CN113900095A - 基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统 - Google Patents

基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统 Download PDF

Info

Publication number
CN113900095A
CN113900095A CN202110977251.5A CN202110977251A CN113900095A CN 113900095 A CN113900095 A CN 113900095A CN 202110977251 A CN202110977251 A CN 202110977251A CN 113900095 A CN113900095 A CN 113900095A
Authority
CN
China
Prior art keywords
imaging
metamaterial
target
inverse
vector
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.)
Granted
Application number
CN202110977251.5A
Other languages
English (en)
Other versions
CN113900095B (zh
Inventor
马晖
王国强
高思哲
刘宏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202110977251.5A priority Critical patent/CN113900095B/zh
Publication of CN113900095A publication Critical patent/CN113900095A/zh
Application granted granted Critical
Publication of CN113900095B publication Critical patent/CN113900095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Electromagnetism (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统，通过建立成像观测坐标系以确定雷达成像区域，进一步实现网格划分获得雷达成像网络；根据超材料阵列雷达天线、接收天线雷达以及成像网格的相对位置、以及播相位延迟，建立超材料成像稀疏表示模型；使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对所述目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，通过迭代判断是否小于额定门限值，获得恢复的目标位置。因此本发明可以有效的提高成像的恢复精度以及恢复速度。

Description

基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统
技术领域
本发明属于雷达技术领域，具体涉及一种基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统。
背景技术
数字编码超材料具有成本低、易加工、设计简单等优点，可以对电磁波进行空间波束合成、波形调制等，因而被广泛的应用到通信、雷达成像等领域。在雷达成像领域中，其成像过程是通过超材料阵列天线在不同时刻对二极管状态进行调控，产生不同相位编码，实现波束控制，电磁波经过相位调制后形成的辐射场对目标场景进行照射，经过目标反射的回波信号被接收天线接收。超材料成像与现有的合成孔径成像相比，不需要通过相对运动来合成大尺寸的虚拟孔径来提高分辨率，大大降低了对目标相对运动的要求。与现有的实孔径成像相比，不需要用真实孔径天线产生很窄的波束来调高方位和俯仰的角分辨率，也就是说不需要庞大的天线阵列，大大降低了成像系统的成本。
在超材料成像处理中，首先要对成像区域进行网格划分，并且假定目标位于网格上，然后对目标回波信号与发射信号结合压缩感知进行关联成像处理。关联成像处理的方法有：贪婪追踪下的重构算法和贝叶斯压缩感知算法。贪婪追踪下的重构算法在处理含噪声的压缩感知问题上重构性能差；传统贝叶斯压缩感知可以在低信噪比下实现信号恢复，但是求解过程中需要进行矩阵求逆，运算量大。此外在实际中，无论网格划分多么密集，目标都不可能恰好处于网格点上，造成网格失配。解决网格失配的主要方法是将网格失配误差作为一个未知参数，在成像恢复过程中将网格失配和目标散射系数进行联合迭代求解。这类方法受限于网格划分，粗糙的网格会导致较大的网格失配从而影响恢复准确性，密集的网格会带来巨大的计算量影响成像恢复速率。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于超材料动态网格的免逆稀疏贝叶斯成像方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像方法，应用于雷达成像系统，包括：
S1：根据超材料阵列雷达天线与目标之间的相对位置关系，建立成像观测坐标系；
其中，超材料阵列雷达天线具有多个超材料单元，超材料单元之间均匀间隔，超材料之间的间隔与电磁波波长呈正相关；
S2：在所述成像观测坐标系中确定雷达成像区域；
S3：针对当前迭代次，将所述雷达成像区域划分成均匀网格，获得雷达成像网络；
S4：根据超材料阵列雷达天线与雷达成像网格的相对位置，接收天线与雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型；
S5：使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；
S6：使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对所述目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，获得过滤后的场景矢量；
S7：判断在当前迭代次，过滤后的场景矢量与上一迭代次过滤后的场景矢量之间的相对误差是否小于额定门限值，如果是，根据当前迭代次过过滤后的场景矢量确定恢复后的目标位置；如果不是则返回S3步骤，直至达到截止迭代次数。
可选的，所述S3包括：
将所述雷达成像区域按照K*K的网格划分，获得网格成像区域；
其中，网格成像区域包括J个探测点，相邻网格之间的间隔为P1。
可选的，S4包括：
当超材料阵列雷达天线向目标发送电磁波信号后，接收天线接收反射回的电磁波；
根据超材料阵列雷达天线与划分后的雷达成像网格的相对位置，接收天线与划分后的雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型。
可选的，所述超材料成像稀疏表示模型表示为：
y＝ΦAS+n
Φ是大小为M*L的相位编码矩阵，M是每次探测时发射波束的次数，A是导向矢量，相位编码具有L个元素，导向矢量矩阵A大小为L*J，D＝Φ*A为测量矩阵；
Figure BDA0003227797180000031
导向矢量元素为：
aij＝exp(j*2π/λ*dij)
dij为每个数字编码超表面单元与每个成像平面单元的距离，S是需要通过免逆稀疏贝叶斯重构的场景矢量，矢量长度是J，y是M维的实际测量矢量，即返回的电磁波，n是J维的噪声矢量，λ是电磁波波长。
可选的，所述S5包括：
先验设定场景矢量S服从高斯先验分布：
Figure BDA0003227797180000041
其中，
Figure BDA0003227797180000042
是非负超参数，用来控制场景矢量S；
先验设定αn服从Gamma分布：
Figure BDA0003227797180000043
其中，
Figure BDA0003227797180000044
是Gamma函数，噪声n假定服从均值为0，方差为(1/γ)I的高斯分布，γ服从Gamma分布：
p(γ)＝Gamma(γ|c,d)＝Γ-1(c)dcγce-dγ
观测信号y的似然函数服从高斯分布：
p(y|S,γ)＝N(y|DS,γ-1I)
根据免逆稀疏贝叶斯学习方法(IFSBL)求解场景矢量S的均值和方差分别是：
p(S|y,γ)＝N(S|μ,Σ)
其中，
Figure BDA0003227797180000045
T＞2λmax(DTD)，
Figure BDA0003227797180000046
计算向量化方差倒数α的后验概率：
Figure BDA0003227797180000047
其中，
Figure BDA0003227797180000051
计算噪声方差倒数γ的后验概率，服从Gamma分布：
Figure BDA0003227797180000052
其中，
Figure BDA0003227797180000053
Figure BDA0003227797180000054
得到场景矢量z＝S。
第二方面，本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像系统，包括：
坐标系建立模块，用于根据超材料阵列雷达天线与目标之间的相对位置关系，建立成像观测坐标系；
其中，超材料阵列雷达天线具有多个超材料单元，超材料单元之间均匀间隔，超材料之间的间隔与电磁波波长呈正相关；
确定模块，用于在所述成像观测坐标系中确定雷达成像区域；
划分模块，用于针对当前迭代次，将所述雷达成像区域划分成均匀网格，获得雷达成像网格；
模型建立模块，用于根据超材料阵列雷达天线与雷达成像网格的相对位置，接收天线与雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型；
求解模块，用于使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；
过滤模块，用于使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对所述目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，获得过滤后的场景矢量；
判断模块，用于判断在当前迭代次，过滤后的场景矢量与上一迭代次过滤后的场景矢量之间的相对误差是否小于额定门限值，如果是，根据当前迭代次过过滤后的场景矢量确定恢复后的目标位置；如果不是则返回划分模块，直至达到截止迭代次数。
可选的，所述划分模块具体用于包括：
将所述雷达成像区域按照K*K的网格划分，获得网格成像区域；
其中，网格成像区域包括J个探测点，相邻网格之间的间隔为P1。
可选的，模型建立模块具体用于：
当超材料阵列雷达天线向目标发送电磁波信号后，接收天线接收反射回的电磁波；
根据超材料阵列雷达天线与划分后的雷达成像网格的相对位置，接收天线与划分后的雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型。
其中，所述超材料成像稀疏表示模型表示为：
y＝ΦAS+n
Φ是大小为M*L的相位编码矩阵，M是每次探测时发射波束的次数，A是导向矢量，相位编码具有L个元素，导向矢量矩阵A大小为L*J，D＝Φ*A为测量矩阵；
Figure BDA0003227797180000061
导向矢量元素为：
aij＝exp(j*2π/λ*dij)
dij为每个数字编码超表面单元与每个成像平面单元的距离，S是需要通过免逆稀疏贝叶斯重构的场景矢量，矢量长度应该是J，y是M维的实际测量矢量，即返回的电磁波，n是J维的噪声矢量，λ是电磁波波长，
可选的，所述求解模块具体用于：
先验设定场景矢量S服从高斯先验分布：
Figure BDA0003227797180000071
其中，
Figure BDA0003227797180000072
是非负超参数，用来控制场景矢量S；
先验设定αn服从Gamma分布：
Figure BDA0003227797180000073
其中，
Figure BDA0003227797180000074
是Gamma函数，噪声n假定服从均值为0，方差为(1/γ)I的高斯分布，γ服从Gamma分布：
p(γ)＝Gamma(γ|c,d)＝Γ-1(c)dcγce-dγ
观测信号y的似然函数服从高斯分布：
p(y|S,γ)＝N(y|DS,γ-1I)
根据免逆稀疏贝叶斯学习方法(IFSBL)求解场景矢量S的均值和方差分别是：
p(S|y,γ)＝N(S|μ,Σ)
其中，
Figure BDA0003227797180000075
T＞2λmax(DTD)，
Figure BDA0003227797180000076
计算向量化方差倒数α的后验概率：
Figure BDA0003227797180000077
其中，
Figure BDA0003227797180000078
计算噪声方差倒数γ的后验概率，服从Gamma分布：
Figure BDA0003227797180000079
其中，
Figure BDA0003227797180000081
Figure BDA0003227797180000082
得到场景矢量z＝S。
本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统，通过建立成像观测坐标系以确定雷达成像区域，进一步实现网格划分获得雷达成像网络；根据超材料阵列雷达天线、接收天线雷达以及成像网格的相对位置、以及播相位延迟，建立超材料成像稀疏表示模型；使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对所述目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，通过迭代判断是否小于额定门限值，获得恢复的目标位置。因此本发明可以有效的提高成像的恢复精度以及恢复速度。以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为实施例中一种基于超材料动态网格的免逆稀疏贝叶斯成像方法的流程图；
图2为实施例中成像平面的示意图；
图3为实施例中成像观测坐标系的示意图；
图4为实施例中数字编码超材料单元的相位编码；
图5为实施例中目标设置的位置；
图6为实施例中第一次网格划分后目标恢复的位置；
图7为实施例中多次网格划分后最终目标恢复的位置；
图8为实施例中固定网格稀疏贝叶斯成像和动态网格免逆稀疏贝叶斯成像均分误差对比图；
图9为实施例中固定网格稀疏贝叶斯成像和动态网格免逆稀疏贝叶斯成像速度对比图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像方法，应用于雷达成像系统，包括：
其中，雷达成像系统包括：
S1：根据超材料阵列雷达天线与目标之间的相对位置关系，建立成像观测坐标系；
其中，超材料阵列雷达天线具有多个超材料单元，超材料单元之间均匀间隔，超材料之间的间隔与电磁波波长呈正相关；
S2：在成像观测坐标系中确定雷达成像区域；
参考图2，图2为成像观测坐标系中成像平面的示意图，该成像平面即为目标返回电磁波后的雷达成像区域。
S3：针对当前迭代次，将雷达成像区域划分成均匀网格，获得雷达成像网络；
在一种实施例中，S3包括：
将雷达成像区域按照K*K的网格划分，获得网格成像区域；
如图3所示，超材料阵列雷达天线具有L＝N*N个单元，超材料单元之间均匀分布，之间的间隔为P＝2λ，λ是电磁波波长，在仿真中超材料阵列位置：X轴方向范围(-10，-9.46)，Y轴方向范围(-10，-9.46)，Z＝0。
对成像平面进行K*K的网格划分，令J＝K*K，从而探测空间相当于具有J个探测点，仿真中设置其范围是：X轴方向范围(0，57)，Y轴方向范围(0，57)，Z＝36。第一次成像网格之间的间隔是P1，接下来经过S5得到目标的大致位置，然后以此目标为中心做进一步的细分，网格之间的间隔是上一次网格划分的一半，网格数仍保持不变。
S4：根据超材料阵列雷达天线与雷达成像网格的相对位置，接收天线与雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型；
在一种实施例中，S4包括：
当超材料阵列雷达天线向目标发送电磁波信号后，接收天线接收反射回的电磁波；
根据超材料阵列雷达天线与划分后的雷达成像网格的相对位置，接收天线与划分后的雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型。
控制超材料阵列雷达天线中的数字编码超材料二极管的通断，对发射的电磁波进行调制，调制后的电磁波照射到目标场景上，经过目标反射后的回波信号(电磁波)被单个接受天线接收。
反射回的电磁波可以用线性方程，即超材料成像稀疏表示模型表示为：
y＝ΦAS+n
Φ是大小为M*L的相位编码矩阵，M是每次探测时发射波束的次数(观测次数)，A是导向矢量，相位编码具有L个元素，导向矢量矩阵A大小为L*J，D＝Φ*A为测量矩阵；
Figure BDA0003227797180000101
导向矢量元素为：
aij＝exp(j*2π/λ*dij)
dij为每个数字编码超表面单元与每个成像平面单元的距离，S是需要通过免逆稀疏贝叶斯重构的场景矢量，矢量长度应该是J，y是M维的实际测量矢量，即返回的电磁波，n是J维的噪声矢量，λ是电磁波波长。
S5：使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；
在一种实施例中，步骤5包括：
在免逆贝叶斯算法中，需要对场景矢量S设定为两层先验。第一层先验设定场景矢量S服从高斯先验分布：
Figure BDA0003227797180000111
其中，
Figure BDA0003227797180000112
是非负超参数，用来控制场景矢量S；
第二层先验设定αn服从Gamma分布：
Figure BDA0003227797180000113
其中，
Figure BDA0003227797180000114
是Gamma函数，噪声n假定服从均值为0，方差为(1/γ)I的高斯分布，γ服从Gamma分布：
p(γ)＝Gamma(γ|c,d)＝Γ-1(c)dcγce-dγ
观测信号y的似然函数服从高斯分布：
p(y|S,γ)＝N(y|DS,γ-1I)
根据免逆稀疏贝叶斯学习方法(IFSBL)求解场景矢量S的均值和方差分别是：
p(S|y,γ)＝N(S|μ,Σ)
其中，
Figure BDA0003227797180000115
T＞2λmax(DTD)，
Figure BDA0003227797180000121
计算向量化方差倒数α的后验概率：
Figure BDA0003227797180000122
其中，
Figure BDA0003227797180000123
计算噪声方差倒数γ的后验概率，服从Gamma分布：
Figure BDA0003227797180000124
其中，
Figure BDA0003227797180000125
Figure BDA0003227797180000126
得到场景矢量z＝S。
S6：使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，获得过滤后的场景矢量；
由于噪声以及网格失配的影响，目标恢复将会出现噪点，使用阈值分割的算法(使用matlab中graythresh函数)对噪点进行过滤，最终得到目标的位置。其中，目标参数值是提前设定的数值，当一个目标的场景矢量较低时，表示该位置可能不存在目标，将该目标过滤掉。
S7：判断在当前迭代次，过滤后的场景矢量与上一迭代次过滤后的场景矢量之间的相对误差是否小于额定门限值，如果是，根据当前迭代次过过滤后的场景矢量确定恢复后的目标位置；如果不是则返回S3步骤，直至达到截止迭代次数。
本步骤设定额定门限ε1，直到相邻两次网格划分所得场景矢量S之间的相对误差满足||S(t)-S(t-1)||2＜ε1时，停止网格划分，目标恢复过程结束。如果一直没有小于额定门限值，则判断是否小于预先设置的截止迭代次数，如果是，则目标恢复过程结束。
本发明的免逆稀疏贝叶斯算法处理流程可概括为：循环迭代步骤S3至S6，设定额定门限ε2，直到相邻两次迭代所得场景矢量S之间的相对误差满足||S(t)-S(t-1)||2＜ε2时，最后一步所得场景矢量S为重构的稀疏信号。
本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统，通过建立成像观测坐标系以确定雷达成像区域，进一步实现网格划分获得雷达成像网络；根据超材料阵列雷达天线、接收天线雷达以及成像网格的相对位置、以及播相位延迟，建立超材料成像稀疏表示模型；使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，通过迭代判断是否小于额定门限值，获得恢复的目标位置。因此本发明可以有效的提高成像的恢复精度以及恢复速度。
本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像系统，包括：
坐标系建立模块，用于根据超材料阵列雷达天线与目标之间的相对位置关系，建立成像观测坐标系；
其中，超材料阵列雷达天线具有多个超材料单元，超材料单元之间均匀间隔，超材料之间的间隔与电磁波波长呈正相关；
确定模块，用于在成像观测坐标系中确定雷达成像区域；
划分模块，用于针对当前迭代次，将雷达成像区域划分成均匀网格；
模型建立模块，用于根据超材料阵列雷达天线与划分后的雷达成像网格的相对位置，接收天线与划分后的雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型；
求解模块，用于使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；
过滤模块，用于使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，获得过滤后的场景矢量；
判断模块，用于判断在当前迭代次，过滤后的场景矢量与上一迭代次过滤后的场景矢量之间的相对误差是否小于额定门限值，如果是，根据当前迭代次过过滤后的场景矢量确定恢复后的目标位置；如果不是则返回划分模块，直至达到截止迭代次数。
在一种实施例中，划分模块具体用于包括：
将雷达成像区域按照K*K的网格划分，获得网格成像区域；
其中，网格成像区域包括J个探测点，相邻网格之间的间隔为P1。
在一种实施例中，模型建立模块具体用于：
当超材料阵列雷达天线向目标发送电磁波信号后，接收天线接收反射回的电磁波；
根据超材料阵列雷达天线与划分后的雷达成像网格的相对位置，接收天线与划分后的雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型。
在一种实施例中，超材料成像稀疏表示模型表示为：
y＝ΦAS+n
Φ是大小为M*L的相位编码矩阵，M是每次探测时发射波束的次数(观测次数)，A是导向矢量，相位编码具有L个元素，导向矢量矩阵A大小为L*J，D＝Φ*A为测量矩阵；
Figure BDA0003227797180000151
导向矢量元素为：
aij＝exp(j*2π/λ*dij)
dij为每个数字编码超表面单元与每个成像平面单元的距离，S是需要通过免逆稀疏贝叶斯重构的场景矢量，矢量长度应该是J，y是M维的实际测量矢量，即返回的电磁波，n是J维的噪声矢量，λ是电磁波波长，
在一种实施例中，求解模块具体用于：
先验设定场景矢量S服从高斯先验分布：
Figure BDA0003227797180000152
其中，
Figure BDA0003227797180000153
是非负超参数，用来控制场景矢量S；
先验设定αn服从Gamma分布：
Figure BDA0003227797180000154
其中，
Figure BDA0003227797180000155
是Gamma函数，噪声n假定服从均值为0，方差为(1/γ)I的高斯分布，γ服从Gamma分布：
p(γ)＝Gamma(γ|c,d)＝Γ-1(c)dcγce-dγ
观测信号y的似然函数服从高斯分布：
p(y|S,γ)＝N(y|DS,γ-1I)
根据免逆稀疏贝叶斯学习方法(IFSBL)求解场景矢量S的均值和方差分别是：
p(S|y,γ)＝N(S|μ,Σ)
其中，
Figure BDA0003227797180000161
T＞2λmax(DTD)，
Figure BDA0003227797180000162
计算向量化方差倒数α的后验概率：
Figure BDA0003227797180000163
其中，
Figure BDA0003227797180000164
计算噪声方差倒数γ的后验概率，服从Gamma分布：
Figure BDA0003227797180000165
其中，
Figure BDA0003227797180000166
Figure BDA0003227797180000167
得到场景矢量z＝S。
下面通过实验验证本发明提供的一种基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统的性能。
设置仿真参数如下表：
Figure BDA0003227797180000168
接下来，设置仿真信噪比为30dB，超材料阵列相位编码如图4所示(0代表相位0度，1代表相位180度)。
为了验证算法的可行性，在这里随机设定四个目标，目标位置如图5所示，第一个目标的位置为(13.5，16.5，36)，第二个目标的位置为(15，13.5，36)，第三个目标的位置为(24，18，36)，第四个目标的位置为(25.5，21，36)，经过第一次网格划分后的恢复图像如图6，不断迭代最后得到目标恢复结果如图7，通过对比图5、图6和图7可以说明经过网格划分的迭代，使用免逆稀疏贝叶斯算法能够准确恢复出目标的位置。此外，在成像区域中随机设定四个目标对比了不同信噪比下固定网格稀疏贝叶斯算法和动态免逆稀疏贝叶斯算法恢复目标的性能，定义均分误差为
Figure BDA0003227797180000171
num代表总的网格数，Sset代表设定的场景矢量，Srecover代表经过恢复得到的场景矢量，均分误差结果如图8所示，成像恢复速度结果如图9所示，表明了使用动态网格免逆稀疏贝叶斯算法有效的提高了成像的恢复精度以及恢复速度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于超材料动态网格的免逆稀疏贝叶斯成像方法，应用于雷达成像系统，其特征在于，包括：
S1：根据超材料阵列雷达天线与目标之间的相对位置关系，建立成像观测坐标系；
其中，超材料阵列雷达天线具有多个超材料单元，超材料单元之间均匀间隔，超材料之间的间隔与电磁波波长呈正相关；
S2：在所述成像观测坐标系中确定雷达成像区域；
S3：针对当前迭代次，将所述雷达成像区域划分成均匀网格，获得雷达成像网络；
S4：根据超材料阵列雷达天线与雷达成像网格的相对位置，接收天线与雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型；
S5：使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；
S6：使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对所述目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，获得过滤后的场景矢量；
S7：判断在当前迭代次，过滤后的场景矢量与上一迭代次过滤后的场景矢量之间的相对误差是否小于额定门限值，如果是，根据当前迭代次过过滤后的场景矢量确定恢复后的目标位置；如果不是则返回S3步骤，直至达到截止迭代次数。
2.根据权利要求1所述的基于超材料动态网格的免逆稀疏贝叶斯成像方法，其特征在于，所述S3包括：
将所述雷达成像区域按照K*K的网格划分，获得网格成像区域；
其中，网格成像区域包括J个探测点，相邻网格之间的间隔为P1。
3.根据权利要求1所述的基于超材料动态网格的免逆稀疏贝叶斯成像方法，其特征在于，S4包括：
当超材料阵列雷达天线向目标发送电磁波信号后，接收天线接收反射回的电磁波；
根据超材料阵列雷达天线与划分后的雷达成像网格的相对位置，接收天线与划分后的雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型。
4.根据权利要求3所述的基于超材料动态网格的免逆稀疏贝叶斯成像方法，其特征在于，所述超材料成像稀疏表示模型表示为：
y＝ΦAS+n
Φ是大小为M*L的相位编码矩阵，M是每次探测时发射波束的次数，A是导向矢量，相位编码具有L个元素，导向矢量矩阵A大小为L*J，D＝Φ*A为测量矩阵；
Figure FDA0003227797170000021
导向矢量元素为：
aij＝exp(j*2π/λ*dij)
dij为每个数字编码超表面单元与每个成像平面单元的距离，S是需要通过免逆稀疏贝叶斯重构的场景矢量，矢量长度是J，y是M维的实际测量矢量，即返回的电磁波，n是J维的噪声矢量，λ是电磁波波长。
5.根据权利要求4所述的基于超材料动态网格的免逆稀疏贝叶斯成像方法，其特征在于，所述S5包括：
先验设定场景矢量S服从高斯先验分布：
Figure FDA0003227797170000031
其中，
Figure FDA0003227797170000032
是非负超参数，用来控制场景矢量S；
先验设定αn服从Gamma分布：
Figure FDA0003227797170000033
其中，
Figure FDA0003227797170000034
是Gamma函数，噪声n假定服从均值为0，方差为(1/γ)I的高斯分布，γ服从Gamma分布：
p(γ)＝Gamma(γ|c,d)＝Γ-1(c)dcγce-dγ
观测信号y的似然函数服从高斯分布：
p(y|S,γ)＝N(y|DS,γ-1I)
根据免逆稀疏贝叶斯学习方法(IFSBL)求解场景矢量S的均值和方差分别是：
p(S|y,γ)＝N(S|μ,Σ)
其中，
Figure FDA0003227797170000035
T＞2λmax(DTD)，
Figure FDA0003227797170000036
计算向量化方差倒数α的后验概率：
Figure FDA0003227797170000037
其中，
Figure FDA0003227797170000038
计算噪声方差倒数γ的后验概率，服从Gamma分布：
Figure FDA0003227797170000039
其中，
Figure FDA00032277971700000310
Figure FDA0003227797170000041
得到场景矢量z＝S。
6.一种基于超材料动态网格的免逆稀疏贝叶斯成像系统，包括：
坐标系建立模块，用于根据超材料阵列雷达天线与目标之间的相对位置关系，建立成像观测坐标系；
其中，超材料阵列雷达天线具有多个超材料单元，超材料单元之间均匀间隔，超材料之间的间隔与电磁波波长呈正相关；
确定模块，用于在所述成像观测坐标系中确定雷达成像区域；
划分模块，用于针对当前迭代次，将所述雷达成像区域划分成均匀网格，获得雷达成像网格；
模型建立模块，用于根据超材料阵列雷达天线与雷达成像网格的相对位置，接收天线与雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型；
求解模块，用于使用免逆稀疏贝叶斯恢复算法对超材料成像稀疏表示模型进行求解，得到表述目标在雷达成像网格中具体位置的场景矢量；
过滤模块，用于使用阈值分割的算法对场景矢量进行过滤，以滤除因噪点对所述目标在雷达成像网格中具体位置的干扰以及低于预设目标参数值的目标，获得过滤后的场景矢量；
判断模块，用于判断在当前迭代次，过滤后的场景矢量与上一迭代次过滤后的场景矢量之间的相对误差是否小于额定门限值，如果是，根据当前迭代次过过滤后的场景矢量确定恢复后的目标位置；如果不是则返回划分模块，直至达到截止迭代次数。
7.根据权利要求6所述的基于超材料动态网格的免逆稀疏贝叶斯成像系统，其特征在于，所述划分模块具体用于包括：
将所述雷达成像区域按照K*K的网格划分，获得网格成像区域；
其中，网格成像区域包括J个探测点，相邻网格之间的间隔为P1。
8.根据权利要求6所述的基于超材料动态网格的免逆稀疏贝叶斯成像系统，其特征在于，模型建立模块具体用于：
当超材料阵列雷达天线向目标发送电磁波信号后，接收天线接收反射回的电磁波；
根据超材料阵列雷达天线与划分后的雷达成像网格的相对位置，接收天线与划分后的雷达成像网格的相对位置，以及根据电磁波在超材料阵列雷达天线与目标之间的传播相位延迟，建立超材料成像稀疏表示模型。
9.根据权利要求8所述的基于超材料动态网格的免逆稀疏贝叶斯成像系统，其特征在于，所述超材料成像稀疏表示模型表示为：
y＝ΦAS+n
Φ是大小为M*L的相位编码矩阵，M是每次探测时发射波束的次数，A是导向矢量，相位编码具有L个元素，导向矢量矩阵A大小为L*J，D＝Φ*A为测量矩阵；
Figure FDA0003227797170000051
导向矢量元素为：
aij＝exp(j*2π/λ*dij)
dij为每个数字编码超表面单元与每个成像平面单元的距离，S是需要通过免逆稀疏贝叶斯重构的场景矢量，矢量长度应该是J，y是M维的实际测量矢量，即返回的电磁波，n是J维的噪声矢量，λ是电磁波波长。
10.根据权利要求9所述的基于超材料动态网格的免逆稀疏贝叶斯成像方法，其特征在于，所述求解模块具体用于：
先验设定场景矢量S服从高斯先验分布：
Figure FDA0003227797170000061
其中，
Figure FDA0003227797170000062
是非负超参数，用来控制场景矢量S；
先验设定αn服从Gamma分布：
Figure FDA0003227797170000063
其中，
Figure FDA0003227797170000064
是Gamma函数，噪声n假定服从均值为0，方差为(1/γ)I的高斯分布，γ服从Gamma分布：
p(γ)＝Gamma(γ|c,d)＝Γ-1(c)dcγce-dγ
观测信号y的似然函数服从高斯分布：
p(y|S,γ)＝N(y|DS,γ-1I)
根据免逆稀疏贝叶斯学习方法(IFSBL)求解场景矢量S的均值和方差分别是：
p(S|y,γ)＝N(S|μ,Σ)
其中，
Figure FDA0003227797170000065
T＞2λmax(DTD)，
Figure FDA0003227797170000066
计算向量化方差倒数α的后验概率：
Figure FDA0003227797170000067
其中，
Figure FDA0003227797170000068
计算噪声方差倒数γ的后验概率，服从Gamma分布：
Figure FDA0003227797170000069
其中，
Figure FDA00032277971700000610
Figure FDA0003227797170000071
得到场景矢量z＝S。
CN202110977251.5A 2021-08-24 2021-08-24 基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统 Active CN113900095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110977251.5A CN113900095B (zh) 2021-08-24 2021-08-24 基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110977251.5A CN113900095B (zh) 2021-08-24 2021-08-24 基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统

Publications (2)

Publication Number Publication Date
CN113900095A true CN113900095A (zh) 2022-01-07
CN113900095B CN113900095B (zh) 2024-04-26

Family

ID=79187932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110977251.5A Active CN113900095B (zh) 2021-08-24 2021-08-24 基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统

Country Status (1)

Country Link
CN (1) CN113900095B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103713288A (zh) * 2013-12-31 2014-04-09 电子科技大学 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法
CN104749553A (zh) * 2015-04-10 2015-07-01 西安电子科技大学 基于快速稀疏贝叶斯学习的波达方向角估计方法
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
CN110596645A (zh) * 2019-09-10 2019-12-20 中国人民解放军国防科技大学 二维免求逆稀疏贝叶斯学习快速稀疏重构方法
US20200191943A1 (en) * 2015-07-17 2020-06-18 Origin Wireless, Inc. Method, apparatus, and system for wireless object tracking

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103713288A (zh) * 2013-12-31 2014-04-09 电子科技大学 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法
CN104749553A (zh) * 2015-04-10 2015-07-01 西安电子科技大学 基于快速稀疏贝叶斯学习的波达方向角估计方法
US20200191943A1 (en) * 2015-07-17 2020-06-18 Origin Wireless, Inc. Method, apparatus, and system for wireless object tracking
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
CN110596645A (zh) * 2019-09-10 2019-12-20 中国人民解放军国防科技大学 二维免求逆稀疏贝叶斯学习快速稀疏重构方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王国强: ""基于数字编码超材料的实孔径前视快速成像"", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 July 2023 (2023-07-15), pages 136 - 842 *
王天云;于小飞;陈卫东;丁丽;陈畅;: "基于稀疏贝叶斯学习的无源雷达高分辨成像", 电子与信息学报, no. 05, 15 May 2015 (2015-05-15) *
王天云;陆新飞;丁丽;尹治平;陈卫东;: "基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像", 电子学报, no. 06, 15 June 2016 (2016-06-15) *

Also Published As

Publication number Publication date
CN113900095B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN105677942B (zh) 一种重复轨道星载自然场景sar复图像数据快速仿真方法
CN102645651B (zh) 一种sar层析超分辨成像方法
CN102662171B (zh) 一种sar层析三维成像方法
CN104950306B (zh) 一种海杂波背景下前视海面目标角超分辨成像方法
CN104950305B (zh) 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法
CN105353355B (zh) 一种基于稀疏重构和投影成像的多基地雷达多目标定位方法
CN105137424B (zh) 一种杂波背景下实波束扫描雷达角超分辨方法
CN104251991B (zh) 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法
CN104833973A (zh) 基于半正定规划的线阵sar后向投影自聚焦成像方法
CN107621635B (zh) 一种前视海面目标角超分辨方法
CN103149561A (zh) 一种基于场景块稀疏的稀疏微波成像方法
Cormack et al. Joint registration and fusion of an infrared camera and scanning radar in a maritime context
CN108957448B (zh) 一种基于广义全变差正则化的雷达关联成像方法
Shi et al. Detection of low-velocity and floating small targets in sea clutter via income-reference particle filters
CN108107429A (zh) 基于最大似然估计的前视超分辨成像方法
CN115356729A (zh) 一种近场非均匀采样的直接稀疏成像方法
CN109783960B (zh) 一种基于网格部分细化的波达方向估计方法
CN113900095B (zh) 基于超材料动态网格的免逆稀疏贝叶斯成像方法及系统
CN113608218A (zh) 一种基于后向投影原理的频域干涉相位稀疏重构方法
CN110764086B (zh) 一种基于扰动矩阵估计的贝叶斯雷达关联成像方法
CN104931963A (zh) 一种动目标微波凝视关联成像的方法
CN115825953B (zh) 一种基于随机频率编码信号的前视超分辨成像方法
CN105891826B (zh) 机载雷达快速最大后验成像方法
CN111781617A (zh) 一种基于双基散射矢量海面高程模型镜面反射点估计方法
Zhang et al. Bayesian superresolution method of forward-looking imaging with generalized Gaussian constraint

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