[发明专利]基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法

摘要

本发明公开了一种基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法。针对分布在同一地点的多部雷达的多频段散射场数据，采用几何绕射理论对数据进行建模，将雷达数据融合问题转化为稀疏表示问题，并利用快速稀疏贝叶斯学习算法求解稀疏表示问题。先对不同雷达的子频带数据进行外推，获得重叠频段数据，然后根据重叠频段数据对不同雷达子频带数据进行相干配准，最后利用相干配准后的子频带数据进行频带外推内插，从而获取超宽带数据，提高雷达的距离向分辨率。

主权项

1.一种基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法，其特征在于步骤如下：第一步，设待融合的全频带雷达回波数据为E=[E(f₀),…,E(f_q),…,E(f_Q-1)]^T，其中，f_q＝f₀+qΔf是第q个频点，一共有Q个频点的雷达回波数据，q＝0,1,…,Q-1，f₀是初始频率，Δf是扫频间隔，E(f_q)是频率为f_q时的雷达回波数据，假设雷达一获取的数据为全频带数据中的子带雷达二获取的数据为全频带数据中的子带0＜N₁＜N₂＜N₃＜N₄＜Q，雷达一的数据称为低频段数据，雷达二的数据称为高频段数据；第二步，根据几何绕射理论，待融合的全频带雷达回波数据表示为K代表散射中心个数，σ_k、r_k、α_k表示第k个散射中心的复幅度、距离和几何类型；构造一个全频带的字典矩阵其中d＝0,1,2,…,D-1，字典矩阵的每一列称为一个原子，一共有5D个原子，1/D代表该字典的分辨率；第三步，利用低频段数据和其在Ψ中的原子构造一个矩阵方程E₁=Ψ₁σ₁，Ψ₁=[Ψ]_i,j，i＝N₁+1,N₁+2,…,N₂，j＝1,2,…,5D，利用快速稀疏贝叶斯学习算法求解该矩阵方程得到σ₁；第四步，利用第三步得到的σ₁对低频段数据进行外推，得到其中Ψ₁′=[Ψ]_i,j,i＝N₂,…,N₃-1,j＝1,…,5D；第五步，利用高频段数据和其在Ψ中的原子构造一个矩阵方程E₂=Ψ₂σ₂，Ψ₂=[Ψ]_i,j，i＝N₃+1,N₃+2,…,N₄，j＝1,2,…,5D，利用快速稀疏贝叶斯学习算法求解该矩阵方程得到σ₂；第六步，利用第五步得到的σ₂对高频段数据进行外推，得到其中Ψ′₂=[Ψ]_i,j,i＝N₂,…,N₃-1,j＝1,…,5D；第七步，利用第四步和第六步得到的低频段外推数据E₁′和高频段外推数据E′₂，雷达一和雷达二的回波数据通过求解以下优化问题进行相干配准：J=minΣn=N2N3-1|E2(fn)-ZE1(fn)ej2πd0D′n|,]]>其中Z代表固定相移，ej2πd0D′n]]>代表线性相移；第八步，利用相干配准后的低频段数据、原始高频段数据和它们在Ψ中对应的原子构造一个矩阵方程E′=Ψ′σ，其中E′=[E(fN1),...,E(fN2-1),E(fN3)...,E(fN4-1)]T,Ψ′=Ψ1Ψ2,]]>利用快速稀疏贝叶斯学习算法求解该矩阵方程得到σ，则融合得到的全频带数据为E′=Ψσ。