[發(fā)明專利]基于Meridian分布的貝葉斯壓縮感知的參數(shù)選取方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711057685.3
• 申請(qǐng)日: 2017-11-01
• 公開（公告）號(hào): CN107704724B
• 公開（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 成萍;趙家群;周曉鋒
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06F17/15
• 分類號(hào): G06F17/15
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

1.一種基于Meridian分布的雷達(dá)成像中貝葉斯壓縮感知的參數(shù)選取方法，其特征在于，包括如下步驟：

(1)獲得目標(biāo)函數(shù)，獲取雷達(dá)實(shí)測(cè)數(shù)據(jù)，經(jīng)過距離壓縮和運(yùn)動(dòng)補(bǔ)償處理后，設(shè)：壓縮感知的信號(hào)模型為：y＝Θs+n，其中，y為測(cè)量信號(hào)，Θ為恢復(fù)矩陣，Θ＝ΨΦ，Ψ為測(cè)量矩陣，Φ為基函數(shù)，n為高斯白噪聲，通過求解式(4)的優(yōu)化函數(shù)估計(jì)N維稀疏系數(shù)s＝[s₁s₂…s_i…s_N]，其中s_i為第i個(gè)稀疏系數(shù)

其中σ²是噪聲的方差，δ＞0是Meridian分布的形狀參數(shù)；在上式中，直接將δ設(shè)定為一個(gè)正數(shù)；

(2)求解稀疏系數(shù)，采用加權(quán)l(xiāng)₁范數(shù)最小化的迭代法或者加權(quán)最小二乘迭代法進(jìn)行對(duì)應(yīng)各距離單元的稀疏系數(shù)求解；

(3)將所有距離單元上求解得到的稀疏頻譜合在一起就是最終的逆合成孔徑雷達(dá)圖像。

2.根據(jù)權(quán)利要求1所述的一種基于Meridian分布的雷達(dá)成像中貝葉斯壓縮感知的參數(shù)選取方法，其特征在于：所述加權(quán)l(xiāng)₁范數(shù)最小化的迭代法步驟如下

a)設(shè)迭代次數(shù)k＝0，初始權(quán)值

b)求解加權(quán)l(xiāng)₁范數(shù)最小化問題

其中上標(biāo)k，k+1表示迭代的次數(shù)，W^(k)是對(duì)角矩陣，其對(duì)角線上的元素是其它位置上的元素是零；

c)根據(jù)式(6)更新權(quán)值：

表示權(quán)向量中第i個(gè)元素的k+1次迭代；

d)當(dāng)稀疏解收斂或迭代次數(shù)達(dá)到設(shè)定的最大迭代次數(shù)，則停止迭代；否則，增加迭代次數(shù)k，并返回到步驟b)。

3.根據(jù)權(quán)利要求1所述的一種基于Meridian分布的雷達(dá)成像中貝葉斯壓縮感知的參數(shù)選取方法，其特征在于：所述測(cè)量矩陣Ψ采用大小為128×256的高斯隨機(jī)矩陣。

4.根據(jù)權(quán)利要求1所述的一種基于Meridian分布的雷達(dá)成像中貝葉斯壓縮感知的參數(shù)選取方法，其特征在于：基函數(shù)Φ采用大小為256×256的離散傅里葉矩陣。

5.根據(jù)權(quán)利要求1所述的一種基于Meridian分布的雷達(dá)成像中貝葉斯壓縮感知的參數(shù)選取方法，其特征在于：所述噪聲方差取σ²＝0.5。

6.根據(jù)權(quán)利要求1所述的一種基于Meridian分布的雷達(dá)成像中貝葉斯壓縮感知的參數(shù)選取方法，其特征在于：Meridian分布的形狀參數(shù)δ取值為0.1。