CN106093875B - 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 - Google Patents
基于基追踪去噪的近场宽带rcs数据采集与压缩方法 Download PDFInfo
- Publication number
- CN106093875B CN106093875B CN201610462781.5A CN201610462781A CN106093875B CN 106093875 B CN106093875 B CN 106093875B CN 201610462781 A CN201610462781 A CN 201610462781A CN 106093875 B CN106093875 B CN 106093875B
- Authority
- CN
- China
- Prior art keywords
- rcs data
- substep
- field broadband
- vector
- broadband rcs
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007906 compression Methods 0.000 title claims abstract description 25
- 230000006835 compression Effects 0.000 title claims abstract description 24
- 238000013144 data compression Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 claims description 2
- 230000008707 rearrangement Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 17
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 208000000044 Amnesia Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 208000026139 Memory disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
-
- 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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于基追踪去噪的近场宽带RCS数据采集与压缩方法，通过在方位向与高程向上的随机降采样，降低了RCS数据的实际测量总量，能够在保证不过多损失雷达目标电磁散射特性信息完整度的情况下，缩短雷达系统对观测目标RCS数据的测量时间，从而提高整个测量系统的工作效率；根据基追踪去噪模型，利用结合了近场宽带RCS数据处理算子的稀疏重构算法，来实现对回波域RCS数据的数据压缩，不仅可以减少数据压缩过程中雷达目标电磁散射特性信息的损失，还可以进一步降低压缩算法的计算复杂度与内存损耗，从而使上述数据压缩过程变得更为精确、快速与高效。
Description
技术领域
本发明涉及雷达目标RCS数据获取与处理技术领域，尤其涉及一种基于基追踪去噪的近场宽带RCS数据采集与压缩方法。
背景技术
目标的雷达散射截面(Radar Cross Section，RCS)是表征雷达目标对于照射电磁波散射能力的一个物理量。早在雷达系统出现之前，利用麦克斯韦方程组，就已经求得了几种典型形状的完纯导体目标的电磁散射精确解。等到20世纪30年代雷达系统出现后，雷达目标就成为雷达收、发闭合回路中的一个重要环节，而雷达散射截面便是表征雷达目标特性的一个最基本、最重要的参数。60年代初发展的洲际导弹真、假弹头识别与反识别技术，以及80年代飞行器的隐身与反隐身技术，使得对雷达散射截面的研究出现了两次高潮。在这一时期，相关领域的研究人员对各类雷达目标进行了大量的静态与动态的测量研究与理论分析，由上述研究成果建立起的理论体系促使雷达目标成为雷达领域的一个独立分支，而对特定目标的雷达散射截面研究则成为该分支中的一个重要方向。
在实际工程应用中，为全面地了解复杂目标的电磁散射特性，通常需要借助宽带高分辨雷达，来对目标物体在各个观测角度上的散射回波频谱分布进行测量。而上述操作会使测量系统长时间地工作在对同一目标RCS数据的采集过程中，从而导致整个系统的工作效率变得很低。此外，由于复杂目标的RCS数据在回波域通常不具备可压缩性，因此，存放上述数据势必会占用大量的存储空间，致使研究人员对实验设施存储设备的维护频率变得更为频繁。所以，为了提高雷达目标RCS数据测量系统的工作效率，同时降低实验设施存储设备的维护成本，亟需一种高效的RCS数据采集与压缩方法。
发明内容
(一)要解决的技术问题
为了解决现有技术问题，本发明提供了一种基于基追踪去噪的近场宽带RCS数据采集与压缩方法。
(二)技术方案
本发明提供了一种基于基追踪去噪的近场宽带RCS数据采集与压缩方法，包括：步骤A：基于观测目标散射中心分布的稀疏度，完成对观测目标近场宽带RCS数据的采集，得到观测目标的近场宽带RCS数据矩阵；步骤B：构建近场宽带RCS数据处理算子；步骤C：将所述近场宽带RCS数据处理算子与用于求解基追踪去噪模型的稀疏重构算法相结合，将所述观测目标的近场宽带RCS数据矩阵转化为观测目标的散射中心，获得所述观测目标散射中心的后向散射系数；以及步骤D：根据近场宽带RCS数据压缩精度的要求，对所述观测目标散射中心进行筛选，将筛选出的观测目标散射中心的后向散射系数与空间位置进行存储，完成近场宽带RCS数据的数据压缩。
(三)有益效果
从上述技术方案可以看出，本发明的基于基追踪去噪的近场宽带RCS数据采集与压缩方法具有以下有益效果：
(1)通过在方位向与高程向上的随机降采样，降低了RCS数据的实际测量总量，能够在保证不过多损失雷达目标电磁散射特性信息完整度的情况下，缩短雷达系统对观测目标RCS数据的测量时间，从而提高整个测量系统的工作效率；
(2)根据基追踪去噪模型，利用结合了近场宽带RCS数据处理算子的稀疏重构算法，来实现对回波域RCS数据的数据压缩，不仅可以减少数据压缩过程中雷达目标电磁散射特性信息的损失，还可以进一步降低压缩算法的计算复杂度与内存损耗，从而使上述数据压缩过程变得更为精确、快速与高效。
附图说明
图1为本发明实施例的基于基追踪去噪的近场宽带RCS数据采集与压缩方法的流程图；
图2(a)为利用改进过的SPGL1算法获得的观测目标散射中心的恢复结果，图2(b)为利用未改进的SPGL1算法获得的观测目标散射中心的恢复结果；
图3(a)为实测近场宽带RCS数据与重构近场宽带RCS数据的幅值与相位比较结果，其中重构近场宽带RCS数据用到的观测目标散射中心是由改进过的SPGL1算法获得的；图3(b)为实测近场宽带RCS数据与重构近场宽带RCS数据的幅值与相位比较结果，其中重构近场宽带RCS数据用到的观测目标散射中心是由未改进的SPGL1算法获得的。
具体实施方式
在基于地基平台的雷达散射截面测量实验里，观测目标的散射中心分布通常具有较好的稀疏性，本发明将雷达目标RCS数据的采集与压缩过程建模为基追踪去噪(BasisPursuit Denoising，BPDN)。通过在方位向与高程向上的随机降采样，来降低对RCS数据的实际测量总量，然后，利用用于求解基追踪去噪模型的稀疏重构算法，把采集获得的回波数据转化为观测目标的散射中心，以实现对RCS数据的数据压缩。为减少数据压缩过程中雷达目标电磁散射特性信息的损失，选用SPGL1算法(基于L1范数惩罚项的谱投影梯度算法)作为重建观测目标散射中心的方法。
SPGL1是一种精确、有效的稀疏信号重构算法。该算法利用基于牛顿迭代的寻根方法，更新在Lasso模型帕累托曲线上的正则化参数取值，从而使Lasso问题的解逐步地逼近基追踪去噪问题的解。而为了快速、高效地获得基追踪去噪问题的解，将结合了近场宽带RCS数据处理算子的谱投影梯度算法应用于上述Lasso问题序列的求解过程之中。改进过的SPGL1算法不仅保留了原算法求解精度高、收敛速度快等优点，还进一步降低了算法本身的计算复杂度与内存损耗。因此，该算法可以快速、高效地完成对近场宽带RCS数据的数据压缩工作。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明做进一步地详细说明。
本发明的实施例提供了一种基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其具体内容包括：
步骤A：基于观测目标散射中心分布的稀疏度，完成对观测目标近场宽带RCS数据的采集，得到观测目标的近场宽带RCS数据矩阵。
步骤A具体包括：
子步骤A1：在雷达目标特征信息数据库中查找与观测目标相类似的已有目标模型，并基于该模型的空间几何形状与电特性参数，利用电磁计算方法估计观测目标散射中心分布的稀疏度；
子步骤A2：根据观测目标散射中心分布的稀疏度，在满足稀疏信号重构条件的情况下，确定雷达系统在方位向与高程向上对观测目标RCS数据的随机降采样率，然后，依照上述降采样率，在预先设置的满采样备选网格点上，挑选出用于实现随机降采样的空间采样位置；
子步骤A3：在挑选出的空间采样位置上，对观测目标近场宽带RCS数据进行采集，得到观测目标的近场宽带RCS数据矩阵。
在方位向与高程向上的随机降采样操作降低了RCS数据的实际测量总量，能够在保证不过多损失雷达目标电磁散射特性信息完整度的情况下，缩短雷达系统对观测目标RCS数据的测量时间，从而提高整个测量系统的工作效率。
步骤B：将向量支集搜索方法与滤波逆投影原理引入到近场宽带RCS数据的处理过程中，推导出用于降低稀疏重构算法计算复杂度与内存损耗的近场宽带RCS数据处理算子。
在用于求解基追踪去噪模型的传统稀疏重构算法中，一般存在包含了观测矩阵的矩阵-向量乘法运算，由于该运算的时间复杂度与空间复杂度均为平方阶，因此当观测矩阵维度较大时，包含上述运算的稀疏重构算法会在基追踪去噪模型求解过程中花费大量的运算时间，并占用较多的系统内存。为了能有效地解决该问题，我们用近场宽带RCS数据处理算子替代包含了观测矩阵的矩阵-向量乘法运算在上述算法中的功能。
步骤B具体包括：
子步骤B1：根据向量支集搜索方法的主要思想，构建出近场宽带RCS数据处理算子的回波数据生成项，该回波数据生成项的表达式为：
其中，表示用于搜索观测目标后向散射系数向量中所有非零元素位置的算子，即这里，表示由观测目标后向散射系数向量x中所有非零元素的序号构成的集合；表示利用向量x中元素序号属于集合的观测目标的后向散射系数生成近场宽带RCS数据的算子，即
这里，表示观测目标的近场宽带RCS数据向量，K表示每个步进频脉冲信号的频点总数，M表示在方位向与高程向上的空间采样位置总数，fk表示第k个脉冲的载波频率，且fk＝f1+(k-1)Δf，f1为第1个脉冲的载波频率，其取值由雷达系统的系统参数和回波数据的应用要求决定，Δf为频率的步进长度，c表示电磁波在自由空间的传播速度，Rm，n表示雷达系统第m个空间采样位置坐标(um，vm，wm)与观测目标第n个散射中心位置坐标(un，vn，wn)间的距离，即
子步骤B2：根据滤波逆投影的基本原理，推导出近场宽带RCS数据处理算子的散射中心重建项的表达式为：
其中，表示把观测目标的近场宽带RCS数据向量重新排列成与之对应的数据矩阵的算子；IFFTr(·)表示对近场宽带RCS数据矩阵Y中的每一列步进频脉冲信号进行逆快速傅里叶变换的算子；表示将距离向上的时域投影插值到目标区域空间网格点处的算子；表示对在不同空间采样位置上获得的三维子图像进行相干累加的算子；表示把观测目标的后向散射系数三维矩阵重新排列成向量的算子；表示时域插值操作前对距离向上的时域投影进行相位补偿的向量，其元素取值为ψ1(l)＝exp(-jπ(K-1)l/K)，l＝0，…，K-1，K表示每个步进频脉冲信号的频点总数；Ψ2，m表示时域插值操作后对目标区域空间网格点处的后向散射系数进行相位补偿的三维矩阵，该三维矩阵共包含N个元素，且每个元素的取值可以表示成ψ2，m(un，vn，wn)＝exp(j4πfcRm，n/c)，这里，fc表示每个步进频脉冲信号的中心频率，且fc＝(f1+fK)/2，N的取值与观测目标后向散射系数向量的维度相等；⊙表示哈达马乘法运算。
步骤C：将近场宽带RCS数据处理算子与用于求解基追踪去噪模型的稀疏重构算法相结合，利用该算法将观测目标的近场宽带RCS数据矩阵转化为观测目标的散射中心，获得观测目标散射中心的后向散射系数。
为便于说明上述操作的具体流程，下面将以结合了近场宽带RCS数据处理算子的SPGL1算法作为示例，解释如何通过求解基追踪去噪模型，来完成从近场宽带RCS数据到观测目标散射中心的转化工作。
步骤C具体包括：
子步骤C1：将观测目标的近场宽带RCS数据矩阵输入到改进过的SPGL1算法中，同时对所要用到的参数与临时变量进行初始化。
子步骤C1具体包括：将观测目标的近场宽带RCS数据矩阵转换成由其M个列向量拼接成的近场宽带RCS数据向量并将近场宽带RCS数据向量y、加性噪声电平σ∈[0，||y||2)、最优输出容限Top∈[0，∞)、充分下降系数η∈(0，1)、Barzilai-Borwein步长取值的下界αmin与上界αmax(0＜αmin＜αmax)、第一、二、三层迭代运算的最大迭代次数Niter1、Niter2与Niter3(Niter1≥1、Niter2≥1、Niter3≥1)输入到改进过的SPGL1算法中。然后，对所要用到的参数与临时变量进行初始化，使第一临时变量xp的初始值为x0＝0，第二临时变量rp的初始值为r0＝y，正则化参数τp的初始值为τ0＝0，Barzilai-Borwein步长αq的初始值为α0＝αmax，第一层迭代运算的迭代次数p的初始值为p＝1，设置观测目标后向散射系数输出向量为第三临时变量为第四临时变量为第五临时变量为第六临时变量为第七临时变量为第八临时变量为Δx，第九临时变量为Δg，梯度下降步长为α，第二层迭代运算的迭代次数为q，第三层迭代运算的迭代次数为h，并执行子步骤C2。
子步骤C2：判断p≤Niter1是否成立，若成立，则执行子步骤C3；否则，将xp-1作为最终结果进行输出，即输出结果获得观测目标的散射中心，步骤C执行完毕。
子步骤C3：判断|||rp-1||2-σ|/||rp-1||2≤Top是否成立，若成立，则将xp-1作为最终结果进行输出，即输出结果获得观测目标的散射中心，步骤C执行完毕；否则，更新正则化参数，使τp＝τp-1+(σ-φ(rp-1))/φ′(rp-1)，并执行子步骤C4。
子步骤C4：判断τp＜τp-1是否成立，若成立，则使并执行子步骤C5；否则，使并执行子步骤C5。其中，由近场宽带RCS数据处理算子的回波数据生成项(公式(1))计算得到。
子步骤C5：使第二层迭代运算的迭代次数q＝1，并执行第二层迭代运算过程。其中，由近场宽带RCS数据处理算子的散射中心重建项(公式(2))计算得到。
子步骤C6：使第一层迭代运算的迭代次数p＝p+1，返回执行子步骤C2。
所述执行第二层迭代运算过程具体包括：
子分步骤C5a：判断q≤Niter2是否成立，若成立，则执行子分步骤C5b；否则，执行子步骤C6；
子分步骤C5b：判断是否成立，若成立，则执行子步骤C6；否则，使α＝αq-1，第三层迭代运算的迭代次数h＝1，并执行第三层迭代运算过程。
子分步骤C5c：使并执行子分步骤C5d。其中，由近场宽带RCS数据处理算子的散射中心重建项(公式(2))计算得到。
子分步骤C5d：判断ΔxHΔg≤0是否成立，若成立，则使αq＝αmax，第二层迭代运算的迭代次数q＝q+1，并返回执行子分步骤C5a；否则，使第二层迭代运算的迭代次数q＝q+1，并返回执行子分步骤C5a。
所述执行第三层迭代运算过程具体包括：
子分步骤C5b1：判断h≤Niter3是否成立，若成立，则 并执行子分步骤C5b2；否则，执行子分步骤C5c。其中，由近场宽带RCS数据处理算子的回波数据生成项(公式(1))计算得到。
子分步骤C5b2：判断是否成立，若成立，则执行子分步骤C5c；否则，使α＝α/2，第三层迭代运算的迭代次数h＝h+1，并返回执行子分步骤C5b1。
其中，子步骤C3中的φ(rp-1)利用如下函数进行计算：
φ(r)＝||r||2 (3)
φ′(rp-1)利用如下函数进行计算：
子分步骤C5b中的利用如下函数进行计算：
其中，由近场宽带RCS数据处理算子的散射中心重建项(公式(2))计算得到；为观测目标的近场宽带RCS数据向量；||·||2表示取向量的2-范数；||·||∞表示取向量的无穷范数；上标H表示取向量的共轭转置。
子步骤C4中的和子分步骤C5b1中的由以下投影算子计算获得：
公式(6)所示的投影算子用于计算输入向量在可行集合{z|||z||1≤τ}上的投影，该投影算子的数据处理流程如下所述：
步骤P-1：将向量和常数τ＞0输入到投影算子中，并执行步骤P-2；
步骤P-2：判断||β||1≤τ是否成立，若成立，则直接将β作为最终结果进行输出，即输出结果z＝β；否则，执行步骤P-3；
步骤P-3：初始化迭代次数和临时变量，使i＝1，γ＝0，κ＝0，v＝-τ，并执行步骤P-4；
步骤P-4：将向量β中的元素模值，按照取值大小进行降序排列，得到新的向量即并执行步骤P-5；
步骤P-5：判断i≤N是否成立，若成立，则γ＝v/i，并执行步骤P-6，其中，表示向量中的第i个元素；否则，执行步骤P-7；
步骤P-6：判断是否成立，若成立，则执行步骤P-7；否则，使κ＝γ，i＝i+1，并返回执行步骤P-5；
步骤P-7：利用阈值门限为κ的复数域软阈值函数，对向量β进行处理，然后，将处理过的向量作为最终结果进行输出，即输出结果z＝SoftThreshold(β，κ)，其中，复数域软阈值函数表示的数据处理过程为
上述利用结合了近场宽带RCS数据处理算子的SPGL1算法，实现对回波域RCS数据的数据压缩，不仅可以减少数据压缩过程中雷达目标电磁散射特性信息的损失，还可以进一步降低压缩算法的计算复杂度与内存损耗，从而使上述数据压缩过程变得更为精确、快速与高效。
需要说明的是，以上仅是以SPGL1算法为例进行了说明，但本发明不以此为限，除SPGL1算法外，本发明的近场宽带RCS数据处理算子可以与多种用于求解基追踪去噪模型的稀疏重构算法相结合，实现观测目标近场宽带RCS数据矩阵向观测目标散射中心的转化。
步骤D：根据近场宽带RCS数据压缩精度的要求，对重建的观测目标散射中心进行筛选，将筛选出的观测目标散射中心的后向散射系数与空间位置进行存储，完成对近场宽带RCS数据的数据压缩。
步骤D具体包括：
子步骤D1：初始化在筛选过程中所要用到的参数，并对观测目标散射中心的后向散射系数进行归一化处理。
子步骤D1具体包括：设置近场宽带RCS数据压缩精度ε的取值(ε∈[0，∞))，确定筛选门限的起始值T1与下降步长ΔT的取值(T1＜0、ΔT＜0)，设定对强散射中心进行筛选的总次数G的取值(G≥1)，对步骤C获得的观测目标散射中心的后向散射系数，即输出向量中的元素模值进行归一化处理，得到单位为dB的向量即令筛选次数g＝1，并执行子步骤D2；
子步骤D2：搜索向量中取值大于Tg的元素，将取值大于Tg元素的序号构建成集合即然后，生成近场宽带RCS数据向量的估计值并计算近场宽带RCS数据向量的压缩误差执行子步骤D3；
子步骤D3：判断εg≤ε是否成立，若成立，则将向量中元素序号属于集合的散射中心的后向散射系数与空间位置存储起来，并同时保存实测获得的近场宽带RCS数据矩阵的最大幅值max(|Y|)，完成对观测目标近场宽带RCS数据的数据压缩；否则，使筛选次数g＝g+1，并执行子步骤D4；
子步骤D4：判断g≤G是否成立，若成立，则执行子步骤D2；否则，将向量中元素序号属于集合的散射中心的后向散射系数与空间位置存储起来，并同时保存实测获得的近场宽带RCS数据矩阵的最大幅值max(|Y|)，完成对观测目标近场宽带RCS数据的数据压缩。
根据上述具体实施方式，下面将利用实测的F16模型近场宽带RCS数据，对本实施例所述方法的有益效果进行验证，实验数据的主要参数如表1所示。
表1
在对实测的F16模型近场宽带RCS数据进行数据压缩时，首先，以75％的方位向降采样率，从满采样数据中随机抽选出用于恢复观测目标散射中心的回波数据，然后，分别利用改进过的SPGL1算法(N-SPGL1)与未改进的SPGL1算法(SPGL1)处理上述回波数据，获得用于数据压缩的观测目标散射中心，最后，根据数据压缩条件，即保留后向散射系数归一化幅值大于-25dB的观测目标散射中心，来对上述两种算法获得的观测目标散射中心进行筛选，从而得到用于最终存储的散射中心的后向散射系数与空间位置，完成对近场宽带RCS数据的压缩工作。
如图2所示，改进过的SPGL1算法与未改进的SPGL1算法均能较好地恢复观测目标的散射中心，并且由上述散射中心重构的近场宽带RCS数据与实测的近场宽带RCS数据非常接近(图3)。可是，根据表2给出的上述算法对实测RCS数据的处理性能，可以看出：尽管未改进的SPGL1算法的数据压缩率是改进过的SPGL1算法的3倍，但在近场宽带RCS数据压缩精度相近时，改进过的SPGL1算法所需的运行时间与系统内存均要远低于未改进的SPGL1算法，且前者能够在较短的时间内获得收敛解，而后者却不能办到。因此，结合了近场宽带RCS数据处理算子的SPGL1算法具有更为精确、快速与高效的对近场宽带RCS数据的压缩性能。
表2
| N-SPGL1 | SPGL1 | |
| 计算结果是否收敛 | 是 | 否 |
| 算法程序运行时间 | 20.52min | 175.32min |
| 处理系统内存损耗 | 4088MB | 9519MB |
| RCS数据重构误差 | 0.2071 | 0.1970 |
| RCS数据压缩率 | 110.56 | 321.82 |
至此，已经结合附图对本发明实施例进行了详细描述。依据以上描述，本领域技术人员应当对本发明的基于基追踪去噪的近场宽带RCS数据采集与压缩方法有了清楚的认识。
本发明的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，通过在方位向与高程向上的随机降采样，降低了RCS数据的实际测量总量，能够在保证不过多损失雷达目标电磁散射特性信息完整度的情况下，缩短雷达系统对观测目标RCS数据的测量时间，从而提高整个测量系统的工作效率；根据基追踪去噪模型，利用结合了近场宽带RCS数据处理算子的稀疏重构算法，来实现对回波域RCS数据的数据压缩，不仅可以减少数据压缩过程中雷达目标电磁散射特性信息的损失，还可以进一步降低压缩算法的计算复杂度与内存损耗，从而使上述数据压缩过程变得更为精确、快速与高效。
需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件的定义并不仅限于实施例中提到的各种方式，本领域普通技术人员可对其进行简单地更改或替换，例如：
(1)实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本发明的保护范围；
(2)上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，包括：
步骤A：基于观测目标散射中心分布的稀疏度，完成对观测目标近场宽带RCS数据的采集，得到观测目标的近场宽带RCS数据矩阵；
步骤B：将向量支集搜索方法与滤波逆投影原理引入到近场宽带RCS数据的处理过程中，构建近场宽带RCS数据处理算子；
步骤C：将所述近场宽带RCS数据处理算子与用于求解基追踪去噪模型的稀疏重构算法相结合，将所述观测目标的近场宽带RCS数据矩阵转化为观测目标的散射中心，获得所述观测目标散射中心的后向散射系数；以及
步骤D：根据近场宽带RCS数据压缩精度的要求，对所述观测目标散射中心进行筛选，将筛选出的观测目标散射中心的后向散射系数与空间位置进行存储，完成近场宽带RCS数据的数据压缩。
2.如权利要求1所述的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，所述步骤B具体包括：
子步骤B1：构建所述近场宽带RCS数据处理算子的回波数据生成项以及
子步骤B2：构建所述近场宽带RCS数据处理算子的散射中心重建项
3.如权利要求2所述的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，所述回波数据生成项的表达式为：
其中，表示用于搜索观测目标后向散射系数向量中所有非零元素位置的算子，即 表示由观测目标后向散射系数向量x中所有非零元素的序号构成的集合；表示利用观测目标后向散射系数向量x中元素序号属于集合的观测目标的后向散射系数生成近场宽带RCS数据的算子，即
其中，表示观测目标的近场宽带RCS数据向量，K表示每个步进频脉冲信号的频点总数，M表示在方位向与高程向上的空间采样位置总数，fk表示第k个脉冲的载波频率，且fk＝f1+(k-1)Δf，f1为第1个脉冲的载波频率，Δf为频率的步进长度，c表示电磁波在自由空间的传播速度，Rm,n表示雷达系统第m个空间采样位置坐标(um,vm,wm)与观测目标第n个散射中心位置坐标(un,vn,wn)间的距离，即
4.如权利要求3所述的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，所述散射中心重建项的表达式为：
其中，表示把观测目标的近场宽带RCS数据向量重新排列成与之对应的近场宽带RCS数据矩阵的算子；IFFTr(·)表示对近场宽带RCS数据矩阵Y中的每一列步进频脉冲信号进行逆快速傅里叶变换的算子；表示将距离向上的时域投影插值到目标区域空间网格点处的算子；表示对在不同空间采样位置上获得的三维子图像进行相干累加的算子；表示把观测目标的后向散射系数三维矩阵重新排列成观测目标后向散射系数向量的算子；表示时域插值操作前对距离向上的时域投影进行相位补偿的向量，其元素取值为ψ1(l)＝exp(-jπ(K-1)l/K),l＝0,…,K-1，K表示每个步进频脉冲信号的频点总数；Ψ2,m表示时域插值操作后对目标区域空间网格点处的后向散射系数进行相位补偿的三维矩阵，Ψ2,m共包含N个元素，每个元素的取值为ψ2,m(un,vn,wn)＝exp(j4πfcRm,n/c)，fc表示每个步进频脉冲信号的中心频率，且fc＝(f1+fK)/2，N的取值与观测目标后向散射系数向量的维度相等；⊙表示哈达马乘法运算。
5.如权利要求2所述的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，所述步骤C具体包括：
子步骤C1：将观测目标的近场宽带RCS数据矩阵转换成由其M个列向量拼接成的近场宽带RCS数据向量输入近场宽带RCS数据向量y、加性噪声电平σ∈[0,||y||2)、最优输出容限Top∈[0,∞)、充分下降系数η∈(0,1)、Barzilai-Borwein步长取值的下界αmin与上界αmax、第一、二、三层迭代运算的最大迭代次数Niter1、Niter2与Niter3；使第一临时变量xp的初始值为x0＝0，第二临时变量rp的初始值为r0＝y，正则化参数τp的初始值为τ0＝0，Barzilai-Borwein步长αq的初始值为α0＝αmax，第一层迭代运算的迭代次数p的初始值为p＝1；设置观测目标后向散射系数输出向量为第三临时变量为第四临时变量为第五临时变量为第六临时变量为第七临时变量为第八临时变量为Δx，第九临时变量为Δg，梯度下降步长为α，第二层迭代运算的迭代次数为q，第三层迭代运算的迭代次数为h，并执行子步骤C2；
子步骤C2：判断p≤Niter1是否成立，若成立，则执行子步骤C3；否则，输出结果获得观测目标散射中心的后向散射系数，步骤C执行完毕；
子步骤C3：判断|||rp-1||2-σ|/||rp-1||2≤Top是否成立，若成立，输出结果获得观测目标散射中心的后向散射系数，步骤C执行完毕；否则，更新正则化参数，使τp＝τp-1+(σ-φ(rp-1))/φ′(rp-1)，并执行子步骤C4；
其中，所述φ(rp-1)利用如下公式计算：
φ(r)＝||r||2 (3)
φ′(rp-1)利用如下公式计算：
其中，由近场宽带RCS数据处理算子的散射中心重建项计算得到；
φ(rp-1)和φ′(rp-1)分别表示将rp-1作为输入向量，按照式(3)和式(4)进行计算获得的输出量；
子步骤C4：判断τp<τp-1是否成立，若成立，则使并执行子步骤C5；否则，使并执行子步骤C5；其中，表示输入向量xp-1在可行集合{z|||z||1≤τp}上的投影；
子步骤C5：使第二层迭代运算的迭代次数q＝1，并执行第二层迭代运算过程；以及
子步骤C6：使第一层迭代运算的迭代次数p＝p+1，返回执行子步骤C2。
6.如权利要求5所述的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，所述执行第二层迭代运算过程具体包括：
子分步骤C5a：判断q≤Niter2是否成立，若成立，则执行子分步骤C5b；否则，执行子步骤C6；
子分步骤C5b：判断是否成立，若成立，则执行子步骤C6；否则，使α＝αq-1，第三层迭代运算的迭代次数h＝1，并执行第三层迭代运算过程；
其中，所述表示将作为输入向量，按照式(5)进行计算获得的输出量，
其中，由近场宽带RCS数据处理算子的散射中心重建项计算得到；为近场宽带RCS数据向量；||·||2表示取向量的2-范数；||·||∞表示取向量的无穷范数；上标H表示取向量的共轭转置；
子分步骤C5c：使并执行子分步骤C5d；以及
子分步骤C5d：判断ΔxHΔg≤0是否成立，若成立，则使αq＝αmax，第二层迭代运算的迭代次数q＝q+1，并返回执行子分步骤C5a；否则，使第二层迭代运算的迭代次数q＝q+1，并返回执行子分步骤C5a。
7.如权利要求6所述的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，所述执行第三层迭代运算过程具体包括：
子分步骤C5b1：判断h≤Niter3是否成立，若成立，则 并执行子分步骤C5b2；否则，执行子分步骤C5c；其中，表示输入向量在可行集合{z|||z||1≤τp}上的投影；以及
子分步骤C5b2：判断是否成立，若成立，则执行子分步骤C5c；否则，使α＝α/2，第三层迭代运算的迭代次数h＝h+1，并返回执行子分步骤C5b1。
8.如权利要求5所述的基于基追踪去噪的近场宽带RCS数据采集与压缩方法，其特征在于，所述步骤D具体包括：
子步骤D1：设置近场宽带RCS数据压缩精度ε、筛选门限的起始值T1、下降步长ΔT、对强散射中心进行筛选的总次数G，对观测目标散射中心的后向散射系数模值进行归一化处理，得到单位为dB的向量即令筛选次数g＝1，执行子步骤D2；
子步骤D2：搜索向量中取值大于Tg的元素，将取值大于Tg元素的序号构建成集合即生成近场宽带RCS数据向量的估计值并计算近场宽带RCS数据向量的压缩误差执行子步骤D3；
子步骤D3：判断εg≤ε是否成立，若成立，对向量中元素序号属于集合的散射中心的后向散射系数与空间位置进行存储，并保存近场宽带RCS数据矩阵的最大幅值max(|Y|)，完成观测目标近场宽带RCS数据的数据压缩；否则，使筛选次数g＝g+1，执行子步骤D4；以及
子步骤D4：判断g≤G是否成立，若成立，则执行子步骤D2；否则，对向量中元素序号属于集合的散射中心的后向散射系数与空间位置进行存储，并保存近场宽带RCS数据矩阵的最大幅值max(|Y|)，完成观测目标近场宽带RCS数据的数据压缩。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610462781.5A CN106093875B (zh) | 2016-06-23 | 2016-06-23 | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610462781.5A CN106093875B (zh) | 2016-06-23 | 2016-06-23 | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106093875A CN106093875A (zh) | 2016-11-09 |
| CN106093875B true CN106093875B (zh) | 2018-10-23 |
Family
ID=57252982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610462781.5A Active CN106093875B (zh) | 2016-06-23 | 2016-06-23 | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106093875B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106872972B (zh) * | 2017-03-31 | 2019-05-24 | 北京环境特性研究所 | 基于六维插值的临近空间目标电磁散射数据获取方法 |
| CN107817493B (zh) * | 2017-10-25 | 2021-05-14 | 电子科技大学 | 一种基于压缩感知的2d近场合成孔径雷达图像重建方法 |
| CN108445303B (zh) * | 2018-03-08 | 2020-06-26 | 北京环境特性研究所 | 一种近场电磁散射特性模拟方法 |
| RU2770176C1 (ru) * | 2018-08-10 | 2022-04-14 | Российская Федерация, от имени которой выступает Министерство промышленности и торговли Российской Федерации (Минпромторг) | Способ скрытного обнаружения радиомолчащих объектов |
| CN109242010A (zh) * | 2018-08-27 | 2019-01-18 | 电子科技大学 | 一种稀疏学习rcs序列特征提取方法 |
| RU2758585C1 (ru) * | 2020-09-09 | 2021-11-01 | Акционерное общество "Всероссийский научно-исследовательский институт "Градиент" | Способ пространственной локализации радиомолчащих объектов |
| CN112147610B (zh) * | 2020-09-28 | 2022-08-05 | 武汉大学 | 一种融合拓扑分析技术的InSAR干涉图降采样方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103635827A (zh) * | 2011-06-17 | 2014-03-12 | 法国原子能及替代能源委员会 | 基于近场测量估计等效雷达截面的方法 |
| CN104215953A (zh) * | 2014-08-28 | 2014-12-17 | 中国科学院电子学研究所 | 基于柱面扫描三维近场成像的反向散射截面测量方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3378200B2 (ja) * | 1998-09-03 | 2003-02-17 | 三菱電機株式会社 | Ｒｃｓ計測装置及びｒｃｓ計測方法 |
| CN102254054A (zh) * | 2010-05-19 | 2011-11-23 | 中国科学院电子学研究所 | 一种稀疏微波成像处理的模型构建方法 |
| CN103149561B (zh) * | 2011-12-06 | 2014-10-08 | 中国科学院电子学研究所 | 一种基于场景块稀疏的稀疏微波成像方法 |
| CN104199026B (zh) * | 2014-08-28 | 2016-08-24 | 中国科学院电子学研究所 | 基于线迹扫描二维近场成像的反向散射截面测量方法 |
| CN105388473B (zh) * | 2015-11-17 | 2017-08-04 | 西北工业大学 | 一种基于高分辨成像的近场rcs快速测量方法 |
-
2016
- 2016-06-23 CN CN201610462781.5A patent/CN106093875B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103635827A (zh) * | 2011-06-17 | 2014-03-12 | 法国原子能及替代能源委员会 | 基于近场测量估计等效雷达截面的方法 |
| CN104215953A (zh) * | 2014-08-28 | 2014-12-17 | 中国科学院电子学研究所 | 基于柱面扫描三维近场成像的反向散射截面测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106093875A (zh) | 2016-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106093875B (zh) | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 | |
| CN106199524B (zh) | 基于基追踪去噪的远场宽带rcs数据采集与压缩方法 | |
| CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
| KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
| CN102521815B (zh) | 影像快速融合系统及快速融合方法 | |
| CN105652273B (zh) | 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法 | |
| CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
| CN109407046A (zh) | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 | |
| CN103777189A (zh) | 一种基于信息几何复自回归模型的雷达弱目标检测方法 | |
| CN104950297A (zh) | 基于矩阵1范数拟合的阵元误差估计方法 | |
| CN109143154A (zh) | 一种应用于l型阵列的信号二维doa与频率联合估计方法 | |
| CN109815849A (zh) | 基于奇异值分解的混沌信号去噪算法 | |
| CN110413939B (zh) | 一种基于原子范数的到达角估计方法 | |
| Cavanaugh et al. | Ch. 3. Locally self-similar processes and their wavelet analysis | |
| CN105608705A (zh) | 基于非下采样Shearlet变换与矢量C-V模型的图像分割方法 | |
| CN105068071B (zh) | 一种基于反投影算子的快速成像方法 | |
| CN109782246B (zh) | 波达方向估计方法及装置、雷达、可读存储介质 | |
| CN106997060A (zh) | 一种基于Shearlet‑fastICA的地震多属性融合方法 | |
| Aboutanios et al. | Fast iterative interpolated beamforming for high fidelity single snapshot DOA estimation | |
| CN105891826A (zh) | 机载雷达快速最大后验成像方法 | |
| CN111983553B (zh) | 一种基于互质多载频稀疏阵列的无网格doa估计方法 | |
| CN114624646A (zh) | 一种基于模型驱动复数神经网络的doa估计方法 | |
| Ghahramani et al. | Ground (Weibull-distributed) clutter suppression based on independent component analysis for detection of swerling target models | |
| CN113421281A (zh) | 一种基于分割理论的行人微动部位分离方法 | |
| Liu et al. | A Phase Filtering Method based on Deep Learning Network |
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 |