买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种重尾噪声环境下的扫描雷达目标轮廓重建方法，首先建立回波信号模型，为了有效抑制重尾噪声影响，在最小绝对收缩和选择算子中引入最小绝对偏差约束准则建立目标函数；其次，基于协方差拟合准则，分别构造信号和噪声加权矩阵将该问题等价转化，实现最优正则化参数选取，然后，在稀疏模型的基础上引入全变分约束，通过调整全变分约束的权重可以更好地实现角分辨率和目标轮廓恢复的均衡，采用凸优化求解包对凸优化问题进行求解。与现有方法相比，该方法在重尾噪声环境下不仅具有较高的角分辨率，同时具有良好的重建目标轮廓的能力。

主权项：1.一种重尾噪声环境下的扫描雷达目标轮廓重建方法，包括如下步骤：步骤一：建立扫描雷达回波模型根据机载扫描雷达的运动几何模型，雷达发射线性调频信号后，在接收端经下变频、脉冲压缩和距离徙动校正后，方位向回波可以表示为如下线性回归模型：y＝As+n1其中，是接收的方位向回波向量，表示M维的复值列矢量，是由机扫天线方向图函数构成的卷积矩阵，表示K维复值目标源信号，是加性噪声。表示复数域，M、N、K表示采样点数；步骤二：引入最小绝对偏差约束准则构建目标函数基于式1，将目标轮廓重建问题转换为最小绝对收缩和选择算子形式的稀疏优化问题，表达式如下： 其中，表示目标源信号的估计值，λ表示目标分布稀疏权重值参数；考虑到最小绝对偏差LAD相较最小二乘能获得更稳健的参数求解结果，因此将最小绝对偏差与最小绝对值收缩和选择算子相结合，在最小偏差损失函数的基础上添加L1范数稀疏约束，则式2所示的稀疏优化问题可转化为如下问题： 步骤三：最优正则化参数选取采用基于协方差拟合准则的方法来形成稀疏，通过引入加权矩阵Ws和Wn对式3进一步处理，得到如下稀疏优化模型： 其中，Ws表示信号的加权矩阵，Wn表示噪声的加权矩阵，具体如下：Ws＝diag[w1,w2,...,wK]Wn＝diag[wK+1,wK+2,...,wK+M]5其中，diagwk表示以wk为对角元素的对角矩阵。令A＝[a1,a2,...,aK]，同时定义： 步骤四：选取全变分范数作为约束项构造目标函数选取全变分范数作为约束项，将目标函数改进为： 其中，γ|Ds|是全变差正则化项，γ是目标轮廓保真权重值参数，通过对其调整能更好地恢复目标轮廓信息，为差分矩阵 步骤五：代价函数求解，对式7所示的非平滑凸函数进行迭代优化求解，得到目标场景的重建结果。

全文数据：

权利要求：

百度查询： 电子科技大学长三角研究院(衢州) 重尾噪声环境下的扫描雷达目标轮廓重建方法