模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

基于2D-SOONE算法的MIMO稀疏面阵二维成像

为了解决采用传统的1D-CS算法进行分维处理时丢失耦合信息导致越单元徙动、影响成像质量且运算时间长的问题,研究了接收阵元整行整列稀疏的MIMO面阵结构特性,分析了该稀疏面阵所接收回波信号的二维联合稀疏特性,采用2D-SOONE算法对回波信号进行二维联合重构,算法采用序列一阶负指数取代传统SL0算法的高斯函数,拓至二维并利用梯度投影求解,具有二维联合重构性能的同时提高重构精度。通过实验,仿真了该算法在不同阵列稀疏度、不同信噪比下用于MIMO稀疏面阵的成像效果。仿真结果表明,2D-SOONE抑制了传统的1D-CS算法的越单元徙动问题,减少了运算时间,且成像质量较2D-SL0更优。