高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于稀疏贝叶斯学习的无源雷达高分辨成像

王天云 于小飞 陈卫东 丁丽 陈畅

王天云, 于小飞, 陈卫东, 丁丽, 陈畅. 基于稀疏贝叶斯学习的无源雷达高分辨成像[J]. 电子与信息学报, 2015, 37(5): 1023-1030. doi: 10.11999/JEIT140899
引用本文: 王天云, 于小飞, 陈卫东, 丁丽, 陈畅. 基于稀疏贝叶斯学习的无源雷达高分辨成像[J]. 电子与信息学报, 2015, 37(5): 1023-1030. doi: 10.11999/JEIT140899
Wang Tian-Yun, Yu Xiao-Fei, Chen Wei-Dong, Ding Li, Chen Chang. High-resolution Imaging of Passive Radar Based on Sparse Bayesian Learning[J]. Journal of Electronics & Information Technology, 2015, 37(5): 1023-1030. doi: 10.11999/JEIT140899
Citation: Wang Tian-Yun, Yu Xiao-Fei, Chen Wei-Dong, Ding Li, Chen Chang. High-resolution Imaging of Passive Radar Based on Sparse Bayesian Learning[J]. Journal of Electronics & Information Technology, 2015, 37(5): 1023-1030. doi: 10.11999/JEIT140899

基于稀疏贝叶斯学习的无源雷达高分辨成像

doi: 10.11999/JEIT140899
基金项目: 

国家自然科学基金(6117255, 61401140)和国家863计划项目(2012AA122903)资助课题

High-resolution Imaging of Passive Radar Based on Sparse Bayesian Learning

  • 摘要: 针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。
  • 加载中
计量
  • 文章访问数:  1879
  • HTML全文浏览量:  208
  • PDF下载量:  664
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-07-09
  • 修回日期:  2014-10-17
  • 刊出日期:  2015-05-19

目录

    /

    返回文章
    返回