基于缩放字典的回波信号参数估计方法
【专利摘要】本发明属于雷达目标回波信号参数估计【技术领域】，公开了基于缩放字典的回波信号参数估计方法。该基于缩放字典的回波信号参数估计方法包括以下步骤：S1：针对回波信号模型中每个散射中心对应的所有未知参数，得出初始参数组合集{θ(1)}，利用参数组合集{θ(1)}形成字典A(θ(1))；设定迭代次数m=1；S2：根据A(θ(m))，通过进行第m次稀疏贝叶斯学习，得出新的参数组合集{θ'(m)}；S3：如果m与M相等，则转到步骤S5；否则，将m值加1，转到步骤S4；S4：针对参数组合集{θ'(m-1)}，通过精细化的方法得出新的参数组合集{θ(m)}；利用参数组合集{θ(m)}形成字典A(θ(m))，然后转到步骤S2；S5：找出满足设定条件的迭代次数m*；S6：利用K-means聚类方法对进行加权聚类。
【专利说明】基于缩放字典的回波信号参数估计方法
【技术领域】
[0001]本发明属于雷达目标回波信号参数估计【技术领域】，特别涉及基于缩放字典的回波信号参数估计方法。
【背景技术】
[0002]当雷达对一个目标发射电磁信号时，电磁信号被目标截获并返回至雷达。从雷达回波中获取的信息可以反映目标的特点，而有些信息可以直接用回波信号模型中的参数来表示。因此，通过估计回波信号模型的参数，我们可以获得目标的信息并对目标进行分析。比如，带有未知白噪声观测数据的线谱估计被广泛应用于合成孔径雷达成像的目标特征提�。灰阎巫吹幕斓藕诺氖毖雍头裙兰圃诶状镄藕糯碇幸卜浅３＜荒勘晡⒍鸬幕夭ㄐ藕诺钠德实髦平凶鑫⒍嗥绽招вΓü阅勘晡⒍嗥绽詹问墓兰疲颐强梢缘玫侥勘甑募负涡巫春统叽纾怀直娴哪婧铣煽拙独状锖秃铣煽拙独状锍上窦际蹩梢杂美疵枋瞿勘甑纳⑸浼负翁匦�。
[0003]匹配滤波是最简单的参数估计方法，它容易操作，被广泛用于雷达信号处理。但是，匹配滤波的主要缺点就是会估计出许多虚假的参数，以及很难分辨离得很近的目标。RELAX是常用的参数估计方法之一，它通过最小化误差能量估计出多成分的复正弦信号的幅度和频率。压缩感知(compressive sensing, CS)理论认为如果一个信号在某个字典下是稀疏的，那么它就能用少量的随机投影观测数据准确的重构出来。近年，因为拥有良好的超分辨和参数估计能力，压缩感知被广泛应用于雷达信号处理。通常有三种解决稀疏近似问题的计算方法:1)贪婪追踪算法:这类方法通过每次迭代时选择一个局部最优解来逐步逼近原始信号，这些算法包括匹配追踪(matching pursuit, MP),正交匹配追踪(orthogonal matching pursuit, 0MP)等等；2)凸松弛法:这类方法通过将非凸问题转化为凸问题求解找到信号的逼近；3)贝叶斯框架:这类方法通过对未知参数假设一个先验分布来得到参数的稀疏表达。
[0004]上面提到的方法通常利用尽可能覆盖待估计参数的一组初始化参数，生成一个参数化的字典来实现参数估计。尽管它们能在一定程度上估计出回波中的参数，但是它们采用的是有限参数集生成的固定字典，而字典的冗余度(即参数的遍历程度)直接影响到参数估计的准确度，也即构造字典的时候，参数的设置间隔是一个需要重点考虑的问题。如果初始参数的设置间隔太大，则很难找到最优的原子和相应的真实回波信号的参数；如果初始参数的设置间隔太小(即超完备字典)，参数估计的运算量会很大，而且并不一定能保证字典中包含真实参数对应的原子。
【发明内容】
[0005]本发明的目的在于提出基于缩放字典的回波信号参数估计方法。本发明提出了一种多层逼近的参数估计方法，即采用缩放字典的稀疏贝叶斯表达(sparse Bayesianrepresentation with zoom-dictionary, SBRZD)方法，能够快速准确的估计出参数。[0006]为实现上述技术目的，本发明采用如下技术方案予以实现。
[0007]基于缩放字典的回波信号参数估计方法包括以下步骤包括以下步骤:
[0008]S1:利用雷达接收回波信号，设置回波信号模型中每个散射中心对应的第Y个未知参数的初始取值间隔Λ θY，GAMMA取I至C，C为回波信号模型中每个散射中心对应的未知参数的个数；针对回波信号模型中每个散射中心对应的所有未知参数，遍历每个未知参数的取值，得出参数组合集{θω}，所述参数组合集{ Θ (1)}包括G个参数组合,所述G个参
数组合表示为至Θ=，利用参数组合集{Θ (1)}形成字典Α(θ (1));设定迭代次数m，m取1,2,3-;当111 取 I 时，设
【权利要求】
1.基于缩放字典的回波信号参数估计方法，其特征在于，包括以下步骤: 51:利用雷达接收回波信号，设置回波信号模型中每个散射中心对应的第Y个未知参数的初始取值间隔Λ θ gamma，Y取I至C，C为回波信号模型中每个散射中心对应的未知参数的个数，得出每个散射中心对应的第Y个未知参数的一些初始取值；针对回波信号模型中每个散射中心对应的所有未知参数，遍历每个未知参数的取值，得出参数组合集{θ ω}，所述参数组合集{Θ (1)}包括G个参数组合，所述G个参数组合表示为利用参数组合集{ Θ (1)}形成字典Α( Θ⑴)；设定迭代次数m，m取1，2，3...;当m取I时，设Δ0Μ) = Αθ;/: 52:根据Α( θ w)，通过进行第m次稀疏贝叶斯学习，减少{ Θ ?}中参数组合的个数，得出新的参数组合集{Θ’w};得出第m次稀疏贝叶斯学习后的剩余能量Em; 53:如果m与设定的最大迭代次数M相等，则转到步骤S5 ;否则，将m值加1，转到步骤S4； S4:针对参数组合集{θ’0.-1)}，将每个散射中心对应的第gamma个未知参数的取值间隔Δθ(m-1)r替换为
2.如权利要求1所述的基于缩放字典的回波信号参数估计方法，其特征在于，在步骤SI中，利用雷达接收回波信号，回波信号模型s表示为:
S=D.g+ ε
其中，D=HfCr1),…，f (rk),…，f (rF) ], rk =[/;!，.?,r/], k 取 I 至 F, F 表示散射中心的个数；f (rk)表示第k个散射中心的参数化的回波信号模型；r/表示f(rk)中与第k个散射中心对应的第Y个未知参数;g=[g”…，gk，…，gF]T，gk是第k个散射中心的回波信号的未知幅度；ε表不噪声； 通过先验知识得出与任一散射中心对应的第Y个未知参数rY的取值范围，设置rY的取值间隔为Λ θ gamma，根据P的取值范围以及Λ θ gamma，确定P多个初始取值； 遍历结合C个未知参数的初始取值，得出参数组合集{ Θ⑴}；
3.如权利要求2所述的基于缩放字典的回波信号参数估计方法，其特征在于，在步骤S2中，将回波信号模型s改写为如下形式:
S=A( Θ (m)) X (w(m) O zw)+ ε (m) 其中，Θ表示Hadamard积；ww为回波信号在字典Α( θ (m))的系数矢量；zw为列向量，其元素个数为{θω}中参数组合的个数，z(m)中的每个元素取O或I ; ε (m)为进行第m次稀疏贝叶斯学习时设定的噪声； 在进行第m次稀疏贝叶斯学习，采用变分贝叶斯方法从Α(θ w)中选择出一个或几个原子；在参数组合集{ Θ w}中，将与Α( Θ ?)中选择出的每个原子对应的参数组合保留，将其他参数组合去掉，得出参数组合集{ Θ ’ w};在^)中，将与Α( Θ ?)中选择出的每个原子对应的元素保留，将其他元素去掉，得出回波信号在字典Α( Θ ’ ?)的系数矢量w’ ω。
4.如权利要求3所述的基于缩放字典的回波信号参数估计方法，其特征在于，在步骤S6中，当散射中心的个数F已知时，利用K-means聚类方法对中的所有参数组合进行聚类，聚为F类；从系数矢量胃^中找出与聚为第k类的参数组合对应的系数；利用聚为第k类的参数组合和对应的系数，进行加权求和，得到对应的加权后参数组合；再重新估计加权聚类后每个参数组合对应的系数； 当散射中心的个数F未知时，将散射中心个数从I开始进行从小到大的遍历尝试，直到满足第一终止条件或第二终止条件，则F为散射中心个数的当前取值；所述第一终止条件`为:Etl <Em,,其中，Ea为由加权聚类后的参数组合和对应的系数得到的剩余能量；第二终止条件为:^>￡^且￡；—
【文档编号】G01S7/41GK103885050SQ201410106046
【公开日】2014年6月25日 申请日期:2014年3月20日 优先权日:2014年3月20日
【发明者】刘宏伟, 徐丹蕾, 杜兰, 王鹏辉 申请人:西安电子科技大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
