基于縮放字典的回波信號參數估計方法
【專利摘要】本發明屬于雷達目標回波信號參數估計【技術領域】，公開了基于縮放字典的回波信號參數估計方法。該基于縮放字典的回波信號參數估計方法包括以下步驟：S1：針對回波信號模型中每個散射中心對應的所有未知參數，得出初始參數組合集{θ(1)}，利用參數組合集{θ(1)}形成字典A(θ(1))；設定迭代次數m=1；S2：根據A(θ(m))，通過進行第m次稀疏貝葉斯學習，得出新的參數組合集{θ'(m)}；S3：如果m與M相等，則轉到步驟S5；否則，將m值加1，轉到步驟S4；S4：針對參數組合集{θ'(m-1)}，通過精細化的方法得出新的參數組合集{θ(m)}；利用參數組合集{θ(m)}形成字典A(θ(m))，然后轉到步驟S2；S5：找出滿足設定條件的迭代次數m*；S6：利用K-means聚類方法對進行加權聚類。
【專利說明】基于縮放字典的回波信號參數估計方法
【技術領域】
[0001]本發明屬于雷達目標回波信號參數估計【技術領域】，特別涉及基于縮放字典的回波信號參數估計方法。
【背景技術】
[0002]當雷達對一個目標發射電磁信號時，電磁信號被目標截獲并返回至雷達。從雷達回波中獲取的信息可以反映目標的特點，而有些信息可以直接用回波信號模型中的參數來表示。因此，通過估計回波信號模型的參數，我們可以獲得目標的信息并對目標進行分析。比如，帶有未知白噪聲觀測數據的線譜估計被廣泛應用于合成孔徑雷達成像的目標特征提取；已知形狀的混疊信號的時延和幅度估計在雷達信號處理中也非常常見；目標微動引起的回波信號的頻率調制叫做微多普勒效應，通過對目標微多普勒參數的估計，我們可以得到目標的幾何形狀和尺寸；超分辨的逆合成孔徑雷達和合成孔徑雷達成像技術可以用來描述目標的散射幾何特性。
[0003]匹配濾波是最簡單的參數估計方法，它容易操作，被廣泛用于雷達信號處理。但是，匹配濾波的主要缺點就是會估計出許多虛假的參數，以及很難分辨離得很近的目標。RELAX是常用的參數估計方法之一，它通過最小化誤差能量估計出多成分的復正弦信號的幅度和頻率。壓縮感知(compressive sensing, CS)理論認為如果一個信號在某個字典下是稀疏的，那么它就能用少量的隨機投影觀測數據準確的重構出來。近年，因為擁有良好的超分辨和參數估計能力，壓縮感知被廣泛應用于雷達信號處理。通常有三種解決稀疏近似問題的計算方法:1)貪婪追蹤算法:這類方法通過每次迭代時選擇一個局部最優解來逐步逼近原始信號，這些算法包括匹配追蹤(matching pursuit, MP),正交匹配追蹤(orthogonal matching pursuit, 0MP)等等；2)凸松弛法:這類方法通過將非凸問題轉化為凸問題求解找到信號的逼近；3)貝葉斯框架:這類方法通過對未知參數假設一個先驗分布來得到參數的稀疏表達。
[0004]上面提到的方法通常利用盡可能覆蓋待估計參數的一組初始化參數，生成一個參數化的字典來實現參數估計。盡管它們能在一定程度上估計出回波中的參數，但是它們采用的是有限參數集生成的固定字典，而字典的冗余度(即參數的遍歷程度)直接影響到參數估計的準確度，也即構造字典的時候，參數的設置間隔是一個需要重點考慮的問題。如果初始參數的設置間隔太大，則很難找到最優的原子和相應的真實回波信號的參數；如果初始參數的設置間隔太小(即超完備字典)，參數估計的運算量會很大，而且并不一定能保證字典中包含真實參數對應的原子。
【發明內容】
[0005]本發明的目的在于提出基于縮放字典的回波信號參數估計方法。本發明提出了一種多層逼近的參數估計方法，即采用縮放字典的稀疏貝葉斯表達(sparse Bayesianrepresentation with zoom-dictionary, SBRZD)方法，能夠快速準確的估計出參數。[0006]為實現上述技術目的，本發明采用如下技術方案予以實現。
[0007]基于縮放字典的回波信號參數估計方法包括以下步驟包括以下步驟:
[0008]S1:利用雷達接收回波信號，設置回波信號模型中每個散射中心對應的第Y個未知參數的初始取值間隔Λ θY，GAMMA取I至C，C為回波信號模型中每個散射中心對應的未知參數的個數；針對回波信號模型中每個散射中心對應的所有未知參數，遍歷每個未知參數的取值，得出參數組合集{θω}，所述參數組合集{ Θ (1)}包括G個參數組合,所述G個參
數組合表示為至Θ=，利用參數組合集{Θ (1)}形成字典Α(θ (1));設定迭代次數m，m取1,2,3-;當111 取 I 時，設
【權利要求】
1.基于縮放字典的回波信號參數估計方法，其特征在于，包括以下步驟: 51:利用雷達接收回波信號，設置回波信號模型中每個散射中心對應的第Y個未知參數的初始取值間隔Λ θ gamma，Y取I至C，C為回波信號模型中每個散射中心對應的未知參數的個數，得出每個散射中心對應的第Y個未知參數的一些初始取值；針對回波信號模型中每個散射中心對應的所有未知參數，遍歷每個未知參數的取值，得出參數組合集{θ ω}，所述參數組合集{Θ (1)}包括G個參數組合，所述G個參數組合表示為利用參數組合集{ Θ (1)}形成字典Α( Θ⑴)；設定迭代次數m，m取1，2，3...;當m取I時，設Δ0Μ) = Αθ;/: 52:根據Α( θ w)，通過進行第m次稀疏貝葉斯學習，減少{ Θ ?}中參數組合的個數，得出新的參數組合集{Θ’w};得出第m次稀疏貝葉斯學習后的剩余能量Em; 53:如果m與設定的最大迭代次數M相等，則轉到步驟S5 ;否則，將m值加1，轉到步驟S4； S4:針對參數組合集{θ’0.-1)}，將每個散射中心對應的第gamma個未知參數的取值間隔Δθ(m-1)r替換為
2.如權利要求1所述的基于縮放字典的回波信號參數估計方法，其特征在于，在步驟SI中，利用雷達接收回波信號，回波信號模型s表示為:
S=D.g+ ε
其中，D=HfCr1),…，f (rk),…，f (rF) ], rk =[/;!，.?,r/], k 取 I 至 F, F 表示散射中心的個數；f (rk)表示第k個散射中心的參數化的回波信號模型；r/表示f(rk)中與第k個散射中心對應的第Y個未知參數;g=[g”…，gk，…，gF]T，gk是第k個散射中心的回波信號的未知幅度；ε表不噪聲； 通過先驗知識得出與任一散射中心對應的第Y個未知參數rY的取值范圍，設置rY的取值間隔為Λ θ gamma，根據P的取值范圍以及Λ θ gamma，確定P多個初始取值； 遍歷結合C個未知參數的初始取值，得出參數組合集{ Θ⑴}；
3.如權利要求2所述的基于縮放字典的回波信號參數估計方法，其特征在于，在步驟S2中，將回波信號模型s改寫為如下形式:
S=A( Θ (m)) X (w(m) O zw)+ ε (m) 其中，Θ表示Hadamard積；ww為回波信號在字典Α( θ (m))的系數矢量；zw為列向量，其元素個數為{θω}中參數組合的個數，z(m)中的每個元素取O或I ; ε (m)為進行第m次稀疏貝葉斯學習時設定的噪聲； 在進行第m次稀疏貝葉斯學習，采用變分貝葉斯方法從Α(θ w)中選擇出一個或幾個原子；在參數組合集{ Θ w}中，將與Α( Θ ?)中選擇出的每個原子對應的參數組合保留，將其他參數組合去掉，得出參數組合集{ Θ ’ w};在^)中，將與Α( Θ ?)中選擇出的每個原子對應的元素保留，將其他元素去掉，得出回波信號在字典Α( Θ ’ ?)的系數矢量w’ ω。
4.如權利要求3所述的基于縮放字典的回波信號參數估計方法，其特征在于，在步驟S6中，當散射中心的個數F已知時，利用K-means聚類方法對中的所有參數組合進行聚類，聚為F類；從系數矢量胃^中找出與聚為第k類的參數組合對應的系數；利用聚為第k類的參數組合和對應的系數，進行加權求和，得到對應的加權后參數組合；再重新估計加權聚類后每個參數組合對應的系數； 當散射中心的個數F未知時，將散射中心個數從I開始進行從小到大的遍歷嘗試，直到滿足第一終止條件或第二終止條件，則F為散射中心個數的當前取值；所述第一終止條件`為:Etl <Em,,其中，Ea為由加權聚類后的參數組合和對應的系數得到的剩余能量；第二終止條件為:^>￡^且￡；—
【文檔編號】G01S7/41GK103885050SQ201410106046
【公開日】2014年6月25日 申請日期:2014年3月20日 優先權日:2014年3月20日
【發明者】劉宏偉, 徐丹蕾, 杜蘭, 王鵬輝 申請人:西安電子科技大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
