方位超分辨一直是雷达领域里受到广泛关注的研究课题,针对求解过程中遇到的病态性,深入研究了L1范数正则化方法及其约束方法。在目标稀疏性质的前提下,建立了L1范数正则化与约束L1范数正则化模型。鉴于雷达数据的维数较多,利用梯度投影...方位超分辨一直是雷达领域里受到广泛关注的研究课题,针对求解过程中遇到的病态性,深入研究了L1范数正则化方法及其约束方法。在目标稀疏性质的前提下,建立了L1范数正则化与约束L1范数正则化模型。鉴于雷达数据的维数较多,利用梯度投影算法对模型进行求解。在不同信噪比情况下对两个等幅点目标进行了计算机仿真,结果初步表明:随着信噪比的降低,两种算法的分辨效果变差,在相同条件下约束L1范数正则化方法分辨效果更好,在信噪比为0 d B时,仍可分辨相隔1/2半功率波束宽度的两个等幅点目标;同时约束L1范数正则化方法分辨性能优于L1范数正则化方法、迭代反卷积法、维纳逆滤波法和Richardson-Lucy算法(RL算法);此两种范数正则化方法具有较强的噪声适应能力,可用于雷达方位超分辨。展开更多
文摘方位超分辨一直是雷达领域里受到广泛关注的研究课题,针对求解过程中遇到的病态性,深入研究了L1范数正则化方法及其约束方法。在目标稀疏性质的前提下,建立了L1范数正则化与约束L1范数正则化模型。鉴于雷达数据的维数较多,利用梯度投影算法对模型进行求解。在不同信噪比情况下对两个等幅点目标进行了计算机仿真,结果初步表明:随着信噪比的降低,两种算法的分辨效果变差,在相同条件下约束L1范数正则化方法分辨效果更好,在信噪比为0 d B时,仍可分辨相隔1/2半功率波束宽度的两个等幅点目标;同时约束L1范数正则化方法分辨性能优于L1范数正则化方法、迭代反卷积法、维纳逆滤波法和Richardson-Lucy算法(RL算法);此两种范数正则化方法具有较强的噪声适应能力,可用于雷达方位超分辨。
