CN108983228A - 一种基于深度神经网络的rcs近远场变换方法 - Google Patents
一种基于深度神经网络的rcs近远场变换方法 Download PDFInfo
- Publication number
- CN108983228A CN108983228A CN201810752556.4A CN201810752556A CN108983228A CN 108983228 A CN108983228 A CN 108983228A CN 201810752556 A CN201810752556 A CN 201810752556A CN 108983228 A CN108983228 A CN 108983228A
- Authority
- CN
- China
- Prior art keywords
- data
- rcs
- neural network
- far
- field
- 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
-
- 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
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于深度神经网络的RCS近远场变换方法,一、根据近场测量的雷达回波数据选取神经网络:若雷达回波数据为单频点数据,则选取前馈神经网络;若雷达回波数据为多频点数据,则选取卷积神经网络;二、获取近场RCS数据及相对应的远场RCS数据作为训练样本,近场RCS数据作为神经网络的输入,输出的期望结果与产生的远场RCS数据做比较,通过误差逆传播算法训练神经网络,通过调整神经网络控制参数得到符合误差要求的神经网络;三、实际变换时,将近场测量的RCS数据输入训练好的神经网络,即可得到变换之后的远场RCS数据;本发明减少了传统算法由于实现需采用离散而带来的数值误差,是一种全新角度的RCS近远场变换方法。
Description
技术领域
本发明属于微波测量领域,具体涉及一种基于深度神经网络的RCS(雷达散射截面)近远场变换方法。
背景技术
隐身技术作为近年来实战验证的先进技术,早已成为各国争相研究的热点。隐形的核心目标就是通过各种手段降低目标的雷达散射截面(RCS)。隐身技术已成为世界各国武器装备系统广泛采用的技术,隐身技术已在飞机、导弹等各种武器装备系统中广泛应用。
想要隐身技术的发展就必然离不开相应的测量技术,因此以雷达散射截面(RCS)为主的隐身性能的测量技术对隐身技术发展具有重要的参考价值。根据测量方式的不同,电磁散射特性测量技术可以分为远场测量、近场测量和紧缩场测量。远场测量(测试距离需要满足经典远场条件2D2/λ,D为目标最大尺寸,λ为测试波长)在室外或大型暗室内进行,虽然能直接得到目标RCS,但是随着频率的增大或待测目标的变大,远场条件难以满足。相比之下,在微波暗室中进行的近场测量及紧缩场测量由于对测试距离没有特定的要求而更容易满足测试条件。相对于造价高昂的紧缩场,近场测量由于其更加精简的测试要求以及相对低廉的造价成为研究的重点。
但是近场测试到的雷达回波信号并不是工程中所关心的RCS,而如何由近场测量数据得到目标RCS,就是近远场变换技术。国际上对近远场变换技术的研究起步较早,目前已有成熟的近远场变换算法,可以总结为以下三类:直接基于逆合成孔径雷达像的近远场变换算法;间接基于逆合成孔径雷达像的近远场变换算法;基于平面波展开的近远场变换算法。在数学上都能解决近场散射测量数据与远场RCS之间关系,但是在工程实现上,由于实际回波信号都是数字信号,在算法实施过程中需要对公式进行数据离散与截断,不可避免的会带来一定的误差,影响算法的精度。同时,以上算法对于目标形状还有一定的要求,要求目标在竖直方向上满足远场条件,如果目标在水平竖直方向上都不满足远场条件,那么需要获取更多维度上的近场数据。
发明内容
有鉴于此,本发明提出了一种基于深度神经网络的RCS近远场变换方法,能够有效地避免传统算法由于数值离散及数字信号处理而带来的误差,从而解决近远场变换问题。
实现本发明的技术方案如下:
一种基于深度神经网络的RCS近远场变换方法,包括以下步骤:
步骤一、根据近场测量的雷达回波数据选取神经网络:若雷达回波数据为单频点数据,则选取前馈神经网络;若雷达回波数据为多频点数据,则选取卷积神经网络;
步骤二、获取近场RCS数据及相对应的远场RCS数据作为训练样本,所产生的近场RCS数据作为神经网络的输入,输出的期望结果与产生的远场RCS数据做比较,通过误差逆传播算法训练神经网络,通过调整神经网络控制参数得到符合误差要求的神经网络;
步骤三、实际变换时,将近场测量的RCS数据输入训练好的神经网络,即可得到变换之后的远场RCS数据。
进一步地,所述步骤二中的多散射点模型的中心与待测目标至雷达的距离相同,同时多散射点模型的各散射点随机分布在半径为R的三维球空间内,其中,R大于待测目标的最大空间尺寸。
进一步地,所述训练样本由多散射点模型仿真或实际测量得到。
进一步地,所述近场测量的RCS数据为利用近场测量的雷达回波数据根据RCS计算公式得到。
有益效果
1、本发明是一种全新的RCS近远场变换算法,通过近场的RCS数据可以计算得到远场RCS数据,能够显著降低大型目标RCS测量的成本。
2、本发明的训练数据可以使用专业目标特性数据库,通过实测与仿真对数据库的完善更新,可使训练过程将变得更加简单,精度进一步提高。
3、本发明利用实际测量的离散的近场测量的RCS数据作为神经网络的训练输入数据,克服了传统算法在工程实现时引入的数值误差。
附图说明
图1本发明流程图。
图2近场及远场条件下目标回波模型
图3深度卷积神经网络模型
图4BP神经网络结构
图5三点目标测试实例
图6测试实例的近远场变换结果
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明,本发明包括但不限于下述实施例。
本发明提出了一种基于深度神经网络的近远场变换方法。其核心思路是通过深度学习拟合近场散射数据与远场散射数据之间的关系,从而实现近远场变换,具体流程如图1所示。
现实中的待测目标多为多散射中心目标,其总体RCS可以等效为各个基本散射中心的相互叠加,目标的RCS可表示为
式(1)是定义在远场条件下的,j为虚数单位,f表示测试频率,c表示光速,目标由N个散射点组成,式中第n个散射点的RCS值为σn,距离测试雷达为dn,此定义式下入射电磁波为平面波。但是在近场测量条件下,入射电磁波不能认为是平面波而是球面波,同一物体在近场与远场照射下的对比如图2所示,
在远场条件下,固定测量角度下的目标单站散射测量雷达回波数据为
其中为目标散射密度分布函数,k为波束,k=2πf/c,与测试频率f和光速c有关。为转台中心指向测试雷达位置的单位向量,转台中心到测量雷达的距离向量,为转台中心到目标散射点的距离向量,为测试雷达到目标散射点的距离。
而在近场条件下,同一测量角度下目标单站散射测量雷达回波数据为
其中,C为定标系数,与测试系统参数有关。为目标散射中心到测试雷达的距离向量。
目标RCS与测试数据之间的关系为
σ(φ,k)=4π|SFF(φ,k)|2 (4)
φ表示不同的转台角度,与远场中的角度相对应。
近场测量RCS数据定义为
σN(φ,k)=4π|SNF(φ,k)|2 (5)
目前提出近远场变换算法大部分是寻找公式(2)与公式(3)之间的关系,数据为复数。本算法是利用深度神经网络寻找公式(4)与公式(5)之间的联系。对于测试数据来说,本发明涉及的内容分为宽带测量与单点频测量,对应到公式中即波束k为一组数据或为常数,因此无论是近场数据还是远场数据都可以根据测量方式不同分为一维数据和二维数据。
步骤一、根据近场测量的雷达回波数据选取神经网络:若雷达回波数据为单频点数据,则选取前馈神经网络;若雷达回波数据为多频点数据,则选取卷积神经网络(Convolutional Neural Network简称CNN);
雷达回波数据为单频点数据时,扫描频率与测试距离固定,测试数据只与转台转动角度有关,因此获取的目标近场数据为一维数据,神经网络选取为前馈神经网络;
当输入数据为具有一定带宽的多频点数据时,此时只有测试距离固定,在不同的测试角度下,近场测试设备获取目标多个频点的散射数据,此条件下获取的近场散射数据与测试角度和频率两个变量有关,为二维矩阵。此时的据还能用于对目标进行二维成像,因此利用此数据通过理论分析得到的近远场变换方法又称为基于图像的近远场变换算法。针对此类数据,输入为二维矩阵,网络模型选取为卷积神经网络。
步骤二、获取近场RCS数据及相对应的远场RCS数据作为训练样本,所产生的近场RCS数据作为神经网络的输入,输出的期望结果与产生的远场RCS数据做比较,通过误差逆传播算法训练神经网络,通过调整神经网络控制参数得到符合误差要求的神经网络;
训练神经网络训练样本选取多散射点模型,多散射点模型的中心与待测目标至雷达的距离相同,同时多散射点模型的各散射点随机分布在半径为R的三维球空间内(R大于待测目标的最大空间尺寸)。所述训练样本由多散射点模型仿真或实际测量得到。针对多散射中心组成的目标,分别获得该目标的固定测试距离的近场数据以及远场RCS数据,根据数据的类型,训练步骤一中不同的网络模型,通过调整网络参数:卷积层数量、卷积核尺寸、学习速率、激活函数类型等参数,得到符合要求的网络,将训练好的神经网络作为此距离下的近远场变换算法。
深度神经网络模型由多层卷积神经网络组成,如图3所示。其中,第一层的卷积层是对近场散射二维数据进行特征提取和表示,并将其映射成高维向量;第二层卷积层是对第一层的输出高维向量进行非线性映射,得到另外的高维向量;第三层卷积层是对第二层的高维向量进行重构,得到预测的远场数据。采用制作好的训练样本,利用标准的误差逆传播算法进行模型的训练。
算法采用误差逆传播(error Back Propagation,简称BP)算法训练多层神经网络。
下面以一维数据为例,解释算法流程:
给定训练集训练集中有m组数据,均为训练目标的给定距离的近场数据向量以及对应角度下的远场数据向量。第i组数据中的近场数据为向量中的元素上角标表示训练集中的第i组数据,下角标表示角度采样点数,满足定义式(5),为d维实数;远场数据为向量中的元素上角标表示训练集中的第i组数据,下角标表示角度采样点数,与近场角度采样点数一一对应,满足定义式(4),也为d维实数。训练集可以通过实际测量不同目标的近场与远场同一观测角度下的数据得到,也可以通过仿真不同目标的近场远场数据得到。构建多层神经网络如图4所示。
第a组训练数据中的输入近场数据为a∈[1,m]为训练集中任意一组数据,神经网络的输出为远场RCS的估计训练集中已知远场真实RCS值为其中表示训练集中第a组训练数据中的近场数据输入网络后,网络输出的第1个角度采样点下的估计值,则网络在第a组训练数据上的均方误差为
利用均方误差对待优化参数的偏导为依据,对网络中需要确定的参数进行迭代学习,采用梯度下降策略,以目标的负梯度方向对整个网络内的参数进行调整,最终最小化训练集的累积误差
累积误差E表示具有m组数据的训练集D中的每组数据的均方误差的累积结果。
步骤三、实际变换时,将近场测量的RCS数据输入训练好的神经网络,即可得到变换之后的远场RCS数据。
将近场数据输入网络可以直接得到远场的估计,输入向量或矩阵格式以及转台转动角度要与测试数据相对应。
利用仿真或实测模型训练得到的神经网络具备将近场数据变换为远场数据的能力。利用训练好的网络测试图4所示的三个点散射体组成的目标,近场测试距离为1m,转台角度为-6度到6度,角度采样点数为121点,仿真频率为10GHz,点与点之间距离R0分别为0.208m和0.108m,得到的结果如图5所示。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度神经网络的RCS近远场变换方法,其特征在于,包括以下步骤:
步骤一、根据近场测量的雷达回波数据选取神经网络:若雷达回波数据为单频点数据,则选取前馈神经网络;若雷达回波数据为多频点数据,则选取卷积神经网络;
步骤二、获取近场RCS数据及相对应的远场RCS数据作为训练样本,近场RCS数据作为神经网络的输入,输出的期望结果与产生的远场RCS数据做比较,通过误差逆传播算法训练神经网络,通过调整神经网络控制参数得到符合误差要求的神经网络;
步骤三、实际变换时,将近场测量的RCS数据输入训练好的神经网络,即可得到变换之后的远场RCS数据。
2.如权利要求1所述的一种基于深度神经网络的RCS近远场变换方法,其特征在于,所述步骤二中的多散射点模型的中心与待测目标至雷达的距离相同,同时多散射点模型的各散射点随机分布在半径为R的三维球空间内,其中,R大于待测目标的最大空间尺寸。
3.如权利要求1所述的一种基于深度神经网络的RCS近远场变换方法,其特征在于,所述训练样本由多散射点模型仿真或实际测量得到。
4.如权利要求1所述的一种基于深度神经网络的RCS近远场变换方法,其特征在于,所述近场测量的RCS数据为利用近场测量的雷达回波数据根据RCS计算公式得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752556.4A CN108983228B (zh) | 2018-07-10 | 2018-07-10 | 一种基于深度神经网络的rcs近远场变换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752556.4A CN108983228B (zh) | 2018-07-10 | 2018-07-10 | 一种基于深度神经网络的rcs近远场变换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108983228A true CN108983228A (zh) | 2018-12-11 |
CN108983228B CN108983228B (zh) | 2022-06-24 |
Family
ID=64537732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810752556.4A Active CN108983228B (zh) | 2018-07-10 | 2018-07-10 | 一种基于深度神经网络的rcs近远场变换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983228B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441747A (zh) * | 2019-09-04 | 2019-11-12 | 上海无线电设备研究所 | 基于坡印廷矢量的目标近场同极化散射特性标定的方法 |
US20210027417A1 (en) * | 2019-07-22 | 2021-01-28 | Raytheon Company | Machine learned registration and multi-modal regression |
CN112634877A (zh) * | 2019-10-09 | 2021-04-09 | 北京声智科技有限公司 | 一种远场语音模拟方法及装置 |
WO2021148116A1 (en) * | 2020-01-22 | 2021-07-29 | Advantest Corporation | A system and a method for obtaining a performance metric of a device under test based on one or more nearfield measurement results |
CN113281715A (zh) * | 2021-05-09 | 2021-08-20 | 复旦大学 | 一种基于神经网络的雷达目标特性数据表征方法 |
CN113821967A (zh) * | 2021-06-04 | 2021-12-21 | 北京理工大学 | 基于散射中心模型的大样本训练数据生成方法 |
CN114660601A (zh) * | 2022-03-18 | 2022-06-24 | 中国科学院光电技术研究所 | 一种应用于合成孔径成像系统的振动抑制方法及装置 |
CN116299239A (zh) * | 2023-03-17 | 2023-06-23 | 南京航空航天大学 | 一种近远场变换的雷达散射截面积误差优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060055592A1 (en) * | 2001-12-21 | 2006-03-16 | Leather Paul S H | Antenna measurement systems |
US20130002275A1 (en) * | 2011-06-30 | 2013-01-03 | Kyung Jin Min | System and method for measuring near field information of device under test |
CN102944872A (zh) * | 2012-11-23 | 2013-02-27 | 北京航空航天大学 | 雷达散射截面近场到近场的变换方法 |
CN105572652A (zh) * | 2016-03-18 | 2016-05-11 | 西北工业大学 | 一种利用外推获得具有多次散射目标远场rcs的方法 |
CN106569191A (zh) * | 2016-10-17 | 2017-04-19 | 西北工业大学 | 一种利用高分辨率成像获取目标rcs的方法 |
CN107783092A (zh) * | 2017-09-21 | 2018-03-09 | 北京航空航天大学 | 基于链条关系式的近场后向rcs测量系统及方法 |
EP3335962A1 (en) * | 2016-12-19 | 2018-06-20 | Siemens Aktiengesellschaft | Method for the detection of crosstalk phenomena |
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
-
2018
- 2018-07-10 CN CN201810752556.4A patent/CN108983228B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060055592A1 (en) * | 2001-12-21 | 2006-03-16 | Leather Paul S H | Antenna measurement systems |
US20130002275A1 (en) * | 2011-06-30 | 2013-01-03 | Kyung Jin Min | System and method for measuring near field information of device under test |
CN102944872A (zh) * | 2012-11-23 | 2013-02-27 | 北京航空航天大学 | 雷达散射截面近场到近场的变换方法 |
CN105572652A (zh) * | 2016-03-18 | 2016-05-11 | 西北工业大学 | 一种利用外推获得具有多次散射目标远场rcs的方法 |
CN106569191A (zh) * | 2016-10-17 | 2017-04-19 | 西北工业大学 | 一种利用高分辨率成像获取目标rcs的方法 |
EP3335962A1 (en) * | 2016-12-19 | 2018-06-20 | Siemens Aktiengesellschaft | Method for the detection of crosstalk phenomena |
CN107783092A (zh) * | 2017-09-21 | 2018-03-09 | 北京航空航天大学 | 基于链条关系式的近场后向rcs测量系统及方法 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
Non-Patent Citations (2)
Title |
---|
VAUPEL, T: "Comparison and Application of Near-Field ISAR Imaging Techniques for Far-Field Radar Cross Section Determination", 《 IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION》 * |
李勇等: "基于PNA多通道扫频近场测量速度与精度分析", 《电波科学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210027417A1 (en) * | 2019-07-22 | 2021-01-28 | Raytheon Company | Machine learned registration and multi-modal regression |
US11657475B2 (en) * | 2019-07-22 | 2023-05-23 | Raytheon Company | Machine learned registration and multi-modal regression |
CN110441747A (zh) * | 2019-09-04 | 2019-11-12 | 上海无线电设备研究所 | 基于坡印廷矢量的目标近场同极化散射特性标定的方法 |
CN110441747B (zh) * | 2019-09-04 | 2021-06-04 | 上海无线电设备研究所 | 基于坡印廷矢量的目标近场同极化散射特性标定的方法 |
CN112634877B (zh) * | 2019-10-09 | 2022-09-23 | 北京声智科技有限公司 | 一种远场语音模拟方法及装置 |
CN112634877A (zh) * | 2019-10-09 | 2021-04-09 | 北京声智科技有限公司 | 一种远场语音模拟方法及装置 |
WO2021148116A1 (en) * | 2020-01-22 | 2021-07-29 | Advantest Corporation | A system and a method for obtaining a performance metric of a device under test based on one or more nearfield measurement results |
US11747383B2 (en) | 2020-01-22 | 2023-09-05 | Advantest Corporation | Determining performance metrics for a device under test using nearfield measurement results |
CN113281715A (zh) * | 2021-05-09 | 2021-08-20 | 复旦大学 | 一种基于神经网络的雷达目标特性数据表征方法 |
CN113281715B (zh) * | 2021-05-09 | 2022-06-21 | 复旦大学 | 一种基于神经网络的雷达目标特性数据表征方法 |
CN113821967A (zh) * | 2021-06-04 | 2021-12-21 | 北京理工大学 | 基于散射中心模型的大样本训练数据生成方法 |
CN114660601A (zh) * | 2022-03-18 | 2022-06-24 | 中国科学院光电技术研究所 | 一种应用于合成孔径成像系统的振动抑制方法及装置 |
CN114660601B (zh) * | 2022-03-18 | 2023-06-30 | 中国科学院光电技术研究所 | 一种应用于合成孔径成像系统的振动抑制方法及装置 |
CN116299239A (zh) * | 2023-03-17 | 2023-06-23 | 南京航空航天大学 | 一种近远场变换的雷达散射截面积误差优化方法 |
CN116299239B (zh) * | 2023-03-17 | 2023-07-28 | 南京航空航天大学 | 一种近远场变换的雷达散射截面积误差优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108983228B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983228A (zh) | 一种基于深度神经网络的rcs近远场变换方法 | |
CN102393518B (zh) | 一种适用于大斜视角的机载sar成像方法 | |
CN108008385A (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN106872978A (zh) | 一种复杂场景的电磁建模仿真方法 | |
CN104833974B (zh) | 基于图像谱压缩的sar成像快速后向投影方法 | |
CN104077482B (zh) | 一种超低空目标与地海粗糙面复合散射的快速计算方法 | |
CN104732584B (zh) | 用于太赫兹高斯波束全息成像的三维大景深图像重建方法 | |
CN105911533B (zh) | 一种基于平面扫描结构的三维成像降采样快速扫描方法 | |
CN107632964A (zh) | 一种平面地磁异常场向下延拓递归余弦变换法 | |
CN109635661A (zh) | 一种基于卷积神经网络的远场无线充电接收目标检测方法 | |
CN109343003B (zh) | 一种快速迭代收缩波束形成声源识别方法 | |
CN110245413A (zh) | 一种基于神经网络的超材料吸波结构的设计方法 | |
CN113609646A (zh) | 一种复杂陆地环境与装备的耦合电磁散射特性建模仿真方法 | |
CN108983208A (zh) | 一种基于近场稀疏成像外推的目标rcs测量方法 | |
CN108646247A (zh) | 基于伽马过程线性回归的逆合成孔径雷达成像方法 | |
CN109188384A (zh) | 空间目标回波动态观测的电磁仿真方法 | |
CN101561504A (zh) | 用于圆周合成孔径雷达三维成像的高程向降维处理方法 | |
CN108594196A (zh) | 一种目标散射中心参数提取方法及装置 | |
CN107783111A (zh) | 一种基于最大熵准则的雷达前视超分辨成像方法 | |
CN106908789A (zh) | 一种基于空间域支撑区融合的sar成像方法 | |
CN107356924B (zh) | 针对凹腔类结构的sar图像仿真方法 | |
CN106291549B (zh) | 一种金属多边形的合成孔径雷达图像仿真方法及其应用 | |
CN104167019B (zh) | 一种sar图像精确度计算方法 | |
Smith et al. | Numerical ray tracing in media involving continuous and discrete refractive boundaries | |
CN113177307A (zh) | 一种应用于复杂地形的短波地波仿真方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |