SBL Based Multichannel Radar Forward Looking Superresolution Imaging Considering Off-Grid Error论文阅读

1. 研究目标与产业意义

1.1 研究目标

论文旨在解决多通道雷达前视成像中因离网格误差（Off-Grid Error）导致的超分辨率性能下降问题。传统超分辨率方法（如压缩感知、IAA等）假设目标严格位于预设成像网格上，而实际场景中目标位置可能偏离网格，导致网格失配（Grid Mismatch），进而引发虚假旁瓣和分辨率损失。论文通过稀疏贝叶斯学习（Sparse Bayesian Learning, SBL）框架，将离网格误差建模为等效噪声，并联合估计散射系数和噪声参数，从而实现更鲁棒的超分辨率成像。

1.2 实际问题与产业意义

• 实际问题：前视雷达在自主着陆、导航等领域需高分辨率成像，但受平台尺寸限制，多通道雷达的方位分辨率不足。传统方法因离网格误差难以满足实际需求。
• 产业意义：提升分辨率可增强雷达在复杂地形（如山区、城市）中的目标识别能力，推动自动驾驶、无人机导航等领域的可靠性和安全性。

---

2. 创新方法与模型

2.1 核心思路与数学模型

提出了一种基于稀疏贝叶斯学习（Sparse Bayesian Learning, SBL）的多通道雷达前视超分辨率成像方法，其核心创新在于将离网格误差（Off-Grid Error）建模为等效噪声，并通过贝叶斯框架联合估计散射系数与噪声参数。以下是具体建模步骤与公式解析：

---

2.1.1 信号模型与误差矩阵构建

原始信号模型（公式1-2）：
假设目标位于预设网格时，接收信号可表示为：
$$S{r}_m=\sum _{k=1}^N\left(e^{-j2\pi f_0{\tau }_{mk}}{\beta }_k\right)+n_m(1)$$
矩阵形式为：
$$S{r}_{M\times 1}=S_{M\times N}\cdot {\beta }_{N\times 1}+N_{M\times 1}(2)$$

离网格误差引入（公式3-4）：
当目标偏离网格时，实际时延 ${\hat{\tau }}_{mk}={\tau }_{mk}+d/c$（公式3），导致误差矩阵 $E=\hat{S}-S$。成像模型更新为：
$$Sr=S\beta +E\beta +N=S\beta +\hat{N}(4)$$
其中 $\hat{N}=E\beta +N$ 为等效噪声，包含离网格误差和原始噪声的混合效应。

---

2.1.2 稀疏贝叶斯学习框架

先验分布假设：

1. 散射系数 β \beta