基于聚类求解TVAR模型的目标微多普勒分析

现有时频分析方法对目标进行微多普勒分析时的时频分辨率不足。针对该问题，提出了基于聚类先验求解前后向时变自回归(time-varying autoregressive, TVAR)模型的时频分析算法，来进行空间锥体目标的微多普勒分析。使用基于扩展块稀疏贝叶斯学习(extended block sparse Bayesian learning, EBSBL)的改进算法对TVAR模型的时不变块稀疏系数采用了聚类结构的先验，通过适当处理邻域的超参数来促进相邻稀疏系数之间的相关性，并结合刚体目标的时不变块稀疏系数的块边界已知的先验信息来求解时不变系数。电磁仿真和实测数据实验结果表明，所提算法在微多普勒分析时能够得到较传统方法更高的时频分辨率，时频聚集性更高，并且抗噪声性能较好。