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！

龙图腾网获悉电子科技大学申请的专利基于贝叶斯稀疏学习的扫描雷达二维超分辨率成像方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116381679B 。

龙图腾网通过国家知识产权局官网在2026-04-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310441381.6，技术领域涉及：G01S13/89；该发明授权基于贝叶斯稀疏学习的扫描雷达二维超分辨率成像方法是由杨建宇;黄钰林;罗嘉伟;朱韵霏;任丽华;张寅;张永超;杨海光;毛德庆设计研发完成，并于2023-04-23向国家知识产权局提交的专利申请。

本基于贝叶斯稀疏学习的扫描雷达二维超分辨率成像方法在说明书摘要公布了：本发明公开了一种基于贝叶斯稀疏学习的扫描雷达二维超分辨率成像方法，首先构建方位‑俯仰二维扫描雷达信号模型，然后，根据贝叶斯框架下的最大后验准则，建立关于目标散射和环境噪声的稀疏优化目标函数，最后，利用共轭梯度算法和Kronecker积性质，加速迭代估计目标散射和噪声功率，实现扫描雷达的自适应稀疏二维超分辨成像。本发明的方法解决了现有技术手段复杂度高、对噪声鲁棒性差的问题，与现有二维超分辨方法相比，不仅具有更低的计算复杂度，而且鲁棒性更强，具备极佳的噪声自适应能力，能自适应低信噪比条件下的二维扫描雷达超分辨率成像。

本发明授权基于贝叶斯稀疏学习的扫描雷达二维超分辨率成像方法在权利要求书中公布了：1.一种基于贝叶斯稀疏学习的扫描雷达二维超分辨率成像方法，具体步骤如下： 步骤一、构建方位-俯仰二维扫描雷达信号模型； 构建一个方位-俯仰二维扫描雷达系统； 设定感兴趣区域为Ω，脉冲压缩后目标在Ω内的回波表示为： 其中，θ表示方位角度变量，表示俯仰角度变量，τ表示距离维快时间变量；κ表示和雷达系统参数有关的一个幅度常数；表示一个位于雷达坐标为的目标的有效散射系数，其方位角为θ0，俯仰角为斜距为R0；a·表示二维天线方向图函数；sinc·表示脉冲压缩相应函数的包络，B表示发射信号带宽，c表示电磁波传播速度； 在仅考虑一个距离单元，并考虑加性噪声的情况下，回波表示为： 其中，*表示二维卷积操作，表示天线方向图，表示目标散射系数，表示加性高斯噪声； 对上式进行简化，可重写为离散形式如下： Y＝AXB+N3 其中，表示回波矩阵，M和N分别表示回波的方位和俯仰维采样点数；表示目标散射系数矩阵；表示噪声矩阵；和分别表示方位和俯仰方向图调制矩阵；表示复数域，K1、K2表示采样点数； A具体表示为： 其中，表示方位维天线方向图采样点，L1表示方位向天线方向图采样点数；设俯仰维天线方向图采样点数为L2，故B可写为： 其中，表示俯仰维天线方向图采样点；采样点数M，N，K1，K2，L1，L2间满足关系： 利用Kronecker积，回波模型转化为一个矩阵-向量形式，表示为： y＝Fx+n7 其中，Y、F、X、N的向量形式y，F，x，n分别满足下列关系： 其中，vec·表示向量化，表示Kronecker积，·T表示矩阵或矢量的转置运算； 步骤二、建立最大后验框架下的稀疏贝叶斯学习优化目标函数； 基于最大后验MAP的方法，构造代价函数，通过对其取负对数，其代价函数简单地表示为： 其中，σ表示零均值加性高斯噪声的功率，q表示稀疏度参数，且0＜q≤1，xi表示x的第i个元素； 步骤三、自适应迭代估计目标散射； 最小化代价函数J，并关于x对J求导，可得： 其中，·t表示迭代次数，Π＝diag{η}，且ηi＝|xi|2-q,i＝1,…,K1K2，ηi表示矢量η的第i个元素；·H表示矩阵或矢量的共轭转置操作；然后采用启发式方法求解，具体如下式： [FHF+σtΠt-1]x-FHy＝011 则得到x和σ的迭代估计如下： xt+1＝ΠtFHFΠtFH+σtI-1y 其中，I表示单位向量； 步骤四、二维联合迭代估计目标散射； 定义矩阵Σ，设定如下： Σij＝|Xij|2-qi＝1,…,K1,j＝1…,K213 其中，Σij表示矩阵Σ的第i行第j列元素，Xij表示X的第i行第j列元素；Π和Σ的关系表示为： Π＝diag{vecΣ}14 将上述关系式和代入步骤三中迭代估计，令ut＝FΠtFH+σtI-1y，用于式12的简化，可得： xt+1＝diag{vecΣt}vecAHUtBH15 其中，vecUt＝ut； 利用Kronecker积的性质，迭代式等价为如下： xt+1＝diag{vecΣt}vecAHUtBH16 再由Hadamard矩阵的性质，式16改写为： xt+1＝vecΣt⊙AHUtBH17 令vecXt+1＝xt+1，得到二维目标散射系数的超分辨率迭代方程为： Xt+1＝Σt⊙AHUtBH18 步骤五、引入共轭梯度法降低计算复杂度； 在二维系数超分辨率迭代方程中，Ut的向量化形式ut满足最小二乘形式，则通过二维共轭梯度方法快速迭代更新； 首先对二维共轭梯度方法中各迭代变量初始化如下： U0＝0,β0＝0,R0＝Y,P0＝0,ρ0＝||R0||F219 其中，U0,β0,R0,P0,ρ0分别表示共轭梯度算法引入的中间变量的初始值，||·||F表示矩阵的Frobenius范数； 将上述中间变量初始化值代入如下迭代过程： Pl+1＝Rl+βlPl Wl＝A∑⊙AHPl+1BHB+σtPl+1 αl＝ρl1MTPl+1C⊙Wl1N Ul+1＝Ul+αlPl+1 Rl+1＝Rl-αlWl ρl+1＝||Rl+1||F2 βl+1＝ρl+1ρl20 其中，1M表示维数为M的向量，Rl表示第l次迭代的梯度变量，Pl表示第l次迭代的搜索方向，Ul表示经l次共轭梯度算法迭代得到的向量，βl表示第l次共轭梯度迭代因子，αl表示第l次迭代的步长，Wl和ρl表示迭代过程中引入的中间变量，·C表示矩阵或矢量的复共轭操作； 当迭代过程收敛时输出如下： Ut＝Ul+121 得到二维扫描雷达噪声的迭代估计方程为： 采用X0＝AHYBH作为初始化结果； 最后，通过共轭梯度算法的处理以及利用Kronecker积特性迭代求解目标的二维散射估计，实现扫描雷达等的自适应稀疏二维超分辨成像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。