本文關(guān)鍵詞：基于Off-Grid的CS-ISAR成像研究

  更多相關(guān)文章： 逆合成孔徑雷達成像 壓縮感知 稀疏探頻 Off-Grid 參數(shù)估計

【摘要】：逆合成孔徑雷達(ISAR)具有很高的成像分辨率,使其在軍用及民用領(lǐng)域得到了廣泛的應用。但ISAR成像往往面臨著采樣率高、數(shù)據(jù)存儲量大以及實時處理比較困難等問題,對這些問題的探索已成為ISAR領(lǐng)域的熱門研究課題。本文以ISAR目標的稀疏特性為背景,對壓縮感知ISAR成像中Off-Grid問題以及參數(shù)估計問題進行了深入的研究,針對發(fā)射的稀疏探頻信號提出了相應改進的壓縮感知ISAR成像算法。本文主要工作概述如下:1、針對傳統(tǒng)ISAR信號沒有完全利用壓縮感知稀疏特性進行成像的問題,建立了發(fā)射稀疏探頻信號的ISAR成像模型,給出了稀疏探頻信號的ISAR成像流程,并通過仿真驗證了模型的可行性。2、針對傳統(tǒng)稀疏重構(gòu)算法難以解決Off-Grid模型的問題,分別提出了結(jié)合帶外排除技術(shù)和局部優(yōu)化技術(shù)的BOMP算法和BLOOMP算法。從理論上詳細推導并證明了這兩種算法,同時分析了這兩種算法的計算復雜度以及它們在噪聲情況下的重構(gòu)性能。仿真實驗表明:相同仿真條件下,與BOMP算法相比,BLOOMP算法在重構(gòu)成功率及重建誤差方面具有更優(yōu)越的性能。3、針對實際成像條件下目標參數(shù)未知的問題,提出聯(lián)合參數(shù)估計與ISAR成像重建方法。(1)當目標點落在基矩陣的網(wǎng)格點上且基矩陣取決于未知的目標旋轉(zhuǎn)率,提出基于稀疏貝葉斯學習(Sparse Bayesian Learning,SBL)的稀疏探頻ISAR成像方法。通過聯(lián)合利用SBL技術(shù)和梯度搜索算法,能夠同時獲取目標旋轉(zhuǎn)率和高分辨率的ISAR圖像。仿真和實測數(shù)據(jù)實驗驗證了所提方法的有效性。(2)當目標點不落在基矩陣的網(wǎng)格點上,提出了基于Off-Grid模型的聯(lián)合參數(shù)估計與ISAR成像方法。根據(jù)改進的數(shù)學模型,聯(lián)合參數(shù)擾動算法和梯度搜索算法,能夠在Off-Grid模型下同時實現(xiàn)對目標旋轉(zhuǎn)率的估計和高分辨率ISAR成像重建。仿真實驗驗證了所提方法的正確性和有效性。
【關(guān)鍵詞】：逆合成孔徑雷達成像 壓縮感知 稀疏探頻 Off-Grid 參數(shù)估計
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-13
• 第一章 緒論13-19
• 1.1 研究背景及意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-17
• 1.2.1 ISAR成像研究現(xiàn)狀14-16
• 1.2.2 壓縮感知ISAR成像的研究現(xiàn)狀16-17
• 1.2.3 Off-Grid問題研究現(xiàn)狀17
• 1.3 論文主要工作及結(jié)構(gòu)安排17-19
• 第二章 壓縮感知ISAR成像的基本原理19-32
• 2.1 引言19-20
• 2.2 基于壓縮感知的ISAR成像模型20-26
• 2.2.1 傳統(tǒng)ISAR成像模型20-24
• 2.2.2 基于稀疏探頻信號的ISAR成像模型24-25
• 2.2.3 重構(gòu)算法及性能評估25-26
• 2.3 仿真驗證26-31
• 2.4 本章小結(jié)31-32
• 第三章 基于Off-Grid模型的稀疏探頻ISAR成像32-52
• 3.1 引言32
• 3.2 Off-Grid成像問題分析32-35
• 3.3 基于Off-Grid的稀疏探頻ISAR成像方法35-41
• 3.3.1 帶內(nèi)排除（BE）技術(shù)36-38
• 3.3.2 局部優(yōu)化（LO）技術(shù)38-41
• 3.4 算法性能分析41-45
• 3.4.1 計算復雜度41-43
• 3.4.2 噪聲條件下的重構(gòu)性能43-45
• 3.5 仿真分析與驗證45-51
• 3.5.1 成像性能對比45-48
• 3.5.2 不同信噪比的重構(gòu)成功率48-49
• 3.5.3 不同信噪比的重建誤差49-50
• 3.5.4 不同稀疏度的成功率50
• 3.5.5 算法復雜度對比50-51
• 3.6 本章小結(jié)51-52
• 第四章 基于Off-Grid模型的聯(lián)合參數(shù)估計與ISAR成像重建52-72
• 4.1 引言52
• 4.2 基于稀疏貝葉斯學習的稀疏探頻ISAR成像52-63
• 4.2.1 參數(shù)學習理論52-54
• 4.2.2 稀疏貝葉斯學習54-57
• 4.2.3 最陡下降法57-59
• 4.2.4 模擬數(shù)據(jù)驗證59-61
• 4.2.5 實測數(shù)據(jù)驗證61-63
• 4.3 基于Off-Grid模型的聯(lián)合參數(shù)估計與ISAR成像重建63-71
• 4.3.1 算法推導及流程63-67
• 4.3.2 仿真分析與驗證67-71
• 4.4 本章小結(jié)71-72
• 第五章 工作總結(jié)與展望72-74
• 5.1 工作總結(jié)72
• 5.2 研究展望72-74
• 致謝74-75
• 參考文獻75-80
• 攻碩期間取得的研究成果80-81

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 周萬幸;;ISAR成像系統(tǒng)與技術(shù)發(fā)展綜述[J];現(xiàn)代雷達;2012年09期

2 謝曉春;張云華;;基于壓縮感知的二維雷達成像算法[J];電子與信息學報;2010年05期

3 喻玲娟;謝曉春;;壓縮感知理論簡介[J];電視技術(shù);2008年12期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 王碩;分布式無源雷達成像方法研究[D];中國科學技術(shù)大學;2014年

，

本文編號：657199