基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法技术

本发明专利技术公开了一种基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，步骤如下：利用实测或仿真方法获取雷达目标不同频点不同方位角下的回波数据，对仿真得到的回波数据，再加入不同程度的噪声，待测试使用；利用奇异值分解降噪方法，对得到的雷达回波信号进行降噪处理；利用贝叶斯压缩感知方法对多个经降噪处理后的稀疏频带雷达回波数据进行数据融合，重构出全频带的回波数据；利用经数据融合重构出的全频带雷达回波数据，进行逆合成孔径雷达成像。本发明专利技术在进行多频带雷达数据融合之前对输入雷达回波进行降噪处理，从而显著减小了贝叶斯压缩感知方法重构全频带雷达信号的相对误差，提高了雷达成像的分辨率以及准确度。

Bayesian compression sensing radar data fusion method based on singular value decomposition and noise reduction

The invention discloses a step of Bayesian decomposition denoising compression radar data fusion method based on singular value perception is as follows: the acquisition of echo data for different frequency radar target under different azimuth angle using the test or simulation method of echo data obtained by simulation, then add not to the same degree of noise, to test the use of the singular value; the decomposition of radar echo signal denoising method, the noise reduction processing; Bayesian compressed sensing method to multiple sparse band radar echo denoising after data fusion, reconstruct the echo data of full frequency band; the full band radar echo data fusion was reconstructed, inverse synthetic aperture radar imaging. The invention reduces the noise of the input radar echo before the multi band radar data fusion, thereby significantly reducing the relative error of the Bias compressed sensing method for the reconstruction of the full band radar signal, and improving the resolution and accuracy of the radar imaging.

【技术实现步骤摘要】
基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法
本专利技术属于雷达目标高分辨成像
，特别是一种基于奇异值分解降噪的贝叶斯压缩感知多频带雷达数据融合高分辨成像方法。
技术介绍
由于单雷达成像系统的分辨率受到信号带宽和相干积累角的约束，因此从算法上面寻求突破，实现目标高分辨成像显得尤为重要。近年来，多雷达数据融合技术作为一种新兴的雷达成像技术，在军事上得到了非常高的重视并且拥有着广阔的应用前景。与单部雷达不同，多部雷达可以组成不同的观测网络来全方位观测目标。多雷达数据融合技术综合不同视角、不同频带雷达回波数据，从而获得高精度目标模型参数的技术，突破单雷达分辨率的约束，进而实现目标高分辨成像。对于光学区雷达多频带数据融合问题，利用几何绕射理论模型，可以将雷达数据融合问题转化为信号稀疏表示问题，运用于雷达成像处理中，可准确估计出目标散射中心参数，大幅提高最终成像质量，便于后续分析和处理。然而，需要指出的是，传统的贝叶斯压缩感知多频带雷达数据融合技术通常只是根据回波的稀疏先验信息建模时考虑噪声影响，使得此算法在进行信号重构计算时具有一定的抗造性能。但是当噪声影响过大时，稀疏贝叶斯算法本身的抗噪能力不足以完全消除噪声，使得重构出来的全频带雷达信号相对于原始的全频带信号误差较大，进而导致雷达成像出现模糊或者虚假散射中心。
技术实现思路
本专利技术的目的在于提供一种基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，该方法对于小信噪比情况下的多频带雷达数据融合具有非常小的重构误差，从而为雷达目标高分辨成像提供重要的途径。实现本专利技术目的的技术解决方案为：一种基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，步骤如下：第一步，利用实测或仿真方法获取雷达目标不同频点不同方位角下的回波数据，对仿真得到的回波数据，再加入不同程度的噪声，待测试使用；第二步，利用奇异值分解降噪方法，对得到的雷达回波信号进行降噪处理；第三步，利用贝叶斯压缩感知方法对多个经降噪处理后的稀疏频带雷达回波数据进行数据融合，重构出全频带的回波数据；第四步，利用第三步中经数据融合重构出的全频带雷达回波数据，进行逆合成孔径雷达成像。本专利技术与现有技术相比，其显著优点为：(1)抵抗噪声能力增强：在回波中加入比较大的噪声后，利用基于奇异值分解降噪的贝叶斯压缩感知多频带雷达数据融合方法有较高的抗噪能力；(2)提高了回波重构精度，实现高分辨成像：对每个方位回波都进行抗噪处理，使得最终的回波重构误差变小，进而实现目标的高分辨雷达成像；(3)在进行多频带雷达数据融合之前对输入雷达回波进行降噪处理，从而显著减小了贝叶斯压缩感知方法重构全频带雷达信号的相对误差，提高了雷达成像的分辨率以及准确度。下面结合附图对本专利技术作进一步详细描述。附图说明图1为三种雷达目标的模型图，其中(a)为弹头模型图，(b)为再入式飞行器模型图，(c)为B2飞机模型图。图2为本专利技术与传统贝叶斯学习方法对弹头结构在不同信噪比环境下的信号重构对比图，其中(a)为信噪比为0dB时用传统贝叶斯学习方法的融合全频带数据曲线图，(b)信噪比为0dB时用本专利技术方法的融合全频带数据曲线图，(c)为信噪比为-3dB时用传统贝叶斯学习方法的融合全频带数据曲线图，(d)为信噪比为-3dB时用本专利技术方法的融合全频带数据曲线图。图3本专利技术与传统贝叶斯学习方法对再入式飞行器结构在不同信噪比环境下的信号重构对比图，其中(a)为信噪比为0dB时用传统贝叶斯学习方法的融合全频带数据曲线图，(b)为信噪比为0dB时用本专利技术方法的融合全频带数据曲线图，(c)为信噪比为-3dB时用传统贝叶斯学习方法的融合全频带数据曲线图，(d)为信噪比为-3dB时用本专利技术方法的融合全频带数据图。具体实施方式本专利技术为基于奇异值分解降噪的贝叶斯压缩感知多频带雷达数据融合方法，首先通过实测或仿真获取每个目标多个方位角的回波数据，加上不同程度的噪声成为测试数据。首先通过奇异值分解降噪技术实现雷达回波数据的降噪，再利用贝叶斯压缩感知技术实现目标强散射中心稀疏估计，进而得到多频带数据融合结果。该方法可以提高数据融合抗噪性能，并且可以实现稀疏频带雷达高分辨成像。本专利技术中基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，步骤如下：第一步，利用实测或仿真方法获取雷达目标不同频点不同方位角下的回波数据，对仿真得到的回波数据，再加入不同程度的噪声，待测试使用；所述雷达目标不同频点不同方位角下的回波数据，是指基于短脉冲雷达体制获取到的回波数据，因此可以建立目标几何模型，利用计算电磁学中快速仿真方法得到多个方位角角度下的全频带雷达回波数据，多个方位角角度选取的规则是方位角从0°到360°连续变化，相邻方位角的角度间隔相等均为0.25°～1°；在每个角度，仿真出全频带的雷达回波数据，全频带中相邻频点之间的频率间隔为20MHz～50MHz；根据实际雷达回波中信噪比大小经验值，对得到的雷达回波数据加入噪声。第二步，利用奇异值分解降噪方法，对得到的雷达回波信号进行降噪处理，具体步骤如下：(2.1)将得到的某个角度雷达回波数据表示为一个L维向量Y＝{y1,y2,...,yL}，其中yi表示第i个频点对应的回波电场大小；(2.2)构造一个m×n维的Hankel矩阵为：其中H为Hankel矩阵，m为嵌入维数，m≤n，且满足m+n-1＝L；(2.3)对步骤(2.2)构造出来的Hankel矩阵进行奇异值分解：H＝UΣVT其中，U为m×m维正交矩阵，V为n×n维正交矩阵，∑为n×n维矩阵，且∑主对角线元素为矩阵奇异值，并按从大到小排列；(2.4)步骤(2.3)得到的对角矩阵∑中，其中对角元素为σ1，σ2，σ3，…，σp，…，...σn，若满足σ1/σp≥10-3，则前p个奇异值反映的是有用信号，其余奇异值反映噪声，对反应噪声的奇异值进行置零操作即可去除信号中的噪声；再利用奇异值分解逆过程得到重构矩阵，进而得到降噪后的信号。第三步，利用贝叶斯压缩感知方法对多个经降噪处理后的稀疏频带雷达回波数据进行数据融合，重构出全频带的回波数据，具体步骤如下：(3.1)对于降噪之后的全频带信号，按60％的频带缺损率，取低频子带与高频子带数据，进行多频带雷达数据融合；(3.2)对目标进行一维GTD建模：其中，fq＝f0+Δf是第q个频点，q＝0,1,...,Q-1，f0为初始频率，Δf表示调频间隔，K是强散射中心个数，c是光速；模型参数σk为第k个强散射中心的散射系数，rk为第k个散射中心在雷达目标坐标系内相对零相位参考点的距离即目标相对于雷达的径向距离；αk为散射中心类型，是1/2的整数倍，为[-1,-1/2,0,1/2,1]；式(1)的一维GTD模型改写为：其中，当D大于等于300时，用集合离散据此构建一大小为Q×M的字典矩阵Ψ，M＝5D，其中，Ψa的上标表示频率依赖性因子，Ψa的矩阵元素为全频带宽带雷达数据Y近似表示为Y≈Ψσ(5)其中，Y＝[Y(f0),Y(f1),…,Y(fQ-1)]T，σ是未知系数向量，σ中含有K个非零元素，对应{σk′|k＝1,…K}；(3.3)利用贝叶斯压缩感知方法进行稀疏系数的估计，实现全频带数据融合，得到重构雷达回波信号；使用y＝Φx+ε表示稀疏问题，设噪声服从均值为0方差本文档来自技高网...

【技术保护点】
一种基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，其特征在于，步骤如下：第一步，利用实测或仿真方法获取雷达目标不同频点不同方位角下的回波数据，对仿真得到的回波数据，再加入不同程度的噪声，待测试使用；第二步，利用奇异值分解降噪方法，对得到的雷达回波信号进行降噪处理；第三步，利用贝叶斯压缩感知方法对多个经降噪处理后的稀疏频带雷达回波数据进行数据融合，重构出全频带的回波数据；第四步，利用第三步中经数据融合重构出的全频带雷达回波数据，进行逆合成孔径雷达成像。

【技术特征摘要】
1.一种基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，其特征在于，步骤如下：第一步，利用实测或仿真方法获取雷达目标不同频点不同方位角下的回波数据，对仿真得到的回波数据，再加入不同程度的噪声，待测试使用；第二步，利用奇异值分解降噪方法，对得到的雷达回波信号进行降噪处理；第三步，利用贝叶斯压缩感知方法对多个经降噪处理后的稀疏频带雷达回波数据进行数据融合，重构出全频带的回波数据；第四步，利用第三步中经数据融合重构出的全频带雷达回波数据，进行逆合成孔径雷达成像。2.根据权利要求1所述的基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，其特征在于：第一步中所述雷达目标不同频点不同方位角下的回波数据，是指基于短脉冲雷达体制获取到的回波数据，多个方位角角度选取的规则是方位角从0°到360°连续变化，相邻方位角的角度间隔相等均为0.25°～1°；在每个角度，仿真出全频带的雷达回波数据，全频带中相邻频点之间的频率间隔为20MHz～50MHz；根据实际雷达回波中信噪比大小经验值，对得到的雷达回波数据加入噪声。3.根据权利要求1所述的基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，其特征在于：第二步中所述利用奇异值分解降噪方法，具体步骤如下：(2.1)将得到的某个角度雷达回波数据表示为一个L维向量Y＝{y1,y2,...,yL}，其中yi表示第i个频点对应的回波电场大小；(2.2)构造一个m×n维的Hankel矩阵为：其中H为Hankel矩阵，m为嵌入维数，m≤n，且满足m+n-1＝L；(2.3)对步骤(2.2)构造出来的Hankel矩阵进行奇异值分解：H＝U∑VT其中，U为m×m维正交矩阵，V为n×n维正交矩阵，∑为n×n维矩阵，且∑主对角线元素为矩阵奇异值，并按从大到小排列；(2.4)步骤(2.3)得到的对角矩阵∑中，其中对角元素为σ1，σ2，σ3，…，σp，…，...σn，若满足σ1/σp≥10-3，则前p个奇异值反映的是有用信号，其余奇异值反映噪声，对反应噪声的奇异值进行置零操作即可去除信号中的噪声；再利用奇异值分解逆过程得到重构矩阵，进而得到降噪后的信号。4.根据权利要求1所述的基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法，其特征在于：第三步所述利用贝叶斯压缩感知方法对多个经降噪处理后的稀疏频带雷达回波数据进行数据融合，重构出全频带的回波数据，具体步骤如下：(3.1)对于降噪之后的全频带信号，按60％的频带缺损率，取低频子带与高频子带数据，进行多频带雷达数据融合；(3.2)对目标进行一维GTD建模：其中，fq＝f0+Δf是第q个频点，q＝0,1,...,Q-1，f0为初始频率，Δf表示调频间隔，K是强散射中心个数，c是光速；模型参数σk为第k个强散射中心的散射系数，rk为第k个散射中心在雷达目标坐标系内相对零相位参考点的距离即目标相对于雷达的径向距离；αk为散射中心类型，是1/2的整数倍，为[-1,-1/2,0,1/2,1]；式(1)的一维GTD模...

【专利技术属性】
技术研发人员：赵海燕，许炯，陈如山，董明，葛盈飞，徐一馏，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32