基於多任務貝葉斯壓縮感知的逆合成孔徑雷達成像方法與流程

2023-11-10 07:02:19 1

本發明屬於雷達
技術領域：
，涉及一種逆合成孔徑雷達成像方法，具體地說是一種能夠有效地處理大場景的稀疏表示逆合成孔徑雷達高分辨成像方法，可用於動目標成像，全天時、全天候偵察。
背景技術：
：合成孔徑雷達SAR是一種最為常見的成像雷達，SAR主要用於運動雷達平臺對地面進行成像，而逆合成孔徑雷達ISAR是一種具有高分辨力的成像雷達，主要用於靜止雷達平臺對非合作運動目標的成像，具有全天候、全天時和作用距離遠等特點，在軍事和民用領域發揮著重要的作用。傳統的ISAR成像是基於傅立葉變換來獲得目標成像的。要實現高的解析度，在徑向距離上依靠寬帶信號，在方位上則依靠足夠長的相干積累時間，然而，由於系統與實際情況的有限性，這些條件往往無法全部滿足，使得成像結果解析度較低且有較高的旁瓣，無法獲得目標的高分辨圖像。根據經典的奈奎斯特採樣定理，若要從採樣得到的離散信號中無失真地恢復模擬信號，採樣速率必須至少是信號帶寬的兩倍。傳統逆合成孔徑雷達成像算法，如Range-Doppler算法，根據這一定理利用大於兩倍帶寬的採樣頻率對回波信號進行採樣。然而隨著信號帶寬增大，較高採樣頻率對接收端模數轉換器來說無疑是一個巨大的挑戰，同時大量的數據大大增加了存儲、傳輸和處理的負擔。近些年，壓縮感知理論的興起，為雷達成像技術提供了新的方法。壓縮感知理論指出，如果信號是可壓縮的或者是在某個變換域下是稀疏的，那麼變換得到的高維稀疏信號就可以通過一個與變換基不相關的觀測矩陣投影到某一低維空間中，然後通過求解一個優化問題重構出原信號。在壓縮感知理論的理論框架下，雷達的採樣速率不取決於信號的帶寬，而是通過低於奈奎斯特採樣率的採集方式獲取信號，拋棄了信號中的冗餘信息，這給雷達成像技術帶來了巨大的變化。對於壓縮感知逆合成孔徑雷達成像，通過利用場景的稀疏性，對場景進行優化重構，得到場景的準確恢復，實現了高分辨成像。目前國內外諸多學者和科研機構在壓縮感知逆合成孔徑雷達成像方面提出了多種成像算法，卻仍有著不足之處，通過場景向量化來構造觀測矩陣，再利用接收回波進行重構的方法計算複雜度高，在對大場景成像時需要花費大量的時間，不能實現實時性處理，且成像有效性較差。例如，授權公告號為CN102495393B，名稱為「基於子空間追蹤的壓縮感知雷達成像算法」的發明專利，公開了一種基於子空間追蹤的壓縮感知雷達成像算法，採用物理光學方法計算回波數據，並且建立信號的稀疏模型，利用子空間追蹤算法實現對回波的重構，從而實現成像。但是該算法在建立信號的稀疏模型時，同樣是通過把場景向量化來構造觀測矩陣，這使得該算法的計算複雜度比較高。其次，壓縮感知的一些重構算法如FOCalUnderdeterminedSystemSolver(FOCUSS)算法，由於其複雜的參數設置使得算法的穩定性不高，影響了該算法的實際使用。技術實現要素：本發明的目的在於針對上述已有技術的不足，提出了一種基於多任務貝葉斯壓縮感知的逆合成孔徑雷達成像方法，用於解決現有基於壓縮感知的逆合成孔徑雷達成像方法中存在的成像複雜度高及穩定性差的技術問題。為實現上述目的，本發明採取的技術方案為：構造回波模型，通過引入中間變量矩陣，對回波模型進行變形得到求解模型，並利用多任務貝葉斯壓縮感知算法對求解模型進行求解，得到稀疏目標場景的成像結果。具體實現步驟包括：(1)雷達向稀疏目標場景連續地發射線性調頻脈衝信號p(τ)，同時接收從該場景反射的回波脈衝，得到回波信號Sr(τ,t)；(2)構造回波模型：Sre＝AFB+E(1)其中Sre為回波信號矩陣，A為距離向基矩陣，B為方位向基矩陣，F為稀疏目標場景的散射係數矩陣，E為噪聲矩陣；(3)引入中間變量矩陣Z，令Z＝FB，並對式子(1)進行變形，得到下式：其中，(·)T為矩陣轉置；(4)將式子(2)記作下式：si＝Azi+ei,i＝1,…,n(4)其中，si為Sre的第i列，zi為Z的第i列，ei為E的第i列，n為Sre的列數；(5)利用多任務貝葉斯壓縮感知算法對式子(4)進行求解，得到中間變量矩陣Z；(6)設定檢測門限，並剔除步驟(6)中得到的中間變量矩陣Z中小於檢測門限的行，得到新矩陣Zselect，其中Zselect＝FselectB，Fselect為稀疏目標場景的散射係數矩陣F剔除與Zselect對應行後的矩陣；(7)對步驟(6)中的Zselect＝FselectB進行轉置，得到下式：(8)將式子(5)記作下式：zi＝BTfi,i＝1,…,p(6)其中，zi為的第i列，fi為的第i列，p為矩陣的列數；(9)利用多任務貝葉斯壓縮感知算法對式子(6)進行求解，得到稀疏目標場景的散射係數矩陣再對該矩陣補全零行並取轉置，得到稀疏目標場景的散射係數矩陣F。本發明與現有技術相比，具有如下優點：第一，本發明由於構造了一種新的回波模型，通過引入中間變量矩陣，對回波模型進行變形得到求解模型，並利用多任務貝葉斯壓縮感知算法對求解模型進行求解，解決了傳統稀疏成像建模中，場景圖像向量化的重構方法產生的觀測矩陣維數太大，計算量急劇增加的問題，在大場景快速成像上具有明顯的優勢。與現有基於壓縮感知的逆合成孔徑雷達成像方法相比，有效的降低了成像複雜度。第二，本發明採用多任務貝葉斯壓縮感知算法進行求解，在求解過程中，無需估計信號的噪聲方差，沒有複雜的參數設置，成像穩定性高。附圖說明圖1是本發明的實現流程框圖；圖2是本發明仿真使用的稀疏目標場景圖；圖3是本發明對圖2進行重構獲取的稀疏目標場景的重構圖；圖4是本發明對圖2中的目標分別在不同大小的場景下進行重構的重構時間圖。具體實施方法下面結合附圖和實施例，對本發明作進一步的詳細描述。參照圖1，本發明的具體實施步驟如下：步驟1：獲得回波信號Sr(τ,t)。(1a)雷達向稀疏目標場景連續地發射線性調頻脈衝信號p(τ)：其中，rect(·)為矩形窗函數，τ為時間，Tp為脈衝持續時間，j為虛數單位，fc為線性調頻脈衝信號的載頻，μ為線性調頻脈衝信號的調頻斜率；(1b)雷達接收從稀疏目標場景反射的回波脈衝，得到回波信號Sr(τ,t)，其表達式為：其中，τ為快時間，τr為遲延時間，t為慢時間，X為稀疏目標場景的距離向，Y為稀疏目標場景的方位向，fx,y為稀疏目標場景(x,y)處點目標的散射係數。步驟2：構造回波模型Sre＝AFB+E。(2a)對稀疏目標場景的距離向進行等間隔離散劃分，得到P個離散網格和與其對應的距離向基矩陣A，其第(m,i)個元素表達式為：其中，1≤i≤P，i為稀疏目標場景在距離向的第i個離散網格，且1≤m≤M，M為每個線性調頻脈衝信號脈衝內採樣點數；(2b)對稀疏目標場景的方位向進行等間隔離散劃分，得到Q個離散網格和與其對應的方位向基矩陣B，其第(j,n)個元素表達式為：其中，1≤j≤Q，j為稀疏目標場景在方位向的第j個離散網格，且1≤n≤N，N為發射的線性調頻脈衝信號個數；(2c)對回波信號Sr(τ,t)進行二維離散採樣，得到該回波信號矩陣Sre，其第(m,n)個元素的表達式為：其中，λ為波長，c為電磁波傳播速度，Ta為觀測時間，ω0為目標轉動的角速度，fij為(i,j)處點目標的散射係數，R0為雷達到稀疏目標場景所在二維空間中心軸的距離，yi為(i,j)處點目標在二維空間中的y軸坐標，xj為(i,j)處點目標在二維空間中的x軸坐標；(2d)利用距離向基矩陣A、方位向基矩陣B和回波信號矩陣Sre，獲取回波模型：Sre＝AFB+E，E為噪聲矩陣。步驟3：引入中間變量矩陣Z，構造求解模型。在回波模型Sre＝AFB+E中，由於稀疏目標場景的散射係數矩陣F位於中間，難以直接對其進行求解，因此我們引入中間變量矩陣Z，令Z＝FB，並對式子(1)進行變形，得到求解模型：其中，(·)T為矩陣轉置；步驟4：利用多任務貝葉斯壓縮感知算法對求解模型進行求解，得到稀疏目標場景的散射係數矩陣F。式子(2)和式子(3)都是典型的MMV(multiplemeasurementvectors)問題，我們採用的是多任務貝葉斯壓縮感知算法進行求解，該算法通過計算稀疏目標場景的散射係數矩陣F的後驗概率來對其進行估計，得到散射係數矩陣F的估計值，該算法沒有複雜的參數設置，穩定性好。(4a)將式子(2)記作下式：si＝Azi+ei,i＝1,…,n(4)其中，si為Sre的第i列，zi為Z的第i列，ei為E的第i列，n為Sre的列數；(4b)利用多任務貝葉斯壓縮感知算法對式子(4)進行求解，具體求解步驟如下：(4b1)設置第一輔助參數a＝1，第二輔助參數b＝1，超參數矩陣H的初始值H0為單位矩陣，初始迭代次數k＝1；(4b2)依次計算方差矩陣Σ的第k次迭代矩陣Σk、均值矩陣μ的第i列μi的第k次迭代向量和超參數矩陣H的元素hj的第k次迭代值計算公式為：其中，Ck＝I+A(Hk)-1AT，(·)-1為矩陣取逆，diag是構造對角矩陣的函數，μi,j為μi的第j個元素值，Σj,j為方差矩陣Σ的第j行第j列的元素值，j＝1,2,...,P；(4b3)對步驟(4b2)進行迭代，並判斷每次迭代的結果是否滿足若是，停止迭代，將μi的第k次迭代結果作為最終迭代結果；否則，更新k＝k+1，繼續迭代，其中eps為迭代終止值，且eps＝10-7，為矩陣Frobenius範數的平方；(4b4)將最終迭代結果作為中間變量矩陣Z的估計：(4c)設定檢測門限，檢測門限設置為中間變量矩陣Z的Frobenius範數的平方的0.01倍，根據檢測門限剔除中間變量矩陣Z中小於檢測門限的行，即將中間變量矩陣Z中近似為零的行剔除掉，得到新矩陣Zselect，其中Zselect＝FselectB，Fselect為稀疏目標場景的散射係數矩陣F剔除與Zselect對應行後的矩陣；(4d)對步驟(4c)中的Zselect＝FselectB進行轉置，得到下式：(4e)將式子(5)記作下式：zi＝BTfi,i＝1,…,p(6)其中，zi為的第i列，fi為的第i列，p為矩陣的列數。(4f)利用多任務貝葉斯壓縮感知算法對式子(6)進行求解，具體求解步驟如下：(4f1)設置第一輔助參數a＝1，第二輔助參數b＝1，超參數矩陣H的初始值H0為單位矩陣，初始迭代次數k＝1；(4f2)依次計算方差矩陣Σ的第k次迭代矩陣Σk、均值矩陣μ的第i列μi的第k次迭代向量和超參數矩陣H的元素hj的第k次迭代值計算公式為：其中，Ck＝I+BT(Hk)-1B，j＝1,2,...,Q；(4f3)對步驟(4f2)進行迭代，並判斷每次迭代的結果是否滿足若是，停止迭代，將μi的第k次迭代結果作為最終迭代結果；否則，更新k＝k+1，繼續迭代；(4f4)將最終迭代結果作為的估計：(4g)對補全步驟(4c)中剔除的零行並取轉置，得到稀疏目標場景的散射係數矩陣F。以下結合仿真實驗，對本發明的技術效果作進一步說明：1.仿真條件(1a)運行平臺配置：CPU：Intel(R)Core(TM)[email protected]；內存：8.00GB；作業系統：Windows7旗艦版64位作業系統；仿真軟體：MATLABR2012a。(1b)仿真參數設置發射信號採用線性調頻信號，發射信號參數及實驗仿真參數設置如表1、表2所示。表1參數取值載波頻率fc＝5.52GHz線性調頻信號持續時間Tp＝1μs線性調頻信號調頻帶寬B＝300MHz相干積累時間st＝3.415s目標旋轉速度ω0＝0.02rad/s雷達與場景中心的距離R0＝20Km慢時間採樣頻率PRF＝150Hz快時間採樣頻率fs＝900MHz方位向網格個數100距離向網格個數120表2方位向網格個數2064128256512600距離向網格個數20641282565126002.仿真內容及結果分析仿真1，仿真使用的稀疏目標場景圖如圖2所示，場景中包含四個點目標，它們對應的坐標分別是(-0.4m,-0.2m)，(-0.4m,0.4m)，(0.4m,-0.2m)，(0.4m,0.4m)，根據表1的仿真參數，對稀疏目標場景進行探測並獲取回波，構造回波模型，並利用多任務貝葉斯壓縮感知進行求解，得到稀疏目標場景的重構圖，結果如圖3所示。仿真2，根據表2，設置稀疏目標場景的大小，其餘的仿真參數根據表1設置，對圖2所示的四個點目標分別在不同大小的稀疏目標場景下進行探測並獲取回波，用本發明方法對上述不同大小的稀疏目標場景進行重構，並統計其對應的重構時間，結果如圖4所示。參照圖3，本實施例通過對較大稀疏目標場景進行探測並獲取回波，構造回波模型，並利用多任務貝葉斯壓縮感知進行求解，得到的稀疏目標場景的重構圖包含四個點目標，且它們對應的坐標分別是(-0.4m,-0.2m)，(-0.4m,0.4m)，(0.4m,-0.2m)，(0.4m,0.4m)，與圖2中四個點目標的坐標一致，由此可得本發明能夠準確地重構出稀疏目標場景的圖像，實現了對較大稀疏目標場景的高分辨成像。參照圖4，本實施例通過對稀疏目標場景分別在不同大小的稀疏目標場景下進行探測並獲取回波，構造回波模型，並利用多任務貝葉斯壓縮感知進行求解，得到稀疏目標場景的重構圖，統計其對應的重構時間，圖4中，場景大小為20*20的重構時間為1.432s，場景大小為64*64的重構時間為1.725s，場景大小為128*128的重構時間為2.423s，場景大小為256*256的重構時間為5.359s，場景大小為512*512的重構時間為14.622s，場景大小為600*600的重構時間為18.639s，由此可看出本發明的重構時間都在20秒內，實現了大場景快速成像的目的。綜合上面所述，本發明構造了一種新的回波模型，通過引入中間變量矩陣，對回波模型進行變形得到求解模型，並利用多任務貝葉斯壓縮感知算法對求解模型進行求解，解決了傳統稀疏成像建模中，場景圖像向量化的重構方法產生的觀測矩陣維數太大，計算量急劇增加的問題，實現了大場景快速成像的目的，具有顯著的實用性。當前第1頁1&nbsp2&nbsp3&nbsp