分布式雷达稀疏成像技术与优化算法研究

分布式雷达稀疏成像技术是近年来雷达领域的重要研究方向，其核心在于利用多个分布式发射机和接收机（或虚拟收发阵列）协同工作，实现对目标的高效、高分辨率成像。这种技术融合了实孔径成像和虚拟孔径成像的特点，拓展了多输入多输出（MIMO）雷达的成像概念，为雷达成像提供了统一的理论框架。 首先，本文基于空间谱理论，探讨了雷达成像的通用描述，提出了广义孔径成像的概念。通过分析逆合成孔径雷达（ISAR）、频率分集MIMO雷达（FD-MIMO）以及分布式无源雷达这三种典型成像系统，揭示了孔径大小、信号带宽和成像分辨率之间的相互影响。同时，针对实际系统中的限制，如硬件条件、信噪比（SNR）等，引入了压缩感知（CS）理论，以解决分布式雷达稀疏成像中的挑战。 其次，针对分布式雷达稀疏成像的优化算法进行了深入研究。为了解决传统稀疏重构算法在硬件实现时的复杂性问题，文章提出了基于非凸函数约束的Homotopy DCD高分辨成像方法，该方法具有更高的求解精度且更易于硬件实现。此外，针对低SNR环境下的稳定性问题，对于单测量矢量（SMV）成像，提出了基于贝叶斯压缩感知的vB-BCS算法，对于多测量矢量（MMV）成像，提出了基于拉普拉斯先验的稀疏贝叶斯学习高分辨成像算法（Laplace-SBL）。这些新方法的仿真结果证明了它们在提高成像性能方面的显著优势。 接着，文章关注到在将连续成像目标空间离散化处理时可能出现的网格失配问题（Off-grid问题）。为解决这一问题，提出了三种解决方案：一是采用自适应网格的反演技术；二是结合Analog CS理论的MUSSIC和改进Matrix Pencil方法；三是基于贝叶斯压缩感知的稀疏自校正成像（SAC-BCS）和改进OMP的稀疏自校正成像方法（06-OMP）。这些方法对网格划分不敏感，能够有效地提取目标信息，提高了成像的稳健性。 最后，考虑到实际系统中可能存在相位误差，如由系统误差引起的相位不准确性，导致成像模型的观测矩阵无法精确已知，从而影响传统稀疏成像方法的性能。为此，文章提出了两种稀疏自聚焦成像技术，即基于优化迭代的自聚焦方法，旨在改善由于相位误差导致的成像质量下降问题。 本研究深入探讨了分布式雷达稀疏成像的理论基础，发展了一系列优化算法以提高成像质量和鲁棒性，并解决了实际应用中的关键问题，如网格失配和相位误差。这些成果对于推动分布式雷达技术的发展，尤其是在军事、航空航天、交通监控等领域的应用，具有重要的理论和实践意义。