[发明专利]快速联合免逆稀疏贝叶斯学习超分辨ISAR成像算法

说明书

本发明涉及信号处理技术领域，具体涉及一种快速联合免逆稀疏贝叶斯学习超分辨ISAR成像算法，包括如下步骤：S1、初始化参数γ，其中γ为非负随机初始值；S2、初始化参数Z，其中S3、根据和计算后验概率分布的均值M和方差Σ，通过和来计算qsubgt;α/subgt;(α)和qsubgt;γ/subgt;(γ)；S4、根据迭代更新参数Z；S5、循环进行S3和S4，直至||Msupgt;(t)/supgt;‑Msupgt;(t‑1)/supgt;||subgt;F/subgt;≤δ，其中δ为预设门限值。

技术领域

本发明涉及信号处理技术领域，具体涉及一种快速联合免逆稀疏贝叶斯学习超分辨ISAR成像算法。

背景技术

逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像成像针对的目标在观测场景内一般是稀疏的，也即目标图像在整个背景域是稀疏的，满足稀疏重构的条件，可通过稀疏重构方法进行成像。通常情况下，要满足高分辨成像所需的对固定场景的宽带和长时间连续观测比较困难，所以雷达往往会面临稀疏孔径成像的问题。在稀疏孔径条件下，传统的成像方法会导致图像出现强副瓣和栅瓣，成像效果较差。

在利用稀疏重构算法对运动目标的成像时，能够求得最稀疏解的算法的成像效果一般较好。Tipping提出基于相关向量机(Relevance Vector Machine,RVM)，通过基于SBL的样本学习方法，迭代优化重构出原始稀疏信号。该方法基于稀疏概率学习，不需要信号的额外先验信息且容易得到信号的最稀疏解，因此SBL算法广泛应用于信号及图像处理、模式识别等领域。基于SBL的超分辨ISAR成像进行了研究，利用少量的脉冲获取到目标的ISAR图像，并且证明了基于SBL成像方法比其它基于CS成像方法在参数估计与选取、图像重构效果等方面具有明显优势。

大多数稀疏信号重构方法针对的是一维稀疏信号，这些方法可认为是单观测向量(Single Measurement Vector,SMV)重构方法。采用这些方法进行图像等二维信号处理时，需先将二维信号向量化为一维信号再进行重构，这种处理会降低算法效率且二维稀疏信号的重构效果一般。目前基于CS的ISAR成像方法大多通过对重构信号进行矢量化操作，再完成信号的重构，或对信号进行逐列重构。然而，这些方法只利用了目标图像的一维稀疏性，没有利用图像的二维联合稀疏性。

发明内容

本发明的目的在于提供一种快速联合免逆稀疏贝叶斯学习超分辨ISAR成像算法，解决目前的成像算法复杂，计算量大的问题。

为解决上述的技术问题，本发明采用以下技术方案：

一种快速联合免逆稀疏贝叶斯学习超分辨ISAR成像算法，其特征在于包括如下步骤：

S1、初始化参数γ，其中γ为非负随机初始值；

S2、初始化参数Z，其中

S3、根据和计算后验概率分布的均值M和方差Σ，通过和来计算q_α(α)和q_γ(γ)；

S4、根据迭代更新参数Z；

S5、循环进行S3和S4，直至||M^(t)-M^(t-1)||_F≤δ，其中δ为预设门限值。

进一步的技术方案是，在初始化参数前，先假设雷达发射线性射频信号，便可将接收的信号表示为：

将距离压缩后的信号表示为：

假设相干积累时间内的脉冲数为M，将脉冲重复频率划分为N个多普勒单元，(2)式中x(τ,t)的表示为：X＝[x_nm]_N×M，将稀疏表示理论应用于回波距离信号向，(1)式的矩阵形式表示为：Y＝ΦX+V(3)。