高分辨isar稀疏目标成像

《高分辨isar稀疏目标成像》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、高分辨ISAR稀疏目标成像作者姓名李振炜学校导师姓名、职称侯彪教授领域电子与通信工程企业导师姓名、职称李青高工申请学位类别工程硕士提交毕业论文日期2014年12月学校代码10701学号1202121281分类TN82号TN95密级公开西安电子科技大学硕士学位论文高分辨ISAR稀疏目标成像作者姓名：李振炜领域：电子与通信工程学位类别：工程硕士学校指师姓名、职称：侯彪教授学校指师姓名、职称：李青高工提交日期：2014年12月SparseTargetsofISARHigh-ResolutionImag

2、ingAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinElectronicsandCommunicationEngineeringByLizhenweiSupervisor:HoubiaoLiqingNovember2014西安电子科技大学毕业论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及

3、取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大

4、学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。保密的学位论文在年解密后适用本授权书。本人签名：导师签名：日期：日期：摘要摘要高分辨的ISAR图像在目标分类识别中有重要的意义，传统的逆合成孔径雷达（ISAR）成像方法，方位向的分辨率受限于相干积累时间。由于成像目标的非合作性和强机动性，依靠增加相干积累时间来提高ISAR图像方位向的分

5、辨率，对于雷达系统和成像算法是不现实的。本文是基于强散射点在ISAR图像中只占有很小的一部分，也就是ISAR图像是稀疏的这一先验知识，分析了利用压缩感知，共稀疏和小波域混合高斯模型，在短相干积累时间内实现ISAR超分辨成像可行性，并分别给出了基于这些理论的ISAR超分辨成像的方法。通过实测ISAR数据来验证这些算法的有效性，实验结果显示我们提出的算法可以得到高质量的超分辨ISAR图像。本文首先在传统的基于压缩感知成像的基础上，提出了一种基于多层压缩感知成像的方法。把ISAR成像过程分为多个阶段，

6、使得ISAR图像方位向的分辨率逐步提高。在每个阶段把ISAR成像看作一个稀疏编码的过程，散射系数就是编码系数。编码矩阵和解码矩阵构成一个多层感知器，利用误差反向传播算法（BP）优化解码矩阵和编码矩阵，使得重构的ISAR回波数据误差最小。在编码过程之后加入了激励函数，大大简化了稀疏度控制稀疏选择的难度。解码矩阵看作一个稀疏字典，基于压缩感知理论，利用平滑零范数算法（SL0），恢复出ISAR图像，然后方位向进行逆傅里叶变换，得到等效回波数据，作为下个阶段的输入。方位向的分辨率在每个阶段都高于前一阶段

7、，最后输出超分辨的ISAR图像。本文接着提出了一种基于共稀疏的ISAR超分辨成像方法。不同于传统的基于压缩感知的成像方法是一种逆问题求解，我们构造一种正向求解的成像模型。我们把相位误差的调节和解析操作算子的学习结合起来，学习得到的解析算子可以把回波映射到高维多普勒空间。此外为了加强算法对噪声的鲁棒性，我们加入了正则项，利用增强拉格朗日算法来逼近去噪的信号。为了利用ISAR图像的稀疏性，我们受到正交匹配追踪算法的启发，对其作了一些改进，使其适应我们的正向模型，利用修改的正交匹配追踪算法恢复出目标强

8、散射点，得到聚焦好，噪声少的高质量的超分辨ISAR图像。本文的最后提出了一种基于小波域混合高斯模型的ISAR超分辨成像方法。传统的基于压缩感知的ISAR成像，是利用约束来实现去噪的，当信噪比很低的条件下，压缩感知会把一些噪声点也作为强散射目标点恢复出来。在共稀疏超分辨成像的基础上，把恢复的散射系数距离多普勒域转换到小波域，小波低频部分I西安电子科技大学硕士学位论文是ISAR图像的平滑部分，利用小波低频系数建立混合高斯模型，用期望最大算法（EM）估计参数，成功的分离了目标点和噪声点，背景点，然后再