基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法.pdf

《基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第36卷第7期电子与信息学报V_o1_36No．72014年7月JournalofElectronics＆InformationTechnologyJu1．2014基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法苏伍各①王宏强①邓彬①秦玉亮①凌永顺②f国防科技大学空间电子信息技术研究所长沙410073)(电子工程学院合肥230037)摘要：基于贝叶斯框架下的稀疏重构方法，由于考虑了稀疏信号的先验信息以及测量过程中的加性噪声，因而能够更好地重建目标系数，然而传统的稀疏贝叶斯学习fSBL)算法参数多，时效性差。该文考虑一种新

2、的稀疏贝叶斯学习方法方差成分扩张压缩(ExCoV1，其不同于SBL中赋予所有的信号元素各自的方差分量参数，ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量，并拥有比SBL方法更少的参数。基于计算机层析成像技术框架下的ISAR成像模型，该文将ExCoV方法结合压缩感知fCS)理论将其进行ISAR成像，并从适用性和成像效果等方面与常用的极坐标格式算法(PFA)，卷积逆投影算法(CBPA)$1传统的稀疏重构算法进行比较，点目标仿真结果表明基于ExCoV的方法得到的ISAR像具有低旁瓣，高分辨率的特点，真实数据的成像结果

3、表明该方法是一种比SBL更有效的ISAR成像算法。关键词：逆合成孔径雷达；计算机层析成像；稀疏贝叶斯学习；方差成分扩张压缩；稀疏恢复中图分类号：TN957．52文献标识码：A文章编号：1009．5896(2014)07—1525—07DOI：10．3724／SP．J．1146．2013．01338SparseBayesianRepresentationoftheISARImagingMethodBasedonExCoVSuWu-ge①WangHong—qiang①DengBin①QinYu—liang①LingYong—

4、shun②①(Sch0DfofElectronicScienceandEngineering，NationalUniversityofDefenseTechnology，ChⅡngsha410073，Chin0)②(ElectronicEngineeringInstitute，Hefei230037，China)Abstract：Bytakingintoaccountofthepriorinformationofthesparsesignalandtheadditivenoiseencounteredinthemeasu

5、rementprocess，thesparserecoveralgorithmundertheBayesianframeworkcanreconstructthecoeficientbetter．However，thetraditionalSparseBayesianLearning(SBL)algorithmholdsmanyparametersanditstimelinessispoor．Inthispaper，anewsparseBayesianlearningalgorithmnamedExpansion—Com

6、pressionViance-componentbasedmethodfExC0V)iSconsidered，whichonlyendowsadifferentvariance-componenttothesignificantsignalelements．Unlikely，theSBLhasadistinctvariancecomponentontheallsignalelements．Inaddition，theExCoVhasmuchlessparametersthantheSBL．CombinedwiththeC

7、ompressSensing(CS)theory，theExCoVisusedintheISARimagingmodelundertheComputerizedTomography(CT)frame，anditsapplicabilityandtheimagingqualityarecomparedwiththePolarFormatAlgorithm(PFA)，ConvolutionBackProjectionAlgorithm(CBPA)andthetraditionalsparserecoveralgorithm．

8、ThepointscattersimulationverifiesthattheInverseSAR(ISAR)imageobtainedbytheExC0Vhaslowsidelobeandhighresolution，andisnotsensitivetonoise．Theimagingresultsofreal