低空小型无人机贝叶斯学习超分辨ISAR成像

发布时间：2020-12-26 12:17

　　本文针对低空小型无人机在雷达探测中散射截面积小、相干积累时间短等问题,提出一种基于贝叶斯统计机器学习的逆合成孔径雷达超分辨成像方法。利用无人机相对空域背景的稀疏性先验知识引入重尾的拉普拉斯先验概率分布,并基于观测系统噪声高斯分布假设建立贝叶斯后验推理模型。针对先验分布的非共轭性,引入分层贝叶斯模型。最后应用变分贝叶斯期望最大算法,解析求解目标后向散射系数后验概率密度函数,并校正目标非系统性平动误差及其造成的成像散焦。与传统方法相比,该方法能够有效解决无人机目标雷达散射截面积较小带来的成像信噪比低以及相干积累时间较短带来的成像分辨率低等问题。仿真实验结果证明了本文所提方法的有效性和优越性。 

【文章来源】：雷达科学与技术. 2020年03期 北大核心

【文章页数】：8 页

【部分图文】：

ISAR成像原理示意图

贝叶斯概率模型

本节给出仿真数据处理结果以验证所提方法的有效性。在仿真中，如图3(a）所示，目标为微小型四旋翼，其标准尺寸为0.78m×0.78m×0.24m。仿真采用标准雷达参数，引入等信噪比雷达模型，雷达的中心频率为9.6GHz，发射信号的总带宽为5GHz，所以方位向分辨率每单元为0.03m。脉冲重复频率为500Hz，相干积累时间为1.02s，目标的转动速度为28.10°/s，总旋转角为28.657°，所以距离分辨率每单元为0.03m。图3(b）为它的俯视投影图，其投影的方向与雷达观测的方向一致。图3 低空小型无人机的物理模型

【参考文献】：
期刊论文
[1]基于快速SBL的双基地ISAR成像[J]. 朱晓秀,胡文华,郭宝锋,郭城.  雷达科学与技术. 2019(03)
[2]一种有效的无人机反制系统[J]. 高永.  信息通信. 2018(03)
[3]低空反无人机技术现状与发展趋势[J]. 张静,张科,王靖宇,吕梅柏,王佩.  航空工程进展. 2018(01)
[4]论无人机黑飞对民航班机的危害[J]. 王森.  经贸实践. 2017(24)
[5]基于扩展目标先验的贝叶斯压缩感知成像[J]. 王天云,刘冰,丛波,凌晓冬.  雷达科学与技术. 2017(04)
[6]基于压缩感知的进动目标ISAR成像方法[J]. 刘记红,徐少坤,韩国强,魏雁飞.  雷达科学与技术. 2017(04)
[7]基于凸优化方法的认知雷达波形设计[J]. 魏轶旻,孟华东,毛滔,王希勤.  现代雷达. 2012(03)
[8]瑞典Giraffe高架机动雷达的发展概况及趋势[J]. 杨春.  现代防御技术. 2009(06)

博士论文
[1]雷达目标识别与超分辨成像方法研究[D]. 张锐.西安电子科技大学 2018



本文编号：2939682