雷达成像近似二维模型及其超分辨算法
式(4)与式(3)相比较,指数中增加了两项,其中前一项是“多普勒移动”项,纵坐标yk越大,影响也越大,这可以补充式(3)之不足;而后项是时频耦合的多普勒移动项,由于Mγ/Fsfc,它的影响可以忽略.因此,可将考虑MTRC情况下,回波二维模型的一阶近似式写成:
(5)
需要指出,每个散射点的参数之间存在下述关系:ωk/μk=2γ/Fsfcδθ2和k/vk=fcFs/γδθ.由于雷达参数(fc,γ,Fs)和运动参数(δθ)均已知,所以待估计的五个参数中只有三个是独立的.本文假设五个参数是独立的,而在成像计算中已考虑参数之间的关系.
设{ξk}Kk=1≡{αk,ωk,k,μk,vk}Kk=1,现在我们要从y(m,n)中估计参量{ξk}Kk=1.
三、二维推广的RELAX算法
对于(5)式所示的信号模型,令:
Y=[y(m,n)]M×N
则 (6)
式中
设ξk估计值为,则ξk的估计问题可通过优化下述代价函数解决:
(7)
式中‖.‖F表示矩阵的Frobenius范数,⊙表示矩阵的Hadamard积.
上式中C1的最优化是一个多维空间的寻优问题,十分复杂.本文将RELAX[3]算法推广以求解.为此,首先做以下准备工作,令:
(8)
即假定{i}i=1,2,…,K,i≠k已经求出,则式(7)C1的极小化等效于下式的极小化:
C2(ξk)=‖Yk-αk(aM(ωk)bTN(k)Pk)⊙Dk(vk)‖2F (9)
令: Zk=YkP-1k⊙Dk(-vk) (10)
由于Pk为酉矩阵,矩阵Dk的每个元素的模|Dk(m,n)|=1,显然矩阵Yk与Zk的F范数相同,故C2的极小化等效于下式的极小化:
C3=‖Zk-αkaM(ωk)bTN(k)‖2F (11)
对上式关于αk求极小值就获得αk的估计值k:
k=aHM(ωk)Zkb*N(
k)/(MN) (12)
评论