基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法

基于贝叶斯框架下的稀疏重构方法,由于考虑了稀疏信号的先验信息以及测量过程中的加性噪声,因而能够更好地重建目标系数,然而传统的稀疏贝叶斯学习(SBL)算法参数多,时效性差。该文考虑一种新的稀疏贝叶斯学习方法方差成分扩张压缩(ExCoV),其不同于SBL中赋予所有的信号元素各自的方差分量参数,ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量,并拥有比SBL方法更少的参数。基于计算机层析成像技术框架下的ISAR成像模型,该文将ExCoV方法结合压缩感知(CS)理论将其进行ISAR成像,并从适用性和成像效果等方面与常用的极坐标格式算法(PFA),卷积逆投影算法(CBPA)和传统的稀疏重构算法进行比较,点目标仿真结果表明基于ExCoV的方法得到的ISAR像具有低旁瓣,高分辨率的特点,真实数据的成像结果表明该方法是一种比SBL更有效的ISAR成像算法。     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。     

基于稀疏贝叶斯学习的稀疏信号 表示ISAR成像方法

作为一种新的稀疏信号表示算法,SBL(稀疏贝叶斯学习)方法没有BP方法的结构错误,也比FOCUSS方法具有少的多的局部最小点.ISAR成像问题可以转化为稀疏信号表示的问题,因此本文首次将SBL用于ISAR成像.真实数据的成像结果表明SBL是一种比BP和FOCUSS更有效的ISAR成像算法.     

基于贝叶斯压缩感知的ISAR自聚焦成像

针对ISAR自聚焦成像,该文提出一种基于贝叶斯压缩感知的高分辨率成像算法。首先利用目标图像的稀疏特性构建级联形式的稀疏先验模型,同时将相位误差建模为均匀分布模型;然后基于最大后验准则,依据贝叶斯压缩感知理论交替迭代求解目标图像和相位误差。与传统稀疏方法相比,所提算法进一步利用了目标图像的联合稀疏信息,将ISAR CS成像转化为MMV联合稀疏优化问题的求解,可以有效改善自聚焦的精度以及成像质量。仿真结果验证了该算法的有效性。     

基于压缩感知的稀疏采样数据大转角ISAR 成像研究

针对方位向稀疏采样条件下,大带宽大转角逆合成孔径雷达(ISAR)高分辨成像时,一维距离像中目标散射点的距离徙动问题,提出了基于贝叶斯压缩感知的稀疏ISAR 成像方法。对于方位向稀疏采样数据,该方法在包络对齐和相位补偿后,通过傅里叶变换将数据变换到距离频率域,对每一距离单元数据,根据方位向稀疏采样的位置构造相应的Keystone基矩阵,利用贝叶斯压缩感知算法重建目标在各距离频域单元的多普勒域系数,最后,通过距离向逆傅里叶变换和方位向自聚焦完成ISAR 成像。计算机仿真验证了该方法的有效性。     

基于压缩感知的脉间捷变频SAR成像研究

捷变频技术应用到合成孔径雷达系统中会存在多普勒调频率捷变、方位向无法压缩等问题.在分析捷变频SAR回波相位特性的基础上,本文研究了传统的相关法在方位压缩中的应用;针对相关法效率低、旁瓣高等固有缺陷,考虑到回波信号的稀疏性,提出了基于压缩感知的方位压缩算法,并形成了一种距离压缩采用匹配滤波、方位压缩采用压缩感知的捷变频SAR二维成像方案.仿真实验表明,该方案能克服多普勒调频率捷变等问题,实现捷变频SAR二维成像,并具有低旁瓣、高分辨等优点.     

基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像

为了在ISAR成像中更好地压制噪声,消除条纹干扰,提高成像分辨率,本文提出一种基于双向插值处理和频域信息融合的稀疏贝叶斯学习算法,称之为BI?FF SBL算法。该方法首先对回波信号分别进行径向和横向插值预处理,将预处理得到的两份数据通过LA?VB算法进行ISAR成像;然后将得到的两幅ISAR图像通过二维傅里叶变换进入频域,并将两个二维频谱进行信息融合处理,以消除噪声和条纹干扰的相关信息并保留目标结构信息;最后对融合处理后的频谱进行二维傅里叶逆变换,得到最终的ISAR图像。为了验证BI?FF SBL算法的ISAR成像效果,本文进行了基于仿真数据和实测数据的成像实验,并将实验结果与R?D算法、L1?BP算法、LA?VB算法进行对比,发现BI?FF SBL算法在压制噪声和去除条纹干扰方面具有明显的优势,且能提供分辨率更高的ISAR图像。当实验数据信噪比降到0 dB时,BI?FF SBL算法依然能够提供清晰的ISAR图像,明显优于其他三种算法。测试超分辨重构误差的实验结果表明,相比于L1?BP算法和LA?VB算法,BI?FF SBL算法的重构误差更低,在实验数据信噪比为0 dB时,重构信噪比可以达到13.55 dB。     

基于信号稀疏表示的Chirp信号参数估计方法

单自由度多分量线性调频信号的参数估计是SAR/ISAR成像中的重要问题。文中在一组含参数的过完备基上展开信号,提出了一种基于信号稀疏表示估计单自由度多分量线性调频信号参数的新方法。并将该方法应用于目前流行的BP算法、FOCUSS算法和稀疏贝叶斯学习算法中,分析比较了以上算法的估计性能。仿真实验结果验证了该方法的有效性,并表明稀疏贝叶斯学习算法具有更好的稀疏表示能力,从而可以更有效地估计信号参数。     

基于GPD的稳健贝叶斯压缩感知ISAR成像方法

现有贝叶斯压缩感知(Bayesian Compressed Sensing,BCS)-逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像算法中先验分布模型不能很好地满足可压缩性,导致成像精度随脉冲数目的减小、高斯噪声的增强而急剧下降。为此,提出了一种基于广义Pareto分布改进BCS成像方法(Improving BCS imaging based on GPD,IGPCS)。该方法主要在BCS框架下利用广义Pareto先验分布替代传统的广义Gaussian先验分布,以增强模拟信号的稀疏先验和可压缩性。进一步地,为了克服后验概率模型计算困难等问题,采用最大后验(Maximum A Posteriori,MAP)方法对超参数进行估计。通过对Mig-25小型飞机的ISAR模拟实验表明,与传统方法相比,IGPCS方法能够获取极高的成像精度,并且对低脉冲数、强高斯噪声环境具有较强的鲁棒性。     

基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导（Sparse Bayesian Inference,SBI）算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。     

基于快速SBL的双基地ISAR成像

针对稀疏孔径条件下双基地ISAR成像分辨率低、运算时间长等问题,提出了一种基于快速稀疏贝叶斯学习的高分辨成像算法。首先,建立基于压缩感知的双基地ISAR稀疏孔径回波模型,然后将整个二维回波数据进行分块处理,并假设目标图像各像元服从高斯先验,建立稀疏贝叶斯模型,再利用快速边缘似然函数最大化方法求解得到高质量目标图像,最后将所求的每块回波对应的目标图像合成整个二维图像。由于采取了分块处理,在每块图像重构时减少了数据存储量和计算量。另外,相比于传统的稀疏贝叶斯学习求解方法,本文所提快速算法在保证重构质量的同时进一步缩短了运算时间,仿真实验验证了算法的有效性和优越性。     

短脉冲非相参雷达的逆合成孔径成像及其稀疏恢复成像技术

短脉冲非相参雷达(NCSP)的辐射源输出微波脉冲持续时间短,针对于高速运动目标而言,其脉冲持续时间内的目标运动可忽略不计,对回波信号不需进行专门的脉冲内运动补偿。为了利用短脉冲非相参雷达信号进行逆合成孔径雷达成像,该文应用补偿相参处理的方法,去除辐射信号包络时间不确定性和初始相位的不确定性影响,在常规方法进行包络对齐和初相补偿后可利用距离-多普勒(RD)方法进行逆合成孔径雷达成像,仿真验证了补偿后信号成像的可行性。然而,短脉冲非相参雷达的载频随机抖动的因素会导致距离-多普勒成像结果在多普勒维度产生随机调制的旁瓣,影响成像的质量。利用稀疏恢复技术,在成像空间中对目标的散射中心进行稀疏重构,利用正交匹配追踪(OMP)算法和稀疏贝叶斯学习(SBL)算法进行成像,从而实现了抑制非相参因素引起的成像旁瓣,改进了成像质量,通过仿真验证了方法可行性。     

利用二维结构稀疏信息的调频步进ISAR高分辨成像新方法

针对已有利用压缩感知理论进行逆合成孔径（Inverse Synthetic Aperture Radar,ISAR）成像方法在低信噪比、欠采样率条件下性能下降严重等问题,依托调频步进波形独有特征并充分利用目标分布的二维结构稀疏信息,提出一种"先方位聚焦后距离分辨"的调频步进ISAR高分辨成像新方法.首先,对回波进行子脉冲脉压,在分析调频步进ISAR回波方位向特有的结构稀疏特征基础上,构建方位向的分布式压缩感知稀疏重构模型;其次,采用分布式压缩感知算法对该模型重构,从而获得低信噪比条件下的方位高分辨成像;最后,利用距离维的回波特征构建任意稀疏重构模型,实现距离向快速成像.由于该方法先进行方位聚焦,再进行距离分辨,并充分利用了目标的结构稀疏性,因此不仅具有抗噪性能强、重构精度高以及采样率低等特点,且避免了越距离单元走动对方位聚焦的影响.仿真与实测数据实验验证了本文方法的有效性.     

幅度和相位估计的ISAR超分辨成像方法

传统距离多普勒(Range Doppler, RD)成像方法分辨率取决于发射信号的带宽和信号在方位向积累的多普勒带宽。超分辨成像可以在给定带宽条件下,获得比RD方法更优的分辨率。给出一种基于幅度和相位估计(Amplitude and Phase Estimation, APES)的逆合成孔径雷达(Inverse Synthetic Aperture Radar, ISAR)超分辨成像方法,该方法根据回波数据构造自适应滤波器对目标散射点进行重建,仿真和实测ISAR数据成像结果验证了基于APES的ISAR超分辨成像算法的有效性。相比其他超分辨成像方法,该方法重建的散射点幅度更为精确,副瓣更低,图像对比度和图像信噪比增加,整体成像效果较佳。     

基于压缩感知理论的稀疏孔径ISAR成像

在基于压缩感知理论的逆合成孔径雷达成像过程中,利用正交匹配追踪算法进行信号重构时存在重构精度较低、运算速度较慢的缺点,针对上述问题,提出了一种利用改进正交匹配追踪算法进行信号重构的稀疏孔径高分辨成像方法。首先,构造数据选择矩阵作为测量矩阵模拟回波缺失情况,然后利用稀疏基矩阵对回波信号进行稀疏表示,最后采取一种改进正交匹配追踪算法进行图像重构,相比于正交匹配追踪算法同时提高了运算速度和成像质量。通过仿真实验,在稀疏孔径数据随机缺失的情况下,改变数据缺失率,将该算法与距离-多普勒算法和正交匹配追踪算法的成像结果进行对比,验证了该算法的有效性和优越性。     

Computationally efficient variational Bayesian method for PAPR reduction in multiuser MIMO‐OFDM systems

This paper investigates the use of the inverse‐free sparse Bayesian learning (SBL) approach for peak‐to‐average power ratio (PAPR) reduction in orthogonal frequency‐division multiplexing (OFDM)‐based multiuser massive multiple‐input multiple‐output (MIMO) systems. The Bayesian inference method employs a truncated Gaussian mixture prior for the sought‐after low‐PAPR signal. To learn the prior signal, associated hyperparameters and underlying statistical parameters, we use the variational expectation‐maximization (EM) iterative algorithm. The matrix inversion involved in the expectation step (E‐step) is averted by invoking a relaxed evidence lower bound (relaxed‐ELBO). The resulting inverse‐free SBL algorithm has a much lower complexity than the standard SBL algorithm. Numerical experiments confirm the substantial improvement over existing methods in terms of PAPR reduction for different MIMO configurations.