Radar Range Super-Resolution Using Sparse Bayesian Learning With a Pulse-Compression-Response Dictionary

doi:10.1109/jsen.2026.3718152

Radar Range Super-Resolution Using Sparse Bayesian Learning With a Pulse-Compression-Response Dictionary

2026-08-04

0

PRE

AI

DOI：10.1109/jsen.2026.3718152

原文链接

原文求助

摘要

En 中文

传统距离处理受限于信号带宽，因此无法可靠分辨位于同一距离分辨单元内的多个目标。现有的基于稀疏重构的距离超分辨方法通常基于理想时延诱导的频率响应构建字典，这未能准确表征实际中使用的脉冲压缩观测，从而导致这些方法易受模型失配及其相关性能下降的影响。为解决此问题，本文提出了一种基于脉冲压缩响应字典的稀疏贝叶斯学习（PCD-SBL）雷达距离超分辨方法。通过联合考虑发射波形、系统带宽、采样率、脉冲压缩处理及候选距离网格，所提方法构建了一个与实际观测机制一致的脉冲压缩响应字典（PCD），并在距离域内构建了稀疏测量模型。基于此模型，进一步开发了一个层次化稀疏贝叶斯学习（SBL）框架，用于迭代更新稀疏性控制超参数和噪声精度，从而实现对单个距离分辨单元内多个紧邻目标距离的估计。仿真和实测数据结果表明，所提方法缓解了模型失配的负面影响，为紧邻的集群目标提供了可靠的距离超分辨。

Keyword:

Pulse-compression response dictionary (PCD)

range super-resolution

sparse Bayesian learning (SBL)

swarm targets

Radar Range Super-Resolution Using Sparse Bayesian Learning With a Pulse-Compression-Response Dictionary

摘要

期刊

机构

引用论文