基于贝叶斯稀疏理论的合成孔径声纳成像技术研究

This project mainly focuses on the problems of phase error correction and weak target enhancement in the synthetic aperture sonar (SAS) imaging based on the theory of sparse Bayesian learning. After construction of a proper dictionary in the application of synthetic aperture sonar imaging, we propose and study three main aspects of the technique based on the sparse Bayesian learning theory. One is the automatic phase error correction; another is the weak target enhancement by exploiting the structural information of the target; and the third is imaging framework of simultaneous phase error correction and target enhancement. By solving the key technologies, the established framework is a data-driven learning process. It learns the phase error and the target structure totally from the data, and achieves the purposes of automatic phase error correction and target enhancement. The theoretical results and technological achievements will be validated with both simulated and experimental data. This project can be considered as the theoretical and technical basis for the applications of the sparse Bayesian learning in the system of SAS. It is of great significance to enhance the performance of the SAS imaging.

本项目旨在利用贝叶斯稀疏理论解决合成孔径声纳成像中相位误差矫正和低信噪比下的目标增强的问题。在合成孔径声纳成像应用中，建立适当的字典，通过研究基于贝叶斯稀疏理论的相位误差矫正算法、基于结构化贝叶斯稀疏理论的微弱目标增强成像算法、以及兼具相位误差矫正与目标增强的系统成像方法，提出并完善基于贝叶斯稀疏理论的合成孔径声纳成像技术。突破关键技术问题，提出一套完全从数据中学习并矫正相位误差，从数据中学习并利用目标结构信息实现微弱目标增强的成像算法。并从仿真实验和实测数据两方面，对本项目所取得的理论和技术成果进行验证。本项目的研究为贝叶斯稀疏表示理论应用到合成孔径声纳系统中奠定理论和技术基础，对提升声纳系统的成像性能，具有重要的理论意义和实际应用价值。

本项主要探究贝叶斯学习理论在声纳成像系统中的应用，有针对性的解决合成孔径成像中相位误差矫正和低信噪比下扩展目标增强的两个问题。项目研究的基于贝叶斯学习的相位误差自校正和成像算法，可以无监督的从所获取的数据中自主学习并估计相位误差同时得到高分辨的目标图像；项目所研究的理论算法“结构化贝叶斯稀疏学习”能够有效地从数据中学习并利用目标的潜在结构提高算法学习效率。其可广泛应用于声纳、雷达、麦克风阵列对扩展目标的探测和成像中，大幅度提高系统对微弱目标探测和成像的性能。项目进一步研究的基于贝叶斯学习的联合相位误差和结构稀疏学习算法可系统地应用于合成孔径声纳成像，揭示了贝叶斯学习相比传统阵列信号处理具有强大的多任务信号处理能力。本项目所取得的理论和技术成果为贝叶斯学习理论系统地应用到声纳中奠定理论和技术基础，对提升声纳系统的成像和目标探测性能具有重要的理论意义和实际应用价值。同时，本项目所研究的理论，可广泛推广至声纳、雷达及麦克风传声器等阵列系统，对未来更全面地、系统地利用贝叶斯学习取代传统阵列信号处理算法，进一步全面变革和推进智能、高性能、多任务声纳、雷达以及其他阵列系统提供基础，有重要参考价值。