CN115453527A - 一种周期性分段观测isar高分辨成像方法 - Google Patents
一种周期性分段观测isar高分辨成像方法 Download PDFInfo
- Publication number
- CN115453527A CN115453527A CN202210923842.9A CN202210923842A CN115453527A CN 115453527 A CN115453527 A CN 115453527A CN 202210923842 A CN202210923842 A CN 202210923842A CN 115453527 A CN115453527 A CN 115453527A
- Authority
- CN
- China
- Prior art keywords
- matrix
- reconstructed
- algorithm
- data
- original signal
- 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.)
- Pending
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
- G01S13/9004—SAR image acquisition techniques
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种周期性分段观测ISAR高分辨成像方法,包括:利用获取的周期性分段观测数据进行建模,获得原始待重构信号的重构模型;构建原始待重构信号的分层贝叶斯先验模型;根据原始待重构信号的分层先验分布和周期性分段观测数据获得原始待重构信号的后验分布;利用后验分布构造SBL算法的迭代公式;利用基于傅里叶字典的快速SBL算法计算SBL算法单次迭代中的后验分布均值和后验分布协方差矩阵的对角线元素;将后验分布均值和后验分布协方差矩阵的对角线元素带入迭代公式进行迭代计算,以获得最终的ISAR高分辨成像。本发明针对周期性分段观测数据,能够很好地抑制旁瓣、缩小主瓣宽度,提高分辨率,从而能够实现高分辨成像。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种周期性分段观测ISAR高分辨成像方法。
背景技术
逆合成孔径雷达(ISAR)能够获得全天时、全天候环境下运动目标的高分辨率雷达图像,已被应用于各种领域,如空间监视、雷达天文等。在对空中目标的高分辨率雷达成像中,图像的方位分辨率由相干积累角决定。为了获得更好的方位分辨率,需要更大的相干积累角,即更长的观察时间。在此期间,当不可能进行连续测量或在某些时段的测量无效时,观测数据就会出现阶段性缺失的问题。例如,干扰和系统不稳定性将导致此时的回波数据损坏或丢失。此外,从多个视角收集的数据是不连续的,这导致阶段性缺失数据,即孔径稀疏。对于某些监视雷达,天线固定在旋转的转台上,实现对整个空域的方位扫描。因为目标只存在于一个固定的监视区域,因此收集的回波是不连续的,可用样本之间存在很大的间隙。如果直接用补零填充缺失数据,然后进行方位压缩,得到的图像会出现高旁瓣和重影。距离分辨率与雷达的带宽成反比,因此提高距离分辨率的一种直接的方法是增加带宽和中心频率,但这种方法对硬件的成本要求较高。
为了在不增加大量硬件成本的情况下获得更高的分辨率,众多学者已经提出了一种利用现有成像雷达固有的稀疏子带进行宽带合成的方法。但这种方法的关键因素在于利用阶段性子带数据实现精确的散射中心估计。因此,从方位维或距离维上阶段性缺失的ISAR原始数据(或者称分段观测的ISAR原始数据)中,获取高分辨图像已经成为研究人员面临的一个挑战。分段观测ISAR高分辨成像已经在雷达成像界受到越来越多的关注。
在雷达成像中,理论和实验计算表明,当雷达回波中存在强散射点时,雷达目标的回波信号在高频段可以看作是少数几个散射中心回波信号叠加的结果,目标信号是稀疏的。为获得高分辨的雷达图像,高分辨雷达通常工作在高频区域,由此发展出了基于稀疏表示理论的雷达成像技术。这种技术是针对雷达目标回波信号的稀疏特性,将雷达成像模型转化为稀疏表示模型,并采用稀疏重构方法来对雷达目标参数进行优化求解。稀疏表示理论发展至今已开发出众多的稀疏重构算法,在众多算法中,稀疏贝叶斯学习(SBL,SparseBayesian Learning)算法具有更强的鲁棒性和更高的估计精度,故在理论和应用方面都引起了研究者的研究兴趣。SBL算法是一种非常重要的贝叶斯统计优化算法,它是在贝叶斯理论的基础上发展起来的,从统计的角度来实现信号重构。即在SBL框架下,待恢复信号满足一定的先验分布,然后通过贝叶斯分析得到信号的后验分布信息,再通过不断地迭代实现信号重构。
然而,SBL算法每次迭代中需要求解一个逆矩阵,该矩阵维度与观测数据长度一样。若用传统的直接求逆方法求解,其计算复杂度与观测数据长度的立方成正比。当观测数据样本数较多时,计算时间往往很长。为解决这一问题,众多学者已经提出了一些快速SBL算法,但这些快速算法都采用了一些近似,会影响成像结果的准确性。若用于分段观测ISAR成像,成像结果将会更差。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种周期性分段观测ISAR高分辨成像方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种周期性分段观测ISAR高分辨成像方法,包括:
S1:利用获取的周期性分段观测数据进行建模,获得原始待重构信号的重构模型;
S2:构建原始待重构信号的分层贝叶斯先验模型;
S3:根据所述原始待重构信号的分层先验分布和所述周期性分段观测数据获得原始待重构信号的后验分布;
S4:利用所述后验分布构造SBL算法的迭代公式;
S5:利用基于傅里叶字典的快速SBL算法计算SBL算法单次迭代中的后验分布均值和后验分布协方差矩阵的对角线元素;
S6:将所述后验分布均值和后验分布协方差矩阵的对角线元素带入所述迭代公式进行迭代计算,以获得最终的ISAR成像结果。
在本发明的一个实施例中,所述重构模型为:
在本发明的一个实施例中,所述S2包括:
构建分层贝叶斯先验模型,其中,所述分层贝叶斯先验模型的第一层是原始待重构信号x和噪声e的建模,获得原始待重构信号x和噪声e的概率密度函数:
设定所述分层贝叶斯先验模型的第二层为γk和β的建模,概率密度函数分别为:
其中,gamma(·)表示伽马分布,a和b分别表示γk的形状和尺度参数,c和d分别表示β的形状和尺度参数,Γ(a)表示伽马函数。
在本发明的一个实施例中,所述S3包括:
基于所述稀疏信号x的先验分布和观测数据y,通过使用贝叶斯公式和期望最大化算法得到原始待重构信号x的后验分布,并得到后验分布的协方差Σ和均值μ分别为:
在本发明的一个实施例中,所述迭代公式包括:
ε(j)=diag(Σ(j))
其中,上标(j)表示迭代次数,Σ表示信号后验分布的协方差,ε=diag(Σ)表示ε是一个由矩阵Σ对角线上元素构成的向量,μ表示信号后验分布的均值,β表示噪声的精度,表示字典矩阵,Λ是一个由1/γk按顺序构成的一个对角阵,γk表示信号向量x中第(k+1)个值的精度。
在本发明的一个实施例中,所述S5包括:
在本发明的一个实施例中,所述S51包括:
S511:构造周期性分段观测数据的傅里叶字典矩阵:
在本发明的一个实施例中,所述S6包括:
设置收敛门槛δ,判断每次迭代得到的μ值是否满足收敛条件
若不满足收敛条件,则重复步骤S51和S52继续进行迭代;若满足收敛条件,则得到的最优均值即为重构出的稀疏信号。
本发明的另一方面提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序用于执行上述实施例中任一项所述周期性分段观测ISAR高分辨成像方法的步骤。
本发明的又一方面提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如上述实施例中任一项所述周期性分段观测ISAR高分辨成像方法的步骤。
与现有技术相比,本发明的有益效果在于:
1、本发明针对周期性分段观测数据的情况,提出了一种基于快速SBL的高分辨成像算法,能够很好地抑制旁瓣、缩小主瓣宽度,提高分辨率,从而能够实现高分辨成像。
2、本发明的快速SBL算法在不牺牲准确性的同时提高了计算速度,该算法的核心是利用傅里叶字典,在SBL每次迭代中待求逆的矩阵则是一个托普利兹-块-托普利兹矩阵,并且可通过FFT(快速傅里叶变换)快速求解。其逆矩阵可通过G-S分解被表达出,避免了直接求解逆矩阵导致的计算复杂度高的问题。此外,迭代过程中涉及逆矩阵的相乘运算可利用FFT/IFFT(快速傅里叶逆变换)快速计算,极大地降低了计算复杂度。
3、本发明基于快速SBL的高分辨成像算法利用了位移秩的性质,位移秩越小,算法的计算复杂度越小。具体体现在:在本发明基于快速SBL的高分辨成像算法中,逆矩阵的G-S分解式的位移秩是周期性分段观测数据中的每小段有效数据长度的两倍,所以算法的计算复杂度与每小段有效数据长度有关,每小段有效数据长度越短,成像的时间越短。
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是本发明实施例提供的一种周期性分段观测ISAR高分辨成像方法的流程图;
图2是本发明实施例提供的一种周期性分段观测数据的模型图;
图3是各种方法的周期性分段数据成像结果图;
图4是各种方法随观测数据长度变化的周期性分段数据成像性能图;
图5是各种方法随观测数据缺失率变化的周期性分段数据成像性能图;
图6是各种方法随观测数据所分段的段数变化的周期性分段数据成像性能图;
图7是完整实测数据的高分辨距离像以及传统距离多普勒算法和SBL方法的成像结果图;
图8是周期性分段实测数据的高分辨距离像以及传统距离多普勒算法和FD-GPSBL算法的成像结果图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及具体实施方式,对依据本发明提出的一种周期性分段观测ISAR高分辨成像方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效,在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明,可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解,然而所附附图仅是提供参考与说明之用,并非用来对本发明的技术方案加以限制。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
实施例一
请参见图1,图1是本发明实施例提供的一种周期性分段观测ISAR高分辨成像方法的流程图。该成像方法包括:
S1:利用获取的周期性分段观测数据进行建模,获得原始待重构信号的重构模型。
原始待重构信号为稀疏信号,稀疏信号的重构是指在原始待重构信号x具有一定稀疏性的前提下,根据观测数据y求解原始待重构信号x的过程。观测数据y的模型可以用一个带噪声的欠定线性系统来描述,如:
y=Dx+e
对于分段观测数据,其信号重构的示意图如图2所示。灰色框表示有效的采样样本,白框表示缺失的采样样本。可根据缺失样本的位置将全部观测数据分为q段,每段数据的长度为Nsp,每段数据包含的有效数据的长度为Ngp,缺失数据的长度为Nmp。全部观测数据的长度为Ns,总的有效数据的长度为Ng,总的缺失数据的长度为Nm。它们的关系是:qNgp=Ng,qNmp=Nm,qNsp=Ns=Ng+Nm。可见,总的有效数据和总的缺失的数据分别是每段有效数据和缺失数据的集合,它们有下列关系:
所述重构模型为:
S2:构建原始待重构信号的分层贝叶斯先验模型。
首先,对SBL(Sparse Bayesian Learning,稀疏贝叶斯学习)算法进行简单介绍。稀疏信号重构算法可分为匹配追踪、基追踪和SBL方法三大类。与其他两类方法相比,SBL方法具有更强的鲁棒性和更高的估计精度。SBL是基于贝叶斯框架,原始待重构信号被假设为一个重尾密度分布,如拉普拉斯或Student’s T分布。为了便于推导,通常采用基于分层贝叶斯模型的尺度混合分布来替代原有的重尾分布。SBL中常用高斯尺度混合物(GSMs)和拉普拉斯尺度混合物(LSMs)。然后,SBL根据观测数据估计这些分布模型的参数进而重构信号。
为了有效提高信号的稀疏性,通常使用分层贝叶斯先验模型来描述SBL中的信号。该分层贝叶斯先验模型的第一层是原始待重构信号x和噪声e的建模。假设原始待重构稀疏信号x服从零均值协方差复高斯分布Λ,并且噪声e服从零均值协方差复高斯分布β-1I,则原始待重构信号x和噪声e的概率密度函数(PDF)分别为:
其中,表示服从复高斯分布,xk表示原始稀疏信号向量x的第(k+1)个元素并且原始稀疏信号向量x中的每个元素彼此是独立的,γk表示xk的精度(逆方差),Λ是一个由1/γk按顺序构成的对角矩阵。en表示噪声数据向量e的第(n+1)个元素,β表示en的精度(逆方差)。
该分层贝叶斯先验模型的第二层是γk和β的建模,均符合伽马分布,其概率密度函数分别为:
其中,gamma(·)表示伽马分布,a和b分别表示γk的形状和尺度参数,c和d分别表示β的形状和尺度参数,它们被称为超参数。为获得广泛的超先验,a、b、c、d通常被设置为很小的正常数。Γ(a)表示伽马函数。
S3:根据所述分层先验分布和所述周期性分段观测数据获得原始待重构信号的后验分布。
具体地,基于步骤S21中获得的先验分布和观测数据y,通过使用贝叶斯公式和期望最大化(EM)算法可得到待重构原始信号x的后验分布,其后验分布可被解析地表示为一个复高斯分布:
其中,该复高斯分布的协方差Σ=(βDHD+Λ-1)-1,均值μ=βΣDHy。
根据伍德伯里矩阵的恒等式,Σ和μ又可表示为:
μ=βΛDHQ-1y
其中,Q=I+βDΛDH。
S4:利用所述后验分布构造SBL算法的迭代公式;
在SBL算法中,信号重构是通过迭代实现的。步骤S3中构造的后验分布的最优均值即为重构出的信号。以下是SBL算法的迭代步骤,这里称为直接求逆的SBL(DI-SBL):
ε(j)=diag(Σ(j))
其中,ε=diag(Σ)表示ε是一个由矩阵Σ对角线上元素构成的向量,εk表示ε的第(k+1)个元素,表示第j次迭代后得到的γk,μ和∑分别表示原始待重构信号x后验概率的均值和协方差。μ的未知参数γk和β被称为超参数,可通过最大期望算法求解。||·||2代表范数。
从上述DI-SBL的迭代过程可以看出,SBL单次迭代过程的关键步骤是计算ε和μ,但计算过程需要求解传统的直接求逆方法的计算复杂度与矩阵维度的立方成正比,而矩阵的维度与观测向量的维度一样。若观测数据较多,计算时间往往很长,实际工程上是难以实现的。
S5:利用基于傅里叶字典的快速SBL算法计算SBL算法单次迭代中的后验分布均值和后验分布协方差矩阵的对角线元素。
为了解决上述难题,本发明实施例提出了一种基于傅里叶字典的快速SBL算法去实现周期性分段观测ISAR高分辨成像。该算法的创新在于:在基于傅里叶字典的SBL算法中,是一个托普利兹-块-托普利兹矩阵,通过采用Gohberg-Semencul(G-S)分解求解避免了直接求逆导致的较大计算复杂度。此外,基于G-S分解因子,ε和μ可通过FFT/IFFT求解,极大地缩短了计算时间。
具体地,本实施例的步骤S5包括:
在本实施例中,步骤S51包括:
S511:构造周期性分段观测数据的傅里叶字典矩阵。
Ri的元素表达式为:
从上式可知,rm可通过对由1/γk组成的向量做K点FFT快速计算。然后,可以得到以及可见,SBL算法每次迭代中待求逆矩阵可通过FFT快速计算。并且,也是一个托普利兹-块-托普利兹矩阵,的结构与是一样。
其中,
定义一个矩阵:
令
其中,是一个托普利兹-块矩阵。可见,上式中的右边都是托普利兹-块矩阵,这样的形式称为的G-S分解式。和被称为的G-S分解因子。而且,的位移秩为2Ngp。因此,该算法的计算复杂度与Ngp有关,Ngp的值越大,计算时间越长。
输入:Q0和Q1
迭代过程:
其中,α=1,…,q-2。
ε=diag(Σ)
具体的,ε的快速计算:
因为Λ是一个对角阵,ε的计算可分为两步,具体步骤如下:
其中,εk和δk分别表示ε和δ的第(k+1)个值。又因为γk和β可通过(S22)中的SBL算法的迭代公式计算得到,因此只需要快速计算δ。将步骤S511中的和S514中的G-S分解式代入上述δ的表达式,可得到δk的表达式为:
其中,是一个块矩阵,其子矩阵的维度为Ngp×Ngp。以矩阵块为单位,Ul,m代表一个由该块矩阵的第m条对角线上所有的子矩阵的和构成的矩阵,维度为Ngp×Ngp。被称为多项式系数,它是Ul,m的第n条对角线上所有元素的和,可通过下面的方法快速求解:
其中,这里代表中第i个子向量。从的表达式可得:可通过一些托普利兹-块-托普利兹矩阵与向量乘积的和计算得到。而托普利兹-块-托普利兹矩阵与向量乘积可通过二维FFT/IFFT快速计算,所以可通过二维FFT/IFFT快速计算。并且有
然后,可通过FFT快速计算δ:
最后,通过δ,β和1/γk的点乘计算ε。
进一步地,μ的快速计算过程如下:
从步骤S4中μ的表达式看,μ的计算可分成三步:
将S514中的代入上述的表达式,可见的右侧是一些托普利兹-块-托普利兹矩阵与向量的乘积。因此可通过FFT/IFFT快速计算。接下来,将分成q段,每段的长度为Ngp且表示中的第i个子向量。令其中,然后,的计算式为:
S6:将所述后验分布均值和后验分布协方差带入所述迭代公式进行迭代计算,以获得最终的ISAR高分辨成像。
具体的,重复S51(S512-S515)和S52所述步骤直至满足收敛条件停止迭代,完成高分辨成像。在本实施例中,设置收敛门槛δ,根据下式判断每次迭代得到的μ值是否满足收敛条件
若不满足收敛条件,则继续重复S512-S515和S52所述步骤进行迭代;若满足收敛条件,则可得到最优均值即为重构出的稀疏信号,实现高分辨成像。
本实施例通过将快速SBL算法应用到周期性分段观测ISAR成像中,实现了周期阶段性缺失数据的高分辨成像。本实施例所提的快速算法并未采用任何近似,可以在保证成像结果准确性的基础上减小计算复杂度,使得运算量大大降低。此外,该算法的计算复杂度与逆矩阵的位移秩有关。位移秩越小,算法的计算复杂度越小。
实施例二
下面通过仿真实验对本发明实施例周期性分段观测ISAR高分辨成像方法进行进一步说明。
(1.1)实验条件:
SBL算法参数设置:初始值β(0)=1;超参数a=b=c=d=10-6;收敛门限δ=10-3;频率采样因子K/Ns=4。为了较明显地看出本发明基于快速SBL算法的成像方法的性能,在本实施例中加入现有的一些典型的稀疏信号重构方法与之进行对比,包括快速迭代自适应迭代算法(FIAA)、正交匹配追踪(OMP)、S-ESBL和DI-SBL算法。这里,S-ESBL算法是已提出的一种近似快速SBL算法,DI-SBL是指直接计算SBL算法。
模拟仿真实验:模拟观测数据来自一个有25个随机频点的模拟信号。信噪比10dB。
实测数据实验:实测观测数据来自雅克-42飞机。用于采集ISAR数据的雷达工作在c波段,频带为400mhz,脉冲重复频率为300hz。距离窗口有256个采样点,成像时间包含256个脉冲。
为了表明各种方法的信号重构性能,定义信号重构的归一化均方根误差(nRMSE)为:
(1.2)实验内容及结果
步骤一:利用软件MATLAB R2020b对模拟观测数据进行信号重构。该模拟数据长度为512,分为8段,每段数据长度为64。缺失率为50%,即每段数据中有效数据长度为32。各种算法的重构结果如图3所示。其中,图3(a)是基于FIAA算法的成像方法的重构结果图;图3(b)是基于OMP算法的成像方法的重构结果图;图3(c)是基于S-ESBL算法的成像方法的重构结果图;图3(d)是基于DI-SBL算法的成像方法的重构结果图;图3(e)是基于FD-GPSBL算法的成像方法,即本发明实施例所提成像方法的重构结果图。
表1给出了上述各种方法信号重构的时间及归一化均方根误差。
表1各种算法信号重构的时间及归一化均方根误差对比
FIAA | OMP | S-ESBL | DI-SBL | FD-GPSBL | |
重构时间/s | 0.8519 | 0.0204 | 5.2275 | 13.1587 | 1.073 |
nRMSE | 0.1781 | 0.6650 | 0.3123 | 0.0675 | 0.0675 |
步骤二:进行蒙特卡洛实验,比较不同参数下各种方法的性能图。结果如图4、图5和图6所示。图4是观测数据长度不同时各种方法的性能曲线图,其中,图4(a)图是重构的计算时间,注意曲线图上的时间值是取对数之后的;图4(b)是重构的归一化均方根误差;图4(c)是归一化均方根误差的方差。图5是观测数据缺失率不同时各种方法的性能曲线图,其中,图5(a)、图5(b)和图5(c)图分别代表计算时间、归一化均方根误差和方差。图6是每小段观测数据长度不同时各种算法的性能曲线图,其中,图6(a)、图6(b)和图(c)分别代表计算时间、归一化均方根误差和方差。
步骤三:利用软件MATLAB R2020b对实测数据进行成像。为了体现出周期性分段观测数据的成像效果,首先在图7中给出了完整“雅克-42”飞机数据的成像结果图进行对比,其中,图7(a)是高分辨率距离像(HRRP),该图横坐标代表快时间维,纵坐标代表距离维;图7(b)是传统距离-多普勒算法的成像结果;图7(c)是DI-SBL算法的成像结果。图7(b)和图7(c)的横坐标均代表方位维,纵坐标均代表距离维。对于分段观测数据,假设“雅克-42”飞机数据在方位维度上发生周期性缺失,MR为50%,q为8。周期性分段“雅克-42”数据的HRRP以及使用传统距离-多普勒算法和FD-GPSBL算法的成像结果分别如图8(a)、图8(b)和图8(c)所示。完整数据及缺失数据成像的距离维过采样因子为4。所有成像图的动态显示范围为40dB。
表2给出了上述周期性分段观测实测数据成像实验中DI-SBL和本发明实施例提出的FD-GPSBL算法实现方式的平均运行时间。
表2实验中DI-SBL和FD-GPSBL算法的平均运行时间对比
算法 | DI-SBL | FD-GPSBL |
时间/s | 8.8178 | 1.4931 |
(1.3)结果分析
从图3可以看出,当信号的两个频率值相差一个最小频率分辨率单元时,基于FIAA、DI-SBL和FD-GPSBL算法的信号重构结果非常好,说明它们具有更高的分辨率。DI-SBL和本发明实施例提出的FD-GPSBL算法的信号重构结果相同。此外,在表1列出的各种方法的nRMSE也证明了上述结论,即FIAA、DI-SBL和FD-GPSBL算法的nRMSE相对较小,DI-SBL和FD-GPSBL算法的nRMSE相同。通过比较表1中的计算时间,我们注意到OMP算法的计算时间最短。FD-GPSBL比DI-SBL快12倍以上。
图4、图5和图6展示了一些变量对算法性能的影响。从图4(a)和图4(b)可以看出,随着观测数据总长度的增加,算法的计算时间变长,nRMSE逐渐减小;对于不同的MR,数据的MR越大,有效数据越少。SBL类的算法单次迭代的时间减少,但当达到收敛阈值时,总迭代次数却增加。如图5(a)和图5(b)所示,随着MR的增加,算法的计算时间在一定范围内减小,而nRMSE增加。FD-GPSBL算法的计算时间比DI-SBL算法短好几倍。此外,当MR大于40%时,S-ESBL算法的nRMSE变大,并随着MR的增加而迅速增加。这是由于S-ESBL采用了某种近似,当缺失样本越多,重构效果越差;当MR大于70%时,FIAA的nRMSE变大;DI-SBL和FD-GPSBL算法的nRMSE也有所增加,但增幅很小,即使在MR为80%时,误差值也是可以接受的。从图6(a)和(b)可知,Ngp值只影响FIAA和FD-GPSBL算法的计算复杂度,对它们的重构误差没有影响。而且,随着Ngp值的增加,本发明实施例提出的FD-GPSBL算法的计算时间变长。这是因为FD-GPSBL算法中逆矩阵的位移秩为2Ngp。位移秩的值越大,计算时间越高。FIAA也是如此。此外,为比较算法的稳定性,算法的nRMSE的方差图也在图中给出。很显然,这些算法的方差值均小于0.03,说明各种算法均具有良好的稳定性。
为验证本发明所提快速算法的有效性,用传统距离-多普勒算法和SBL/FD-GPSBL算法分别对“雅克-42”飞机实测数据进行成像。完整测量数据的高分辨距离像及成像结果如图7所示,周期性分段测量数据的高分辨距离像及成像结果如图8所示。从图7可以看出,距离-多普勒算法算法的成像结果旁瓣水平较高,SBL算法的成像结果较好。从图8可以看出,与完整数据的成像结果相比,距离-多普勒算法算法对分段数据的成像结果具有更高的旁瓣电平,而本发明提出FD-GPSBL算法的成像结果更好,说明FD-GPSBL算法具有较高的成像分辨率。
表2给出了实测实验中周期性分段观测时DI-SBL和FD-GPSBL算法的计算时间。很明显,与DI-SBL相比,FD-GPSBL算法的计算时间很短。因为实验中使用的实测数据长度只有128,MR为50%,有效数据量小,所以FD-GPSBL算法的加速效果不明显。总之,可看出即使在MR较大的情况下,FD-GPSBL算法也能获得较好的成像结果,并且计算时间较短。
本发明实施例针对周期性分段观测数据的情况,提出了一种基于快速SBL的高分辨成像算法,能够很好地抑制旁瓣、缩小主瓣宽度,提高分辨率,从而能够实现高分辨成像。本发明实施例的快速SBL算法在不牺牲准确性的同时提高了计算速度。该算法的核心是利用傅里叶字典,在SBL每次迭代中待求逆的矩阵则是一个托普利兹-块-托普利兹矩阵,并且可通过FFT快速求解。其逆矩阵可通过G-S分解被表达出,避免了直接求解逆矩阵导致的计算复杂度高的问题。此外,迭代过程中涉及逆矩阵的相乘运算可利用FFT快速计算,极大地降低了计算复杂度。
本发明的又一实施例提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序用于执行上述实施例中所述周期性分段观测ISAR高分辨成像方法的步骤。本发明的再一方面提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如上述实施例所述周期性分段观测ISAR高分辨成像方法的步骤。具体地,上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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)
1.一种周期性分段观测ISAR高分辨成像方法,其特征在于,包括:
S1:利用获取的周期性分段观测数据进行建模,获得原始待重构信号的重构模型;
S2:构建原始待重构信号的分层贝叶斯先验模型;
S3:根据所述原始待重构信号的分层先验分布和所述周期性分段观测数据获得原始待重构信号的后验分布;
S4:利用所述后验分布构造SBL算法的迭代公式;
S5:利用基于傅里叶字典的快速SBL算法计算SBL算法单次迭代中的后验分布均值和后验分布协方差矩阵的对角线元素;
S6:将所述后验分布均值和后验分布协方差矩阵的对角线元素带入所述迭代公式进行迭代计算,以获得最终的ISAR成像结果。
3.根据权利要求2所述的周期性分段观测ISAR高分辨成像方法,其特征在于,所述S2包括:
构建分层贝叶斯先验模型,其中,所述分层贝叶斯先验模型的第一层是原始待重构信号X和噪声e的建模,获得原始待重构信号X和噪声e的概率密度函数:
设定所述分层贝叶斯先验模型的第二层为γk和β的建模,概率密度函数分别为:
其中,gamma(·)表示伽马分布,a和b分别表示γk的形状和尺度参数,c和d分别表示β的形状和尺度参数,Γ(a)表示伽马函数。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序用于执行权利要求1至8中任一项所述周期性分段观测ISAR高分辨成像方法的步骤。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1至8任一项所述周期性分段观测ISAR高分辨成像方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923842.9A CN115453527A (zh) | 2022-08-02 | 2022-08-02 | 一种周期性分段观测isar高分辨成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923842.9A CN115453527A (zh) | 2022-08-02 | 2022-08-02 | 一种周期性分段观测isar高分辨成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115453527A true CN115453527A (zh) | 2022-12-09 |
Family
ID=84295911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210923842.9A Pending CN115453527A (zh) | 2022-08-02 | 2022-08-02 | 一种周期性分段观测isar高分辨成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115453527A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116540203A (zh) * | 2023-07-04 | 2023-08-04 | 西安电子科技大学 | 基于快速稀疏贝叶斯的宽带雷达高速目标的相参积累方法 |
-
2022
- 2022-08-02 CN CN202210923842.9A patent/CN115453527A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116540203A (zh) * | 2023-07-04 | 2023-08-04 | 西安电子科技大学 | 基于快速稀疏贝叶斯的宽带雷达高速目标的相参积累方法 |
CN116540203B (zh) * | 2023-07-04 | 2023-09-22 | 西安电子科技大学 | 基于快速稀疏贝叶斯的宽带雷达高速目标的相参积累方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193003B (zh) | 一种稀疏奇异值分解扫描雷达前视成像方法 | |
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
Rao et al. | Adaptive sparse recovery by parametric weighted L $ _ {1} $ minimization for ISAR imaging of uniformly rotating targets | |
CN111551928B (zh) | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 | |
CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
CN109116293B (zh) | 一种基于离格稀疏贝叶斯的波达方向估计方法 | |
CN111538007B (zh) | 一种基于两步加速的稀疏超分辨成像方法 | |
CN110726992B (zh) | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 | |
Xu et al. | Compressive sensing of stepped-frequency radar based on transfer learning | |
CN111856465B (zh) | 一种基于稀疏约束的前视海面目标角超分辨方法 | |
CN105699969A (zh) | 基于广义高斯约束的最大后验估计角超分辨成像方法 | |
CN108896990B (zh) | 一种利用耦合模式字典学习的建筑物墙体成像方法和装置 | |
Zhao et al. | Structured sparsity-driven autofocus algorithm for high-resolution radar imagery | |
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 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN113466864B (zh) | 快速联合免逆稀疏贝叶斯学习超分辨isar成像算法 | |
CN115453527A (zh) | 一种周期性分段观测isar高分辨成像方法 | |
Dai et al. | Gohberg-semencul factorization-based fast implementation of sparse Bayesian learning with a Fourier dictionary | |
CN115963494A (zh) | 基于快速sbl算法的周期性分段观测isar高分辨成像方法 | |
CN114609594A (zh) | 非均匀性杂波中知识辅助宽带雷达目标检测器及设计方法 | |
Wang et al. | MAda-Net: Model-adaptive deep learning imaging for SAR tomography | |
Hajipour et al. | A novel method for GPR imaging based on neural networks and dictionary learning | |
Nazari et al. | High‐dimensional sparse recovery using modified generalised sl0 and its application in 3d ISAR imaging | |
CN113466865B (zh) | 联合模式耦合稀疏贝叶斯学习超分辨isar成像算法 | |
CN114966687A (zh) | 基于低秩和非局部自相似的稀疏isar成像方法及系统 |
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 |