[发明专利]改进的稀疏贝叶斯学习ISAR成像散射系数估计方法

摘要

本发明提供了一种改进的稀疏贝叶斯学习ISAR成像散射系数估计方法，首先将回波信号谱模型及二维成像场景离散化，随后对回波信号谱进行距离维脉冲压缩处理，并为其建立稀疏贝叶斯学习模型，初始化散射系数先验方差和噪声先验方差。基于散射系数先验方差和噪声先验方差，估计散射系数的后验均值和后验方差；采用L0范数最小化处理，改变散射系数的后验均值；再基于散射系数的后验均值和后验方差，反过来更新散射系数先验方差和噪声先验方差；如此反复迭代，不断优化更新相关参数。迭代收敛后，散射系数的后验均值矩阵即为所需成像结果。本发明方法减少运算复杂度，改进ISAR成像效果。

主权项

1.改进的稀疏贝叶斯学习ISAR成像散射系数估计方法，其特征在于，包括如下步骤：步骤1，回波模型离散化离散化以后的观测信号二维谱数学模型表示如下：Y₀＝Θ^aX(Θ^f)^T+V₀其中，Y₀∈C^M×N表示二维谱，X∈C^P×Q表示待重建的散射系数，V₀∈C^M×N表示加性噪声，Θ^a∈C^M×P和Θ^f∈C^N×Q分别表示方位维和距离维字典；步骤2，距离维脉冲压缩将回波方程的两边同乘以Θ^f的共轭(Θ^f)^*，即对距离维进行脉冲压缩，到回波方程的改写形式：Y＝Θ^aX+V其中，Y∈C^M×Q和V∈C^M×Q分别表示距离维脉冲压缩后的二维谱和加性噪声；步骤3，建立稀疏贝叶斯学习模型设定散射系数矩阵X的每一个元素x_pq都服从均值为0，方差为的复高斯分布，并且各个元素相互统计独立；散射系数矩阵X的第q列X_·q服从均值为零向量，方差为的高斯分布；同时，设噪声V的任意元素v_pq都服从均值为0，方差为β^‑1的复高斯分布；其中，p＝1,2,…,P，q＝1,2,…,Q；diag()表示以()内向量为主对角线的对角矩阵；步骤4，散射系数的后验均值和方差迭代采用传统稀疏贝叶斯学习方法，按列估计，即基于Y的第q列Y_·q，以及Γ_q和β的值，更新散射系数X的相应列X_·q的后验均值向量μ_·q和后验方差矩阵Σ_q；各列都更新结束以后，再基于μ_·q，排列得到X的整个后验均值矩阵μ；然后采用L0范数最小化处理，对后验均值矩阵μ进行更新；步骤5，散射系数和噪声的先验方差迭代基于回波谱Y、散射系数的后验均值μ_·q和后验方差Σ_q，再通过期望最大化方法得更新的散射系数先验方差和噪声先验方差；步骤6，迭代控制和结果输出判断是否达到迭代终止条件，若达到则迭代完毕，散射系数的后验均值矩阵即为ISAR成像结果，若未达到迭代终止条件则回到步骤4进行下一轮循环。