Azimuth Superresolution of Forward-Looking Radar Imaging Which Relies on Linearized Bregman论文阅读

1. 论文的研究目标与意义

1.1 研究目标

论文旨在解决前视雷达（Forward-Looking Radar, FLR）在方位向分辨率不足的问题。传统方法（如维纳滤波、TSVD、Tikhonov正则化等）在低信噪比（SNR）条件下存在噪声放大或分辨率提升受限的缺陷。作者提出了一种基于线性化Bregman算法（Linearized Bregman Algorithm）的贝叶斯反卷积方法，通过引入噪声和目标分布的先验信息，将超分辨问题转化为凸优化问题，并在贝叶斯框架下实现高效求解。

1.2 实际应用意义

• 军事与民用需求：前视雷达在武器制导、目标检测与识别、自动驾驶等领域需要高分辨率，但受限于天线孔径尺寸，方位分辨率通常较低（由公式 ${\rho }_a=R\cdot (\lambda /D)$ 决定）。
• 技术瓶颈：现有方法（如RL算法、梯度法）在低SNR条件下性能下降明显，且计算效率不足。
• 产业价值：提升前视雷达的方位分辨率可增强复杂场景（如机场跑道、战场环境）的目标识别能力，推动雷达成像技术在实时性要求高的场景中的应用。

---

2. 论文提出的新方法、公式与优势（重点）

2.1 方法框架

论文的核心贡献是结合贝叶斯最大后验估计（MAP）与线性化Bregman算法，将反卷积问题建模为稀疏目标的凸优化问题，并通过迭代阈值收缩算子高效求解。

2.1.1 贝叶斯建模

1. 噪声模型：假设噪声服从复高斯分布：

   $$p(n_i)=\frac{1}{\pi {\sigma }_n^2}\exp \left(-\frac{n_i^2}{2{\sigma }_n^2}\right)$$

2. 目标模型：假设目标服从拉普拉斯分布（稀疏性先验）：

   $$p(x)=\frac{1}{(2{\sigma }_t{)}^{MN}}\exp ($$