基于联合块稀疏模型的随机调频步进ISAR成像方法

在回波数据稀疏、低信噪比等不利条件下,利用随机调频步进信号进行ISAR成像时,成像性能将会严重下降。针对上述问题,该文在充分分析随机调频步进信号回波特性的基础上,提出利用目标距离向具有的联合块稀疏特征来获得高质量ISAR图像的新方法。首先,推导了在随机调频步进信号发射波形条件下目标回波信号的联合块稀疏成像模型并分析了该模型特征;其次,提出了联合块稀疏正交匹配追踪稀疏重构算法(JBOMP)实现对模型的求解。该算法利用ISAR回波信号具有的块稀疏以及联合稀疏等先验信息,因此在低量测值、低信噪比条件下的ISAR成像性能得到了增强。所提算法还可以实现对多维信号的联合处理,且具有较快的运算速度。理论分析与仿真实验均验证了所提方法的有效性。     

基于稀疏贝叶斯正则化的阵列SAR高分辨三维成像算法

阵列合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR) 3维成像技术是一种具有重要潜在应用价值的雷达成像新体制,但受线阵天线及平台尺寸限制,传统匹配滤波成像算法难以实现LASAR高分辨3维成像。该文利用LASAR回波信号及观测目标的先验分布特性,提出了一种基于快速稀疏贝叶斯正则化重构的LASAR高分辨3维成像算法。该算法先结合贝叶斯估计准则及最大似然估计原理,构造LASAR目标重构的稀疏贝叶斯最小化代价函数;再利用迭代正则化方法求解联合范数最优化问题实现LASAR稀疏目标高分辨3维成像。另外,针对稀疏贝叶斯正则化成像运算量大的问题,结合位置预测快速成像思路,利用阈值分割算法对稀疏粗成像进行强目标提取,进而提升算法运算效率。仿真数据和实测数据验证了该文算法的有效性。      

基于稀疏孔径的联合稀疏约束干涉ISAR机动目标三维成像

InISAR系统能够实现对目标的3维几何估计,更加有利于目标的分类和识别。同时多功能ISAR/InISAR系统针对的多是机动性很强的目标,在某些情况下对单个目标仅能获取稀疏孔径观测,尤其是在目标存在机动特性的情况下,更是增加了ISAR成像的难度,这些对传统的ISAR成像算法提出了挑战。为了解决上述这些问题,该文针对机动目标提出一种基于稀疏孔径的联合稀疏约束InISAR 3维成像方法。对匀加速转动的目标,回波的多普勒调制可以建模成线性调频的形式,并用chirp-傅里叶字典来表征其机动性。接着将联合的多通道InISAR 2维成像转化为联合稀疏约束的最优化求解问题,并用改进的OMP算法进行求解。然后利用各个通道估计的ISAR图像和调频参数实现对目标的3维几何重构。相比于单通道独立成像,联合多通道稀疏约束成像能获得更好的2维和3维成像结果。最后,进行实测数据实验以验证该文算法的有效性。     

基于稀疏约束最优化的ISAR相位自聚焦成像算法

本文提出了一种基于稀疏约束的ISAR方位自聚焦算法,能够应用于稀疏孔径ISAR成像中。该算法利用ISAR图像的稀疏特征建立最小1范数成像模型,并将相位误差作为模型误差。然后通过数值迭代的方式进行自适应相位误差估计,最终获得聚焦良好的ISAR图像。同时,成像代价函数的建立基于矩阵模型,有利于采用方位FFT和矩阵的Hardmard乘积操作进行快速求解。由于利用稀疏约束,该方法在低信噪比的条件下仍然能够取得良好的聚焦结果。基于仿真数据和实测数据的结果验证了本文算法的有效性。     

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。     

基于稀疏孔径干涉ISAR技术的复杂运动舰船目标三维坐标恢复方法

基于正交双基线的3维干涉逆合成孔径雷达(ISAR)成像技术可获得目标的3维坐标信息,这对目标的分类与识别是非常有利的。然而,实际情况下回波数据一般都是稀疏的,这对传统的干涉成像技术带来一定的挑战。该文提出一种稀疏孔径情况下的舰船目标3维干涉成像算法,并采用最小熵方法实现回波数据的运动补偿与图像配准,同时基于梯度算子实现对稀疏数据的精确恢复。通过对方位向数据进行参数估计与压缩处理,可获得目标的2维ISAR成像结果,进而基于干涉技术实现对复杂运动舰船目标的3维成像。仿真数据验证了文中方法的有效性。      

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。     

基于稀疏贝叶斯方法的脉间捷变频ISAR成像技术研究

传统捷变频成像方法具有高旁瓣、低分辨率的缺点。鉴于捷变频ISAR回波信号的稀疏性,该文基于原始数据的2维压缩感知方案,在贝叶斯原理框架下,用稀疏贝叶斯算法方差成分扩张压缩方法(ExCoV)实现捷变频ISAR像的重建。贝叶斯框架下的稀疏重构算法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。作为一种新的稀疏贝叶斯算法,ExCoV不同于稀疏贝叶斯学习(SBL)算法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,克服了SBL算法参数多时效性差的缺点。仿真结果表明,该方法能克服传统捷变频成像缺点,并能够实现低信噪比条件下的2维高精度成像。     

基于块稀疏的空间碎片群目标成像方法

针对星载雷达空间碎片群目标回波无法分离问题,该文利用回波在距离向表现出的块聚集特性,提出一种基于块稀疏的高分辨ISAR成像方法。基于块稀疏压缩感知理论,通过利用空间碎片群目标特性,抽取出各个碎片的高分辨1维距离像数据,并结合平动补偿和距离多普勒(RD)算法得到各碎片的ISAR像。在小样本条件下,该方法能够有效实现空间碎片的数据分离和高分辨ISAR成像。仿真实验表明,该方法的重构精度以及运算速度均优于非结构类的稀疏ISAR成像方法。     

基于稀疏贝叶斯学习的无源雷达高分辨成像

针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。     

基于随机调频步进信号的高分辨ISAR成像方法

为充分利用随机调频步进逆合成孔径雷达回波所具有的联合稀疏特征,提高成像性能,该文提出一种基于分布式压缩感知理论的随机调频步进逆合成孔径雷达高分辨成像方法。首先构建随机调频步进信号回波的联合稀疏表示模型,并完成子脉冲的脉冲压缩处理;其次,基于每组子脉冲的随机方式(组与组之间的随机方式不同),构建相应的随机量测矩阵,获取回波的压缩感知信号模型,并利用分布式压缩感知理论实现距离向联合高分辨重构;最后结合回波在方位向的稀疏性,采用快速稀疏重构算法实现方位向高分辨成像。理论分析和仿真结果表明由于充分利用了随机调频步进信号回波的随机性与联合稀疏特征,所提出方法具有重构精度高、距离向采样率低、抗噪性能强等特点。     

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.     

存在站址误差下的无源雷达稀疏成像

无源雷达稀疏成像要求精确已知系统观测矩阵,然而在实际应用中通常存在发射机和接收机站址误差,会使得雷达回波模型中的观测矩阵部分未知,导致回波测量值与观测矩阵失配,将大大减弱传统稀疏成像算法的性能。首先对存在收发阵元位置误差下的无源成像进行了建模分析,接着提出一种基于优化迭代技术的自适应相位误差校正成像方法,可以在重构目标图像的同时消除相位误差对无源成像的影响。仿真结果验证了所提成像方法的有效性。     

基于稀疏信号表示的雷达目标成像技术

雷达目标成像本质上是对雷达目标散射特性进行信号表示的过程.在高频区,雷达目标散射特性可用少数几个散射中心来描述,利用散射中心稀疏分布的先验信息能有效增强雷达图像的分辨率.以稀疏信号表示为基础,针对雷达成像系统的结构特点,提出了一种基于FFT和分块Toeplitz系统的快速成像算法.该算法无需存储系数矩阵,极大地降低了存储量和运算量.仿真结果表明,该技术对雷达目标图像具有良好的分辨率增强能力.     

基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息,从而影响图像的重构效果问题,提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计,通过对块稀疏度进行估算初始化阶段长,运用块矩阵与残差信号最匹配原则来选取支撑块,再运用自适应迭代计算实现对块稀疏信号的重构,较好地解决了浪费存储资源和计算量大的问题。实验结果表明,相比常用压缩感知方法,所提算法能明显减少运算时间,且能有效提高图像重构效果。     

欠采样下宽带自旋目标的快速高分辨成像方法

逆合成孔径雷达(ISAR)观测自旋目标时,自旋目标回波的距离-多普勒时变性会导致传统成像方法失效。针对此问题,该文提出一种基于分布式匹配稀疏表示模型的宽带自旋目标快速高分辨成像方法。首先,通过自旋目标回波在距离频域表征出的稀疏性,构建分布式匹配稀疏表示模型;其次,研究快速分布式同步多正交匹配追踪算法,并通过减少算法总的迭代次数和每次迭代运算量来提高算法的重构效率,同时设计相关阈值抑制虚假重构散射点,实现鲁棒成像;最后,从理论上分析该方法在欠采样及低信噪比条件下依然可获得高质量图像的机理。仿真结果证明了该方法的有效性。     

基于改进正交匹配追踪算法的压缩感知雷达成像方法

运算复杂度高是基于压缩感知(CS)的雷达成像方法走向实用亟待克服的难题。该文利用雷达目标散射率分布的稀疏性,研究了基于改进正交匹配追踪(OMP)算法的2维联合压缩成像方法。首先建立了步进频雷达回波的稀疏表示模型,根据稀疏字典和压缩测量的2维可分离特性,提出一种改进的OMP算法用于雷达图像形成,大大提高了计算效率,并很容易扩展到其他贪婪类算法中。从理论上对几种CS成像算法的性能及资源需求进行了分析比较,表明所提供的算法相比常规的CS算法在存储量和计算量上均具有显著的优势,仿真及暗室数据实验验证了所提成像算法的有效性。     

基于一维距离像稀疏表达的无源假目标识别

为了解决敌方释放箔条干扰我方防空反击任务或者敌方舰船设置角反射器阵列干扰我方对海目标打击任务中的雷达抗干扰问题,提出了一种基于雷达一维距离像的稀疏表达的无源假目标识别的方法。首先,分别利用大量关注目标和无源欺骗干扰的雷达一维距离像数据进行稀疏字典学习,分别得到目标和干扰的稀疏字典;然后利用两种稀疏字典分别对未知的雷达一维距离像信号进行稀疏表达;最后分别计算两种稀疏字典对未知信号稀疏表达的重构误差,利用重构误差比值识别目标和干扰类别。仿真结果表明,在目标与无源假目标干扰的回波不混叠、目标与干扰噪声比3 dB条件下,识别无源假目标欺骗干扰的准确率超过90%,证明了该方法抗无源假目标干扰的有效性。     

基于稀疏处理的运动目标认知ISAR成像技术

稀疏处理主要研究如何利用低维数据实现高维稀疏信号的准确重建。基于该特性,已有较多学者将其应用于ISAR成像中用以减少数据量,改善成像质量。文中首先从ISAR回波数据出发,建立了基于稀疏处理的ISAR成像模型,并给出实验处理结果;然后,针对稀疏ISAR成像中存在的对目标和环境的自适应能力不强、工作效率不高等问题,提出将稀疏ISAR成像与认知雷达相结合,构建了认知稀疏ISAR成像框图,并给出了两种认知稀疏ISAR成像策略,能够有效减少成像所需数据量,提高雷达利用效率;最后,利用实验数据验证了所提模型的有效性。