بازسازي سيگنال تنك رادار دهانه تركيبي معكوس مبتني بر همبستگي‌هاي درون خوشه‌اي

Sparse Signal Reconstruction of Inverse Synthetic Aperture Radar based on Intra-Cluster Correlation

در بسياري از كاربردهاي عملي از جمله رادار دهانه تركيبي معكوس، با سيگنال‌هايي سروكار داريم كه اغلب داراي ساختار تنك بلوكي مي‌باشند، بدان معني كه مقادير غير صفر در تعدادي بلوك (خوشه) اتفاق مي‌افتد. در اين سيگنال‌ها، معمولاً اطلاعات قبلي از تعداد، اندازه و مكان بلوك‌هاي غير صفر در دسترس نيست. با توجه به الگوي پيوستگي موجود در سيگنال ISAR، براي هر پراكنده‌گر غالب مي‌توان يك همسايگي در نظر گرفت. در اين مقاله با توجه به همبستگي درون خوشه‌اي بين همسايگي نقاط پراكنده‌گر غالب، روشي به منظور بازسازي سيگنال تنك ISAR مبتني بر نمونه‌برداري فشرده بيزين ارائه مي‌كنيم. تنكي هر نقطه پراكنده‌گر غالب، نه تنها به فراپارامتر خودش، بلكه به فراپارامترهاي مجاورش نيز بستگي دارد. روش پيشنهادي به اطلاعات قبلي از ساختار بلوكي نياز ندارد. همچنين به منظور مدل كردن همبستگي‌هاي درون خوشه‌اي بين نقاط پراكنده‌گر همسايه، از يك توزيع پيشين گوسي استفاده مي‌شود و در نهايت از استنتاج تغييرات بيزين به منظور يادگيري فراپارامترها و تخمين سيگنال تنك، استفاده شده است. نتايج شبيه‌سازي برتري قابل توجه روش پيشنهادي را نسبت به ساير روش‌ها بر حسب ميزان همبستگي، خطاي بازسازي، درصد بازسازي كامل، آنتروپي و كنتراست تصوير نشان مي‌دهد.

In many practical applications such as inverse synthetic aperture radar (ISAR), signals have block structure. That is the non-zero entries appear in a number of block (cluster). In these signals, the prior information about the number, size, and location of non-zero blocks is not available. According to continuity pattern of ISAR signal, a neighborhood of the coefficients can be considered for dominant scattering. In this paper, we propose a method to reconstruct ISAR sparse signal based on Bayesian compressive sensing according to intra-cluster correlation between neighboring of dominant scattering points. The sparsity of dominant scattering point not only depended on its hyperparameter, but also on neighboring hyperparameters. The proposed method does not depend on prior knowledge of the block structure. In order to model intra-cluster correlations between neighboring scattering points, a Gaussian prior distribution is used and finally variational Bayesian (VB) inference has been used to learn the hyperparameters and sparse signal estimation. The simulation results show the superiority of the proposed method compared with other methods in terms of the correlation, recovery error, perfect recovery percentage, entropy and image contrast.