Sea-Surface Target Angular Superresolution in Forward-Looking Radar Imaging Based on Maximum A Posteriori Algorithm
1. 研究目标与实际问题
1.1 研究目标
论文旨在解决前视雷达（Forward-Looking Radar, FLR）在海面目标成像中的低角度分辨率问题。传统雷达技术（如合成孔径雷达SAR）无法实现前视成像，而扫描雷达的角分辨率受限于天线波束宽度。论文提出了一种基于最大后验概率（Maximum A Posteriori, MAP）的瑞利稀疏最大后验（RSMAP）算法，通过结合海杂波的瑞利分布特性和目标的稀疏先验，显著提升海面低速/静态目标的角分辨率。
1.2 实际问题与产业意义
- 实际挑战：海杂波分布复杂，传统基于地面目标设计的超分辨方法（如IAA、GGMAP）在海洋场景中会放大杂波甚至掩盖真实目标。
- 产业意义：提升前视雷达在船舶监控、海上搜救和海洋污染监测中的应用能力，尤其是在全天候、复杂海况下的目标检测精度。
2. 创新方法与模型
2.1 核心思路
论文提出RSMAP算法，其核心在于：
- 瑞利分布建模：海杂波的幅度特性由瑞利分布描述，作为似然函数。
- 稀疏先验约束：目标散射系数的稀疏性通过拉普拉斯分布建模，作为先验信息。
- 贝叶斯框架下的MAP估计：联合优化似然函数与先验约束，形成凸优化问题。
2.2 关键公式与推导
2.2.1 信号模型
前视雷达的接收信号可表示为卷积模型：
∣ s ∣ ( r , θ ) = ∑ k = 1 K σ k δ ( r − r 0 , θ − θ k ) ⊗ ∣ h ∣ ( r , θ ) |s|(r,\theta)=\sum_{k=1}^{K}\sigma_{k}\delta\left(r-r_{0},\theta-\theta_{k}\right)\otimes|h|(r,\theta) ∣s∣(r,θ)=k=1∑Kσkδ(r−r0,θ−θk)⊗∣h∣(r,θ)
其中， ⊗ \otimes ⊗为卷积操作， ∣ h ∣ |h| ∣h∣为天线方向图函数。
2.2.2 贝叶斯框架
通过MAP准则构建目标函数：
x ^ = arg min x [ − ln ( p ( s / x ) ) − ln ( p ( x ) ) ] \hat{x}=\arg\min_{x}\left[-\ln\left(p\left(s/x\right)\right)-\ln\left(p\left(x\right)\right)\right] x^=argxmin[−ln(p(s/x))−ln(p(x))]
- 瑞利似然函数：
p ( s / x ) = ∏ n = 1 L N ( s n − ( A x ) n ) σ 2 e ( − ( s n − ( A x ) n ) 2
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
