雷達成像近似二維模型及其超分辨算法簡述

式(4)與式(3)相比較，指數中增加了兩項，其中前一項是“多普勒移動”項，縱坐標yk越大，影響也越大，這可以補充式(3)之不足;而后項是時頻耦合的多普勒移動項，由于Mγ/Fs

　(5)

需要指出，每個散射點的參數之間存在下述關系：ωk/μk=2γ/Fsfcδθ2和

k/vk=fcFs/γδθ.由于雷達參數(fc,γ,Fs)和運動參數(δθ)均已知，所以待估計的五個參數中只有三個是獨立的.本文假設五個參數是獨立的，而在成像計算中已考慮參數之間的關系.

設{ξk}Kk=1≡{αk,ωk,

k,μk,vk}Kk=1，現在我們要從y(m,n)中估計參量{ξk}Kk=1.

三、二維推廣的RELAX算法

對于(5)式所示的信號模型，令：

Y=[y(m,n)]M×N

則

　(6)

式中

設ξk估計值為

，則ξk的估計問題可通過優化下述代價函數解決：

　(7)

式中‖.‖F表示矩陣的Frobenius范數，⊙表示矩陣的Hadamard積.

上式中C1的最優化是一個多維空間的尋優問題，十分復雜.本文將RELAX[3]算法推廣以求解.為此，首先做以下準備工作，令：

　(8)

即假定{

i}i=1,2,…,K,i≠k已經求出，則式(7)C1的極小化等效于下式的極小化：

C2(ξk)=‖Yk-αk(aM(ωk)bTN(

k)Pk)⊙Dk(vk)‖2F　(9)

令：　　Zk=YkP-1k⊙Dk(-vk)　(10)

由于Pk為酉矩陣，矩陣Dk的每個元素的模|Dk(m,n)|=1,顯然矩陣Yk與Zk的F范數相同，故C2的極小化等效于下式的極小化：

C3=‖Zk-αkaM(ωk)bTN(

k)‖2F　(11)

對上式關于αk求極小值就獲得αk的估計值

k：

k=aHM(ωk)Zkb*N(

k)/(MN)　(12)