基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法
基于贝叶斯框架下的稀疏重构方法，由于考虑了稀疏信号的先验信息以及测量过程中的加性噪声，因而能够更好地重建目标系数，然而传统的稀疏贝叶斯学习(SBL)算法参数多，时效性差。该文考虑一种新的稀疏贝叶斯学习方法方差成分扩张压缩(ExCoV)，其不同于SBL中赋予所有的信号元素各自的方差分量参数，ExCoV方法仅仅赋予有重要意义的信号元素不同的方差分量，并拥有比SBL方法更少的参数。基于计算机层析成像技术框架下的ISAR成像模型，该文将ExCoV方法结合压缩感知(CS)理论将其进行ISAR成像，并从适用性和成像效果等方面与常用的极坐标格式算法(PFA)，卷积逆投影算法(CBPA)和传统的稀疏重构算法进行比较，点目标仿真结果表明基于ExCoV的方法得到的ISAR像具有低旁瓣，高分辨率的特点，真实数据的成像结果表明该方法是一种比SBL更有效的ISAR成像算法。
逆合成孔径雷达、计算机层析成像、稀疏贝叶斯学习、方差成分扩张压缩、稀疏恢复
TN957.52
国家自然科学基金61171133;国家自然科学青年基金61101182;湖南省杰出青年基金11JJ1010资助课题
2014-07-23（万方平台首次上网日期，不代表论文的发表时间）
共7页
1525-1531
