System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种针对多频段雷达数据的多频段雷达数据融合外推方法,特别涉及一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,适用于多频段雷达信号在相位补齐后,融合外推空缺频段,属于多频段雷达超分辨成像。
技术介绍
1、雷达以其全天时、全天候的优势被应用于众多监测领域,借助雷达对目标进行高分辨一维成像,可有效获取目标或集群的形状、结构等细节特征,辅助目标识别。由于雷达分辨率受限于发射信号带宽,传统宽带雷达对小目标进行一维精细成像,发射机带宽需达数ghz,生产工艺和成本等方面均面临巨大困难。多频段雷达带宽融合外推是一种拓宽雷达信号带宽的有效手段,可较低成本实现高分辨,对于大范围的无人飞行器集群的探测和识别具有重要意义。该技术从算法层面出发,将多频段雷达测量信号进行相参处理,再依据散射中心理论,对多频段雷达信号进行散射中心估计,可直接得到目标的全频段雷达信号模型,从而较低成本得到宽带雷达信号,实现距离高分辨。低成本、易实现的优势,使多频段雷达信号外推技术具有广泛的应用前景。
2、传统多频段外推方法中,以谱估计类算法为代表的带宽外推方法(band-widthextrapolation,bwe),使用衰减指数和模型对雷达信号进行建模求解。该类算法模型精度低,且求解过程对噪声敏感,影响融合外推质量。为此,常用高精度gtd模型,提升模型精度。
3、稀疏贝叶斯学习(sparse bayes learning,sbl)是一种高精度的稀疏表示类算法,常应用于信号处理领域。然而,在求解稀疏方程过程中,由于字典矩阵维度大,
技术实现思路
1、本专利技术的技术解决问题是:克服已有技术的不足,提出一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,该方法能够解决传统稀疏贝叶斯学习(fast sparsebayes learning,fsbl)算法迭代慢的问题,是一种高效、高精度多频段融合外推方法。为了解决传统fsbl方法迭代慢等问题,采用运用多字典切换思路,首先使用粗字典进行快速估计,再使用局部完备字典精细估计,从而快速精确求解参量,实现融合外推。所提方法旨在提供一种快速高精度多频段雷达信号融合外推方法,可应用于多频段雷达超分辨成像
2、本专利技术的技术解决方案是:
3、一种基于多字典-快速稀疏贝叶斯(fast sparse bayes learning-multi-dictionary,fsbl-md)的高精度多频段融合外推方法,多频段包括两频段和三频段以上;
4、一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,该方法的步骤包括:
5、步骤一,对多频段雷达信号进行相参配准;
6、步骤二,对步骤一种相参配准后的多频段雷达信号进行宽带建模,得到多频带雷达信号的宽带散射中心gtd模型;
7、步骤三,采用fsbl-md算法求解步骤二中构建的多频带雷达信号的宽带散射中心gtd模型,完成多频段雷达信号融合。
8、所述步骤一中,对多频段雷达信号进行相参配准的方法为:
9、设多频段雷达信号中包括低频段1和高频段2,以低频段1为基准信号,将高频段2向低频段1进行相位补齐,得到补偿后的高频段标记为高频段2’;
10、首先,建立低频段1的散射中心gtd模型e1(fk′)和高频段2的散射中心gtd模型e2(fq);
11、其中,低频段1的散射中心gtd模型e1(fk′)为:
12、
13、其中,fk′=f0+k′δf,k′=0,...,n1-1;f0为起始频率;n1为低频段1的频谱序列起始点;q代表序列带宽终止点;δf代表频率间隔;m代表散射中心个数;σm代表第m个散射中心对应的目标复幅度,m=1,2,…,m,rm为第m个散射中心到雷达的相对距离;项为幅度与频率的依赖项,αm=-1,-0.5,0,0.5,1;
14、高频段2的散射中心gtd模型e2(fq)为:
15、
16、其中,fk″=f0+k″δf,k″=n2,...,q-1;f0为起始频率;n2为高频段2的频谱序列起始点;q代表序列带宽终止点;δf代表频率间隔;m代表散射中心个数;σm代表第m个散射中心对应的目标复幅度,m=1,2,…,m,rm为第m个散射中心到雷达的相对距离;项为幅度与频率的依赖项,-1,-0.5,0,0.5,1;s为高频段2存在的相位误差项;
17、相位误差补偿后,高频段2’的散射中心gtd模型e2′(fk)为:
18、
19、其中,fk″=f0+k″δf,k″=n2,...,q-1;f0为起始频率;n2为高频段2的频谱序列起始点;q代表序列带宽终止点;δf代表频率间隔;m代表散射中心个数;σm代表第m个散射中心对应的目标复幅度,m=1,2,…,m,rm为第m个散射中心到雷达的相对距离;项为幅度与频率的依赖项,αm=-1,-0.5,0,0.5,1;
20、所述步骤二中,建立的多频段雷达信号的宽带散射中心gtd模型e(fk)为:
21、
22、其中,fk=f0+kδf,k=0,1,...,q-1;δf代表频率间隔;q代表宽带信号频点个数;m代表散射中心个数;σm代表第m个散射中心对应的目标复幅度,m=1,2,…,m,rm为第m个散射中心到雷达的相对距离;式中,项为幅度与频率的依赖项,αm=-1,-0.5,0,0.5,1;
23、所述步骤三中,求解步骤二所述多频段雷达信号的宽带散射中心gtd模型e(fk)的方法为:首先,使用傅里叶字典,粗求解目标幅度向量;然后,根据粗求解幅度向量值,挑选局部傅里叶字典,并使用gtd字典完善挑选的傅里叶字典,提升字典精细度,再次求解得到幅度向量值;最后,再次提升字典精细度,求得幅度向量最终解,完成多频段融合。
24、该方法的具体步骤包括:
25、第一步,构造宽带散射中心gtd模型的稀疏表示向量形式方程如下:
26、e=φσ
27、多频段数据e为
28、e=[e1(0),...,e1(n1-1),e2′(n2),...,e2′(q-1)]t
29、幅度向量s记为:
30、σ=[σ(0),...,σ(d-1)]t
31、d为稀疏向量长度,φ为字典矩阵;
32、第二步,构造第一层字典:使用傅里叶字典,将字典矩阵φ构造为:
33、φ=[a0,a1,...,ad-1]
34、其中字典矩阵φ的第d列向量(也称原子)ad记为:
35、
36、式中,d=0,1,...,d-1。
37、使用sbl方法求解第一步中稀疏表示向量形式方程,得到幅度向量σ;
38、第三步,本文档来自技高网...
【技术保护点】
1.一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,其特征在于该方法的步骤包括:
2.根据权利要求1所述的一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,其特征在于:
3.根据权利要求2所述的一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,其特征在于:
4.根据权利要求1所述的一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,其特征在于:
【技术特征摘要】
1.一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,其特征在于该方法的步骤包括:
2.根据权利要求1所述的一种基于多字典-快速稀疏贝叶斯算法的多频段融合外推方法,其特征在于:
<...【专利技术属性】
技术研发人员:李卫东,王锐,陆睿民,张帆,张智博,胡程,
申请(专利权)人:北京理工大学,
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。