基于GPD的稳健贝叶斯压缩感知ISAR成像方法
发布时间：2022-01-02 21:55
现有贝叶斯压缩感知（Bayesian Compressed Sensing,BCS）-逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）成像算法中先验分布模型不能很好地满足可压缩性,导致成像精度随脉冲数目的减小、高斯噪声的增强而急剧下降。为此,提出了一种基于广义Pareto分布改进BCS成像方法（Improving BCS imaging based on GPD,IGPCS）。该方法主要在BCS框架下利用广义Pareto先验分布替代传统的广义Gaussian先验分布,以增强模拟信号的稀疏先验和可压缩性。进一步地,为了克服后验概率模型计算困难等问题,采用最大后验（Maximum A Posteriori,MAP）方法对超参数进行估计。通过对Mig-25小型飞机的ISAR模拟实验表明,与传统方法相比,IGPCS方法能够获取极高的成像精度,并且对低脉冲数、强高斯噪声环境具有较强的鲁棒性。
【文章来源】：电讯技术. 2020,60(05)北大核心
【文章页数】：6 页
【部分图文】：
比较各项先验分布的PDF
式中:;Q为某先验的累积分布函数;an表示信号向量的分量，其记为信号向量x中绝对值最大的第n项。在图2中，可以看到LD、exGPD、GGD不满足等式(3)，并且严重破坏了这一规则。与此相反，从纵坐标变化趋势可以看出，在GPD先验的Lorentz曲线中，GPD先验对任意xi满足式(3)，并且an曲线呈现出快速衰减趋势。综上所述，GPD先验具有优良的稀疏性和可压缩性，为GPD先验能得到ISAR高清晰成像图提供了重要理论支撑依据。2 基于GPD的能量聚集BCS成像
由于ISAR图像的稀疏特性，可以对重建场景赋予先验进行建模，利用稀疏贝叶斯框架实现成像。ISAR成像的几何结构如图3所示，对成像区域进行离散化生成P×Q个离散单元，P和Q分别表示距离向和方位向离散点数目。令σ=[σpq]作为坐标(xp,yq)的稀疏交叉范围振幅，脉冲采样数为M,1≤M≤Q，每个脉冲包含N个距离采样单元，1≤N≤P;雷达的辐射频带fn∈[fmin,fmax]，雷达观察角θm,m=0,1…，M-1，字典矩阵表示为
本文编号：3564946
【文章来源】：电讯技术. 2020,60(05)北大核心
【文章页数】：6 页
【部分图文】：
比较各项先验分布的PDF
式中:;Q为某先验的累积分布函数;an表示信号向量的分量，其记为信号向量x中绝对值最大的第n项。在图2中，可以看到LD、exGPD、GGD不满足等式(3)，并且严重破坏了这一规则。与此相反，从纵坐标变化趋势可以看出，在GPD先验的Lorentz曲线中，GPD先验对任意xi满足式(3)，并且an曲线呈现出快速衰减趋势。综上所述，GPD先验具有优良的稀疏性和可压缩性，为GPD先验能得到ISAR高清晰成像图提供了重要理论支撑依据。2 基于GPD的能量聚集BCS成像
由于ISAR图像的稀疏特性，可以对重建场景赋予先验进行建模，利用稀疏贝叶斯框架实现成像。ISAR成像的几何结构如图3所示，对成像区域进行离散化生成P×Q个离散单元，P和Q分别表示距离向和方位向离散点数目。令σ=[σpq]作为坐标(xp,yq)的稀疏交叉范围振幅，脉冲采样数为M,1≤M≤Q，每个脉冲包含N个距离采样单元，1≤N≤P;雷达的辐射频带fn∈[fmin,fmax]，雷达观察角θm,m=0,1…，M-1，字典矩阵表示为
本文编号：3564946
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3564946.html
