【技术实现步骤摘要】
联合模式耦合稀疏贝叶斯学习超分辨ISAR成像算法
[0001]本专利技术涉及信号处理
,具体涉及一种联合模式耦合稀疏贝叶斯学习超分辨ISAR成像算法。
技术介绍
[0002]逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像成像针对的目标在观测场景内一般是稀疏的,也即目标图像在整个背景域是稀疏的,满足稀疏重构的条件,可通过稀疏重构方法进行成像。通常情况下,要满足高分辨成像所需的对固定场景的宽带和长时间连续观测比较困难,所以雷达往往会面临稀疏孔径成像的问题。在稀疏孔径条件下,传统的成像方法会导致图像出现强副瓣和栅瓣,成像效果较差。基于压缩感知的ISAR成像方法可利用少量的观测数据和样本数实现对高分辨图像的重构,在雷达目标成像中有着独特的优势。
[0003]在利用稀疏重构算法对运动目标的成像时,能够求得最稀疏解的算法的成像效果一般较好。Tipping提出基于相关向量机(Relevance Vector Machine,RVM),通过基于SBL的样本学习方法,迭代优化重构出原始稀疏信号。该方法基于稀疏概率学习,不需要信号的额外先验信息且容易得到信号的最稀疏解,因此SBL算法广泛应用于信号及图像处理、模式识别等领域。基于SBL的超分辨ISAR成像进行了研究,利用少量的脉冲获取到目标的ISAR图像,并且证明了基于SBL成像方法比其它基于CS成像方法在参数估计与选取、图像重构效果等方面具有明显优势。
[0004]大多数稀疏信号重构方法针对的是一维稀疏信号,这些方
【技术保护点】
【技术特征摘要】
1.一种联合模式耦合稀疏贝叶斯学习超分辨ISAR成像算法,其特征在于包括如下步骤:S1、令且α
(0)
中每一个元素值均为1,假设算法的最大迭代次数为G;S2、对g=0,1,2,...,G,对第g次迭代中的α
(g)
,根据计算其后验概率密度函数的均值M和协方差Σ,然后根据来计算最大后验概率估计后验概率估计S3、根据来计算u
i
,然后根据和来更新超参数,得到新的超参数估计α
(g+1)
;S4、若则进行下一次循环迭代;若则停止迭代,最终的重构结果为若则最终的重构结果为2.根据权利要求1所述的联合模式耦合稀疏贝叶斯学习超分辨ISAR成像算法,其特征在于:在初始化参数前,先假设雷达发射线性射频信号,便可将接收的信号表示为:将距离压缩后的信号表示为:假设相干积累时间内的脉冲数为M,将脉冲重复频率划分为N个多普勒单元,(2)式中x(τ,t)的表示为:X=[x
nm
]
N
×
M
,将稀疏表示理论应用于回波距离信号向,(1)式的矩阵形式表示为:Y=ΦX+V。3.根据权利要求2所述的联合模式耦合稀疏贝叶斯学习超分辨ISAR成像算法,其特征
在于:将信号X的先验表示为:其中,且,p(x
ij
|α
i
,α
i+1
,α
i
‑1)=N(x
ij
|0,(α
i
+βα
i+1
+βα
i
‑1)
‑1)。4.根据权利要求3所述的联合模式耦合稀疏贝叶斯学习超分辨ISAR成像算法,其特征在于:假设超参数α
i
的超先验服从Gamma分布,即:其中,表示Gamma函数。5.根据权利要求4所述的联合模式耦合稀疏贝叶斯学习超分辨ISAR成像算法,其特征在于:根据似然函数和先验分布,信号X第j列的概率密度函数满足:便可得出S2中的均值M和协方差Σ,即其中D表示对角矩阵,且其第i个对角元素的值为α...
【专利技术属性】
技术研发人员:何兴宇,刘桃,郭艺夺,
申请(专利权)人:中国人民解放军空军工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。