科研之友
微信
新浪微博
Facebook
分享链接
摘要
逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）成像过程中，相对于成像背景而言，目标在空域具有明显的稀疏特性，传统贝叶斯成像常采用拉普拉斯（Laplace）分布进行成像特征表征，易使得成像结果过稀疏，容易丢失部分弱散射的结构特征，进而影响ISAR成像精度提升。为实现高精度ISAR超分辨成像，本文采用伯努利-拉普拉斯（Bernoulli–Laplace,BL）混合稀疏先验对目标统计特性进行概率建模，利用双层稀疏（Bi-Sparsity）对目标先验进行统计约束，从而有效模拟目标散射场统计先验。并在贝叶斯层级模型下通过引入隐变量建模的方式对先验进行分层构建，以在解决先验分布与高斯似然函数不共轭问题的同时简化贝叶斯推断，降低模型复杂度。为避免繁琐的手动参数调整，实现超参数的自调节，本文对各随机变量建立条件概率依赖模型，并利用马尔科夫链蒙特卡洛（Markov Chain Monte Carlo,MCMC）随机模拟估计算法解决高维积分和后验分布难以求解的问题，进而实现相关超参数的统计估计，提升算法自学习能力。仿真和实测数据均证明本文所提方法的有效性和优越性。
-
单位中国工程物理研究院电子工程研究所; 中国民航大学
