[发明专利]基于全局最小均方算法的雷达相位解缠方法

权利要求书

1.一种基于全局最小均方算法的雷达相位解缠方法，其特征在于，包括以下步骤：

步骤1，将SAR图像与该SAR图像经过图像配准后的图像数据共轭相乘，得到干涉相位图；建立长度为L的自适应信号预测系统，并令所述干涉相位图中第n个像素点的缠绕相位为长度为L的自适应信号预测系统在n时刻的输入信号x(n)，将所述输入信号x(n)经过长度为L的自适应信号预测系统，依次得到长度为L的自适应信号预测系统在n+j时刻的输入值X(n+j)，和设定的长度为L的自适应信号预测系统在n+j时刻的输入值X(n+j)对应的加权向量为B(n+j)，进而依次得到长度为L的自适应信号预测系统在n+j时刻的输出值即干涉相位图第n+j个像素点的解缠后的相位，和长度为L的自适应信号预测系统在n+j时刻的误差函数e(n+j)，并根据设定的一个噪声门限T_v，依次得到长度为L的自适应信号预测系统在n+j时刻的约束误差函数和长度为L的自适应信号预测系统在n+j时刻约束输入值其中，j的初始值为0，j表示迭代次数，n表示n时刻，n也表示干涉相位图第n个像素点，n∈{L,L+1,...,N}，N表示干涉相位图的像素点总数；

步骤2，根据长度为L的自适应信号预测系统在n+j时刻的约束误差函数得到长度为L的自适应信号预测系统在n+j时刻的约束误差均方值进而得到长度为L的自适应信号预测系统在n+j时刻的均方约束误差值梯度其中，j的初始值为0，j表示迭代次数，n表示n时刻，n也表示干涉相位图第n个像素点；

步骤3，根据全局最小均方算法，利用长度为L的自适应信号预测系统在n+j时刻的均方约束误差值梯度和长度为L的自适应信号预测系统在n+j时刻的输入值X(n+j)对应的加权向量B(n+j)，设定收敛条件为：

|B(n+j+1)-B(n+j)|<ε

当不满足所述收敛条件时，令j增加1，返回步骤1；当满足所述收敛条件时，迭代停止，此时第j次迭代得到的加权向量即为得到长度为L的自适应信号预测系统对应的稳定约束加权向量；其中，j的初始值为0，j表示迭代次数，n表示n时刻，n也表示干涉相位图第n个像素点，ε表示设定的趋于无穷小的极小数；

步骤4，根据干涉相位图中第n个像素点的缠绕相位为长度为L的自适应信号预测系统的n时刻的输入信号x(n)和长度为L的自适应信号预测系统对应的稳定约束加权向量，得到长度为L的自适应信号预测系统在n时刻的稳定输出值即干涉相位图第n个像素点的解缠后的相位，从而得到干涉相位图中N个像素点的解缠相位，即干涉相位图的最终解缠相位；其中，n表示n时刻，n也表示干涉相位图第n个像素点，n∈{L,L+1,...,N}，N表示干涉相位图的像素点总数。

2.如权利要求1所述的一种基于全局最小均方算法的雷达相位解缠方法，其特征在于，在步骤1中，所述长度为L的自适应信号预测系统在n+j时刻的输入值X(n+j)，和长度为L的自适应信号预测系统在n+j时刻的输入值X(n+j)对应的加权向量为B(n+j)，其表达式分别为：

X(n+j)＝[x(n+j-1)+△x(n+j-1),x(n+j-2)+△x(n+j-2),…,x(n+j-i)+△x(n+j-i),…,x(n+j-L)+△x(n+j-L)]^T

B(n+j)＝[b₁(n+j-1),b₂(n+j-1),…,b_i(n+j-1),…,b_L(n+j-1)]^T

其中，b_i(n+j-1)表示x(n+j-i)+△x(n+j-i)对应的加权系数，x(n+j-i)表示长度为L的自适应信号预测系统在n+j时刻的输入信号x(n+j)经过长度为i的延时，△x(n+j-i)表示长度为L的自适应信号预测系统在n+j时刻自适应信号预测系统输入侧的噪声△x(n+j)经过长度为i的延时，上标T表示转置，i∈{1,2,…,L}，L表示自适应信号预测系统的长度，j的初始值为0，j表示迭代次数，n表示n时刻，n也表示干涉相位图第n个像素点。