[發(fā)明專利]基于時(shí)頻非均采樣的雷達(dá)目標(biāo)無網(wǎng)格化損失相參積累方法

有效

• 申請?zhí)枺?/td>: 202310902080.9
• 申請日: 2023-07-21
• 公開（公告）號(hào): CN116626646B
• 公開（公告）日: 2023-09-22
• 發(fā)明（設(shè)計(jì)）人: 劉宏偉;戴奉周;吳明豪;王敏
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G01S7/41
• 分類號(hào): G01S7/41;G01S7/40;G06F18/21;G06F17/16;G06F18/2136
• 代理公司: 西安嘉思特知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61230
• 代理人: 王海棟

本發(fā)明公開了一種基于時(shí)頻非均采樣的雷達(dá)目標(biāo)無網(wǎng)格化損失相參積累方法，包括：建立雷達(dá)接收回波信號(hào)模型；對回波信號(hào)數(shù)據(jù)矩陣和目標(biāo)散射系數(shù)矩陣矢量化，根據(jù)目標(biāo)在距離?多普勒域的稀疏性建立稀疏重構(gòu)模型；初始化先驗(yàn)信息、及網(wǎng)格化誤差矩陣和；基于建立的稀疏重構(gòu)模型和當(dāng)前得到的、、、，更新矢量化后的目標(biāo)散射系數(shù)矩陣的后驗(yàn)估計(jì)均值和方差；判斷的后驗(yàn)估計(jì)均值是否達(dá)到精度要求，若否，更新、以及和，并再次更新的后驗(yàn)估計(jì)均值和方差；若是，將當(dāng)前得到的作為目標(biāo)最大后驗(yàn)估計(jì)輸出，并將其重新排布為二維矩陣形式，其所在分辨網(wǎng)格的索引對應(yīng)目標(biāo)的距離和多普勒信息。本發(fā)明重構(gòu)精度高，能提高雷達(dá)對目標(biāo)參數(shù)提取的效率。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)領(lǐng)域，具體涉及一種基于時(shí)頻非均采樣的雷達(dá)目標(biāo)無網(wǎng)格化損失相參積累方法。

背景技術(shù)

雷達(dá)（Radar）依據(jù)其全天時(shí)、全天候、遠(yuǎn)距離以及高分辨成像等優(yōu)點(diǎn)，廣泛應(yīng)用于戰(zhàn)略預(yù)警、地形測繪、目標(biāo)檢測等領(lǐng)域。然而，實(shí)際作戰(zhàn)過程中，由于受電子對抗產(chǎn)生的各種干擾信號(hào)及復(fù)雜環(huán)境信息的影響，雷達(dá)較難對同一目標(biāo)進(jìn)行長時(shí)間觀測，雷達(dá)回波信號(hào)通常存在欠采樣和非均勻的特點(diǎn)，觀測孔徑稀疏，目前對目標(biāo)距離和多普勒等相參積累的方法主要有基于二維FFT的算法和基于壓縮感知的稀疏重構(gòu)類算法。

比如，D.?A.?Ausherman等人對目標(biāo)的回波數(shù)據(jù)距離向和方位向進(jìn)行二維離散傅里葉變換實(shí)現(xiàn)目標(biāo)距離和多普勒信息的提取（D.A.?Ausherman,?A.?Kozma,?J.?L.?Walkeret?al.?Developments?in?Radar?Imaging[J].IEEE?Transacctions?on?Aerospace?andElectronic?Systems,?1984,?20(4):?363-400.），后續(xù)算法基于此核心思想進(jìn)行不同程度的優(yōu)化。在稀疏重構(gòu)領(lǐng)域，成萍等人將稀疏貝葉斯學(xué)習(xí)應(yīng)用于ISAR成像及相應(yīng)的相參積累，（成萍,司錫才,姜義成.基于稀疏貝葉斯學(xué)習(xí)的稀疏信號(hào)表示ISAR成像方法[J].電子學(xué)報(bào),2008,36(3):547-550.）在稀疏建模的基礎(chǔ)上利用期望最大（Expectation?Maximization,EM）準(zhǔn)則最小化代價(jià)函數(shù)來求解超參數(shù)。H.?C.?Liu等人在此基礎(chǔ)上引入Gamma-Gaussian分層先驗(yàn)?zāi)Ｐ蛯Υ謴?fù)信號(hào)和噪聲的方差建模，（H.C.?Liu,?H.?W.?Liu?et?al.Superresolution?ISAR?Imaging?Based?on?Sparse?Bayesian?Learning[J].?IEEETransactions?on?Geoscience?and?Remote?Sensing,?2014,?52(8):5005-5013.）利用最大后驗(yàn)估計(jì)實(shí)現(xiàn)有限脈沖ISAR成像。Zhang等人利用乘法器交替方法（AlternatingDirection?Method?of?Mul-tipliers,?ADMM）替換稀疏貝葉斯學(xué)習(xí)（Sparse?BayesianLearning,?SBL）中矩陣求逆的步驟，提高了算法稀疏重構(gòu)的速度。此外，W.Zhou提出了一種基于Student’s高斯混合先驗(yàn)的稀疏貝葉斯學(xué)習(xí)方法（W.Zhou,?H.-T.?Zhang,?and?J.Wang,“An?efficient?sparse?Bayesian?learning?algorithm?based?on?Gaussian-scalemixtures,”IEEE?Trans.?Neural?Netw.?Learn.?Syst.,?early?access,?Jan.?22,2021.），進(jìn)一步提高了算法的效率。

傳統(tǒng)的二維FFT方法在完整時(shí)頻觀測數(shù)據(jù)的條件下有較好的相參積累效果，在回波欠采樣或非均勻采樣時(shí)不能很好地發(fā)揮作用，因此傳統(tǒng)二維FFT算法結(jié)果誤差較大。此外，目標(biāo)在光學(xué)區(qū)符合散射點(diǎn)模型，其在距離域-多普勒域均具有稀疏特性，稀疏重構(gòu)算法雖然為解決此類問題提供了新思路，然而在進(jìn)行相參積累時(shí)，頻率采樣點(diǎn)與目標(biāo)實(shí)際參數(shù)存在網(wǎng)格化誤差，這是因?yàn)閭鹘y(tǒng)的稀疏重構(gòu)算法基于網(wǎng)格劃分，假定目標(biāo)分布在網(wǎng)格中心，算法重構(gòu)的結(jié)果也為某個(gè)或某些網(wǎng)格中心對應(yīng)的參數(shù)值，對于實(shí)際位于網(wǎng)格內(nèi)其他位置對應(yīng)的參數(shù)值，傳統(tǒng)稀疏重構(gòu)方法無法消除網(wǎng)格內(nèi)誤差，即存在網(wǎng)格化損失，其實(shí)際重構(gòu)效果受網(wǎng)格大小的影響。