[发明专利]基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法

权利要求书

1.一种基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，包括：

建立面向机动平台的单基前视扫描成像模型；

利用所述面向机动平台的单基前视扫描成像模型计算前视场景散射系数观测值；

利用所述面向机动平台的单基前视扫描成像模型构建过完备字典矩阵；

针对前视场景散射系数的每一距离门，构建前视场景散射系数的贝叶斯后验概率问题；利用student-t分布思想，根据所述前视场景散射系数观测值和所述过完备字典矩阵将求解所述贝叶斯后验概率问题转化为求解基于student-t分布的最大似然问题；利用期望最大化思想求解所述基于student-t分布的最大似然问题得到当前距离门的最大似然估计值；

遍历所有距离门得到对应的最大似然估计值，根据所有最大似然估计值得到最终机动平台前视成像结果；

其中，所述利用student-t分布思想，根据所述前视场景散射系数观测值和所述过完备字典矩阵将求解所述贝叶斯后验概率问题转化为求解基于student-t分布的最大似然问题，包括：

将求解所述贝叶斯后验概率问题转化为求解联合概率问题；

根据所述前视场景散射系数观测值和所述过完备字典矩阵构建前视场景散射系数观测值的包括第一精度参数的student-t分布函数；

构建前视场景散射系数的包括第二精度参数的student-t分布函数；

利用所述前视场景散射系数观测值的包括第一精度参数的student-t分布函数和所述前视场景散射系数的包括第二精度参数的student-t分布函数将求解所述联合概率问题转化为求解所述基于student-t分布的最大似然问题；

其中，所述利用期望最大化思想求解所述基于student-t分布的最大似然问题得到当前距离门的最大似然估计值，包括：

给定初始的第一精度参数的期望估计值和第二精度参数的期望估计值；

根据所述第一精度参数的期望估计值和所述第二精度参数的期望估计值计算对应前视场景散射系数的最大似然估计值；

根据所述前视场景散射系数的最大似然估计值分别构建第一精度参数、第二精度参数的后验概率函数；

根据所述后验概率函数重新计算对应的第一精度参数的期望估计值和第二精度参数的期望估计值；

对所述第一精度参数的期望估计值、所述第二精度参数的期望估计值和所述前视场景散射系数的最大似然估计值进行均值滤波或方差滤波处理；

判断所有的均值滤波结果或所有的方差滤波结果是否满足对应判决门限，若满足，则将所述前视场景散射系数的最大似然估计值作为当前距离门的最大似然估计值，否则根据所述第一精度参数的期望估计值和所述第二精度参数的期望估计值重新计算对应所述前视场景散射系数的最大似然估计值，直至满足对应判决门限或最大迭代次数。

2.根据权利要求1所述的基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，所述利用所述面向机动平台的单基前视扫描成像模型计算前视场景散射系数观测值，包括：

利用所述面向机动平台的单基前视扫描成像模型发射脉冲信号并接收形成的基带回波信号；

对所述基带回波信号进行距离向匹配滤波处理得到匹配滤波信号；

分别构造加速度相位补偿函数和包络去斜函数；

根据所述匹配滤波信号、所述加速度相位补偿函数和所述包络去斜函数计算所述前视场景散射系数观测值。

3.根据权利要求1所述的基于稀疏贝叶斯学习框架的机动平台前视超分辨成像方法，其特征在于，所述利用所述面向机动平台的单基前视扫描成像模型构建过完备字典矩阵，包括：

利用所述面向机动平台的单基前视扫描成像模型计算瞬时多普勒频率；

根据所述瞬时多普勒频率计算三角基相位；

根据所述三角基相位构建所述过完备字典矩阵。