基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法技术

本发明专利技术公开了一种基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，包括：建立面向机动平台的单基前视扫描成像模型；利用单基前视扫描成像模型计算前视场景散射系数观测值、构建过完备字典矩阵；针对前视场景散射系数每一距离门，构建前视场景散射系数的贝叶斯后验概率问题；利用student

Forward looking super-resolution imaging method for mobile platform based on Sparse Bayesian learning framework

【技术实现步骤摘要】
基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法


[0001]本专利技术属于雷达信号处理
，具体涉及一种基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法。

技术介绍

[0002]在传统的合成孔径雷达(Synthetic Aperture Radar，简称SAR)成像系统中，为了获取二维高分辨的微波遥感图像，需要沿距离横向积累出足够长的合成孔径或者足够大的相干积累角，从而能够在空间中形成一个等效的虚拟阵列，并干涉形成一个极窄的波束，实现对照射区域的距离横向高分辨探测。对于微波遥感成像领域而言，距离向的高分辨能力能够通过脉冲压缩技术来实现，其性能由发射信号的带宽决定。
[0003]但是，在前视成像几何构型中，雷达天线波束指向平台飞行方向的正前方，因此距离横向的合成孔径长度无法随着平台的运动而产生积累。此时，对于前视照射区域内的距离横向分辨能力仅由雷达天线的方位向实孔径长度提供；此外，当雷达波束指向飞行方向的正前方时，前视场景的左右两侧拥有着相同的空间锥角，会造成前视成像时左右多普勒模糊的问题。综合上述两大难题距离横向分辨率受限于方位向实孔径长度、左右多普勒存在模糊，传统单通道SAR成像系统及信号处理方法无法直接应用到前视成像问题中。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法。本专利技术要解决的技术问题通过以下技术方案实现：本专利技术实施例提供了一种基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，包括：建立面向机动平台的单基前视扫描成像模型；利用所述面向机动平台的单基前视扫描成像模型计算前视场景散射系数观测值；利用所述面向机动平台的单基前视扫描成像模型构建过完备字典矩阵；针对前视场景散射系数的每一距离门，构建前视场景散射系数的贝叶斯后验概率问题；利用student
‑
t分布思想，根据所述前视场景散射系数观测值和所述过完备字典矩阵将求解所述贝叶斯后验概率问题转化为求解基于student
‑
t分布的最大似然问题；利用期望最大化思想求解所述基于student
‑
t分布的最大似然问题得到当前距离门的最大似然估计值；遍历所有距离门得到对应的最大似然估计值，根据所有最大似然估计值得到最终机动平台前视成像结果。
[0005]在本专利技术的一个实施例中，所述利用所述面向机动平台的单基前视扫描成像模型计算前视场景散射系数观测值，包括：利用所述面向机动平台的单基前视扫描成像模型发射脉冲信号并接收形成的基带回波信号；
对所述基带回波信号进行距离向匹配滤波处理得到匹配滤波信号；分别构造加速度相位补偿函数和包络去斜函数；根据所述匹配滤波信号、所述加速度相位补偿函数和所述包络去斜函数计算所述前视场景散射系数观测值。
[0006]在本专利技术的一个实施例中，所述利用所述面向机动平台的单基前视扫描成像模型构建过完备字典矩阵，包括：利用所述面向机动平台的单基前视扫描成像模型计算瞬时多普勒频率；根据所述瞬时多普勒频率计算三角基相位；根据所述三角基相位构建所述过完备字典矩阵。
[0007]在本专利技术的一个实施例中，所述利用student
‑
t分布思想，根据所述前视场景散射系数观测值和所述过完备字典矩阵将求解所述贝叶斯后验概率问题转化为求解基于student
‑
t分布的最大似然问题，包括：将求解所述贝叶斯后验概率问题转化为求解联合概率问题；根据所述前视场景散射系数观测值和所述过完备字典矩阵构建前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数；构建前视场景散射系数的包括第二精度参数的student
‑
t分布函数；利用所述前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数和所述前视场景散射系数的包括第二精度参数的student
‑
t分布函数将求解所述联合概率问题转化为求解所述基于student
‑
t分布的最大似然问题。
[0008]在本专利技术的一个实施例中，所述前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数公式表示为：；其中，表示前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数，表示前视场景散射系数观测值服从均值为、参数为和的student
‑
t分布，表示第一精度参数，服从分布，表示Gamma函数，表示过完备字典矩阵。
[0009]在本专利技术的一个实施例中，所述前视场景散射系数的包括第二精度参数的student
‑
t分布函数公式表示为：；其中，表示前视场景散射系数的包括第二精度参数的student
‑
t分布函数，表示当前距离门的前视场景散射系数服从均值为0、参数为和的student
‑
t分布，表示第二精度参数，，N表示场景采样点数，N=N
a
‑
N
b
+1，N
a
表示方位向采样点数，N
b
表示场景内在一个波束宽度内的扫描点数，
表示对角矩阵，服从分布。
[0010]在本专利技术的一个实施例中，所述基于student
‑
t分布的最大似然问题公式表示为：；其中，表示前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数，表示第一精度参数的先验概率，，表示前视场景散射系数的包括第二精度参数的student
‑
t分布函数，表示第二精度参数的先验概率，。
[0011]在本专利技术的一个实施例中，所述利用期望最大化思想求解基于student
‑
t分布的最大似然问题得到当前距离门的最大似然估计值，包括：给定初始的第一精度参数的期望估计值和第二精度参数的期望估计值；根据所述第一精度参数的期望估计值和所述第二精度参数的期望估计值计算对应前视场景散射系数的最大似然估计值；根据所述前视场景散射系数的最大似然估计值分别构建第一精度参数、第二精度参数的后验概率函数；根据所述后验概率函数重新计算对应的第一精度参数的期望估计值和第二精度参数的期望估计值；对所述第一精度参数的期望估计值、所述第二精度参数的期望估计值和所述前视场景散射系数的最大似然估计值进行均值滤波或方差滤波处理；判断所有的均值滤波结果或所有的方差滤波结果是否满足对应判决门限，若满足，则将所述前视场景散射系数的最大似然估计值作为当前距离门的最大似然估计值，否则根据所述第一精度参数的期望估计值和所述第二精度参数的期望估计值重新计算对应所述前视场景散射系数的最大似然估计值，直至满足对应判决门限或最大迭代次数。
[0012]在本专利技术的一个实施例中，所述根据所述前视场景散射系数的最大似然估计值分别构建第一精度参数、第二精度参数的后验概率函数公式分别表示为：；；其中，表示第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，包括：建立面向机动平台的单基前视扫描成像模型；利用所述面向机动平台的单基前视扫描成像模型计算前视场景散射系数观测值；利用所述面向机动平台的单基前视扫描成像模型构建过完备字典矩阵；针对前视场景散射系数的每一距离门，构建前视场景散射系数的贝叶斯后验概率问题；利用student
‑
t分布思想，根据所述前视场景散射系数观测值和所述过完备字典矩阵将求解所述贝叶斯后验概率问题转化为求解基于student
‑
t分布的最大似然问题；利用期望最大化思想求解所述基于student
‑
t分布的最大似然问题得到当前距离门的最大似然估计值；遍历所有距离门得到对应的最大似然估计值，根据所有最大似然估计值得到最终机动平台前视成像结果。2.根据权利要求1所述的基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，所述利用所述面向机动平台的单基前视扫描成像模型计算前视场景散射系数观测值，包括：利用所述面向机动平台的单基前视扫描成像模型发射脉冲信号并接收形成的基带回波信号；对所述基带回波信号进行距离向匹配滤波处理得到匹配滤波信号；分别构造加速度相位补偿函数和包络去斜函数；根据所述匹配滤波信号、所述加速度相位补偿函数和所述包络去斜函数计算所述前视场景散射系数观测值。3.根据权利要求1所述的基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，所述利用所述面向机动平台的单基前视扫描成像模型构建过完备字典矩阵，包括：利用所述面向机动平台的单基前视扫描成像模型计算瞬时多普勒频率；根据所述瞬时多普勒频率计算三角基相位；根据所述三角基相位构建所述过完备字典矩阵。4.根据权利要求1所述的基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，所述利用student
‑
t分布思想，根据所述前视场景散射系数观测值和所述过完备字典矩阵将求解所述贝叶斯后验概率问题转化为求解基于student
‑
t分布的最大似然问题，包括：将求解所述贝叶斯后验概率问题转化为求解联合概率问题；根据所述前视场景散射系数观测值和所述过完备字典矩阵构建前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数；构建前视场景散射系数的包括第二精度参数的student
‑
t分布函数；利用所述前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数和所述前视场景散射系数的包括第二精度参数的student
‑
t分布函数将求解所述联合概率问题转化为求解所述基于student
‑
t分布的最大似然问题。5.根据权利要求4所述的基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，所述前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数公
式表示为：；其中，表示前视场景散射系数观测值的包括第一精度参数的student
‑
t分布函数，表示前视场景散射系数观测值服从均值为、参数为和的student
‑
t分布，表示第一精度参数，服从分布，表示Gamma函数，表示过完备字典矩阵。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：梁毅，郭怡亨，张罡，邢孟道，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：