摘要
逆合成孔径雷达(InverseSyntheticApertureRadar，ISAR)作为一种能对各类运动目标进行全天时、全天候成像的信息感知装备，在众多领域具有重要的应用价值。经过半个世纪的发展，ISAR成像基础理论已经比较成熟。然而，近年来随着观测目标和电磁环境日益复杂，各类目标探测任务对ISAR成像分辨率的要求越来越高。在ISAR高分辨成像领域尚有很多问题亟需解决。首先，尽管基于稀疏贝叶斯学习(SparseBayesianLearning，SBL)的ISAR高分辨成像方法具有良好的成像性能，但是这类算法具有非常高的计算复杂度，难以实时成像且现有的快速算法在分辨率越高的情况下收敛性能越差。其次，新体制的多通道ISAR(多基ISAR、分布式ISAR)高分辨成像中不同雷达节点观测角度不连续时，图像会出现旁瓣升高、主瓣分裂的现象。同时，多通道ISAR不同雷达节点之间频率源失配引起的频率误差会导致图像产生散焦及虚假像。此外，尽管干涉ISAR（InterferometricISAR，InISAR）三维图像能提供更丰富的目标信息，但是有限脉冲或稀疏孔径情况下稳健的快速三维重建仍然是InISAR成像中一个具有挑战性的问题。上述问题是目前ISAR成像领域迫切需要解决的难题，因此本文根据ISAR技术的发展趋势和实际应用的需要，针对基于SBL的ISAR高分辨成像、多通道ISAR观测角度不连续情况下的高分辨成像、多通道ISAR频率误差校正和稳健的快速三维成像算法等问题进行了深入的研究。本文的主要工作和创新可以总结为如下四个部分: 第一部分针对基于SBL的ISAR高分辨成像算法计算复杂度高，难以实时成像，且SBL的快速实现方法近似消息传递(ApproximateMessagePassing，AMP)在ISAR图像高分辨情况下无法保证收敛的问题，提出了一种基于酉变换近似消息传递（ApproximateMessagePassingWithUnitaryTransformation，UTAMP）的结构配对快速ISAR高分辨成像算法。首先将ISAR成像的多测量矢量(MultipleMeasurementVector，MMV)压缩感知(CompressiveSensing，CS)模型转化为稀疏贝叶斯模型，并且将联合概率密度函数建模为因子图模型。然后，为了降低SBL算法的复杂度且保持良好的收敛性能，提出了一种求解MMVCS问题的UTAMP算法，通过在因子图上执行消息传递求解稀疏信号;同时，为了利用ISAR图像的稀疏结构信息，将稀疏结构学习引入了UTAMP并设计了一种稀疏结构学习规则;此外，提出了一种有效的特殊元素判别及其超参数更新规则来解决ISAR图像中一些特殊元素的稀疏结构学习问题。与SBL及AMP-SBL算法相比，所提算法不仅极大地降低了算法的计算复杂度而且具有良好的收敛性能。 第二部分针对多基ISAR成像中不同雷达观测角度不连续时相干融合成像结果的图像畸变问题，首先通过数学推导分析了观测角度不连续时出现图像畸变现象的根本原因。在对图像畸变进行理论分析的基础上，提出了一种基于CS的多基ISAR回波预处理方法。所提方法将角度上有空缺的融合信号作为观测信号建立了有空缺融合信号与无空缺融合信号之间的数学关系。基于所建立的数学关系，构造测量矩阵后用CS算法反解出无角度空缺的融合信号，再利用反解出的无角度空缺融合信号进行成像。最后，仿真实验验证了所提方法可以显著消除图像畸变现象。 第三部分针对多基ISAR中由于频率源失配引起的线性时变频率误差和固定频率误差导致成像质量下降的问题，研究了这两种频率误差对融合成像的影响并提出了校正方法。首先，根据线性时变频率误差越小图像熵越小的关系，提出了基于最小熵原理的线性时变频率误差校正方法，建立了图像熵与线性时变频率误差系数之间的函数关系，然后寻找使图像熵最小的线性频率误差系数并用该系数校正存在线性时变频率误差的信号。此外，考虑到最小熵方法对噪声比较敏感，根据线性时变频率误差越小图像对比度越大的原理，提出了基于最大对比度原理的稳健的线性时变频率误差校正方法，并将粒子群算法引入了所提最大对比度方法中，使其具有比最小熵方法更高的计算效率。最后，针对固定频率误差导致多基ISAR相干融合成像结果产生虚假像的现象，分析了固定频率误差对多基ISAR融合成像的影响，并基于不同通道回波信号相位之间的关系设计了一种固定频率误差校正方案。 第四部分研究了快速且精确的InISAR三维成像方法。现有的基于SBL的InISAR三维成像算法计算复杂度普遍较高，此外利用不同通道联合稀疏性的SBL算法存在模型与实际情况失配以及对噪声不稳健等问题。针对这些问题，首先建立了三天线InISAR成像的第二类联合稀疏恢复模型（Type-2JointSparseModel，JSM-2），并将联合概率密度函数建模成因子图模型，然后提出了一种基于UTAMP的两层MMV形式的联合稀疏恢复算法（UTAMP-JointSparseRecovery，UTAMP-JSR）来重建三个通道的二维ISAR图像。不同通道之间构成外层MMV利用联合稀疏性提升图像恢复性能，每个通道内部构成内层MMV独立学习噪声参数。与现有算法相比，所提算法具有更低的计算复杂度、更好的稳健性且适用于各个通道噪声不同的情况。
NETL