CN105842693A - 一种基于压缩感知的双通道sar动目标检测的方法 - Google Patents
一种基于压缩感知的双通道sar动目标检测的方法 Download PDFInfo
- Publication number
- CN105842693A CN105842693A CN201610169281.2A CN201610169281A CN105842693A CN 105842693 A CN105842693 A CN 105842693A CN 201610169281 A CN201610169281 A CN 201610169281A CN 105842693 A CN105842693 A CN 105842693A
- Authority
- CN
- China
- Prior art keywords
- target
- moving
- dual
- sar
- exp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
Abstract
一种基于压缩感知的双通道SAR动目标检测的方法,涉及微波遥感技术领域,尤其涉及一种基于压缩感知的双通道SAR动目标检测的方法。本发明为解决现有单通道SAR‑GMTI系统由于平台运动导致地杂波频谱展宽,使得慢速运动目标淹没其中而难以检测的问题以及多通道SAR系统存在通道数目和数据量庞大给数据的传输和存储造成巨大压力的问题。本发明按以下步骤进行:一、双通道SAR原始数据沿方位向进行稀疏采样;二、双通道SAR回波的预处理:距离向脉冲压缩;距离徙动校正;杂波抑制处理;三、双通道SAR回波的预处理;四、利用贝叶斯稀疏重构算法实现动目标散射系数的重构。本发明可应用于微波遥感技术领域。
Description
技术领域
本发明涉及微波遥感技术领域,尤其涉及一种基于压缩感知的双通道SAR动目标检测的方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,简称SAR)是一种高分辨成像雷达,具有全天时、全天候、远距离的特点,能够提供丰富的地表电磁散射特性信息。SAR系统在其固有成像基础上实现动目标检测(Ground Moving Target Indication,简称GMTI),即利用信号处理技术在对静止场景成像的同时实现对地面运动目标的检测,并最终将目标的真实位置及运动参数标注于地面高分辨率图像中,实现预警与测绘的结合。单通道SAR-GMTI系统由于平台运动导致地杂波频谱展宽,使得慢速运动目标淹没其中而难以检测;多通道SAR动目标检测通过增加空间上的维数实现空、时两域联合处理,从而克服单通道系统在运动目标检测中的不足。
随着对雷达图像分辨率的需求不断提高,对采样速度和数据处理速度的要求也越来越高,也给相应的硬件设备和成本投入带来了极大的挑战。同时,多通道动目标检测的通道数目和数据量的庞大亦给数据的传输和存储造成巨大压力。然而单纯地降低采样率(PRF)会加重方位模糊降低方位向分辨率。压缩感知理论(Compressive sensing,简称CS)指出,当信号具有稀疏性或可压缩性时,通过求解一个最优化问题,可以依靠远低于Nyquist采样率所采集到的信号测量值实现信号的准确或近似重构。动目标在成像场景中通常具有稀疏性,因此,根据CS理论可以在降低数据量的同时实现动目标检测,有效解决在多通道动目标检测中存在的问题。
发明内容
本发明为解决现有单通道SAR-GMTI系统由于平台运动导致地杂波频谱展宽,使得慢速运动目标淹没其中而难以检测的问题以及多通道SAR系统存在通道数目和数据量庞大给数据的传输和存储造成巨大压力的问题,而提出一种基于压缩感知的双通道SAR动目标检测的方法。
本发明所述一种基于压缩感知的双通道SAR动目标检测的方法,按以下步骤进行:
步骤一:双通道SAR原始数据沿方位向进行稀疏采样;
步骤二:双通道SAR回波的预处理:距离向脉冲压缩;距离徙动校正;杂波抑制处理;
步骤三:双通道SAR回波的预处理;
步骤四:利用贝叶斯稀疏重构算法实现动目标散射系数的重构。
本发明包括以下有益效果:
1、本发明所采用的稀疏采样回波模型不需要满足Nyauist采样定理,可以有效地降低数据量;
2、本发明对回波数据的杂波抑制处理,使得动目标在场景中呈现稀疏特征,满足压缩感知稀疏重构条件;
3、利用基于贝叶斯的稀疏重构算法对动目标的散射系数进行稀疏重构,使动目标在杂波背景下仍能够实现检测,并且这种方法的计算复杂度低,适应性更强;
4、实测数据处理结果表明:本发明提出的动目标检测方法检测性能高,计算复杂度低,具有很强的实际应用价值。
附图说明
图1为本发明所述的基于压缩感知的双通道SAR动目标检测方法的流程图;
图2为本发明所述的基于压缩感知的双通道SAR动目标检测方法的几何结构图;
图3为本发明所述的基于压缩感知的双通道SAR动目标检测方法在采样率为30%条件下获得的点目标方位向剖面图;
图4为本发明所述的基于压缩感知的双通道SAR动目标检测方法在采样率为50%条件下获得的点目标方位向剖面图;
图5为本发明所述的基于压缩感知的双通道SAR动目标检测方法在采样率为100%条件下获得的点目标方位向剖面图;
图6为传统相位中心偏置天线方法,即Displaced Phase Center Antenna,简称DPCA,即传统DPCA方法在采样率为30%条件下获得的点目标方位向剖面图;
图7为传统DPCA方法在采样率为50%条件下获得的点目标方位向剖面图;
图8为传统DPCA方法在采样率为100%条件下获得的点目标方位向剖面图;
图9为不同信噪比下稀疏重构算法的检测性能曲线。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合图1至9和具体实施方式对本发明作进一步详细的说明,其中图1为本发明所述的基于压缩感知的双通道SAR动目标检测方法的流程图。
具体实施方式一、本实施方式所述的一种基于压缩感知的双通道SAR动目标检测的方法,按以下步骤进行:
步骤一:双通道SAR原始数据沿方位向进行稀疏采样;
步骤二:双通道SAR回波的预处理:距离向脉冲压缩;距离徙动校正;杂波抑制处理;
步骤三:根据SAR回波模型进行观测矩阵的构建;
步骤四:利用贝叶斯稀疏重构算法实现动目标散射系数的重构。
本实施方式包括以下有益效果:
1、本实施方式所采用的稀疏采样回波模型不需要满足Nyauist采样定理,可以有效地降低数据量;
2、本实施方式对回波数据的杂波抑制处理,使得动目标在场景中呈现稀疏特征,满足压缩感知稀疏重构条件;
3、利用基于贝叶斯的稀疏重构算法对动目标的散射系数进行稀疏重构,使动目标在杂波背景下仍能够实现检测,并且这种方法的计算复杂度低,适应性更强;
4、实测数据处理结果表明:本实施方式提出的动目标检测方法检测性能高,计算复杂度低,具有很强的实际应用价值。
具体实施方式二、本实施方式是对具体实施方式一所述的一种基于压缩感知的双通道SAR动目标检测的方法的进一步说明,步骤一所述的双通道SAR原始数据的稀疏采样的具体过程如下:
与传统SAR沿方位向等周期发射和接收脉冲方式不同,在该方法中,沿方位向随机稀疏采样以降低原始采样数据,由通道1沿方位向随机发射脉冲,通道1和通道2同时接收脉冲信号,合成孔径时间Ta内共随机发射与接收M个脉冲,则方位向慢时间表示为:
具体实施方式三、本实施方式是对具体实施方式一或二所述的一种基于压缩感知的双通道SAR动目标检测的方法的进一步说明,步骤二所述的双通道SAR回波的预处理的具体过程如下:
结合图2双通道SAR动目标检测方法的几何结构图,说明双通道SAR回波的预处理过程,SAR工作在正侧视模式下,平台距地面高度为H,飞机以速度v沿x轴匀速运动,在飞行方向放置两幅天线1和2,二者相距为d,由天线1发射LFM信号,两天线同时接收回波信号,在tm=0时刻,天线1和2的坐标分别为(0,0,h)和(-d,0,h),动目标坐标为(x0,y0,0);经过tm=n·PRF时刻,其中PRF表示脉冲重复频率,天线1和2移至(vn·PRF,0,h)和(vn·PRF-d,0,h),此时,动目标坐标为(xn,yn,0);RB为动目标到航迹方向的最近距离,R1(tm)和R2(tm)分别表示天线1和2与动目标的距离;在斜距平面内,动目标的径向速度和切向速度分别为vr和va;天线1、2与动目标的瞬时斜距表示为:
其中,v-va=vΔ;
对天线接收到的回波信号进行解调和距离向压缩后,两通道的回波信号和分别表示成复数形式:
其中,λ表示载波波长,σ0表示为目标复散射系数,A表示距离向压缩增益,B为发射信号带宽,c为光速,表示快时间,aa(tm)表示方位向窗函数;
将斜距公式代入上式可得:
其中,
对于任意距离单元数据s1(tm)和s2(tm),对2通道的信号进行时间校准后,杂波抑制处理,得到处理后的信号表达式为:
对于静止目标(vr=0),s(tm)取值为零,而动目标(vr≠0),s(tm)取值不为零而得以保留,实现杂波抑制,使得动目标从整个目标场景中分离出来。
具体实施方式四、本实施方式是对具体实施方式一至三之一所述的一种基于压缩感知的双通道SAR动目标检测的方法的进一步说明,步骤三所述的根据SAR回波模型进行观测矩阵的构建的具体过程如下:
根据压缩感知理论,如果动目标在每个距离单元内是稀疏的,则利用稀疏采样回波原始数据可以实现动目标检测;根据SAR动目标回波模型,得到:
其中,ξ=G1(1-exp(jπ2vrd/(λ(v-va))))exp(-j4πRB/λ);
令N为在方位向上的全采样点数,在稀疏采样的条件下满足M<<N;
则观测矩阵表示为:
具体实施方式五、本实施方式是对具体实施方式一至四之一所述的一种基于压缩感知的双通道SAR动目标检测的方法的进一步说明,步骤四所述的利用贝叶斯稀疏重构算法实现动目标散射系数的重构的具体过程如下:
令s=[s(t1),…,s(tM)]T和ρ=[ρ1,…,ρN]T,则复数域观测模型表达式为:
sM×1=ΦM×NρN×1
其中,sM×1表示经过杂波抑制后的回波数据,ΦM×N表示观测矩阵,ρ表示某距离单元的散射系数;
由于上式为欠定方程组,因此存在无穷解,根据压缩感知理论,可知若ρ满足稀疏性,并且矩阵ΦM×N满足RIP条件,则对于α的求解问题转化为对于如下最优化问题的求解,实现散射系数的重构:
min||ρ||1 s.t. s=Φρ
其中,||||1表示1-范数,min表示取最小值,s表示经过杂波抑制后的回波数据,Φ表示观测矩阵,ρ表示某距离单元的散射系数。在噪声存在的情况下,ρ取估计值,上式转化为:
其中,||||2表示2-范数,ε由噪声水平决定;
对上式的求解利用基于贝叶斯的稀疏重构算法,其具体步骤为:
(1)复数域观测模型实数化:
复数域观测模型表示为:
sR+j·sI=(ΦR+j·ΦI)(ρR+j·ρI)
其中,sR与sI分别表示测量值矢量的实部与虚部组成的矢量,ΦR和ΦI表示观测矩阵的实部矩阵,ρR为散射系数矢量的实部,ρI为散射系数矢量的虚部;
将上式展开得到:
sR+j·sI=(ΦRρR-ΦIρI)+j·(ΦIρR+ΦRρI)
上式可以用如下方程组等价表示:
将复数域观测模型转化为如下实数模型:
令由于SAR回波信号含有噪声,观测模型可以表示为:
y=Tw+n
其中,n为噪声,y∈R2M×1,T∈R2M×2N,w∈R2N×1
(2)快速贝叶斯算法的步骤为:
A、初始化:噪声参数α0,一般取α0=0.1×var(y),其中var(y)表示y的方差;集合利用观测矩阵的某一列Ti初始化超参数ηi,其中Ti选取目标向量投影值最大时对应的列,即arg max表示最大时对应的列,其余的ηm均假设为无穷大,并将i添加到集合L中;
B、计算均值μ和协方差Σ,对于每一个Ti令:
当ηi=∞时,令
C、随机从观测矩阵中选择一列计算θm=qm 2-sm,如果θm>0且ηm<∞,则更新ηm;如果θm>0且ηm=∞,则将m添加到L中,并更新ηm;如果θm≤0且ηm<∞,则将m从L中删除,并令ηm=∞;
D、更新均值μL和协方差ΣL,即μ和Σ中下标在L中的元素,并重新计算所有的si和qi;
E、如果迭代收敛,则终止迭代,否则转到步骤C。
为验证本发明的有益效果,进行如下仿真实验:
结合图3-9对仿真实验进行说明,成像场景中心设置1个运动目标,运动速度为vr=1m/s和va=20m/s。信噪比(SNR)和信杂比(SCR)分别取23dB和-10dB。分别通过本发明基于压缩感知的动目标检测方法与传统DPCA方法在不同采样率下获取的动目标方位向剖面图。其中,图3-5分别为本发明基于压缩感知的动目标检测方法在采样率为30%、50%、100%条件下获取的剖面图,图6-8分别为传统DPCA方法依次在采样率为30%、50%、100%条件下获取的剖面图,可知本发明基于压缩感知的动目标检测方法与传统DPCA方法相比,在少量数据下本发明可以使杂波得到有效抑制,并实现动目标的检测。
图9为在不同检测门限情况、不同信噪比下获取的检测概率PD曲线图。动目标的检测性能均随检测门限的变化而变化,当检测门限为-12到-8dB时检测性能最佳;并且信噪比越高各算法的检测概率越高。本发明中采用的基于贝叶斯的稀疏重构方法每次迭代的复杂度为O(NK2),其中K为某距离单元的动目标稀疏度,由于动目标在场景中具有稀疏特性,因此本方法的复杂度较低。
Claims (5)
1.一种基于压缩感知的双通道SAR动目标检测的方法,其特征在于它按以下步骤进行:
步骤一:双通道SAR原始数据沿方位向进行稀疏采样;
步骤二:双通道SAR回波的预处理:距离向脉冲压缩;距离徙动校正;杂波抑制处理;
步骤三:双通道SAR回波的预处理;
步骤四:利用贝叶斯稀疏重构算法实现动目标散射系数的重构。
2.如权利要求1所述的一种基于压缩感知的双通道SAR动目标检测的方法,其特征在于步骤一所述的双通道SAR原始数据的稀疏采样的具体过程如下:
与传统SAR沿方位向等周期发射和接收脉冲方式不同,在该方法中,沿方位向随机稀疏采样以降低原始采样数据,由通道1沿方位向随机发射脉冲,通道1和通道2同时接收脉冲信号,合成孔径时间Ta内共随机发射与接收M个脉冲,则方位向慢时间表示为:
3.如权利要求1或2所述的一种基于压缩感知的双通道SAR动目标检测的方法,其特征在于步骤二所述的双通道SAR回波的预处理的具体过程如下:
SAR工作在正侧视模式下,平台距地面高度为H,飞机以速度v沿x轴匀速运动,在飞行方向放置两幅天线1和2,二者相距为d,由天线1发射LFM信号,两天线同时接收回波信号,在tm=0时刻,天线1和2的坐标分别为(0,0,h)和(-d,0,h),动目标坐标为(x0,y0,0);经过tm=n·PRF时刻,其中PRF表示脉冲重复频率,天线1和2移至(vn·PRF,0,h)和(vn·PRF-d,0,h),此时,动目标坐标为(xn,yn,0);RB为动目标到航迹方向的最近距离,R1(tm)和R2(tm)分别表示天线1和2与动目标的距离;在斜距平面内,动目标的径向速度和切向速度分别为vr和va;天线1、2与动目标的瞬时斜距表示为:
其中,v-va=v△;
对天线接收到的回波信号进行解调和距离向压缩后,两通道的回波信号和分别表示成复数形式:
其中,λ表示载波波长,σ0表示为目标复散射系数,A表示距离向压缩增益,B为发射信号带宽,c为光速,表示快时间,aa(tm)表示方位向窗函数;
将斜距公式代入上式可得:
其中,
对于任意距离单元数据s1(tm)和s2(tm),对2通道的信号进行时间校准后,杂波抑制处理,得到处理后的信号表达式为:
对于静止目标vr=0,s(tm)取值为零,而动目标vr≠0,s(tm)取值不为零而得以保留。
4.如权利要求3所述的一种基于压缩感知的双通道SAR动目标检测的方法,其特征在于步骤三所述的根据SAR回波模型进行观测矩阵的构建的具体过程如下:
根据压缩感知理论,如果动目标在每个距离单元内是稀疏的,则利用稀疏采样回波原始数据可以实现动目标检测;根据SAR动目标回波模型,得到:
其中,ξ=G1(1-exp(jπ2vrd/(λ(v-va))))exp(-j4πRB/λ);
令i=-N/2+1,…,0,…N/2,N为在方位向上的全采样点数,在稀疏采样的条件下满足M<<N;
则观测矩阵表示为:
5.如权利要求4所述的一种基于压缩感知的双通道SAR动目标检测的方法,其特征在于步骤四所述的利用贝叶斯稀疏重构算法实现动目标散射系数的重构的具体过程如下:
令s=[s(t1),…,s(tM)]T和ρ=[ρ1,…,ρN]T,则复数域观测模型表达式为:
sM×1=ΦM×NρN×1
其中,sM×1表示经过杂波抑制后的回波数据,ΦM×N表示观测矩阵,ρ表示某距离单元的散射系数;
上式为欠定方程组,存在无穷解,根据压缩感知理论,可知若ρ满足稀疏性,并且矩阵ΦM×N满足RIP条件,则对于α的求解问题转化为对于如下最优化问题的求解,实现散射系数的重构:
min||ρ||1 s.t. s=Φρ
其中,||||1表示1-范数,min表示取最小值,s表示经过杂波抑制后的回波数据,Φ表示观测矩阵,ρ表示某距离单元的散射系数;在噪声存在的情况下,ρ取估计值,上式转化为:
其中,||||2表示2-范数,ε由噪声水平决定;
对上式的求解利用基于贝叶斯的稀疏重构算法,其具体步骤为:
(1)复数域观测模型实数化:
复数域观测模型表示为:
sR+j·sI=(ΦR+j·ΦI)(ρR+j·ρI)
其中,sR与sI分别表示测量值矢量的实部与虚部组成的矢量,ΦR和ΦI表示观测矩阵的实部矩阵,ρR为散射系数矢量的实部,ρI为散射系数矢量的虚部;
将上式展开得到:
sR+j·sI=(ΦRρR-ΦIρI)+j·(ΦIρR+ΦRρI)
上式可以用如下方程组等价表示:
将复数域观测模型转化为如下实数模型:
令由于SAR回波信号含有噪声,观测模型可以表示为:
y=Tw+n
其中,n为噪声,y∈R2M×1,T∈R2M×2N,w∈R2N×1
(2)快速贝叶斯算法的步骤为:
A、初始化:噪声参数α0,一般取α0=0.1×var(y),其中var(y)表示y的方差;集合利用观测矩阵的某一列Ti初始化超参数ηi,其中Ti选取目标向量投影值最大时对应的列,即argmax表示最大时对应的列,其余的ηm均假设为无穷大,并将i添加到集合L中;
B、计算均值μ和协方差Σ,对于每一个Ti令:
当ηi=∞时,令
C、随机从观测矩阵中选择一列计算θm=qm 2-sm,如果θm>0且ηm<∞,则更新ηm;如果θm>0且ηm=∞,则将m添加到L中,并更新ηm;如果θm≤0且ηm<∞,则将m从L中删除,并令ηm=∞;
D、更新均值μL和协方差ΣL,即μ和Σ中下标在L中的元素,并重新计算所有的si和qi;
E、如果迭代收敛,则终止迭代,否则转到步骤C。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169281.2A CN105842693B (zh) | 2016-03-23 | 2016-03-23 | 一种基于压缩感知的双通道sar动目标检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169281.2A CN105842693B (zh) | 2016-03-23 | 2016-03-23 | 一种基于压缩感知的双通道sar动目标检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105842693A true CN105842693A (zh) | 2016-08-10 |
CN105842693B CN105842693B (zh) | 2018-03-30 |
Family
ID=56583078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610169281.2A Active CN105842693B (zh) | 2016-03-23 | 2016-03-23 | 一种基于压缩感知的双通道sar动目标检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105842693B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132535A (zh) * | 2017-04-07 | 2017-09-05 | 西安电子科技大学 | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 |
CN107656271A (zh) * | 2017-09-02 | 2018-02-02 | 南京理工大学 | 基于压缩感知重构的太赫兹雷达成像算法 |
CN107861125A (zh) * | 2017-11-01 | 2018-03-30 | 河海大学 | 基于广义帕累托分布的贝叶斯压缩感知成像方法 |
CN109934840A (zh) * | 2019-03-22 | 2019-06-25 | 哈尔滨工业大学 | 基于gmphd滤波器的圆周sar运动目标跟踪方法 |
CN110133628A (zh) * | 2019-06-13 | 2019-08-16 | 哈尔滨工业大学 | 一种短时强干扰下lfm信号的恢复方法 |
CN110146882A (zh) * | 2019-04-03 | 2019-08-20 | 北京空间飞行器总体设计部 | 一种基于星载视频sar的运动目标检测与参数估计方法 |
CN110440935A (zh) * | 2019-08-12 | 2019-11-12 | 桂林电子科技大学 | 一种基于扩展信息滤波的相位展开方法 |
CN113466797A (zh) * | 2021-06-24 | 2021-10-01 | 电子科技大学 | 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法 |
CN114002674A (zh) * | 2021-10-08 | 2022-02-01 | 电子科技大学 | 一种基于sbrim的多重叠动目标位置与速度估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070188377A1 (en) * | 2006-02-10 | 2007-08-16 | Raytheon Company | Novel waveform ambiguity optimization for bistatic radar operation |
CN103399316A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 基于加权的二维压缩感知sar成像及动目标检测方法 |
KR101355537B1 (ko) * | 2012-09-20 | 2014-01-27 | 국방과학연구소 | Gmti 모드와 sar 모드를 위한 광대역 송수신 시스템 및 방법 |
CN103713288A (zh) * | 2013-12-31 | 2014-04-09 | 电子科技大学 | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 |
-
2016
- 2016-03-23 CN CN201610169281.2A patent/CN105842693B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070188377A1 (en) * | 2006-02-10 | 2007-08-16 | Raytheon Company | Novel waveform ambiguity optimization for bistatic radar operation |
KR101355537B1 (ko) * | 2012-09-20 | 2014-01-27 | 국방과학연구소 | Gmti 모드와 sar 모드를 위한 광대역 송수신 시스템 및 방법 |
CN103399316A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 基于加权的二维压缩感知sar成像及动目标检测方法 |
CN103713288A (zh) * | 2013-12-31 | 2014-04-09 | 电子科技大学 | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 |
Non-Patent Citations (5)
Title |
---|
WANG WEIWEI等: ""Compressive sensing-based ground moving target indication for dual-channel synthetic aperture rdar"", 《IET RADAR,SONAR AND NAVIGATION》 * |
刘昌盛 等: ""后向散射系数的贝叶斯估计"", 《计算机仿真》 * |
徐建平 等: "("基于贝叶斯压缩感知的合成孔径雷达高分辨成像"", 《电子与信息学报》 * |
王伟伟: ""机载/星载雷达地面运动目标检测稀疏处理方法研究"", 《万方数据》 * |
苏伍各 等: "基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法"", 《电子与信息学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132535B (zh) * | 2017-04-07 | 2019-12-10 | 西安电子科技大学 | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 |
CN107132535A (zh) * | 2017-04-07 | 2017-09-05 | 西安电子科技大学 | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 |
CN107656271A (zh) * | 2017-09-02 | 2018-02-02 | 南京理工大学 | 基于压缩感知重构的太赫兹雷达成像算法 |
CN107656271B (zh) * | 2017-09-02 | 2021-06-22 | 南京理工大学 | 基于压缩感知重构的太赫兹雷达成像算法 |
CN107861125A (zh) * | 2017-11-01 | 2018-03-30 | 河海大学 | 基于广义帕累托分布的贝叶斯压缩感知成像方法 |
CN107861125B (zh) * | 2017-11-01 | 2021-09-03 | 河海大学 | 基于广义帕累托分布的贝叶斯压缩感知成像方法 |
CN109934840A (zh) * | 2019-03-22 | 2019-06-25 | 哈尔滨工业大学 | 基于gmphd滤波器的圆周sar运动目标跟踪方法 |
CN110146882A (zh) * | 2019-04-03 | 2019-08-20 | 北京空间飞行器总体设计部 | 一种基于星载视频sar的运动目标检测与参数估计方法 |
CN110133628A (zh) * | 2019-06-13 | 2019-08-16 | 哈尔滨工业大学 | 一种短时强干扰下lfm信号的恢复方法 |
CN110440935A (zh) * | 2019-08-12 | 2019-11-12 | 桂林电子科技大学 | 一种基于扩展信息滤波的相位展开方法 |
CN113466797A (zh) * | 2021-06-24 | 2021-10-01 | 电子科技大学 | 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法 |
CN113466797B (zh) * | 2021-06-24 | 2023-04-28 | 电子科技大学 | 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法 |
CN114002674A (zh) * | 2021-10-08 | 2022-02-01 | 电子科技大学 | 一种基于sbrim的多重叠动目标位置与速度估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105842693B (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105842693A (zh) | 一种基于压缩感知的双通道sar动目标检测的方法 | |
CN103399316B (zh) | 基于加权的二维压缩感知sar成像及动目标检测方法 | |
CN103383448B (zh) | 适用于hprf波形机载雷达的杂波抑制方法 | |
CN103744076B (zh) | 基于非凸优化的mimo雷达动目标检测方法 | |
CN104977582B (zh) | 一种实现扫描雷达方位超分辨成像的解卷积方法 | |
CN104698457B (zh) | 一种迭代曲面预测InSAR成像及高度估计方法 | |
CN103616687B (zh) | 分段线性估计的多项式拟合isar包络对齐方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN110568434B (zh) | 一种多通道匀加速sar动目标二维速度估计方法 | |
CN104898119B (zh) | 一种基于相关函数的动目标参数估计方法 | |
CN108776342A (zh) | 一种高速平台sar慢速动目标检测与速度估计方法 | |
CN103885058B (zh) | 一种利用稀疏统计特性的机载雷达前视超分辨成像方法 | |
CN104950305A (zh) | 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法 | |
CN103163523A (zh) | 基于压缩感知的低空风切变风速估计方法 | |
CN105301589B (zh) | 高分辨宽测绘带sar地面运动目标成像方法 | |
CN110082764B (zh) | 基于稳健正则化层析方法的sar图像成像方法 | |
Hu et al. | Multiple‐input–multiple‐output radar super‐resolution three‐dimensional imaging based on a dimension‐reduction compressive sensing | |
CN108226928A (zh) | 基于期望传播算法的逆合成孔径雷达成像方法 | |
CN102854505A (zh) | 一种加权稀疏驱动自聚焦sar成像方法 | |
CN109001700B (zh) | 一种实现目标轮廓重构的雷达前视成像方法 | |
Ren et al. | 3D imaging algorithm for down-looking MIMO array SAR based on Bayesian compressive sensing | |
CN103954961B (zh) | 步进频雷达低空障碍物超分辨一维成像方法 | |
Chen et al. | A super-resolution scheme for multichannel radar forward-looking imaging considering failure channels and motion error | |
CN109143236B (zh) | 适用于复杂飞行轨迹的双基聚束sar大场景成像方法 | |
Liang et al. | Through the wall imaging of human vital signs based on UWB MIMO bioradar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |