基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像.pdf

第5期2023年10月Vol.21 No.5October 2023雷达科学与技术Radar Science and TechnologyDOI:10.3969/j.issn.16722337.2023.05.003基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像景鑫磊，张宇，蒋忠进（东南大学毫米波国家重点实验室，江苏南京 210096）摘要：为了在ISAR成像中更好地压制噪声，消除条纹干扰，提高成像分辨率，本文提出一种基于双向插值处理和频域信息融合的稀疏贝叶斯学习算法，称之为BIFF SBL算法。该方法首先对回波信号分别进行径向和横向插值预处理，将预处理得到的两份数据通过LAVB算法进行ISAR成像；然后将得到的两幅ISAR图像通过二维傅里叶变换进入频域，并将两个二维频谱进行信息融合处理，以消除噪声和条纹干扰的相关信息并保留目标结构信息；最后对融合处理后的频谱进行二维傅里叶逆变换，得到最终的ISAR图像。为了验证BIFF SBL算法的ISAR成像效果，本文进行了基于仿真数据和实测数据的成像实验，并将实验结果与RD算法、L1BP算法、LAVB算法进行对比，发现BIFF SBL算法在压制噪声和去除条纹干扰方面具有明显的优势，且能提供分辨率更高的ISAR图像。当实验数据信噪比降到0 dB时，BIFF SBL算法依然能够提供清晰的ISAR图像，明显优于其他三种算法。测试超分辨重构误差的实验结果表明，相比于L1BP算法和LAVB算法，BIFF SBL算法的重构误差更低，在实验数据信噪比为0 dB时，重构信噪比可以达到13.55 dB。关键词：超分辨ISAR成像；稀疏贝叶斯学习；双向插值处理；频域信息融合中图分类号：TN957.51文献标志码：A文章编号：16722337（2023）05048909High Resolution ISAR Imaging Based on Frequency Domain Information Fusionand Sparse Bayesian LearningJING Xinlei,ZHANG Yu,JIANG Zhongjin（State Key Laboratory of Millimeter Waves,Southeast University,Nanjing 210096,China）Abstract:Aiming at suppressing noise,eliminating stripe interference and improving the resolution of ISARimage,a sparse Bayesian learning algorithm based on bidirectional interpolation and information fusion in frequencydomain is proposed in this paper,named BIFF SBL algorithm here.Firstly,radial and transverse interpolations arerespectively performed on the echo signal.Secondly,the preprocessed data are put in parameter reconstruction using theLAVB algorithm to obtain two ISAR images.Thirdly,the two ISAR images are transferred into the frequency domain bytwodimensional Fourier transform.Subsequently,through twodimensional spectra fusion,the information related to noiseand streak interference is eliminated and the structure information of the target is retained.Finally,the fused spectrumis inversely transformed by twodimensional Fourier transform to obtain the final ISAR image.To verify the effectivenessof the BIFF SBL algorithm,imaging experiments based on both simulated and measured data are performed in this paper.Compared with the RD,L1BP,and LAVB algorithms,the experimental results indicate that the BIFF SBL algorithm has obvious advantages in suppressing noise,removing stripe interference,and providing higher resolution inISAR image.When the SNR of the experimental data drops to 0 dB,the BIFF SBL algorithm can still provide clarifiedISAR images,which is significantly better than the other three algorithms.The experimental results based on the superresolution reconstruction error show that the reconstruction error of the BIFF SBL algorithm is lower than that of the L1BP and LAVB algorithms,and the reconstruction SNR can reach 13.55 dB when the SNR of the experimental data is 0 dB.Key words:superresolution ISAR imaging；sparse Bayesian learning；bidirectional interpolation processing；frequency domain information fusion0引言逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）成像作为一种重要的侦测手段，可以全天候、全时段对非合作机动性目标进行成像12。但是，因为非合作目标的运动补偿建模比较复杂，收稿日期：20230322；修回日期：20230508基金项目：国家自然科学基金资助项目（No.61890544，91748106）雷达科学与技术第 21 卷 第 5 期积累转角和回波多普勒带宽受限，传统的ISAR成像算法，如Range Doppler（RD）算法，其成像分辨率受到限制，因此研究超分辨ISAR成像算法具有重要意义。MUSIC 算法和 ESPRIT 算法是两种传统的参数化 ISAR成像算法。但 MUSIC算法的分辨率不是很高，酉 ESPRIT算法是一种超分辨算法，但该算法只能在距离维或者方向维实现超分辨，无法在两个维度同时实现超分辨成像3。压缩感知（Compressed Sensing,CS）理论适合于稀疏参数的高分辨重构4，并且ISAR图像中的强散射点满足稀疏分布特性，所以 CS 在超分辨ISAR成像中得到越来越多的研究和应用。稀疏信号恢复的出发点是在L0范数最小化的基础上进行参数重构，但这是一个NP难问题，压缩感知理论在一定条件下，可以将L0范数最小化约束放宽为L1范数最小化约束，于是涌现出BP算法5、梯度下降算法6以及迭代ISTA算法7等参数重构算法，但是这些算法在感知矩阵列相关性强的时候性能会出现下降，影响 ISAR成像效果。文献 8 采用光滑函数来近似L0范数并进行稀疏参数重构，但该算法中的正则参数需要人为手动设置，影响了算法的实用性。文献 9 提出了基于稀疏贝叶斯学习（SparseBayesian Learning,SBL）框架的ISAR成像算法，取得了不错的效果。相比于传统的 SMV 模型10，MMVSBL模型避免了 Kron内积导致的感知矩阵尺寸过大问题，以及大尺寸逆矩阵计算问题11。文献 12 提出一种 BIMSBL算法，该算法利用冗余信息的融合去除径向插值带来的条纹，获得更清晰的ISAR图像。文献 13 则提出一种LSSBL算法，利用目标自身的结构特征构建结构化先验模型和参数化字典，对旋转运动目标进行ISAR成像，取得较为理想的成像效果。文献 14 引入LSM（Laplace Scale Mixture）尺度混合先验模型，并通过拉普拉斯估计（Laplace Approximation,LA）和变分贝叶斯（Variational Bayesian,VB）算法求解散射系数的后验分布，以此得到更稀疏更精确的ISAR图像。为了在ISAR成像中更好地压制噪声，消除条纹干扰，提高成像分辨率，本文提出一种基于双向插值处理（Bidirectional Interpolation Process）和频域信息融合（Information Fusion in Frequency Domain）的稀疏贝叶斯学习算法，简称BIFF SBL算法。该算法引入 LSM 先验来为回波信号构建MMV SBL模型，并采用LAVB算法进行目标散射系数的重构。首先对回波信号分别进行径向和横向插值预处理，将预处理得到的两份数据通过LAVB SBL 算法进行 ISAR 成像；然后将得到的两幅ISAR图像通过二维傅里叶变换进入频域，并将两个二维频谱进行信息融合处理，以消除噪声和条纹干扰的相关信息并保留目标结构信息；最后对融合处理后的频谱进行二维傅里叶逆变换，得到最终的ISAR图像。1信号模型假设已对雷达回波信号作平动补偿，则ISAR成像模型可视为转台模型，ISAR成像的原理图如图 1 所示，其中雷达向目标发射线性频率调制（LFM）脉冲。由于雷达到目标中心的距离远远大于目标的尺寸，因此雷达电磁波被视为以平面波的形式照射到目标上，并假定目标以恒定的角速度旋转。xppyOLOS图1ISAR转台模型回波HRRP数据是通过对接收信号进行径向脉冲压缩得到的，其理想点散射中心模型可以表示为s(),f=w(y,x)exp-j4fc()R0+xsin+ycosdxdy（1）式中：s(,f)表示进行径向傅里叶变换后的HRRP数据，表示发收信号的目标转角，f表示脉冲发射频率；w(y,x)表示目标散射系数；c表示电磁波速490景鑫磊：基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像2023 年第 5 期度；R0表示从雷达到目标中心的远场距离。对成像的角度和频率，以及二维场景进行离散化处理。在以目标中心为原点的局部坐标系中，散射区域被离散为P行和Q列，得到s()m,fn=p=1Pq=1Qw()yp,xqexp-j4()fn+fcxqcosm+ypsinmc（2）式中：fc为载波频率；fn为第 n个离散频率，n=1，2,N；m为第 m 个脉冲对应的目标转角，m=1,2,M；w(yp,xq)代表坐标(yp,xq)处的散射系数，其中p=1,2,P，q=1,2,Q。将上式经过一系列的推导和化简，并添加环境噪声U，可得到回波信号的矩阵表达式为S=cWr+U（3）式中，S CM N表示回波信号矩阵，W CP Q表示散射系数矩阵，U CM N表示复高斯白噪声，c CM P和r CQ N分别表示方向维和距离维的部分傅里叶矩阵，可将其展开为c=e-j4fc1y1ce-j4fc1y2ce-j4fc1yPce-j4fc2y1ce-j4fc2y2ce-j4fc2yPce-j4fcMy1ce-j4fcMy2ce-j4fcMyPcM Pr=e-j4f1x1ce-j4f2x1ce-j4fNx1ce-j4f1x2ce-j4f2x2ce-j4fNx2ce-j4f1xQce-j4f2xQce-j4fNxQcQ N（4）2BIFF SBL算法本文提出一种基于双向插值处理和频域信息融合的稀疏贝叶斯学习算法，此处简称BIFF SBL算法，并将其用于高分辨ISAR成像。2.1径向插值预处理为了得到回波信号的 MMV 模型，对式（3）两边同时右乘Hr矩阵（即对距离维作FFT操作），回波方程改写为Y1=cW+N1（5）式中，Y1=S Hr,N1=U Hr。事实上，式（5）的操作完成了对S从 N 列插值到 Q 列的径向（频域）插值和傅里叶逆变换。从式中Y1的表达可以发现，Y1第q列只来自于W第q列的回波叠加，所以Y1和W形成列与列的对应关系。2.2横向插值预处理除此之外，对式（3）两边同时左乘Hc矩阵（即对方向维作FFT操作），回波方程改写为Y2=Wr+N2（6）式中，Y2=Hc S,N2=Hc U。式（6）的操作完成了对S从M行插值到P行的横向（多普勒域）插值和傅里叶逆变换。将上式的等号两边均进行转置，得到YT2=TrWT+NT2（7）可以发现，Y2的第p行只来自于W的第p行的回波叠加，所以YT2的第p列对应于WT的第p列，二者形成列与列的对应关系。2.3基于LAVB算法的参数重构在传统的MMVSBL算法中，回波信号的MMV模型可以表示为Y=W+N（8）式中，Y CM Q，CM P，W CP Q与N CM Q分别表示回波信号矩阵、感知矩阵、散射系数矩阵和噪声矩阵。在稀疏贝叶斯统计模型中，令加性噪声nq服从零均值复高斯先验nq()nq|0,-1I，其中，nq为矩阵N的第q列元素；为方差的倒数（噪声精确度），服从伽马分布(;a,b)，模型参数a，b一般设置为10-4。令矩阵Y的列与列之间统计独立，则Y的似然函数可写为p(Y|W,)=q=1Q()yq|wq,-1I=q=1Q(2)-MMexp()-yq-wq22=(2)-MQMQexp()-Y-W2F（9）式中，wq为矩阵W的第q列元素，.F表示Frobe491雷达科学与技术第 21 卷 第 5 期nius范数。令W任一元素wp,q服从拉普拉斯分布()wp,q|p,q，则wq服从p=1P()wp,q|p,q。令为P行Q列矩阵，其第p行第q列元素为p,q。矢量q表示的第q列，且服从逆伽马分布p=1P()p,q;c,d，模型参数 c，d一般设置为10-4。在VB算法中，根据平均场理论，后验分布被认为是可分解的。因为各个隐变量是相互独立的，由此它们的后验分布也是相互独立的：p(|wq,q,Y)(wq,q,)=(wq)(q)()（10）式中()表示后验概率密度估计。wq的对数后验概率分布如下：log(wq)=logp(yq,wq,q,)(q)()+const=logp(yq|wq,)p(wq|q)(q)()+const=logp(yq|wq,)(q)()+logp(wq|q)(q)()+const=-2yq-wq2-p=1P1p,q|wp,q+const（11）式中，和1p,q分别为(q)()和1p,q(q)()的简写，()表示关于()的期望。由于拉普拉斯先验p(wqq)和高斯似然函数p(yqwq,)不是共轭分布，很难通过积分方法计算得到(wq)的解析解。此处通过拉普拉斯近似，将wq在最大后验估计w MAPq上进行二阶Tylor展开：log(wq)log()w MAPq+12()wq-w MAPqTH()w MAPq()wq-w MAPq(12)式中，H()w MAPq=2wlog(wq)-()T+12，=diag1q1|wq，表示点乘运算。由于w MAPq是wMAP=argwwlog(w)=0的解，由式（11）对log()wq求梯度可得wlog()wq=-()T+12 wq+Tyq（13）根据式（12）及相关推导，wq的后验分布服从高斯分布()wq()wqq,q，其中：q=()H+12-1q=w MAPq=qHyq（14）在VB算法中，尺度因子q的后验概率密度的对数表示如下：log(q)=logp(yq,wq,q,)(wq)()+const=logp(wq|q)p(q)(wq)()+const=logp(wq|q)(wq)()+logp(q)(wq)()+const=-(c+1)-1p=1Plogp,q-m=1M(d+|wm)1p,q+const（15）式中|wm为|wm(wq)()的简写。由式（15）可知，(q)同样服从逆伽马分布：()q=p=1P()p,q;c+1,d+|wp,q（16）噪声精确度的后验概率密度函数的对数表示如下：log()=logp()yq,wq,q,(wq)(q)+const=logp()yq|wq,p()(wq)()+const=logp()yq|wq,(wq)()+logp()(wq)()+const=()a+MQ-1 log-()Y-W2F+b +const（17）式中Y-W2F为Y-W2F(wq)()的简写。由式（17）可知，()同样服从伽马分布：()=();a+MQ,b+Y-W2F（18）由完全贝叶斯推导得出的近似后验概率分布的期望可以用来作为未知参数的后验估计，因此超参数p,q和的MAP估计可通过推导得出：492景鑫磊：基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像2023 年第 5 期 1p,q=c+1d+|wp,q=a+MQb+Y-W2F（19）式中，|wp,q和Y-W2F仍为未知期望，需要进一步推导得出。|wp,q为高斯分布一阶绝对矩：|wp,q=2p,pq1F1()-12,12,-12p,qp,pq（20）式中，p,pq表示q的第p行第p列元素，p,q表示矢量q的第 p 个元素，1F1 a,b,z =n=0+a(n)b(n)znn!为库默尔合流超几何函数，x(n)x(x+1)(x+2)(x+n-1)为阶乘幂。而Y-W2F则计算如下15：Y-W2F=Y-2F+q=1Qtrace()Hq（21）2.4频域融合在本文提出的BIFF SBL算法中，首先对回波信号矩阵S分别进行径向插值预处理和横向插值预处理，得到Y1和YT2。然后利用LAVB算法对矩阵Y1和YT2分别进行参数重构，得到散射系数矩阵W1与W2。最后对W1与W2进行频域融合处理，得到最终的ISAR图像。频域融合算法的步骤如下：（a）首先将W1与W2归一化处理，得到两幅归一化图像。（b）然后将W1与W2分别进行二维傅里叶变换得到频域图像Z1与Z2，并且通过平移变换将低频分量移动至图像中心。（c）融合Z1与Z2而得到最终的频率图像Z：if()P/2+P/p|p P/2-P/&()q Q/2-Q/|()P/2+P/q|q P/2-P/&()p Q/2-Q/z(p,q)=minz1(p,q),z2(p,q)elsez(p,q)=maxz1(p,q),z2(p,q)其中，z(p,q)、z1(p,q)和z2(p,q)分别为矩阵Z、Z1和Z2的第p行第q列元素，为自适应稀疏，取值16。（d）对频率图像Z作二维傅里叶逆变换得到最终的ISAR图像W。3实验结果与对比分析为了验证BIFF SBL算法的有效性，本文基于电磁仿真数据和实测数据完成了ISAR成像实验。在实验中测试了4种不同的算法，包括RD（RangeDoppler）算法、L1BP算法、LAVB算法以及本文提出的 BIFF SBL算法，并将不同算法的 ISAR成像结果进行对比。为了检验不同算法抑制噪声的能力，在仿真数据和实测数据中加入复高斯噪声，合成了信噪比分别为0，5和10 dB的实验数据。3.1仿真数据实验在基于仿真数据的实验中，ISAR成像目标是A10攻击机，其CAD模型如图2（a）和（b）所示。回波信号由高频电磁仿真代码生成，入射频率为9.510.5 GHz，中心频率为10.0 GHz，带宽为1 GHz，共扫描128个频率点。入射俯仰角为94，入射中心方位角为135，方位角宽度为5.729 6，共扫描128 个方位角点。得到的回波信号矩阵尺寸为128 128。径向和横向分辨率均为 0.15 m，成像面积为19.2 m 19.2 m。（a）俯视图（b）侧视图图2A10攻击机CAD模型图实验采用前文所述的4种算法，每种算法均在493雷达科学与技术第 21 卷 第 5 期0，5和10 dB三个信噪比下进行ISAR成像，成像结果如图3所示。12010012010080806060C.444040202012010012010080806060C.444040202012010012010080806060C.4440402020(a)SNR=0 dBRD0(b)SNR=5 dBRD0(c)SNR=10 dBRD0C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050(d)SNR=0 dBL1BP0(e)SNR=5 dBL1BP0(f)SNR=10 dBL1BP0C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050(g)SNR=0 dBLAVB0(h)SNR=5 dBLAVB0(i)SNR=10 dBLAVB0C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050(j)SNR=0 dBBIFF SBL0(k)SNR=5 dBBIFF SBL0(l)SNR=10 dBBIFF SBL0图3不同信噪比下各类算法的仿真ISAR成像效果图从图3可以看出，在信噪比为0 dB时，由于噪声的影响，传统RD算法和L1BP算法已经近乎失效；LAVB算法虽然可以粗略重构出飞机的几何结构，但是 ISAR图像受噪点影响严重，只能模糊地重构出机头和机身处部分强散射点；本文的BIFF SBL算法可以给出较为清晰的ISAR图像，虽然图像中也分布有一些噪点，但仍然很好地保留了飞机的几何结构特征。在信噪比为5 dB时，各类算法的成像效果均有所提升，但RD算法所成ISAR图像仍较为模糊，由L1BP算法和LAVB算法重构的ISAR图像中存在较多噪点，而BIFF SBL算法则可以给出清晰的ISAR图像。在信噪比为 10 dB时，各类算法所成 ISAR图494景鑫磊：基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像2023 年第 5 期像均能清晰地体现飞机的几何结构特征。但是RD算法所成图像分辨率很低，图中仍然存在较多噪点；L1BP算法所成图像分辨率低于LAVB算法和BIFF SBL算法。3.2实测数据实验实测数据为ISAR成像系统录取的Yak42飞机回波信号，中心频率为 5.52 GHz，发射带宽为400 MHz，脉冲重复频率为400 Hz。实验采用的回波信号矩阵的尺寸为128 128，通过添加复高斯白噪声以获取信噪比分别为 0，5和 10 dB的实验数据。实验采用前文所述的4种算法，每种算法均在0，5和10 dB三个信噪比下进行ISAR成像，成像结果如图4所示。12010012010080806060C.44C.44404020202502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050C.442502502002001501501001005050C.44250250200200150150100100505012010012010080806060C.444040202012010012010080806060C.4440402020(a)SNR=0 dBRD0(b)SNR=5 dBRD0(c)SNR=10 dBRD0(d)SNR=0 dBL1BP0(e)SNR=5 dBL1BP0(f)SNR=10 dBL1BP0(g)SNR=0 dBLAVB0(h)SNR=5 dBLAVB0(i)SNR=10 dBLAVB0(j)SNR=0 dBBIFF SBL0(k)SNR=5 dBBIFF SBL0(l)SNR=10 dBBIFF SBL0图4不同信噪比下各类算法的实测ISAR成像效果图495雷达科学与技术第 21 卷 第 5 期如图 4 所示，信噪比为 0 dB 时，4 种算法的ISAR 成像结果中都存在不同程度的噪点，其中RD算法的成像效果最差；L1BP算法和LAVB算法所成图像受噪点影响严重，导致机尾处部分结构特征缺失；本文的BIFF SBL算法所成图像中虽然存在少量噪点，但依然能较好地体现飞机结构特征。信噪比为5 dB时，4种算法的ISAR成像效果都有所提高，L1BP算法和LAVB算法均好于RD算法。BIFF SBL算法效果最好，图像中只有少量噪点且飞机结构特征清晰。在信噪比为10 dB时，4种算法都能给出清晰的ISAR图像，但3种超分辨率算法的分辨率明显高于RD算法。在L1BP算法和LAVB算法结果中，均存在较明显的条纹干扰，而BIFF SBL算法则很好地去除了条纹干扰，在提高分辨率的同时很好地保留了飞机的几何结构特征。3.3图像重构误差实验传统ISAR成像算法，如RD算法和MUSIC算法等，其回波数据的尺寸和ISAR成像的尺寸是一致的，即M=P，N=Q。在超分辨ISAR成像中，ISAR成像的尺寸可以远大于回波数据的尺寸，即MP，NQ。超分辨ISAR成像可以重构出目标更多的几何结构特征，但也可能导致超分辨重构误差。本文采用重构信噪比（Reconstruction Signal toNoise Ratio,RSNR）作为指标，来评价超分辨ISAR成像算法的重构误差，其定义如下：MSE=1P Q|W|-|W|2FRSNR=10*lg()2|WMSE（22）式中：W表示原尺寸ISAR图像，其尺寸与回波数据尺寸相同；2|W表示原尺寸图像W的幅值方差；W表示超分辨算法重构的ISAR图像，其尺寸大于回波数据尺寸。在该实验中，以 A10 攻击机为 ISAR 成像目标，通过高频电磁仿真得到相关回波信号。然后向回波信号中添加高斯白噪声，得到信噪比分别为0，5和10 dB的实验数据。该实验对比了BIFFSBL算法、L1BP算法和LAVB算法的RSNR，对比结果如表1所示。对于其中每一种算法，在获取原尺寸图像 W 时，M=N=256，P=Q=256；在获取超分辨图像W时，M=N=128，P=Q=256。表1不同超分辨ISAR成像算法的RSNR对比算法L1BPLAVBBIFF SBL0 dB9.645 712.419 213.554 55 dB14.810 714.959 614.977 210 dB14.943 814.990 115.014 4由表1可知，3种超分辨ISAR成像算法在实验数据信噪比由5 dB降为0 dB时，RSNR都有明显的下降，其中L1BP算法最为明显，RSNR下降至10 dB以下。BIFF SBL算法在信噪比为10 dB时，RSNR可以达到 15.01 dB，且在信噪比下降至 0 dB 时，RSNR依旧可以保持在13 dB以上。由此可见BIFF SBL算法的重构误差明显低于L1BP算法和LAVB算法。4结束语为了在ISAR成像中更好地压制噪声，消除条纹干扰，提高成像分辨率，本文提出一种基于双向插值处理和频域信息融合的稀疏贝叶斯学习算法，即BIFF SBL算法。为了验证BIFF SBL算法的效果，本文进行了基于仿真数据和实测数据的ISAR成像实验，并将实验结果与其他3种ISAR成像算法进行对比，发现BIFF SBL算法在压制噪声和去除条纹干扰方面具有明显的优势，且能提供更高的 ISAR成像分辨率。重构误差实验结果表明，相比于其他两种超分辨ISAR成像算法，BIFFSBL算法的重构误差更低。本文BIFF SBL算法的不足是需要更多的计算时间。跟利用 EM 算法进行参数重构的传统SBL算法相比，LAVB算法在参数重构时，需要计算高斯一阶绝对矩，其中包括多次计算库默尔函数，导致运算量增加。本文的BIFF SBL算法为了增强压制噪声的能力，进行了两次插值预处理，再基于LAVB算法进行两次参数重构，导致计算时间增加。后续工作将探索计算复杂度更低的ISAR成像算法，在保留ISAR成像效果的同时力求降低运算时间。496景鑫磊：基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像2023 年第 5 期参考文献：1曾涛，温育涵，王岩，等.合成孔径雷达参数化成像技术进展 J.雷达学报，2021，10（3）:327341.2周子铂,王鑫奎,蔡万勇，等.联合时频分析和谱估计的机动目标ISAR成像 J.雷达科学与技术，2021，19（4）:393402.3冯德军，王雪松，陈志杰，等.酉ESPRIT超分辨ISAR成像方法 J.电子学报，2005，33（12）:20972100.4DONOHO D L.Compressed Sensing J.IEEE Trans onInformation Theory,2006,52（4）:12891306.5TANAY S,SHWETABH S,SWANAND K,et al.An Improved Algorithm for Basis Pursuit Problem and Its Applications J.Applied Mathematics and Computation,2019,355:385398.6RONG Jiajia,WANG Yong,HAN Tao.Iterative OptimizationBased ISAR Imaging with Sparse Aperture and Its Application in Interferometric ISAR Imaging J.IEEE Sensors Journal,2019,19（19）:86818693.7ROSEBROCK F,ROSEBROCK J,CERUTTIMAORI D,et al.ISAR Imaging by Integrated Compressed Sensing,Range Alignment and Autofocus C/13th European Conference on Synthetic Aperture Radar,Online:VDE,2021:15.8YIN Zhiping,LU Xinfei,CHEN Weidong.Echo Preprocessing to Enhance SNR for 2D CSBased ISAR ImagingMethod J.Sensors,2018,18（12）:4409.9LIU Hongchao,JIU Bo,LIU Hongwei,et al.SuperResolution ISAR Imaging Based on Sparse Bayesian LearningJ.IEEE Trans on Geoscience and Remote Sensing,2014,52（8）:50055013.10WU Kejiang,CUI Wei,XU Xiaojian.Superresolution Radar Imaging via Peak Search and Compressed SensingJ.IEEE Geoscience and Remote Sensing Letters,2022,19:15.11DING Yacong,CHIU Sungen,RAO B D.Sparse Recovery with Quantized Multiple Measurement Vectors C/2017 51st Asilomar Conference on Signals,Systems,andComputers,Pacific Grove,CA,USA:IEEE,2017:845849.12JIANG Zhongjin,ZHAO Shumin,CHEN Xing,et al.ANovel MMV Based SBL Algorithm for High ResolutionISAR ImagingJ.Digital Signal Processing,2021,117（3）:103162.13XU Gang,YANG Lei,BI Guoan,et al.Enhanced ISARImaging and Motion Estimation with Parametric and Dynamic Sparse Bayesian LearningJ.IEEE Trans onComputational Imaging,2017,3（4）:940952.14ZHANG Shuanghui,LIU Yongxiang,LI Xiang,et al.Variational Bayesian Sparse Signal Recovery with LSMPrior J.IEEE Access,2017,5:2669026702.15 ZHANG Shuanghui,LIU Yongxiang,LI Xiang.FastSparse Aperture ISAR Autofocusing and Imaging via ADMM Based Sparse Bayesian Learning J.IEEE Trans onImage Processing,2020,29:32133226.作者简介：景鑫磊男，1998年生，江苏南通人，硕士研究生，主要研究方向为基于信号处理和机器学习的逆合成孔径雷达成像。张宇男，1998年生，安徽宣城人，硕士研究生，主要研究方向为基于信号处理和机器学习的阵列信号处理。蒋忠进男，1973 年生，四川中江人，博士，副教授，主要研究方向为雷达目标电磁散射特性、高分辨雷达成像、SAR图像自动解译、目标识别与抗干扰。497