基于广义FOCUSS的毫米波阵列雷达角超分辨方法技术

本发明专利技术公开了一种基于广义FOCUSS的毫米波阵列雷达角超分辨方法，包括以下步骤：步骤一、获取回波原始数据；步骤二、回波距离维预处理；步骤三、算法初始化；步骤四：更新权重矩阵步骤五：更新目标矩阵；步骤六、重复步骤四和步骤五，直到算法收敛。本发明专利技术在欠定系统局灶解法中引入Tikhonov初始化过程与广义指数，采用了Tikhonov初始化，加速了算法收敛；并在迭代中引入广义指数g对目标散射系数矩阵结果进行有利加权，保证了成像结果的高分辨率；相比于传统的超分辨成像方法，实现了更快的收敛速度和更高的分辨率。另外采用正则化策略提升了对噪声的鲁棒性，有利于对稀疏目标成像。有利于对稀疏目标成像。有利于对稀疏目标成像。

Angular super-resolution method of millimeter wave array radar based on generalized focus

【技术实现步骤摘要】
基于广义FOCUSS的毫米波阵列雷达角超分辨方法


[0001]本专利技术属于雷达成像
，特别涉及一种基于广义FOCUSS的毫米波阵列雷达角超分辨方法。

技术介绍

[0002]毫米波雷达具有全天时、全天候探测能力，广泛应用于智能交通和无人驾驶等领域。现有的毫米波阵列雷达成像主要通过发送线性调频信号并空间波束形成实现成像。通过脉冲压缩，可获得高分辨率，但是受到阵列孔径的限制，其角分辨率远低于距离分辨率。理论上可以通过增大毫米波阵列孔径来提高角分辨率，但在实际应用中由于平台空间的限制，这种思路是不可行的。所以，从信号处理的角度提升毫米波阵列雷达的角分辨率成为了目前研究的热点。
[0003]从卷积反演的思路出发，目前一些超分辨方法已经被陆续提出。比如在文献“Wu Y,Zhang Y,Zhang Y,et al.TSVD with least squares optimization for scanning radar angular super
‑
resolution[C]2017 IEEE Radar Conference(RadarConf).IEEE,2017:1450
‑
1454.”截断奇异值分解(TSVD)方法被应用到雷达方位超分辨成像中，但是其分辨率提升有限；在文献
“‑
P
é
rez J L,Marshall S J,Gregson K.Resolution improvement of ERS scatterometer data over land by Wiener filtering[J].Remote sensing of environment,2000,71(3):261
‑
271.”中维纳滤波(WL)方法被用于提升方位分辨率，但是其分辨率依然受限。
[0004]上述的方法由于忽略了目标的先验，导致其分辨率提升有限，利用感兴趣目标的稀疏性可以有效地提高方位分辨率。在文献“Zhang Q,Zhang Y,Zhang Y,et al.Majorize
‑
Minimization Based Super
‑
Resolution Method for Radar Forward
‑
Looking Imaging[C]IGARSS 2020
‑
2020 IEEE International Geoscience and Remote Sensing Symposium.IEEE,2020:3188
‑
3191.”中，提出了一种基于MM的稀疏超分辨率成像的方法，该方法引入了目标的稀疏先验，显著改善了方位分辨率。但是由于该方法收敛速度较慢，不利于工程实现。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种采用Tikhonov初始化，加速了算法收敛；并在迭代中引入广义指数g对目标散射系数矩阵结果进行有利加权，保证了成像结果的高分辨率的基于广义FOCUSS的毫米波阵列雷达角超分辨方法。
[0006]本专利技术的目的是通过以下技术方案来实现的：基于广义FOCUSS的毫米波阵列雷达角超分辨方法，包括以下步骤：
[0007]步骤一、获取回波原始数据：雷达发射线性调频信号，经过解调后的回波信号表示为：
[0008][0009]其中τ是距离向时间，t表示方位向时间，观测场景Ω的方位向采样点数为N，距离向采样点数为M；σ(x,y)是场景Ω中(x,y)点的目标散射系数，w(t)是天线方向图函数，rect(
·
)是矩形窗函数，T
p
是发射信号的脉冲时宽，λ是载频波长，c是电磁波传播速度，k是线性调频率，n(τ,t)是加性高斯白噪声；R(t)为目标的距离历史；
[0010]步骤二、回波距离维预处理；
[0011]步骤三、算法初始化；
[0012]步骤四：更新权重矩阵
[0013]步骤五：更新目标矩阵；
[0014]步骤六、重复步骤四和步骤五，直到算法收敛。
[0015]进一步地，所述步骤二具体实现方法为：将回波数据s1(τ,t)与脉冲压缩函数进行最大自相关运算，实现对回波的距离向脉冲压缩，距离向脉冲压缩后的信号为：
[0016][0017]其中n2(τ,t)是经过距离向脉冲压缩处理后的噪声；
[0018]将距离向脉冲压缩压后的回波根据R(t)＝R0‑
vt cosθ0进行伸缩变换，得到距离走动校正后的回波：
[0019][0020]其中n3(τ,t)是经过尺度变换后的噪声；R0表示目标起始距离，v表示平台运动速度，θ0表示目标空间方位角；
[0021]将回波s3(τ,t)取绝对值去掉多普勒项离散化后其固定距离单元的方位向回波转化为以下矩阵形式：
[0022]s＝Hσ+n
ꢀꢀꢀ
(4)
[0023]其中s表示接收的方位向回波向量，维度为N
×
1；H表示由天线方向图函数构成的卷积测量矩阵，维度为N
×
N；σ表示目标散射系数矩阵，维度为N
×
1；n表示噪声向量，维度为N
×
1。
[0024]进一步地，所述步骤三具体实现方法为：对目标散射系数矩阵进行Tikhonov初始化：
[0025]σ0＝(H
T
H+λI)
‑1H
T
s
ꢀꢀꢀ
(5)
[0026]其中正则化参数λ由广义交叉验证函数确定：
[0027][0028]其中σ
+
＝H
+
s；H
+
是正则化矩阵：H
+
＝(H
T
H+λI)
‑1H
T
；trace(
·
)表示矩阵的迹，I表示单位阵。
[0029]进一步地，所述步骤四中，权重矩阵W更新为：
[0030][0031]其中，g表示广义指数，0.5≤g≤1；|σ1|表示目标散射系数矩阵σ的第一个元素的绝对值，|σ
N
|表示目标散射系数矩阵σ的第N个元素的绝对值。
[0032]进一步地，所述步骤五具体实现方法为：引入正则化策略，将目标散射系数矩阵更新为：
[0033]σ＝WW
T
H
T
(HWW
T
H
T
+λI)
‑1s
ꢀꢀꢀ
(8)。
[0034]本专利技术的有益效果是：本专利技术在欠定系统局灶解法中引入Tikhonov初始化过程与广义指数，采用了Tikhonov初始化，加速了算法收敛；并在迭代中引入广义指数g对目标散射系数矩阵结果进行有利加权，保证了成像结果的高分辨率；相比于传统的超分辨成像方法，实现了更快的收敛速度和更高的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于广义FOCUSS的毫米波阵列雷达角超分辨方法，其特征在于，包括以下步骤：步骤一、获取回波原始数据：雷达发射线性调频信号，经过解调后的回波信号表示为：其中τ是距离向时间，t表示方位向时间，观测场景Ω的方位向采样点数为N，距离向采样点数为M；σ(x,y)是场景Ω中(x,y)点的目标散射系数，w(t)是天线方向图函数，rect(
·
)是矩形窗函数，T
p
是发射信号的脉冲时宽，λ是载频波长，c是电磁波传播速度，k是线性调频率，n(τ,t)是加性高斯白噪声；R(t)为目标的距离历史；步骤二、回波距离维预处理；步骤三、算法初始化；步骤四：更新权重矩阵步骤五：更新目标矩阵；步骤六、重复步骤四和步骤五，直到算法收敛。2.根据权利要求1所述的基于广义FOCUSS的毫米波阵列雷达角超分辨方法，其特征在于，所述步骤二具体实现方法为：将回波数据s1(τ,t)与脉冲压缩函数进行最大自相关运算，实现对回波的距离向脉冲压缩，距离向脉冲压缩后的信号为：其中n2(τ,t)是经过距离向脉冲压缩处理后的噪声；将距离向脉冲压缩压后的回波根据R(t)＝R0‑
vt cosθ0进行伸缩变换，得到距离走动校正后的回波：其中n3(τ,t)是经过尺度变换后的噪声；R0表示目标起始距离，v表示平台运动速度，θ0表示目标空间方位角；将回波s3(τ,t)取绝对值去掉多普勒项离散化后其固定距离单元的方位向回波转化为以下矩阵形式：s＝Hσ+n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中s表示接收的方位向回波向量，维度为N
×
1；H表示由天线方向图函数构成的卷积测量矩阵，维度为N
×
N；σ表示目标...

【专利技术属性】
技术研发人员：林长海，黄钰林，张波，张寅，张永超，
申请(专利权)人：宜宾市辰安智能制造有限公司，
类型：发明
国别省市：