1. 专利的研究目标与产业意义

1.1 研究目标与实际问题

本专利旨在解决 机载扫描雷达斜前视成像中传统超分辨方法计算复杂度过高、内存占用率高 的问题。传统方法如迭代自适应方法（Iterative Adaptive Approach, IAA）需要多次矩阵求逆，导致计算资源消耗大，无法满足实时处理需求。此外，现有方法多采用 批处理（Batch Processing） 模式，无法实现扫描与成像的同步更新，限制了实时性。

1.2 产业意义

在军事侦察（如机载雷达前视区域目标识别）和民用领域（如灾害监测、地质测绘）中，实时高分辨成像 是核心需求。传统方法因计算复杂度高，难以在资源受限的嵌入式平台上部署。本专利通过 滑窗递归优化 和 在线更新机制，显著降低计算复杂度（从 $O(N^3)$ 降至 $O(N^2)$），为机载雷达的实时成像提供技术支撑。

---

2. 专利的创新方法：滑窗递归优化与实时更新

2.1 核心模型与公式

专利的核心创新在于 斜前视矢量卷类积回波模型 和 滑窗递归优化框架：

1. 斜前视矢量卷类积回波模型
   将雷达回波建模为 多普勒效应 和 天线方向图卷积 的联合作用：

   $$\text{Y}=\text{A}\sigma +\text{e}(1)$$
   $$\text{A}=\text{D}\odot \text{H}(2)$$

   其中：

   • Y 为方位回波矩阵（$N\times 1$ 维）；
   • A 为导向矩阵，由多普勒矩阵 D（表征平台运动引起的相位变化）和天线方向图矩阵 H（表征波束方向性）通过 点积（$\odot$） 构成；
   • σ 为目标散射系数；
   • e 为加性高斯噪声。

2. 最小二乘代价函数与正则化约束
   构建基于 正则化最小二乘（Regularized Least Squares, RLS） 的优化问题：

   $$J(\hat{\sigma })=\Vert Y$$