بازسازی سیگنال تنک رادار دهانه ترکیبی معکوس مبتنی بر همبستگی‌های درون خوشه‌ای

در بسیاری از کاربردهای عملی از جمله رادار دهانه ترکیبی معکوس، با سیگنال‌هایی سروکار داریم که اغلب دارای ساختار تنک بلوکی می‌باشند، بدان معنی که مقادیر غیر صفر در تعدادی بلوک (خوشه) اتفاق می‌افتد. در این سیگنال‌ها، معمولاً اطلاعات قبلی از تعداد، اندازه و مکان بلوک‌های غیر صفر در دسترس نیست. با توجه به الگوی پیوستگی موجود در سیگنال isar، برای هر پراکنده‌گر غالب می‌توان یک همسایگی در نظر گرفت. در این مقاله با توجه به همبستگی درون خوشه‌ای بین همسایگی نقاط پراکنده‌گر غالب، روشی به منظور بازسازی سیگنال تنک isar  مبتنی بر نمونه‌برداری فشرده بیزین ارائه می‌کنیم. تنکی هر نقطه پراکنده‌گر غالب، نه تنها به فراپارامتر خودش، بلکه به فراپارامترهای مجاورش نیز بستگی دارد. روش پیشنهادی به اطلاعات قبلی از ساختار بلوکی نیاز ندارد. همچنین به منظور مدل کردن همبستگی‌های درون خوشه‌ای بین نقاط پراکنده‌گر همسایه، از یک توزیع پیشین گوسی استفاده می‌شود و در نهایت از استنتاج تغییرات بیزین به منظور یادگیری فراپارامترها و تخمین سیگنال تنک، استفاده شده است. نتایج شبیه‌سازی برتری قابل توجه روش پیشنهادی را نسبت به سایر روش‌ها بر حسب میزان همبستگی، خطای بازسازی، درصد بازسازی کامل، آنتروپی و کنتراست تصویر نشان می‌دهد.

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

In many practical applications such as inverse synthetic aperture radar (ISAR), signals have block structure. That is the nonzero entries appear in a number of block (cluster). In these signals, the prior information about the number, size, and location of nonzero 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 intracluster 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 intracluster 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.