Sea-Surface Target Angular Superresolution in Forward-Looking Radar Imaging论文阅读

1. 研究目标与实际问题

1.1 研究目标

论文旨在解决前视雷达（Forward-Looking Radar, FLR）在海面目标成像中的低角度分辨率问题。传统雷达技术（如合成孔径雷达SAR）无法实现前视成像，而扫描雷达的角分辨率受限于天线波束宽度。论文提出了一种基于最大后验概率（Maximum A Posteriori, MAP）的瑞利稀疏最大后验（RSMAP）算法，通过结合海杂波的瑞利分布特性和目标的稀疏先验，显著提升海面低速/静态目标的角分辨率。

1.2 实际问题与产业意义

• 实际挑战：海杂波分布复杂，传统基于地面目标设计的超分辨方法（如IAA、GGMAP）在海洋场景中会放大杂波甚至掩盖真实目标。
• 产业意义：提升前视雷达在船舶监控、海上搜救和海洋污染监测中的应用能力，尤其是在全天候、复杂海况下的目标检测精度。

---

2. 创新方法与模型

2.1 核心思路

论文提出RSMAP算法，其核心在于：

1. 瑞利分布建模：海杂波的幅度特性由瑞利分布描述，作为似然函数。
2. 稀疏先验约束：目标散射系数的稀疏性通过拉普拉斯分布建模，作为先验信息。
3. 贝叶斯框架下的MAP估计：联合优化似然函数与先验约束，形成凸优化问题。

2.2 关键公式与推导

2.2.1 信号模型

前视雷达的接收信号可表示为卷积模型：

$$|s|(r,\theta )=\sum _{k=1}^K{\sigma }_k\delta \left(r-r_0,\theta -{\theta }_k\right)\otimes |h|(r,\theta )$$

其中，$\otimes$为卷积操作，$|h|$为天线方向图函数。

2.2.2 贝叶斯框架

通过MAP准则构建目标函数：

$$\hat{x}=\arg \underset{x}{\min }\left[-\ln \left(p\left(s/x\right)\right)-\ln \left(p\left(x\right)\right)\right]$$

• 瑞利似然函数：

p ( s / x ) = ∏ n = 1 L N ( s n − ( A x ) n ) σ 2 e ( − ( s n − ( A x ) n )