基于半正定规划的压缩感知线阵三维SAR自聚焦成像算法

线阵合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR)3维成像技术是一种具有重要潜在应用价值的新体制成像雷达,压缩感知稀疏重构是近几年实现LASAR高分辨3维成像的热点研究之一。但相对于传统2维SAR,受线阵稀疏分布及阵列-平台2维联动,压缩感知LASAR成像面临回波数据欠采样、多维度高阶相位误差等问题,传统SAR自聚焦算法难以适用于压缩感知LASAR 3维稀疏自聚焦成像。为克服欠采样条件下多维度高阶相位误差对LASAR成像的影响,该文提出了一种基于半正定规划的压缩感知LASAR自聚焦成像算法。首先,结合压缩感知成像理论、图像最大锐度及最小均方误差准则,构造欠采样条件下稀疏目标的相位误差估计模型;其次,利用松弛半正定规划方法估计相位误差;最后,利用迭代逼近方法提高相位误差估计精度,实现压缩感知LASAR高精度稀疏自聚焦成像。另外,通过主散射目标区域提取,仅采用主散射区域进行相位误差估计,进一步提高自聚焦算法运算效率。仿真数据和实测数据验证了该文算法的有效性。      

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

基于稀疏贝叶斯学习的双基雷达关联成像

双基雷达具有隐蔽性高、抗干扰性能强等优点,在现代电子战中发挥重要作用。基于雷达关联成像原理,该文研究运动目标双基雷达关联成像问题。首先,针对采用均匀线性阵列作为收发天线的双基雷达系统,在发射随机频率调制信号条件下,分析运动目标雷达回波信号特点,建立双基雷达关联成像参数化稀疏表征模型;其次,针对建立的参数化稀疏表征模型,提出一种基于稀疏贝叶斯学习的迭代关联成像算法。该算法在建立贝叶斯模型基础上,通过贝叶斯推理,得到稀疏重构信号,从而实现对运动目标成像和运动参数的精确估计。最后,通过仿真实验验证所提方法的有效性。     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。     

基于快速SBL的双基地ISAR成像

针对稀疏孔径条件下双基地ISAR成像分辨率低、运算时间长等问题,提出了一种基于快速稀疏贝叶斯学习的高分辨成像算法。首先,建立基于压缩感知的双基地ISAR稀疏孔径回波模型,然后将整个二维回波数据进行分块处理,并假设目标图像各像元服从高斯先验,建立稀疏贝叶斯模型,再利用快速边缘似然函数最大化方法求解得到高质量目标图像,最后将所求的每块回波对应的目标图像合成整个二维图像。由于采取了分块处理,在每块图像重构时减少了数据存储量和计算量。另外,相比于传统的稀疏贝叶斯学习求解方法,本文所提快速算法在保证重构质量的同时进一步缩短了运算时间,仿真实验验证了算法的有效性和优越性。     

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用1l 范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法.该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行.其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度.仿真结果表明,与1l 范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低.     

一种用于人体安检的三维稀疏太赫兹快速成像算法

太赫兹全息成像技术在人体安检成像、隐匿武器检测、无损检测等领域具有广阔的应用前景。该文提出了一种能够避免产生距离混叠现象的3维稀疏太赫兹快速成像体制和成像算法。该方法通过对太赫兹雷达的3维成像几何及相应回波模型的分析,利用随机稀疏频点数据来有效消除距离混叠现象;同时利用对稀疏回波数据的频谱搬移和插值来获得包含目标完整信息的3维数据,以实现对目标的3维分辨成像。通过对0.2 THz波段的仿真和实验数据的重建,验证了算法的正确性和有效性。      

组合字典下超宽带穿墙雷达自适应稀疏成像方法

针对现有超宽带穿墙雷达稀疏成像算法大多只采用点目标稀疏基表示模型和稀疏优化的正则化参数不能被自适应调整以及目标位置不在划分网格上带来虚假像的问题,该文提出一种基于贝叶斯证据框架的自适应稀疏成像方法。该方法首先利用组合字典独立稀疏表示场景中的点目标和扩展目标,然后在建立的偏离网格稀疏表示模型的基础上分层最大化各参数的似然函数,用第1层推理结合共轭梯度算法估计组合字典的各稀疏表示系数,用第2层推理估计正则化参数和目标的偏离网格量,最终通过迭代优化参数的设置得到问题的求解。仿真和实验结果表明,该方法不仅同时自适应增强穿墙场景中的点目标和扩展目标,还消除了偏离网格目标引起的虚假像。     

一种低秩张量约束的下视稀疏线阵SAR三维成像算法

为了解决3维稀疏数据处理中向量化或矩阵化带来的原始空间结构破坏与计算复杂度高的问题,该文针对下视稀疏线阵3维SAR成像几何模型和回波信号特点,构建了张量空间信号模型,提出了一种基于低秩张量补全的3维SAR稀疏成像算法。该算法首先利用回波张量的低秩性,通过张量补全重构稀疏回波中的丢失元素,再对补全后的全采样信号张量进行3维成像,从而获得高效率、低旁瓣、高分辨率3维图像。基于X波段下视稀疏线阵3维SAR点目标回波进行了3维成像仿真实验,比较了在不同信噪比和采样率条件下的成像性能,并基于实测数据进一步验证了该算法的有效性和优势。     

基于稀疏孔径的联合稀疏约束干涉ISAR机动目标三维成像

InISAR系统能够实现对目标的3维几何估计,更加有利于目标的分类和识别。同时多功能ISAR/InISAR系统针对的多是机动性很强的目标,在某些情况下对单个目标仅能获取稀疏孔径观测,尤其是在目标存在机动特性的情况下,更是增加了ISAR成像的难度,这些对传统的ISAR成像算法提出了挑战。为了解决上述这些问题,该文针对机动目标提出一种基于稀疏孔径的联合稀疏约束InISAR 3维成像方法。对匀加速转动的目标,回波的多普勒调制可以建模成线性调频的形式,并用chirp-傅里叶字典来表征其机动性。接着将联合的多通道InISAR 2维成像转化为联合稀疏约束的最优化求解问题,并用改进的OMP算法进行求解。然后利用各个通道估计的ISAR图像和调频参数实现对目标的3维几何重构。相比于单通道独立成像,联合多通道稀疏约束成像能获得更好的2维和3维成像结果。最后,进行实测数据实验以验证该文算法的有效性。     

基于稀疏步进调频信号的低信噪比逆合成孔径雷达成像

针对稀疏步进调频信号对目标径向运动敏感且低信噪比(SNR)下难以聚焦成像的问题,该文提出基于遗传算法和稀疏贝叶斯学习的平动补偿与高分辨逆合成孔径雷达(ISAR)成像方法.首先,针对稀疏步进调频信号建立回波模型和稀疏观测模型,通过构造参数化字典,将ISAR成像问题转换为目标运动参数估计与高分辨距离像(HRRP)合成的联合...     

基于稀疏贝叶斯学习的无源雷达高分辨成像

针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。     

一阶Born近似下的不均匀目标贝叶斯压缩感知微波成像方法

针对不均匀散射体重构问题,提出了一种基于Born 近似下的贝叶斯压缩感知微波成像方法。在一阶Born 近似框架下,基于电场积分方程并对成像区域网格离散建立稀疏感知模型,然后构造基于高斯先验的贝叶斯概率密度函数,并利用相关向量机方法对目标函数进行优化求解,最终实现对目标的微波成像。通过对多像素单目标、不均匀单目标、不均匀多目标等的微波成像研究并考虑了噪声影响,数值算例结果表明基于高斯先验的贝叶斯压缩感知方法重构结果要优于共轭梯度迭代算法和正交匹配追踪压缩感知重构算法,验证了文中方法的有效性和鲁棒性。     

对比源框架下的多任务贝叶斯压缩感知微波成像方法

针对强散射体微波成像困难问题,本文提出了一种对比源框架下的基于拉普拉斯先验的多任务贝叶斯压缩感知方法,实现了稀疏强散射体的微波成像.在对比源框架下,基于"数据"积分方程并对成像区域网格离散建立稀疏感知模型,前向问题采用矩量法数值模拟;构造基于拉普拉斯先验的贝叶斯压缩感知分层模型;在多入射波情况下,利用多任务贝叶斯压缩感知方法对对比源进行优化求解;最后利用"状态方程"实现了目标函数的重构.本文在考虑噪声情况下,通过对多像素单目标、不均匀目标、多目标的微波成像数值模拟,并与共轭梯度方法、一阶Born近似框架下的多任务贝叶斯压缩感知方法的重构结果比较,验证了本文方法的有效性和鲁棒性.     

基于两维解卷积和稀疏回波去噪的高分辨雷达成像方法

该文提出了一种结合稀疏低秩矩阵恢复技术以及基于匹配滤波结果的反卷积算法的高分辨率雷达成像方法。对雷达回波信号进行匹配滤波操作可以最大化回波信噪比,通过推导发现经过匹配滤波操作后的回波信号可以建模为两维卷积的形式,对该结果做维纳滤波解卷积可以获得较高的分辨率。然而典型的解卷积算法面临着病态性问题,该问题会放大解卷积后的噪声、限制解卷积后的成像分辨率。文中证明了在目标稀疏分布的先验下,经过匹配滤波后的回波矩阵满足稀疏低秩的特性。在这种情况下,利用回波矩阵的稀疏低秩矩阵特征可以进一步提高信噪比,以减轻解卷积的病态性问题以及点扩散函数的平滑卷积造成目标散射低分辨率的影响。仿真实验以及实测数据证明了所提方法的有效性。      

面向高分辨SAR成像的正则参数自学习

针对基于正则优化的高分辨SAR成像惩罚项系数自学习难点问题,本文提出一种贝叶斯边缘估计（Marginal Estimation Bayes,MEB）算法,以实现目标多先验模型的高精度特征拟合,提升成像特征恢复精度。该方法根据观测数据进行交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）凸优化框架建模,并利用贝叶斯理论推导参数的最大边缘似然分布,同时采用Moreau-Yoshida未经调整的朗之万算法（Moreau-Yoshida Unadjusted Langevin Algorithm,MYULA）实现后验采样求解,引入梯度投影法解决正则参数自学习问题,最后利用自学习参数进行优化成像。该算法可实现多正则项优化多参数协同自适应参数估计。另外,针对可能存在的目标先验非可微问题,本文利用近端算法中的次梯度优化,通过邻近算子来求解非可微先验的次梯度,可实现非可微正则函数的参数自学习。实验部分利用点目标仿真与美国Sandia实验室公布的实际数据。实验结果表明,相对于遍历最优结果,本文所提方法得到的结果与最优值的误差均在15%之内。另外,通过相变热力图（Phase Transition Diagram,PTD）定量验证了算法的有效性,同时将本文算法与其他自学习算法进行对比,验证了算法的实用性。      

基于贝叶斯压缩感知的ISAR自聚焦成像

针对ISAR自聚焦成像,该文提出一种基于贝叶斯压缩感知的高分辨率成像算法。首先利用目标图像的稀疏特性构建级联形式的稀疏先验模型,同时将相位误差建模为均匀分布模型;然后基于最大后验准则,依据贝叶斯压缩感知理论交替迭代求解目标图像和相位误差。与传统稀疏方法相比,所提算法进一步利用了目标图像的联合稀疏信息,将ISAR CS成像转化为MMV联合稀疏优化问题的求解,可以有效改善自聚焦的精度以及成像质量。仿真结果验证了该算法的有效性。