阅读说明：本技术 基于稀疏估计的mimo雷达成像方法 (MIMO radar imaging method based on sparse estimation ) 是由 王敏 邓晓云 丁杰如 于 2020-08-29 设计创作，主要内容包括：本发明公开了一种基于稀疏估计的MIMO雷达成像方法,解决了稀疏度未知时,影响成像精度的问题,以及解决了现有技术运算量大的问题。实现包括：建立MIMO雷达成像模型,获取MIMO雷达回波数据；对测量矩阵Φ进行预处理,将测量矩阵均匀分为多个子通道,对每个子通道预判,获得预处理后的测量矩阵；结合稀疏度恢复算法SAMP或SBL算法,完成基于稀疏估计的MIMO雷达成像。本发明对测量矩阵进行预处理,将不含信号的子通道测量矩阵置零,减小噪声影响。本发明将测量矩阵预处理与SAMP或SBL算法相结合,提高稀疏恢复的准确度,降低了成像误差,使在稀疏恢复过程中运算复杂度降低,提高运算速度。仿真和实验证明了本发明成像精度高,运行量低。用于MIMO雷达成像。(The invention discloses a sparse estimation-based MIMO radar imaging method, which solves the problem that imaging precision is influenced when sparsity is unknown and solves the problem of large operation amount in the prior art. The implementation comprises the following steps: establishing an MIMO radar imaging model, and acquiring MIMO radar echo data; preprocessing a measurement matrix phi, uniformly dividing the measurement matrix into a plurality of sub-channels, and prejudging each sub-channel to obtain a preprocessed measurement matrix; and combining a sparsity recovery algorithm SAMP or SBL algorithm to complete MIMO radar imaging based on sparse estimation. The invention preprocesses the measuring matrix, sets the measuring matrix of the sub-channel without signals to zero, and reduces the noise influence. According to the invention, the measurement matrix pretreatment is combined with the SAMP or SBL algorithm, so that the accuracy of sparse recovery is improved, the imaging error is reduced, the operation complexity in the sparse recovery process is reduced, and the operation speed is improved. Simulation and experiment prove that the invention has high imaging precision and low running amount. The method is used for MIMO radar imaging.)

基于稀疏估计的MIMO雷达成像方法

技术领域

本发明涉及雷达技术领域，主要涉及MIMO雷达成像，具体是一种基于稀疏度估计的MIMO雷达成像方法。应用于雷达成像。

背景技术

新型雷达体制的多输入多输出(MIMO)雷达，在成像上具有高分辨和实时性的显著优点，因此关于MIMO雷达成像的研究也不断提出。韩兴斌等从空间谱采样的角度分析了基于MIMO体制的分布式多通道雷达成像问题。国防科技大学王怀军等人较为全面地研究了MIMO雷达成像算法，对经典的反向投影算法，距离偏移算法等加以改进后应用与MIMO雷达成像，并进行了原理性验证，并提出了融合成像处理算法，克服了MIMO雷达成像频谱缺失的问题。经典BP算法由于不受阵列形式的限制和不存在平面波近似而得到最为广泛的应用，且成像精度最高，但缺陷在于对深度视角场景成像时运算量巨大，限制了成像系统的实时性。迭代自适应方法(IAA)和迭代最小化稀疏学习(SLIM)由于二者在雷达成像中具有超高分辨率的优势，被引入MIMO雷达成像中。但这两种算法被证明同样存在计算量大的缺陷，与时域成像算法一样，不易在实际中应用。高计算量成为制约MIMO雷达成像发展的主要原因，急待解决。现有压缩感知算法，如贪婪算法虽然具有计算复杂度较低的优点，但需要将稀疏度作为已知条件，而在实际中稀疏度不易获取，工程应用性差。在实际应用中使用贪婪算法时，若稀疏度未知时，影响成像准确度，并且贪婪算法对噪声敏感，增加对雷达成像干扰，上述问题均对MIMO雷达成像效果有一定的影响。

发明内容

本发明的目的是针对上述的现有技术的不足和缺陷，提出一种估计准确度更高的基于稀疏估计的MIMO雷达成像方法，其特征在于，包括有以下步骤：

步骤一：建立MIMO雷达成像模型：在直角坐标系中，坐标原点为Q，MIMO雷达成像中心由O点表示，发射和接收阵元分别表示为R_Tx,m和R_Rx,n分别表示第M个发射阵元和第N个接收阵元到O点的距离，

和

分别表示第M个发射阵元和第N个接收阵元较成像中心的方位角；设目标的第K个散射点的直角坐标为r_k＝(x_k,y_k)，散射系数记为x_k，第M个发射阵元和第N个接收阵元到第k个散射点的距离分别记为

和天线阵列基线到MIMO雷达成像中心距离为R₀；在MIMO雷达几何图像基础上建立雷达回波模型为；

其中n为噪声，y为雷达回波，

T为转置计算，Φ为雷达测量矩阵，M为发射阵元总个数，N为接收阵元总个数，x散射系数向量，也是目标的位置；

步骤二：对测量矩阵Φ进行预处理：把测量矩阵Φ进行均匀分块，分为L个子通道；设置阈值Th，将系数η与初始残差r₀＝y二范数相乘计算得到阈值Th,系数η∈(0,1]；根据阈值对每一个子通道进行预判，若子通道残差小于阈值，则将该子通道的测量矩阵置零，若子通道残差大于阈值则该子通道的测量矩阵保持不变；以上述预判准则对每个子通道进行预判处理，将所有子通道预判后形成新的测量矩阵，即预处理后的测量矩阵Θ，预处理后的测量矩阵Θ具有稀疏性；

步骤三：利用预处理后的测量矩阵Θ，完成目标估计:将MIMO雷达成像模型更新为：

作为预处理后的雷达成像模型；根据雷达回波y和预处理后的测量矩阵Θ，结合稀疏度恢复算法SAMP或SBL算法计算得到估计目标的位置x，完成基于稀疏估计的MIMO雷达成像。

本发明解决了正交匹配追踪(OMP)算法在稀疏度未知情况下，信号重构效果差，影响成像准确度问题。同时解决了在信号重构过程中噪声引起的误差对雷达成像干扰问题。

与现有的技术相比，本发明的有益效果为：

准确度提高：本发明针对正交匹配追踪(OMP)算法在稀疏度未知的情况下，信号重构效果差的问题，引入SAMP算法和SBL算法，由于SAMP算法与SBL算法不需要将稀疏度作为已知条件，与OMP算法相比，信号重构效果较好。因此将SAMP算法或SBL算法与通道化测量矩阵相结合，来解决OMP算法所带来的稀疏度未知的问题，提高雷达成像准确度。

误差降低：本发明针对贪婪算法在稀疏重构的过程中，由于噪声存在引起的误差的问题，通过加入测量矩阵Φ预处理来达到去噪的功能，提高重构信号的准确性，降低了成像误差。

计算量减小：本发明在通道化预处理过程中，根据阈值对观测矩阵预处理，将不含目标的子通道观测矩阵置零，使信号恢复过程运算量减少，提高运算速度。

附图说明：

下面结合附图和具体实施例对本发明详细说明。

图1是本发明算法流程图；

图2是MIMO雷达成像几何图，也是本发明实施例中应用的MIMO雷达成像几何图；

图3是本发明与现有稀疏恢复算法在不同信噪比下的曲线图，其中图3(a)为最小均方误差曲线图，图3(b)为目标背景比变化曲线图；

图4是本发明在不同通道数目和信噪比情况下曲线图，其中图4(a)为最小均方误差曲线图，图4(b)为目标背景比变化曲线图；

图5是本发明与现有稀疏恢复算法在不同稀疏比下的曲线图，其中图5(a)为最小均方误差曲线图，图5(b)为目标背景比变化曲线图。

下面结合附图和实施例对本发明详细的描述

具体实施方式

实施例1

传统雷达成像算法，如BP算法，距离多普勒成像算法，都是基于合成孔径雷达(SAR)应用，由于上述算法本身所具有的缺陷，如算法计算量大，在实际应用中有一定的限制。随着新型雷达体制的多输入多输出(MIMO)雷达提出和应用，传统雷达成像方法也逐渐引入MIMO雷达成像中，并取得一定的成效，但像BP算法本身具有计算量大的缺陷并不能改。压缩感知(CS)技术由于具有计算量小的优势，并且信号恢复算法已较为成熟，也逐渐引入MIMO雷达应用中，但如贪婪算法虽然具有计算量小的优势，需要将稀疏度作为已知条件，才能更准确恢复出信号，由于在实际应用中稀疏度不易获取，因此会影响成像的准确度。另外，由于噪声不可避免，且贪婪算法对噪声敏感，因此成像会受到影响。本发明针对这个状况展开分析思考与研究，提出一种基于稀疏估计的MIMO雷达成像方法。

本发明是一种基于稀疏估计的MIMO雷达成像方法，参见图1，包括有以下步骤：

步骤一：建立MIMO雷达成像模型：MIMO雷达成像系统由M个发射阵元和N个接收阵元组成，发射阵元和接收阵元均为均匀线性阵列(ULA)且所有传感器元件都是全向的。MIMO雷达几何图像如图2，图2是MIMO雷达成像几何图。

在直角坐标系中，参见图2，坐标原点为Q，MIMO雷达成像中心由O点表示，发射和接收阵元分别表示为

R_Tx,m和R_Rx,n分别表示第M个发射阵元和第N个接收阵元到O点的距离，和分别表示第M个发射阵元和第N个接收阵元较成像中心的方位角；设目标的第K个散射点的直角坐标为r_k＝(x_k,y_k)，散射系数记为x_k，第M个发射阵元和第N个接收阵元到第k个散射点的距离分别记为和

天线阵列基线到MIMO雷达成像中心距离为R₀；在MIMO雷达几何图像基础上建立雷达回波模型为；

其中n为噪声，y为雷达回波，T为转置计算，Φ为雷达测量矩阵，

M为发射阵元总个数，N为接收阵元总个数，x散射系数向量，也是目标的位置。

步骤1.1，建立雷达回波模型，假设M个发射阵元同时发射信号，则第M个发射阵元的发射信号表示为：

S_m(t)＝p_m(t)exp(j2πf_ct)

其中p_m(t)是发射信号的归一化包络，f_c是载波频率，发射信号采用相位编码正交信号。

设成像场景中心共有K个散射点,则M个发射信号经过K个散射点到第n个接收阵元被接收的叠加回波为：

其中τ_n,m(k)表示第m个发射阵元到第k个散射点再到第n个接收阵元的整个辐射过程的路程时延。

步骤1.2，形成雷达成像模型。将雷达回波与发射信号进行混频去载波，再经过匹配滤波器组，利用发射信号的正交性实现通道分离，得到以下结果：

对S_n,m(t)做FFT变换，变换结果为：

其中是雷达第m×n个通道的波数，x(r_k)是第k个散射点的反射系数。因此可以获得MIMO雷达成像模型：

其中n为噪声，为观测矩阵。

步骤二：对测量矩阵Φ进行预处理：把测量矩阵Φ进行均匀分块，分为L个子通道；设置阈值Th，将系数η与初始残差r₀二范数相乘计算得到阈值Th,系数η∈(0,1]；根据阈值对每一个子通道进行预判，若子通道残差小于阈值，则将该子通道的测量矩阵置零，若子通道残差大于阈值则该子通道的测量矩阵保持不变；以上述预判准则对每个子通道进行预判处理，将所有子通道预判后形成新的测量矩阵，即预处理后的测量矩阵Θ，预处理后的测量矩阵Θ具有稀疏性。

步骤三：利用预处理后的具有稀疏性的测量矩阵Θ，经过计算完成目标估计:将MIMO雷达成像模型

更新为：

作为预处理后的雷达成像模型；将稀疏度恢复算法SAMP或SBL算法应用到预处理后的雷达成像模型中，根据雷达回波y和预处理后的测量矩阵Θ，结合稀疏度恢复算法SAMP或SBL算法计算得到估计目标的位置x，完成基于稀疏估计的MIMO雷达成像。

随着压缩感知技术(CS)的发展,并且由于MIMO雷达观测区域具有稀疏性，本发明将压缩感知技术引入MIMO雷达成像处理中，利用压缩感知技术计算量小的优点，并对算法进行优化，同时结合稀疏恢复算法SAMP或SBL算法完成MIMO雷达成像。

MIMO雷达是本世纪初引入雷达领域的一种新型雷达体制，使雷达成像方向有很大的突破，取得了很多研究成果。但成像处理算法的计算量任然是制约着MIMO雷达工程应用中快速成像的瓶颈，如后向投影(BP)算法虽然可以应用于多种架构雷达式的限制，且成像精度高等优点，但BP算法在大景深宽视角场景中运算量大，满足不了实时性要求，在实际应用中受到限制。本发明将压缩感知技术引入MIMO雷达成像应用中，利用稀疏恢复算法完成目标估计，实现MIMO雷达成像，可有效解决雷达成像计算量大的问题。将观测矩阵进行通道化预处理，降低了噪声对雷达成像的影响，提高了成像精度。本发明运用稀疏恢复算法SAMP或SBL算法进行信号重构，避免了OMB算法将稀疏度作为已知条件的缺点，降低成像误差。

实施例2

基于稀疏度估计的MIMO雷达成像目标估计方法通实施例1，步骤二中所述的对测量矩阵Φ进行预处理，具体包括有以下步骤：

2.1：对雷达测量矩阵分块处理：对雷达测量矩阵Φ进行均匀分块处理，将测量矩阵Φ作为一个整体分成L块，每一块为一个子通道，每一个子通道长度为D，将分块处理后测量矩阵Φ表示为：

其中Φ_k为第k个子通道测量矩阵，k＝1,2,...,L，k为当前子通道序号，L为划分的子通道总个数。

2.2：设置通道阈值Th：理想状态下，当子通道中含目标分量，则计算出来的子通道残差等于初始残差。当子通道不含目标分量时，计算出来的子通道残差值小于初始残差。但噪声无法避免，本发明用η来控制噪声对初始残差的影响，η取值在0到1之间，本发明经过大量仿真实验，η值为0.98时，实验结果最好。本发明根据雷达回波，结合正交匹配追踪(OMP)算法，设置阈值Th；

Th＝η||r₀||₂

其中系数η∈(0,1]，r₀＝y，r₀为初始残差。||r₀||₂即雷达回波的能量，理想状态下，当子通道包含目标时，计算出来的子通道残差的能量等于雷达回波能量，但实际情况下，噪声不可避免，本方法通过η来控制噪声对雷达回波，即初始残差的影响。

将阈值判断表达为：

||r_k||＜Th(k∈{1,2,...,L})

其中L是子通道数，r_k为第k个通道的残差，Th表示阈值，通过阈值对每一个子通道进行预判，若子通道残差小于阈值，则将子通道的测量矩阵置零，若残差大于阈值则子通道的测量矩阵保持不变。

2.3：利用阈值对子通道进行去噪处理：将正交匹配追踪(OMP)算法应用于每个子通道，达到去噪功能；OMP算法只迭代一次，将子通道中关联最紧密的部分删除，大致估计出子通道中是否含有信号，即通过计算得到阈值，并在循环中计算每一个子通道残差，同时对子通道进行预判；若子通道残差的二范数小于阈值，说明子通道中不包含目标，则将子通道的测量矩阵置零，即Φ[k]＝0，反之，若子通道残差二范数大于阈值，说明子通道中包含信号，则子通道测量矩阵保持不变；通过循环，将所有子通道预判后形成新的测量矩阵，即预处理后的测量矩阵Θ，预处理后的测量矩阵Θ具有稀疏性；假设第i个子通道包不含信号的任何分量，阈值判断表达为：

||r_i||₂＜η||r₀||₂

其中η∈(0,1]，η||r₀||₂即为阈值Th。

由于噪声存在会对MIMO雷达成像造成干扰，本发明通过对测量矩阵Φ预处理来去噪，减小了噪声干扰，提高了成像精度。同时本发明在通道化预处理过程中，根据阈值对子通道观测矩阵进行预判，将不含目标的子通道观测矩阵置零，使信号恢复过程运算量减少，提高运算速度。

实施例3

基于稀疏度估计的MIMO雷达成像目标估计方法通实施例1，步骤2.3中所述的对子通道进行去噪处理，具体如下所述；

2.3.1：初始化处理：对测量矩阵通道化，即将测量矩阵进行均匀分块并初始化k＝0,r₀＝y。

2.3.2：循环开始：当k≤L时，k＝k+1进行如下循环。

2.3.3：计算子通道相关参数P_k:

选出子通道中与初始残差最相关的原子，即选出子通道中与初始残差最相关的列向量。

2.3.4：计算子通道残差：

根据计算的P_k，计算出其对雷达回波的贡献值，同时计算出子通道残差r_k。

2.3.5：阈值判断：如果将子通道的测量矩阵置零，即Φ[k]＝0。

2.3.6：循环结束：当k＞L时，结束循环，则对测量矩阵Φ的预处理结束，获得新的测量矩阵Θ，即预处理后的测量矩阵。

计算量是制约着雷达成像的进一步发展的主要原因，而压缩感知技术基本思路是从尽量少的数据中提取出尽量多的信息，另外MIMO雷达观测矩阵具有稀疏性，本发明将压缩感知技术应用到MIMO雷达成像中，在一定程度上解决算法计算量大的问题。将SAMP算法或SBL算法与通道化测量矩阵相结合，解决噪声对成像的影响，同时解决了OMP算法将稀疏度作为已知条件缺点，提高雷达成像准确度。

下面给出一个更详细的例子，对本发明进一步说明

实施例4

基于稀疏度估计的MIMO雷达成像目标估计方法通实施例1-3，步骤一建立MIMO雷达成像模型，参见图2，包含以下步骤：

步骤1.1，建立雷达回波模型，假设M个发射阵元同时发射信号，则第M个发射阵元的发射信号表示为：

S_m(t)＝p_m(t)exp(j2πf_ct)

其中p_m(t)是发射信号归一化包络，f_c是载波频率，采用相位编码正交信号。

设成像场景中心共有K个散射点,则M个发射信号经过K个散射点到第n个接收阵元被接收的叠加回波为：

其中τ_n,m(k)表示第m个发射阵元到第k个散射点再到第n个接收阵元的整个辐射过程的路程时延。

步骤1.2，形成雷达成像模型。将雷达回波与发射信号进行混频去载波，再经过匹配滤波器组，利用发射信号的正交性实现通道分离，得到以下结果：

对S_n,m(t)做FFT变换，变换结果为：

其中是雷达第m×n个通道的波数，x(r_k)是第k个散射点的反射系数。因此可以获得MIMO雷达成像模型：

其中n为噪声，

为通道观测矩阵。

步骤二观测矩阵预处理，包含以下步骤：

2.1：对雷达测量矩阵分块处理：对雷达测量矩阵Φ进行均匀分块处理，将测量矩阵Φ作为一个整体分成L块，每一块为一个子通道，每一个子通道长度为D，将分块处理后测量矩阵Φ表示为：

其中Φ_k为第k个子通道测量矩阵，k＝1,2,...,L；

2.2：设置通道阈值Th：根据雷达回波，结合正交匹配追踪(OMP)算法，设置阈值Th；

Th＝η||r₀||₂

其中系数η∈(0,1]，r₀＝y为初始残差。

将阈值判断表达为：

||r_k||＜Th(k∈{1,2,...,L})

其中L是子通道数，r_k为第k个通道的残差，Th表示阈值，通过阈值对每一个子通道进行预判，若子通道残差小于阈值，则将子通道的测量矩阵置零，若残差大于阈值则子通道的测量矩阵保持不变。

2.3：利用阈值对子通道进行去噪处理：将正交匹配追踪(OMP)算法应用于每个子通道，达到去噪功能；OMP算法只迭代一次，将子信道中关联最紧密的部分删除，利用阈值判断子通道是否包含信号。假设第i个子通道不包含信号，将阈值判断表达为：

||r_i||₂＜η||r₀||₂ 其中η∈(0,1]，η||r₀||₂为阈值。

若子通道残差的二范数小于阈值，说明子通道中不包含目标，则将子通道的测量矩阵置零，即Φ[k]＝0，反之，若子通道残差二范数大于阈值，说明子通道中包含信号，则子通道测量矩阵保持不变；通过循环，将所有子通道预判后形成新的测量矩阵，即预处理后的测量矩阵Θ，预处理后的测量矩阵Θ具有稀疏性；具体算法流程如表1：

表1测量矩阵Φ预处理流程

步骤三：利用预处理后的具有稀疏性的测量矩阵，经过计算完成目标估计:将MIMO雷达成像模型

更新为：作为预处理后的雷达成像模型；将稀疏度恢复算法SAMP或SBL算法应用到预处理后的雷达成像模型中，根据雷达回波y和预处理后的测量矩阵Θ，结合稀疏度恢复算法SAMP或SBL算法计算得到估计目标的位置x，完成基于稀疏估计的MIMO雷达成像。SAMP算法具体流程如表2：

表2 SAMP算法流程

上述SAMP算法具体流程，同样可用稀疏恢复算法SBL进行信号重构，完成目标估计，实现MIMO雷达成像。

本发明的基于稀疏估计的MIMO雷达成像方法，主要用于解决正交匹配追踪(OMP)算法在稀疏度未知情况下，信号重构效果差，影响成像准确度问题，以及在信号重构过程中噪声引起的误差对雷达成像干扰问题。本发明主要包括三个部分：建立MIMO雷达成像模型：获取MIMO雷达回波数据。对测量矩阵Φ进行预处理，获取预处理后的测量矩阵：对雷达测量矩阵分块处理，分为多个子通道；设置阈值对每个子通道进行预判，将不含信号的子通道测量矩阵置零,避免伪影目标出现。利用预处理后的具有稀疏性的测量矩阵，完成目标估计。根据预处理后的测量矩阵，更新MIMO雷达成像模型，结合稀疏度恢复算法SAMP或SBL算法计算得到估计目标的位置x，完成基于稀疏估计的MIMO雷达成像。

最后用仿真实验结果验证了本方法所提出的基于稀疏信号重构的MIMO雷达成像方法。实验表明，该算法的性能优于OMP算法、SAMP算法和SBL算法。

下面通过仿真实验和数据，对本发明的技术效果进行说明

实施例5

基于稀疏估计的MIMO雷达成像方法同实施例1-4，

仿真一：

仿真条件与内容：雷达系统参数为：雷达工作频率为F_c＝12GHz，工作带宽为50MHz。目标个数K＝25,接收天线个数和发射天线个数分别为N_r,M_t，皆初始化为4，测量矩阵的维度M,N分别为1600和7200，所选取的子通道个数为L＝900，即每个子通道1600×8的矩阵。计算在不同信噪比情况下，SBL算法，OMP算法，SAMP算法，通道化自适应匹配追踪(CDN-SAMP)算法和通达化稀疏贝叶斯(CDN-SBL)算法对应的最小均方误差和目标背景比变化曲线，仿真结果如图3。

仿真结果与分析：图3是本发明与现有稀疏恢复算法在不同信噪比下的曲线图，其中图3(a)为最小均方误差曲线图，图3(b)为目标背景比变化曲线图。现有稀疏恢复算法为OMP算法，SAMP,SBL算法，本发明在本例中提供的算法为通道化自适应匹配追踪(CDN-SAMP)算法和通达化稀疏贝叶斯(CDN-SBL)。

图3(a)为不同信噪比下的最小均方误差曲线，横坐标为SNR,纵坐标为最小均方误差。红色圆圈虚线代表在不同信噪比稀疏贝叶斯算法对应的不同信噪比下最小均方误差曲线，蓝色标叉虚线代表通道化稀疏贝叶斯对应的不同信噪比下最小均方误差曲线，绿色正方形实线代表自适应匹配追踪算法对应的不同信噪比下最小均方误差曲线，黑色三角形虚线代表通道化自适应匹配追踪对应的不同信噪比下最小均方误差曲线，紫色菱形实线代表正交匹配追踪算法对应的不同信噪比下最小均方误差曲线。图3(b)为不同信噪比下目标背景比变化曲线，横坐标为SNR,纵坐标为目标背景比。红色圆圈虚线代表在不同信噪比稀疏贝叶斯算法对应的不同信噪比下目标背景比变化曲线，蓝色标叉虚线代表通道化稀疏贝叶斯对应的不同信噪比下目标背景比变化曲线，绿色正方形实线代表自适应匹配追踪算法对应的不同信噪比下目标背景比变化曲线，黑色三角形虚线代表通道化自适应匹配追踪对应的不同信噪比下目标背景比变化曲线，紫色菱形实线代表正交匹配追踪算法对应的不同信噪比下目标背景比变化曲线。

由图3(a)对比五条曲线可以看出，随着信噪比增大，五种算法的最小均方误差都减小，说明提高信噪比可以减小估计误差，同时可以看出本发明提出的通道化自适应匹配追踪算法(CDN-SAMP)和通道化稀疏贝叶斯算法(CDN-SBL)在不同信噪比下最小均方误差都小于其他三种算法，说明本发明提出的CDN-SAMP和CDN-SBL算法降低了稀疏恢复误差。

由图3(b)五种曲线对比可以看出，随着信噪比的增大，五种算法的目标背景比皆增大，同时本发明提出的SDN-SAMP和CDN-SBL算法在不同信噪比的情况下，目标背景比皆高于其他三种算法，说明本发明提出的CDN-SAMP和CDN-SBL算法提高了稀疏恢复精度。综上，由图3(a)、(b)可以得出，在相同信噪比条件下，本发明提出的CDN-SAMP和CDN-SBL算法的稀疏重构精度比其它稀疏恢复算法高，提高了目标估计准确度，降低了成像误差。

实施例6

基于稀疏估计的MIMO雷达成像方法同实施例1-4，

仿真二：

仿真条件与内容：雷达系统参数，目标个数，接收天线个数和反射天线个数同实施例5，测量矩阵的维度M,N分别为1600和7200，所选取的子通道个数L分别为400、900。

计算在不同信噪比情况和不同子通道数目L下，CDN-SAMP算法，CDN-SBL算法，SBL算法和SAMP算法所对应的最小均方误差和目标背景比变化曲线图，仿真结果如图4。

仿真结果与分析：图4是本发明在不同通道数目和信噪比情况下曲线图，其中图4(a)为最小均方误差曲线图，图4(b)为目标背景比变化曲线图。

图4(a)不同通道数在不同信噪比下最小均方误差,横坐标为SNR,纵坐标为最小均方误差，黑色菱形实线代表本通道化自适应匹配追踪算法通道数为400时不同信噪比下最小均方误差曲线，蓝色三角形虚线代表通道化稀疏贝叶斯算法对应的通道数为400时不同信噪比下最小均方误差曲线，红色叉行虚线代表通道化自适应匹配追踪算法在通道数为900时不同信噪比下最小均方误差曲线，绿色正方形虚线代表通道化稀疏贝叶斯算法在通道数为900时不同信噪比下最小均方误差曲线。图4(b)不同通道数在不同信噪比下目标背景比曲线,横坐标为SNR,纵坐标为最小均方误差，黑色菱形实线代表通道化自适应匹配追踪算法通道数为400时不同信噪比下目标背景比曲线，蓝色三角形虚线代表通道化稀疏贝叶斯算法对应的通道数为400时不同信噪比下目标背景比曲线，红色叉行虚线代表通道化自适应匹配追踪算法在通道数为900时不同信噪比下目标背景比曲线，绿色正方形虚线代表通道化稀疏贝叶斯算法在通道数为900时不同信噪比下目标背景比曲线。

由图4(a)四条曲线对比可以看出，本发明在不同信噪比下，通道数分别为400和900的情况下，CDN-SAMP和CDN-SBL算法在通道数为400时最小误差高于通道数为900时的最小误差，说明本发明的技术方案中提高通道数，可以降低稀疏恢复误差，提高成像准确度。

由图4(b)可以看出在不同信噪比下，通道数为分别为400和900的情况下，CDN-SAMP和CDN-SBL算法在通道数为400时目标背景比通道数为900时的目标背景比低，说明提高通道数，可以提高目标背景比，提高稀疏恢复算法的精确度。

综上，由图4(a)、(b)可以得出，其它实验条件相同的情况下，CDN-SAMP和CDN-SBL，在通道数较大的情况下，最小均方误差较小，且目标背景比较高，说明通道个数对稀疏重构算法性能有影响，即在相同条件下，稀疏通道越多，稀疏恢复的精度也会相应地提高。

实施例7

基于稀疏估计的MIMO雷达成像方法同实施例1-4，

仿真三：

仿真条件与内容：雷达系统参数，目标个数，接收天线个数和反射天线个数同实施例5。测量矩阵的维度M×N,k＝M/N，即测量矩阵的列数N＝1600，行数M＝N×k，其中k从0.1到1之间变化。子通道个数L＝400。在不同的稀疏比k下，SBL算法、SAMP算法、CDN-SAMP算法和CDN-SBL算法所对应的最小均方误差和目标背景比效果图，仿真结果如图5。

仿真结果与分析：图5是本发明与现有稀疏恢复算法在不同稀疏比下的曲线图，其中图5(a)为最小均方误差曲线图，图5(b)为目标背景比变化曲线图。现有稀疏恢复算法为OMP算法，SAMP,SBL算法，本发明在本例中提供的算法为通道化自适应匹配追踪(CDN-SAMP)算法和通达化稀疏贝叶斯(CDN-SBL)，共五种曲线。

图5(a)为不同稀疏比情况下最小均方误差曲线图，横坐标为稀疏比，纵坐标为均方误差。红色圆圈实线代表在不同稀疏比下稀疏贝叶斯算法对应的最小均方误差曲线，蓝色正方形虚线代表通道化稀疏贝叶斯算法对应的不同稀疏比下最小均方误差曲线，黑色三角形虚线代表通道化自适应匹配追踪算法对应的不同稀疏比下最小均方误差曲线，紫色菱形虚线代表自适应匹配追踪对应的不同稀疏比下最小均方误差曲线，绿色三角形实线代表正交匹配追踪算法对应的不同稀疏比下最小均方误差曲线。图3(b)为不同稀疏比情况下目标背景比曲线图，横坐标为稀疏比，纵坐标为目标背景比。红色圆圈实线代表在不同稀疏比下稀疏贝叶斯算法对应的目标背景曲线，蓝色正方形虚线代表通道化稀疏贝叶斯算法对应的不同稀疏比下目标背景曲线，黑色三角形虚线代表通道化自适应匹配追踪算法对应的不同稀疏比下目标背景曲线，紫色菱形虚线代表自适应匹配追踪对应的不同稀疏比下目标背景曲线，绿色三角形实线代表正交匹配追踪算法对应的不同稀疏比下目标背景曲线。

由图5(a)对比五种曲线可以看出随着稀疏比k增大，五种稀疏恢复算法的最小均方误差皆减小，说明稀疏比增大，即数据量增大，可以降低稀疏恢复的误差，并且在稀疏比大于0.2时，CDN-SAMP和CDN-SBL的估计误差小于其他三种恢复算法，说明要达到相同的估计精度，CDN-SAMP和CDN-SBL所需要的稀疏比较小，即所需数据量较小，则运算量相应的减少，CDN-SAMP算法和CDN-SBL算法具有减少运算量的优点。

由图5(b)的五种曲线对比可以看出，随着稀疏比增大，五种算法的目标背景比皆增大，说明稀疏比增大，即数据量增大，可以降低稀疏恢复的误差，同时可以看出在稀疏比大于0.2时，CDN-SAMP和CDN-SBL的目标背景比大于其他三种恢复算法，说明要达到相同恢复精度，本发明提出的CDN-SAMP和CDN-SBL算法所需要的稀疏比较小，即所需数据量较小，计算量较小。

由图5(a)、(b)对比得出，在相同条件下，要达到相同的稀疏恢复精度，本发明提出的CDN-SAMP和CDN-SBL算法所需要的数据量小于其他恢复算法，即本发明具有减小数据量，提高运算速度的优点。

本发明基于压缩感知MIMO雷达成像方法。主要解决用OMP算法重构目标的系数场景时所带来的一些问题。这些问题主要包括：成像场景的稀疏度未知；OMP算法重构时所带来的伪影目标。这些不足将严重影响成像效果。本发明首先预设置一个门限，然后对每个子通道进行预判决，对不含信号的子通道直接置零。这样可以尽可能伪影目标在这些位置区域的出现。本发明对通道化之后的测量矩阵矩阵联合观测矩阵进行稀疏重构，进行自适应稀疏重构；选用的稀疏重构算法分别为：自适应匹配追逐算法(SAMP)和稀疏贝叶斯学习算法(SBL)。最后用仿真数据验证了本文所提出的通道化去噪自适应稀疏重构算法。实验表明，性能优于OMP算法、SAMP算法和SBL算法。

简而言之，本发明公开的基于稀疏估计的MIMO雷达成像方法，避免了现有技术中用OMB算法在稀疏度未知情况下，成像效果差的缺点，以及在信号重构过程中噪声对雷达成像干扰问题。实现包括：建立MIMO雷达成像模型，获取MIMO雷达回波数据；对测量矩阵Φ进行预处理，将测量矩阵均匀分为多个子通道，对每个子通道预判，获得预处理后的测量矩阵；结合稀疏度恢复算法SAMP或SBL算法，完成基于稀疏估计的MIMO雷达成像。本发明对测量矩阵进行预处理，将不含信号的子通道测量矩阵置零，减小噪声影响；将测量矩阵预处理与SAMP或SBL算法相结合，提高稀疏恢复的准确度，有效降低了成像误差；同时由于对测量矩阵预处理，将部分子通道测量矩阵置零，使在稀疏恢复过程中运算复杂度降低，提高运算速度。仿真和实验证明了本发明成像精度高，运行量低。用于MIMO雷达成像。