[发明专利]一种基于交叉熵最小化的压缩感知雷达成像方法

权利要求书

1.一种基于交叉熵最小化的压缩感知雷达成像方法，其特征在于：包括步骤：

(1)根据雷达平台与目标场景的几何关系模型，建立压缩感知雷达的回波与目标场景之间的观测方程，并初始化雷达系统参数和迭代参数；

(2)根据观测方程更新迭代参数和目标场景，并计算场景目标雷达散射截面积幅度的直方图分布；

(3)根据目标场景的目标雷达散射截面积幅度的直方图分布，计算目标雷达散射截面积幅度中满足交叉熵最小化的阈值；

(4)利用步骤(3)中计算得到的阈值，采用硬阈值的方法更新目标场景，并判断重建场景是否满足特定的终止条件，如果满足条件，则输出目标场景，否则，重复步骤(2)～(4)直到重建场景满足条件。

2.根据权利要求1所述的基于交叉熵最小化的压缩感知雷达成像方法，其特征在于：所述步骤(1)中，根据雷达平台与目标场景的几何关系模型建立的压缩感知雷达的回波与目标场景之间的观测方程为：

y＝ΦΨx+n＝Θx+n

其中，y为获取的采样时间序列，Φ为观测矩阵，Ψ为系统矩阵，x为具有稀疏特性的观测目标场景向量，Θ为测量矩阵，n为噪声向量；

初始化雷达系统参数和迭代参数：雷达系统参数的初始化是根据雷达系统设计时的参数进行初始化，目标雷达散射截面初始化为任意非零向量，迭代步数初始化为0，其他参数以初始化为特定值，然后根据观测方程建立重建目标函数f(x)为：

f(x)＝||y-Θx||²

并计算目标函数f(x)的梯度的最小莱布尼兹常数L(f)＝2λ_max(Θ^TΘ)，其中，Θ^T表示Θ的转置，λ_max(Θ^TΘ)表示取矩阵Θ^TΘ的最大特征值。

3.根据权利要求1所述的基于交叉熵最小化的压缩感知雷达成像方法，其特征在于：所述步骤(2)中，根据观测方程更新迭代参数和目标场景，并计算场景目标雷达散射截面积幅度的直方图分布，分为两步：

1)根据第k步迭代的场景目标雷达散射截面向量x^k，采用梯度法更新迭代场景目标雷达散射截面向量u^k为：

uk=xk-1L▿f(xk)]]>

其中，表示目标函数f(x)的梯度在x＝x^k处的值；

2)根据更新迭代的结果，计算出场景目标雷达散射截面向量u^k的直方图分布，具体步骤如下：

A、计算场景目标雷达散射截面向量u^k中模值最大值的元素与模值最小的元素的差值d^k，即：

dk=umaxk-umink]]>

B、将场景目标雷达散射截面向量u_k按模值从小到大分成L个集合，即：

umink~umink+dk/L,···,umink+(L-1)dk/L~umaxk]]>

然后计算出场景目标雷达散射截面向量u^k模值分布的统计直方图h。