双层稀疏贝叶斯学习ISAR超分辨成像算法

TN957; 传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征,易使得成像结果过稀疏而容易丢失部分弱散射的结构特征,进而影响逆合成孔径雷达(inverse synthetic aperture radar,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,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...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 45; no. 5; pp. 1371 - 1379
Main Authors 杨磊, 夏亚波, 廖仙华, 毛欣瑶, 窦宇宸, 杨桓
Format Journal Article
LanguageChinese
Published 中国民航大学天津市智能信号与图像处理重点实验室,天津300300%玛卡莱斯特学院,明尼苏达明尼阿波利斯MN 55105%中国工程物理研究院电子工程研究所,四川绵阳621999 01.05.2023
Subjects
稀疏成像
马尔可夫链蒙特卡罗
伯努利-拉普拉斯
逆合成孔径雷达
贝叶斯学习
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2023.05.13

Cover

More Information
Summary:TN957; 传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征,易使得成像结果过稀疏而容易丢失部分弱散射的结构特征,进而影响逆合成孔径雷达(inverse synthetic aperture radar,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,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,并利用马尔可夫链蒙特卡罗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,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具有有效性和优越性.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2023.05.13