信号功率设置0dB,噪声功率Npower=0dB。此时理论距离分辨力为为4个采样距离单元长度。
此时发射信号为:
以目标1为参考标准,目标2相较于目标1的距离滞后为脉压理论距离分辨力的0.5倍,即滞后15m,为2个采样距离单元长度,此时两个目标的回波叠加上功率为Npower的高斯白噪声后,表示如下:
其中,Ri目标距离,i=1,2表示目标序号,R2-R1=15m。将接收到的信号(公式2)进行传统的脉冲压缩处理后,再根据图中目标群峰值位置和信号脉宽、采样率参数截取含有群目标信号的信号段。
对S1中截取到的目标信号段进行Dechirp处理:为了让超分辨算法更能适应雷达信号,利用频率去斜率处理将雷达信号转化为单频信号,此时距离的超分辨转化为对频率的超分辨,具体做法为:
先构建用于Dechirp处理的参考信号:
S3、基于稀疏贝叶斯学习算法包括如下步骤:
S31、设立一个超完备字典集,并对噪声的功率σ和x的先验方差α赋初值:
考虑两个频率信号的模型:
其中,w是复高斯白噪声。为了实现对fa和fb的估计,将归一化频率区间[0,1)划分成N份,每个网格点的位置为(n=0,1,…,N-1),当网格点足够密集时,则可以通过估计fa和fb落在网格点的位置,来实现对fa和fb值的估计。式(6)可以写为
y=Ax+w#(7)
其中,y=[y0,y1,…,yM-1]T∈CM×1,A∈CM×N且第m行第n列元素为x∈CN×1且其中只有两个元素为1,对应fa和fb落在网格点的位置,其他元素全为0。假设噪声w的噪声功率为σ,并且对x的先验方差α=[α1,α2,…,αN]T赋初值为100。
S32、计算x的后验协方差矩阵Σ和后验均值矢量β;
S33、更新噪声的功率σ和x的先验方差α:
对于α中大于1000的部分对应的β会趋近0,所以不再进行更新,令
γn=1-αn×real(Σn,n)n=1,…,N#(9)
其中Σn,n表示Σ的第n个对角元,real(Σn,n)表示Σn,n的实部,αn表示α的第n个元素,γn表示γ的第n个元素,此时
S34、判断收敛及寻找待测频点:
若满足下列条件则结束迭代:
其中,αn表示α的第n个元素,表示αnew的第n个元素,此时的后验概率的均值β就是x估计值,在β中寻找模最大的两个元素,这两个元素的位置则对应于两个频点的位置。否则继续带入S32中继续迭代。该算法上述流程及分析对于两个以上频点的估计仍然适用。
实验结果分析:
目标信号功率设置0dB,噪声功率设置为Npower=0dB,雷达信号回波的实部和虚部波形图如图2所示,传统脉压处理后的结果如图3所示;基于贝叶斯学习的超分辨处理结果如图4所示。在相同的参数下,传统脉冲压缩不能分辨出两个目标,而本文所示的基于贝叶斯学习的超分辨算法成功检测到了两个目标,分别位于20.0479和21.9247采样单元,相距1.8768个采样单元与预设值2个采样单元长度吻合。
维持目标信号功率不变,继续增大噪声功率,当Npower=10dB的时候,雷达信号回波的实部和虚部波形图如图5所示,传统脉压处理后的结果如图6所示;基于贝叶斯学习的超分辨处理结果如图7所示。传统脉冲压缩算法不能分辨;本发明所提的基于贝叶斯学习的超分辨算法仍能有效分辨两个目标,分别位于19.7351和21.9247采样单元,相距2.1896个采样单元与预设值2个采样单元长度吻合,适用于信噪比较低的场景中,但此时有小的干扰结果开始出现。
实验中两个目标距离间隔设置为传统脉冲压缩处理理论分辨力的0.5倍,因此综上提出的基于贝叶斯学习的距离超分辨算法在分辨性能上优于传统脉冲压缩处理1倍以上。
本发明的工作原理及过程为:首先,对雷达回波信号进行常规脉冲压缩处理,确定群目标的大略位置信息,截取包含完整的群目标雷达回波信号段数据;再根据雷达发射的基带信号,生成去斜率处理的线性调频连续波(LFM)本振信号,对S1中截取的雷达回波信号进行去斜率处理(Dechirp)预处理,得到单频信号。此时目标距离位置信息转换为信号的频率信息;然后,利用稀疏贝叶斯学习算法对各单频信号频率进行超分辨处理,估算出各信号的频率;最后,根据目标信号频率与距离位置的计算公式,将各信号频率转换成目标的距离位置,并输出检测结果。
本发明的有益效果为:本发明针对常规的脉冲压缩处理对群目标距离分辨能力受到信号带宽限制,目标分辨识别难度大的问题,在现有雷达的测量精度下,提出基于稀疏贝叶斯学习算法的雷达距离超分辨算法。将雷达回波信号通过去斜率预处理后成为单频信号,并且目标的距离位置信息转换为信号频率信息,再利用贝叶斯学习算法完成信号频率超分辨分析得到频率估值,进而转换为目标距离估值分辨出各目标。与传统的脉冲压缩处理算法相比,基于稀疏贝叶斯学习算法的雷达距离超分辨算法分辨的效果可以提高1倍以上。
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。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法,其特征在于,包括以下步骤:
S1:对雷达的回波信号进行脉冲压缩,确定群目标雷达信号段;
S2:对群目标雷达信号段进行频率去斜处理,得到单频信号;
S3:利用稀疏贝叶斯学习算法对单频信号进行超分辨处理,得到群目标雷达信号的频点位置;
S4:根据群目标雷达信号的频点位置确定雷达距离;
所述步骤S2包括以下子步骤:
所述步骤S3包括以下子步骤:
S31:构建超完备字典集,并在超完备字典集中对单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α赋初值;
S32:根据当前先验方差,计算可压缩信号x的后验协方差矩阵Σ和后验均值矢量β;
S33:更新单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α;
S34:判断更新后的单频信号中噪声w的噪声功率σnew和可压缩信号x的先验方差αnew是否满足收敛条件,若是则结束迭代更新,并将后验均值矢量β中模最大的元素对应的频点位置作为群目标雷达信号的频点位置,否则返回步骤S32;
所述步骤S34中,收敛条件的表达式为:
其中,σ表示噪声w的噪声功率,αn表示可压缩信号的先验方差α的第n个元素,αnew表示更新后的可压缩信号x的先验方差,表示αnew的第n个元素,σnew表示更新后的噪声w的噪声功率,σ表示噪声w的噪声功率;
所述步骤S4包括以下子步骤:
S41:计算单频信号中1Hz信号对应的实际距离RHz,其计算公式为:
其中,Cv表示光速,μ表示线性调频信号的调频斜率,Rfs表示1个采样点对应的距离长度,Fs表示距离维快采样频率;
S42:将后验均值矢量β中模最大的元素对应的频点与单频信号中1Hz信号对应的实际距离RHz相乘,作为雷达距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674717.4A CN113406575B (zh) | 2021-06-17 | 2021-06-17 | 一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674717.4A CN113406575B (zh) | 2021-06-17 | 2021-06-17 | 一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113406575A CN113406575A (zh) | 2021-09-17 |
CN113406575B true CN113406575B (zh) | 2022-11-01 |
Family
ID=77685078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110674717.4A Expired - Fee Related CN113406575B (zh) | 2021-06-17 | 2021-06-17 | 一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113406575B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000180481A (ja) * | 1998-12-10 | 2000-06-30 | Nec Corp | 単一周波数信号の検出方法及びその装置 |
CN105513605A (zh) * | 2015-12-01 | 2016-04-20 | 南京师范大学 | 手机麦克风的语音增强系统和语音增强方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8566053B2 (en) * | 2009-03-19 | 2013-10-22 | William Marsh Rice University | Method and apparatus for compressive parameter estimation and tracking |
US9172476B2 (en) * | 2012-03-09 | 2015-10-27 | The United States Of America As Represented By The Secretary Of The Army | Method and system for removal of noise in signal |
US9335408B2 (en) * | 2013-07-22 | 2016-05-10 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for through-the-wall imaging using sparse inversion for blind multi-path elimination |
CN106093908A (zh) * | 2016-08-09 | 2016-11-09 | 西安电子科技大学 | 一种基于分块分段aic模型的雷达目标检测方法 |
CN106526568B (zh) * | 2016-12-29 | 2019-04-12 | 中国人民解放军海军航空大学 | 基于短时稀疏分数阶傅里叶变换的雷达动目标检测方法 |
CN111007457B (zh) * | 2018-10-08 | 2020-10-16 | 哈尔滨工业大学 | 一种基于块稀疏贝叶斯模型的辐射源直接定位方法 |
CN110954885B (zh) * | 2019-11-26 | 2022-07-12 | 西安电子科技大学 | 基于sbl的捷变频雷达自适应目标重构方法 |
AU2020100275A4 (en) * | 2020-02-25 | 2020-03-26 | Huang, Shuying DR | Remote sensing image super-resolution based on multi-dictionary sparse representation with fractal classification |
CN111610512B (zh) * | 2020-06-01 | 2022-08-09 | 桂林电子科技大学 | 一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 |
CN111580065B (zh) * | 2020-07-06 | 2022-11-08 | 内蒙古工业大学 | 基于知识辅助的稀疏恢复stap方法 |
CN112363136B (zh) * | 2020-10-28 | 2023-09-22 | 南京工业职业技术大学 | 一种基于目标稀疏性和频域去斜的雷达距离超分辨方法 |
-
2021
- 2021-06-17 CN CN202110674717.4A patent/CN113406575B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000180481A (ja) * | 1998-12-10 | 2000-06-30 | Nec Corp | 単一周波数信号の検出方法及びその装置 |
CN105513605A (zh) * | 2015-12-01 | 2016-04-20 | 南京师范大学 | 手机麦克风的语音增强系统和语音增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113406575A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761404B (zh) | 一种基于二次相位函数参数估计及补偿的改进算法 | |
CN106970371B (zh) | 一种基于Keystone和匹配滤波的目标检测方法 | |
CN101738606B (zh) | 基于广义多普勒滤波器组的雷达目标相参积累检测方法 | |
CN107450055B (zh) | 基于离散线性调频傅立叶变换的高速机动目标检测方法 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN106443671A (zh) | 基于调频连续波的sar雷达动目标检测与成像方法 | |
CN109116311A (zh) | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 | |
CN113221631B (zh) | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 | |
CN113093120B (zh) | 基于capon算法的PRI捷变雷达目标参数估计方法 | |
CN108226928B (zh) | 基于期望传播算法的逆合成孔径雷达成像方法 | |
CN107356908B (zh) | 一种捷变频信号相参积累方法 | |
CN106324596B (zh) | 基于压缩感知的随机脉冲多普勒雷达角度-多普勒成像方法 | |
CN113534115B (zh) | 一种主被动联合处理的声纳目标高精度线谱提取方法 | |
CN104215959A (zh) | 一种多机动目标径向初速度和径向加速度的估计方法 | |
CN116449320A (zh) | 频率捷变雷达体制下的长时间积累与参数估计方法 | |
CN111580063A (zh) | 基于广义解调频-楔形变换的雷达目标检测方法 | |
CN112906476B (zh) | 一种基于信杂噪比损失的机载雷达训练样本选择方法 | |
CN109633596A (zh) | 脉冲多普勒雷达体制下的多目标运动参数联合估计方法 | |
CN113406575B (zh) | 一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 | |
CN110441749B (zh) | 一种频率步进雷达目标运动参数估计方法 | |
CN115685169B (zh) | 基于宽带keystone变换的水声弱运动目标检测方法 | |
CN109613511A (zh) | 一种存在速度模糊的地面运动目标参数估计方法 | |
CN116165619A (zh) | 一种高机动目标运动参数估计和相参积累检测方法 | |
CN113391271B (zh) | 一种基于匹配滤波的快速识别雷达诱饵数量方法、计算机程序及存储介质 | |
CN115372913B (zh) | 一种目标距离走动快速补偿方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221101 |