摘要：传统压缩感知（CS,Compressive Sensing）成像方法一般假定目标精确位于事先划定的成像网格上,实际中由于散射点空间位置是连续分布的,因此偏离网格（Off-grid）问题必然存在.这会引起真实回波测量值与默认系统观测矩阵之间失配,导致传统CS成像方法性能恶化.本文基于频率分集多输入多输出（FD-MIMO,Frequency Diverse Multiple-Input Multiple-Output）雷达,针对Off-grid目标提出了一种基于贝叶斯压缩感知的稀疏自聚焦（SAF-BCS,Sparse Autofocus Imaging Method Based on Bayesian Compressive Sensing）成像算法.该算法依据最大后验（MAP,Maximum A Posteriori）准则,利用变分贝叶斯学习技术求解含有Off-grid目标的稀疏像.与传统稀疏重构方法相比,所提方法充分利用了目标先验信息,可自适应调整参数,能够更好地反演稀疏目标,同时具有校正Off-grid目标的网格位置偏差以及估计噪声功率等优势.仿真结果表明SAF-BCS算法对网格划分不敏感,具有稳健的成像性能.

关键词：贝叶斯压缩感知 变分贝叶斯学习 稀疏自聚焦成像 

单位：中国卫星海上测控部; 江苏江阴214431; 中国科学技术大学中科院电磁空间信息重点实验室; 安徽合肥230027; 合肥工业大学光电技术研究院; 安徽合肥230009