Forward-Iooking scanning radar imaging is achieved by inversion of the matrix. However, the antenna measurement matrix pathology amplifies the noise of the inversion process, making direct inverse convolution imaging a pathological issue. Therefore, it is necessary to convert this problem into a benign one. A Bayesian model consisting of two layers is utilized to model the forward-looking super-resolution imaging noise and the target. In the first layer, the noise likelihood model is constructed as a normal distribution, while in the second layer, it is constructed as a gamma prior distribution conjugate to the normal distribution. The likelihood model parameters are updated through autonomous iterations, which can effectively fit the actual scenario noise. This approach allows for the recovery of the target scattering coefficients with good beam sharpening ability, even in situations with low signal-to-noise ratios (SNR). Simulation experiments have demonstrated the effectiveness of the proposed method.

Radar systems with anti-jamming capability have become extremely important in the complex electromagnetic environment. In this paper, an anti-jamming strategy generation method based on deep Q-network (DQN) is proposed for slope-varying linear frequency modulation (SV-LFM) signals. First, the radar-jammer confrontation scenario is modeled as a Markov decision process. Subsequently, a reward function is designed by combining the positive reward for suppressing interference and the negative reward for constraining pulse width. In particular, the positive reward is decided by the correlation peak between the jamming and target signals, and the negative reward is determined by the signal energy and the probability of the signal being intercepted. Following the obtained anti-jamming strategy, radar systems can suppress jamming while also avoiding low signal-to-noise ratio (SNR) and high signal interception probability caused by drastic variations in pulse widths. The simulation results verify the effectiveness of the proposed method.