双层稀疏贝叶斯学习ISAR超分辨成像算法

传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征,易使得成像结果过稀疏而容易丢失部分弱散射的结构特征,进而影响逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像精度提升。为实现高精度ISAR超分辨成像,本文采用伯努利-拉普拉斯混合稀疏先验对目标统计特性进行概率建模,利用双层稀疏对目标先验进行统计约束,从而有效模拟目标散射场统计先验。并在贝叶斯层级模型下,通过引入隐变量建模的方式对先验进行分层构建,在解决先验分布与高斯似然函数不共轭问题的同时简化贝叶斯推断,降低模型复杂度。为避免繁琐的手动参数调整,实现超参数的自调节,本文对各随机变量建立条件概率依赖模型,并利用马尔可夫链蒙特卡罗随机模拟估计算法解决高维积分和后验分布难以求解的问题,实现相关超参数的统计估计,提升算法自学习能力。仿真和实测数据均证明本文所提方法具有有效性和优越性。     

雷达鸟类目标微多普勒贝叶斯增强算法

针对传统恒虚警率(constant false-alarm rate, CFAR)方法难以探测鸟类目标的问题,提出一种基于时频(time-frequency, TF)域鸟类目标微多普勒贝叶斯增强算法。首先,以鸟类目标扑翼模型为基础,建立雷达回波信号及微多普勒模型。其次,考虑短时傅里叶变换(short-time Fourier transform, STFT),对回波信号进行时频分析。针对STFT加窗操作影响分辨率及其对杂波敏感的问题,引入广义高斯分布对先验自适应建模,在贝叶斯推理方式下实现时频域微多普勒特征增强。考虑到目标非多普勒特征非平滑,后验分布计算困难,提出用近端未调整朗之万算法(proximal unadjusted Langevin algorithm, P-ULA)进行高效求解。仿真及实测实验数据表明,所提算法不仅能够有效抑制背景噪声,而且可以在一定程度上保留微多普勒特征的连续性。     

基于非监督贝叶斯学习雷达性能指标动态评估

针对传统雷达性能指标评估方法相对"机械"、缺乏理论约束,需要多次重复实验,导致评估效率较低,评估成本较高等问题,提出基于非监督贝叶斯学习方法的雷达性能指标动态评估算法,在一定雷达探测目标先验假设下,结合典型回波观测数据模型,建立雷达性能指标后验概率模型.考虑到先验知识与观测数据可能存在的非共轭特性,针对先验概率模型建立...