技术特征：
1.一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，包括以下步骤：s1：对雷达的回波信号进行脉冲压缩，确定群目标雷达信号段；s2：对群目标雷达信号段进行频率去斜处理，得到单频信号；s3：利用稀疏贝叶斯学习算法对单频信号进行超分辨处理，得到群目标雷达信号的频点位置；s4：根据群目标雷达信号的频点位置确定雷达距离。2.根据权利要求1所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s1中，对雷达的回波信号进行脉冲压缩包括以下子步骤：s11：将线性调频信号作为雷达的发射信号s12：根据雷达的发射信号确定雷达的接收基带回波信号s13：对雷达的发射信号和接收基带回波信号进行卷积，完成对雷达的回波信号的脉冲压缩处理。3.根据权利要求2所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s11中，雷达的发射信号的表达式为：其中，r(
·
)表示门函数运算，μ表示线性调频信号的调频斜率，t
p
表示发射脉冲持续时间，表示快时间，exp(
·
)表示指数运算，j表示虚数；所述步骤s12中，雷达的接收基带回波信号的计算公式为：其中，c
v
表示光速，r表示目标与雷达的径向距离；所述步骤s13中，对雷达的发射信号和接收基带回波信号进行卷积的计算公式为：其中，表示脉冲压缩后的雷达回波信号，sinc(
·
)表示辛格函数运算，b表示发射信号的带宽，表示雷达载波波长。4.根据权利要求2所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s2包括以下子步骤：s21：基于群目标雷达信号段，利用雷达的发射信号构建参考信号
s22：将参考信号和接收基带回波信号共轭相乘，得到去斜处理后的单频信号5.根据权利要求4所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s21中，参考信号的计算公式为：其中，exp(
·
)表示指数运算，μ表示调频斜率，表示快时间，r
ref
表示参考信号对应的距离，c
v
表示光速，j表示虚数；所述步骤s22中，单频信号的计算公式为：其中，表示接收基带回波信号，conj[.]表示取共轭运算，rect(
·
)表示门函数运算，φ0为常数相位项，t0表示，δ表示参考信号相对于距离r处回波信号的延迟时间。6.根据权利要求1所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s3包括以下子步骤：s31：构建超完备字典集，并在超完备字典集中对单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α赋初值；s32：根据当前先验方差，计算可压缩信号x的后验协方差矩阵σ和后验均值矢量β；s33：更新单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α；s34：判断更新后的单频信号中噪声w的噪声功率σ
new
和可压缩信号x的先验方差α
new
是否满足收敛条件，若是则结束迭代更新，并将后验均值矢量β中模最大的元素对应的频点位置作为群目标雷达信号的频点位置，否则返回步骤s32。7.根据权利要求6所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s32中，可压缩信号x的后验协方差矩阵σ的计算公式为：其中，diag(α)表示以α为对角元的对角矩阵，α表示可压缩信号x的先验方差，σ2表示噪声w的方差，a表示，h表示；可压缩信号x的后验均值矢量β的计算公式为：8.根据权利要求6所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s33中，更新单频信号中噪声w的噪声功率σ和可压缩信号x的先验方差α的计算公式为：
其中，σ
new
表示更新后的噪声w的噪声功率，α
new
表示更新后的可压缩信号x的先验方差，表示α
new
的第n个元素，y表示，a表示，β表示可压缩信号的后验均值矢量，h表示，m表示，γ表示，sum(γ)表示γ中所有值之和，γ
n
表示，β
n
表示β的第n个元素，α
n
表示α的第n个元素。9.根据权利要求6所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s34中，收敛条件的表达式为：其中，σ表示噪声w的噪声功率，α
n
表示可压缩信号的先验方差α的第n个元素，α
new
表示更新后的可压缩信号x的先验方差，表示α
new
的第n个元素，σ
new
表示更新后的噪声w的噪声功率，σ表示噪声w的噪声功率。10.根据权利要求6所述的基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，其特征在于，所述步骤s4包括以下子步骤：s41：计算单频信号中1hz信号对应的实际距离r
hz
，其计算公式为：其中，c
v
表示光速，μ表示线性调频信号的调频斜率，r
fs
表示1个采样点对应的距离长度，f
s
表示距离维快采样频率；s42：将后验均值矢量β中模最大的元素对应的频点与单频信号中1hz信号对应的实际距离r
hz
相乘，作为雷达距离。
技术总结
本发明公开了一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法，包括以下步骤：S1：对雷达的回波信号进行脉冲压缩，确定群目标雷达信号段；S2：对群目标雷达信号段进行频率去斜处理，得到单频信号；S3：利用稀疏贝叶斯学习算法对单频信号进行超分辨处理，得到群目标雷达信号的频点位置；S4：根据群目标雷达信号的频点位置确定雷达距离。与传统的脉冲压缩处理算法相比，基于稀疏贝叶斯学习算法的雷达距离超分辨算法分辨的效果可以提高1倍以上。距离超分辨算法分辨的效果可以提高1倍以上。距离超分辨算法分辨的效果可以提高1倍以上。
技术研发人员：曹建蜀 陈岁新 于昕凝
受保护的技术使用者：电子科技大学
技术研发日：2021.06.17
技术公布日：2021/9/17