雷达目标一维距离像的稀疏子带融合

1、雷达目标一维距离像的稀疏子带融合第1页，共16页，2022年，5月20日，1点57分，星期四针对雷达目标的多子带频域测量信号，分析了无先验融合方法的性能。进一步，利用稀疏成份分析技术给出了稀疏子带信号融合的线性规划算法 。根据约束最小二乘解的性质，提出了多子带成像的次优线性规划算法。 数值结果表明，该方法能从稀疏子带数据中稳定地获得一维距离像，并有效地恢复散射点的幅度信息。 摘 要第2页，共16页，2022年，5月20日，1点57分，星期四提 纲多子带频域测量模型多子带测量的信号融合 融合算例结论第3页，共16页，2022年，5月20日，1点57分，星期四设目标静止，回波数据满足 (1) ：

2、雷达扫频频带的数目； ： 子带的扫频带宽； ： 频率步长； 多子带频域测量模型第4页，共16页，2022年，5月20日，1点57分，星期四 ：子带扫频点数； ； ：散射中心数目； ：散射中心离雷达的径向距离； ：散射中心的散射强度； ：第 个子带中第 个扫频脉冲的频率； ：第 子带的初始频率； ：光速。 第5页，共16页，2022年，5月20日，1点57分，星期四多子带测量的信号融合 无先验信号融合 在各个测量带之间的空白区域补零。设有信号 的时域测量 (2)其中 为窗函数，频谱 (3)第6页，共16页，2022年，5月20日，1点57分，星期四图1 窗函数幅度谱 第7页，共16页，2022年

3、，5月20日，1点57分，星期四根据(3)式及图1可知： 1）主瓣变窄；2）由于 的调制效应，副瓣电平升高。B 基于稀疏成份分析的信号融合 在距离向上对目标进行剖分，模型(1)可以写为 (4)用稀疏成份分析求解， 即 s.t. (5)第8页，共16页，2022年，5月20日，1点57分，星期四令 ， ， ，其中则(5)式可写为 s.t. (6)在引入矢量的正部和负部这些辅助变量时，问题的规模扩大了了一倍。事实上，模型(6)可写为 s.t. (7) 第9页，共16页，2022年，5月20日，1点57分，星期四其约束最小二乘解 ,记 ，令 ，其中 ，根据(7)式可得 (8) s.t.第10页，共1

4、6页，2022年，5月20日，1点57分，星期四数值算例考虑由两块正方形金属平板组成的目标 ，如图2所示 。扫频点数： 。首尾各截取 点的数据作为双子带频域测量数据，进行融合处理。-22-9-510-550ZX图2 目标结构模型 第11页，共16页，2022年，5月20日，1点57分，星期四(a) 全频段一维距离像 第12页，共16页，2022年，5月20日，1点57分，星期四(b) 双子带无先验融合距离像 第13页，共16页，2022年，5月20日，1点57分，星期四(c) 最优线性规划融合距离像 第14页，共16页，2022年，5月20日，1点57分，星期四(d) 次优线性规划融合距离像 图3 双子带融合一维距离像 第15页，共16页，2022年，5月20日，1点57分，星期四从图3的结果可以看出：无先验融合的距离像峰值减小；稀疏成份分析方法能较好地恢复散射中心的幅度信息