论文部分内容阅读
雷达成像技术是雷达的一个重要应用。在雷达成像的传统方法中,奈奎斯特采样定理,信号带宽和瑞利限一直限制着成像结果的质量,后来压缩感知(Compressed Sensing,CS)理论的出现,突破了奈奎斯特采样定理的限制,使得在降采样的情况下重构信号成为了可能,同时利用稀疏性,大大提高了成像的分辨率,但是现有的基于CS的成像方法存在场景维数较大时向量化处理带来的计算量大的问题,参数的设置问题和低信噪比时的成像质量问题等等。相较于基于范数约束的重构算法,贝叶斯压缩感知(Bayesian Compressive Sensing,BCS)算法重构的信号具有更好稀疏性,不需要设置重构误差正则化参数,因此研究基于BCS的雷达目标探测与成像具有十分重要的意义。基于此本文主要讨论了基于多任务贝叶斯压缩感知(Multitask Compressive Sensing,MT-BCS)的雷达目标探测与成像方法。本文首先对BCS的相关理论进行了系统的阐述,然后重点针对距离-多普勒成像和逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像建立新的成像模型,并利用MT-BCS算法进行求解,最后通过对比实验进行仿真验证。对于距离-多普勒成像,首先研究了IAA算法和2D-SL0算法,IAA算法在场景维数较大时迭代速度会很慢,2D-SL0算法虽然解决了这个问题但是并没有完全挖掘场景的稀疏性,对噪声的抑制效果并不好,对此,本文通过引入距离维和方位维的稀疏先验信息,建立了新的成像模型,然后利用MT-BCS算法进行求解,最后通过对比实验表明该方法不仅成像分辨率高,而且在脉冲个数较少和低信噪比的情况下,依旧有着很好的性能。对于ISAR成像方法,同样存在着与距离-多普勒成像类似的问题,传统的RD成像方法分辨率不高,基于CS短孔径ISAR成像方法虽然提高了成像速度,但是在另一维依旧受到传统成像方法的限制。借鉴距离-多普勒成像过程,通过建立可分离模型引入了距离维和方位维的稀疏性,再结合BCS理论,提出了基于MT-BCS的ISAR成像方法,最后设计多组对比实验,证明了所提方法在低信噪比和降采样的情况下依然具有高的成像分辨率。