CN109901164A - 一种合成孔径雷达的分布式后向投影成像方法 - Google Patents
一种合成孔径雷达的分布式后向投影成像方法 Download PDFInfo
- Publication number
- CN109901164A CN109901164A CN201910216894.0A CN201910216894A CN109901164A CN 109901164 A CN109901164 A CN 109901164A CN 201910216894 A CN201910216894 A CN 201910216894A CN 109901164 A CN109901164 A CN 109901164A
- Authority
- CN
- China
- Prior art keywords
- key
- value
- data
- value pair
- imaging
- 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
Abstract
本发明公开了一种合成孔径雷达的分布式后向投影成像方法,涉及合成孔径雷达大场景成像领域,解决的技术问题是如何实现SAR的大场景高分辨率高精度成像和降低成像时延,包括如下步骤:获得散射点回波数据,对回波数据进行距离压缩处理后添加对应虚拟阵元的位置信息;进行分布式BP算法的Map阶段;进行分布式BP算法的Reduce阶段,获得成像数据。本发明可实现SAR的大场景高分辨率高精度成像并降低成像时延。
Description
技术领域
本发明涉及合成孔径雷达大场景成像领域,尤其涉及一种合成孔径雷达的分布式后向投影成像方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天时、全天候、信息量丰富的遥感成像技术,其出色的空对地探测能力使其成为了军事防御、目标侦察、地形成像、自然灾害监测和国土资源勘探等领域的重要技术手段。随着SAR技术的不断发展和应用场景的复杂化,实现大场景成像和获得更多的场景细节信息已经成为了迫切的需求。但是,如何实现SAR的大场景高分辨率高精度成像和降低成像时延是目前面临的关键问题。
在SAR的成像算法中,后向投影(Back Projection,BP)算法适合应用于复杂运动下的大场景高分辨率高精度成像。但是,BP算法的算法复杂度高,成像时延长,限制了其在实际中的进一步应用。因此,国内外学者提出了基于图形处理器GPU(Graphics ProcessingUnit,GPU)的SAR后向投影算法,借助GPU大量的算术逻辑单元和并行编程模型,实现BP算法的快速计算。但是,使用GPU加速BP算法计算也存在以下两个问题:一个是现有GPU显存不足,提升显存的技术要求极高,所以无法完成海量目标回波数据的计算;最重要的是,基于GPU的数据计算平台的计算能力扩展性不足,提高计算能力只能通过扩展GPU的数量,但是一般服务器GPU扩展十分有限,并且组建超级计算机的成本十分昂贵。因此,BP算法的深化应用受到了很大的限制。
近年来,随着计算机技术和网络技术的飞速发展,分布式计算在需要巨大计算能力的场景中得到了实践和应用。其主要的思想是将需要巨大运算量的问题划分成若干个小的计算任务,让不同的计算机并行去处理划分出的子任务,最后将计算结果聚合起来完成复杂任务的计算,达到大大减少计算时间,提高计算效率的效果,并且计算机数量可以任意添加,集群(集群是指若干台独立的物理计算机通过网络连接组成的分布式计算平台)的计算能力可以无限扩展。因此,将分布式计算应用于SAR的BP算法计算是一个解决大场景高分辨率高精度快速成像的重要手段。
发明内容
针对现有技术的不足,本发明所解决的技术问题是如何实现SAR的大场景高分辨率高精度成像和降低成像时延。
为解决上述技术问题,本发明采用的技术方案是一种合成孔径雷达的分布式后向投影成像方法,应用Hadoop分布式计算平台中的MapReduce分布式计算模型,将经过距离压缩后的目标回波数据划分成若干个数据块,使用不同的计算执行单元并行处理划分后的数据块,最后将各个数据块的处理结果按指定方式聚合起来,完成SAR的后向投影算法快速计算,包括如下步骤:
(一)获得散射点回波数据,对回波数据进行距离压缩处理,具体过程如下:
(1)初始化系统参数,对三维成像场景建立三维直角坐标系,并划分网格,x轴的网格点数为X,y轴的网格点数为Y,z轴的网格点数为Z;一个负责信号发射和接收的实阵元运动形成一个虚拟二维阵列,虚拟二维阵列大小为Nr×Nc,Nr表示虚拟二维阵列的行数,Nc表示虚拟二维阵列的列数;
(2)实阵元在每个虚拟阵元位置分别发射雷达宽带信号,并接收目标的回波信号;然后,对所有虚拟阵元位置的回波信号进行数字采样,形成目标回波数据矩阵,记为M,行数为Nr×Nc,列数为N,N表示宽带回波信号采样点数;
(3)对矩阵M的每一行数据采用传统雷达距离压缩算法进行距离向成像,得到距离像矩阵Mt,大小不变;
(4)在矩阵Mt的右边添加一列,记录每行数据所对应虚拟阵元的位置信息,形成第二距离像矩阵Mt1,大小为(Nr×Nc)×(N+1);
(5)将第二距离像矩阵Mt1上传到Hadoop的分布式文件系统。
(二)进行分布式BP算法的Map阶段,具体过程如下:
(1)将第二距离像矩阵Mt1按行均分成K块,每块(Nr×Nc)/K行数据;数据块的每一行数据转化成一个键值对,记为<keyij,valueij>,keyij为第i块数据第j行的标识,valueij为第i块数据第j行的数据内容;
(2)数据块0至数据块K-1各生成一个Map任务,共K个Map任务;所有的Map任务向资源调度组件申请计算所需的容器,得到容器的Map任务就开始执行;将数据块的第一行数据以键值对的形式输入Mapper函数;
(3)Mapper函数接收一个键值对<keyij,valueij>,valueij的最后一个值为虚拟阵元的位置信息;在三维成像场景的网格点中,从坐标为(0,0,0)的网格点开始遍历;
(4)根据经典BP算法得到该网格点的成像过程数据,将该过程数据存入二维成像矩阵Mz对应的x行、y列中待操作,z表示z轴的坐标值;
(5)x轴坐标加1,判断x轴坐标是否小于X,若是,重复步骤(4)至(5),若否,进入下一步;
(6)y轴坐标加1,判断y轴坐标是否小于Y,若是,x轴坐标置0,重复步骤(4)至(6),若否,进入下一步;
(7)将二维成像矩阵Mz以<keyij,valueij>的形式存到磁盘中,keyij为z轴的坐标值,valueij为二维成像矩阵Mz;
(8)z轴坐标加1,判断z轴坐标是否小于Z,若是,x轴坐标置0,y轴坐标置0,重复步骤(4)至(8),若否,该键值对所对应的行数据处理完毕,进入下一步;
(9)判断上一步处理完毕的行数据是否为数据块的最后一行数据,若否,将下一行数据以键值对的形式输入Mapper函数,重复步骤(3)至(9),若是,数据块处理完成,进入下一步;
(10)将Mapper函数输出的键值对写入同一个文件中,并且将键值对按keyij值从小到大进行排序,得到该Map任务的最终结果文件Fi,i的取值范围为0≤i≤K-1,i为整数,表示第i个数据块对应的Map任务;Map阶段完成之后每个Map任务得到一个最终结果文件Fi,其存储了(Nr×Nc)/K×Z个键值对。
(三)进行分布式BP算法的Reduce阶段,获得成像数据,具体过程如下:
(1)将Map阶段的最终结果文件F0,F1,F2…FK-1的数据添加到总文件F,并且在添加过程中将键值对按keyij值从小到大进行排序;总文件F中存储了Nr×Nc×Z个键值对;
(2)将总文件F中的数据进行分组合成,其过程为相同keyij值的键值对分为一组,组内键值对的valueij值合成了一个一维数组的形式,最后以键值对<key,value>的形式输出,key为z轴的坐标值,value为一个长度为Nr×Nc的一维数组形式,其内部的每个元素都是一个二维成像矩阵Mz;分组合成后,键值对的数量由Nr×Nc×Z个变成了Z个;
(3)将步骤(2)输出的第一个键值对输入到Reducer函数中待操作;
(4)Reducer函数接收到一个输入的键值对<key,value>,将value里的二维成像矩阵Mz依次取出,进行矩阵累加,得到一个能量积累后的二维成像矩阵Mz,将其作为输出键值对<keyz,valuez>的valuez值,keyz为输入键值对的key值;
(5)将输出键值对<keyz,valuez>写到分布式文件系统中;
(6)判断步骤(2)得到的Z个键值对是否都输入到了Reducer函数中进行处理,若否,输入下一个键值对,重复步骤(4)至(6),若是,进入下一步;
(7)Reduce阶段结束,MapReduce应用程序结束,获得分布式BP算法的成像数据。
与现有技术相比,本发明有益效果:
(1)可以实现SAR的BP算法快速计算,完成SAR的大场景高分辨率高精度快速成像;
(2)相对于Matlab串行计算的计算加速达到数倍以上,并且随着算法计算量的提高,集群计算节点(计算节点是指具有独立的中央处理器、内存和磁盘,在集群中负责数据的存储和计算的物理计算机)的增加,计算加速会更加明显;
(3)相对于基于GPU加速的计算平台,基于Hadoop的分布式计算平台可以通过增加计算节点的数量使得平台计算能力大规模增加,计算能力扩展性更好,且成本更低。
附图说明
图1虚拟二维阵列与三维成像场景的位置结构示意图;
图2本发明方法流程图;
图3Matlab串行计算的BP算法与分布式BP算法计算时间对比图;
图4不同计算节点的分布式BP算法较Matlab串行计算的BP算法的加速比折线图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步的说明,但不是对本发明的限定。
实施例:
设图1的三维成像场景为一辆小车模型,实验数据产生环境是FEKO三维电磁仿真软件,其为EMSS公司旗下的一款强大的三维全波电磁仿真软件;Matlab计算平台配置为Intel(R)Core(TM)i7-7700 CPU@3.60GHz,4核8线程,16G内存,操作系统为Windows 10,由于Matlab串行计算为单核计算,因此计算核数和内存均保证充足;分布式集群计算平台配置如表1所示。
表1分布式集群实验环境配置表
注:主节点是指负责管理数据存储地址和资源调度的物理计算机。
本发明方法流程图如图2所示,具体实施步骤如下:
(一)获得散射点回波数据,对回波数据进行距离压缩处理,具体过程如下:
(1)初始化系统参数,对三维成像场景建立三维直角坐标系,并划分网格,x轴网格点数为30,y轴的网格点数为20,z轴的网格点数为10,共构成6000个网格点;FEKO仿真的虚拟二维阵列大小为51×51,发射的信号为100个扫频点的步进频信号;
(2)如图1所示,实阵元在每个虚拟阵元位置分别发射雷达宽带信号,并接收目标的回波信号;然后,对所有虚拟阵元位置的回波信号进行数字采样,形成目标回波数据矩阵M,行数为2061,列数为100;
(3)对矩阵M的每一行数据采用传统雷达距离压缩算法进行距离向成像,得到距离像矩阵Mt,大小不变;
(4)在矩阵Mt的右边添加一列,记录每行数据所对应虚拟阵元的位置信息,形成第二距离像矩阵Mt1,大小为2061×101;
(5)将第二距离像矩阵Mt1上传到Hadoop的分布式文件系统。
(二)进行分布式BP算法的Map阶段,具体过程如下:
(1)将第二距离像矩阵Mt1按行均分成51块,每块51行数据;
(2)数据块0至数据块50均生成一个Map任务,共51个Map任务;将数据块的第一行数据以键值对<keyij,valueij>的形式输入Mapper函数;
(3)Mapper函数接收一个键值对<keyij,valueij>,valueij的最后一个值为虚拟阵元的位置信息;在三维成像场景的网格点中,从坐标为(0,0,0)的网格点开始遍历;
(4)根据经典BP算法得到该网格点的成像过程数据,将该过程数据存入二维成像矩阵Mz对应的x行、y列中待操作;
(5)x轴坐标加1,判断x轴坐标是否小于30,若是,重复步骤(4)至(5),若否,进入下一步;
(6)y轴坐标加1,判断y轴坐标是否小于20,若是,x轴坐标置0,重复步骤(4)至(6),若否,进入下一步;
(7)将二维成像矩阵Mz以<keyij,valueij>的形式存到磁盘中,keyij为z轴的坐标值,valueij为二维成像矩阵Mz;
(8)z轴坐标加1,判断z轴坐标是否小于10,若是,x轴坐标置0,y轴坐标置0,重复步骤(4)至(8),若否,该键值对所对应的行数据处理完毕,进入下一步;
(9)判断上一步处理完毕的行数据是否为数据块的最后一行数据,若否,将下一行数据以键值对的形式输入Mapper函数,重复步骤(3)至(9),若是,进入下一步;
(10)将Mapper函数输出的键值对写入同一个文件中,并且将键值对按keyij值从小到大进行排序,得到该Map任务的最终结果文件Fi,i的取值范围为0≤i≤50,i为整数;Map阶段完成之后每个Map任务得到一个最终结果文件Fi,其存储了510个键值对。
(三)进行分布式BP算法的Reduce阶段,获得分布式BP算法的成像数据,具体过程如下:
(1)将Map阶段的最终结果文件F0,F1,F2…F50的数据添加到总文件F,并且在添加过程中将键值对按keyij值从小到大进行排序;总文件F中存储了20610个键值对;
(2)将总文件F中的数据进行分组合成,然后以键值对<key,value>的形式输出,key为z轴的坐标值,value为一个长度为2061的一维数组形式,其内部的每个元素都是一个二维成像矩阵Mz;分组合成后,键值对的数量由20610个变成了10个;
(3)将经过步骤(2)后key为0的键值对输入到Reducer函数中待操作;
(4)Reducer函数接收到一个输入的键值对<key,value>,将value里的二维成像矩阵Mz依次取出,进行矩阵累加,得到一个能量积累后的二维成像矩阵Mz,将其作为输出键值对<keyz,valuez>的valuez值,keyz为输入键值对的key值;
(5)将输出键值对<keyz,valuez>写到分布式文件系统中;
(6)key值加1得到新key值,判断新key值是否小于10,若是,将经过步骤(2)后key为新key值的键值对输入Reducer函数,重复步骤(4)至(6),若否,进入下一步;
(7)Reduce阶段结束,MapReduce应用程序结束,获得分布式BP算法的成像数据。
与现有技术相比,本发明有益效果:
(1)分布式BP算法与Matlab串行计算的BP算法成像效果对比;
对于取得的分布式BP算法成像数据,利用Matlab软件对成像数据进行读取,组合成一个三维复数矩阵Md,通过绘图的方式将其展示出来;同时,将Matlab串行计算的BP算法得到的三维复数矩阵Ms按同样的绘图方式展示出来;经过比较,分布式BP算法的成像效果与Matlab串行计算的BP算法的成像效果没有差异;
(2)分布式BP算法与Matlab串行计算的BP算法的速度对比;
使用经过距离压缩后的目标回波数据作为输入数据,记录Matlab串行计算的BP算法程序得到三维成像矩阵Ms的计算时间tk,k表示第k次实验,重复实验10次,求得10次实验的平均计算时间同样地,使用与Matlab串行计算相同的输入数据,在集群的计算节点为1时,记录分布式BP算法得到三维成像矩阵Md的计算时间t1k,重复实验10次,求得10次实验的平均计算时间同样,使用与Matlab串行计算相同的输入数据,分别将集群的计算节点设置为2、3,重复上述实验求取平均计算时间将Matlab串行计算的BP算法平均计算时间与分布式BP算法平均计算时间进行对比;如图3所示,分布式BP算法的计算时间远少于Matlab串行计算的BP算法的计算时间。
根据实验数据与公式c表示实验的次数,d表示分布式集群计算节点数,求得分布式BP算法较Matlab串行计算的BP算法的加速比Gd,如图4所示,相对于Matlab串行计算的BP算法,分布式BP算法至少可以获得5倍以上的加速,在集群计算节点数为3个时,加速比达到7.49。上述实验结果验证了本发明的有效性。
综上所述,本发明可以实现SAR的BP算法快速计算,完成SAR的大场景高分辨率高精度快速成像,相对于Matlab串行计算的计算加速达到数倍以上,并且随着计算任务的计算量和集群计算节点的增加,加速比也会进一步提高;另外,相对于基于GPU加速的计算平台,基于Hadoop的分布式计算平台的扩展性更好,且成本更低。
以上结合附图对本发明的实施方式做出了详细说明,但本发明不局限于所描述的实施方式。对于本领域技术人员而言,在不脱离本发明的原理和精神的情况下,对这些实施方式进行各种变化、修改、替换和变型仍落入本发明的保护范围内。
Claims (4)
1.一种合成孔径雷达的分布式后向投影成像方法,其特征在于,包括如下步骤:
(一)获得散射点回波数据,对回波数据进行距离压缩处理后添加对应虚拟阵元的位置信息;
(二)进行分布式BP算法的Map阶段;
(三)进行分布式BP算法的Reduce阶段,获得成像数据。
2.根据权利要求1所述的合成孔径雷达的分布式后向投影成像方法,其特征在于,步骤(一)具体过程如下:
(1)初始化系统参数,对三维成像场景建立三维直角坐标系,并划分网格,x轴的网格点数为X,y轴的网格点数为Y,z轴的网格点数为Z;一个负责信号发射和接收的实阵元运动形成一个虚拟二维阵列,虚拟二维阵列大小为Nr×Nc,Nr表示虚拟二维阵列的行数,Nc表示虚拟二维阵列的列数;
(2)实阵元在每个虚拟阵元位置分别发射雷达宽带信号,并接收目标的回波信号;然后,对所有虚拟阵元位置的回波信号进行数字采样,形成目标回波数据矩阵,记为M,行数为Nr×Nc,列数为N,N表示宽带回波信号采样点数;
(3)对矩阵M的每一行数据采用传统雷达距离压缩算法进行距离向成像,得到距离像矩阵Mt,大小不变;
(4)在矩阵Mt的右边添加一列,记录每行数据所对应虚拟阵元的位置信息,形成第二距离像矩阵Mt1,大小为(Nr×Nc)×(N+1);
(5)将第二距离像矩阵Mt1上传到Hadoop的分布式文件系统。
3.根据权利要求1所述的合成孔径雷达的分布式后向投影成像方法,其特征在于,步骤(二)具体过程如下:
(1)将第二距离像矩阵Mt1按行均分成K块,每块(Nr×Nc)/K行数据;数据块的每一行数据转化成一个键值对,记为<keyij,valueij>,keyij为第i块数据第j行的标识,valueij为第i块数据第j行的数据内容;
(2)数据块0至数据块K-1各生成一个Map任务,共K个Map任务;所有的Map任务向资源调度组件申请计算所需的容器,得到容器的Map任务就开始执行;将数据块的第一行数据以键值对的形式输入Mapper函数;
(3)Mapper函数接收一个键值对<keyij,valueij>,valueij的最后一个值为虚拟阵元的位置信息;在三维成像场景的网格点中,从坐标为(0,0,0)的网格点开始遍历;
(4)根据经典BP算法得到该网格点的成像过程数据,将该过程数据存入二维成像矩阵Mz对应的x行、y列中待操作,z表示z轴的坐标值;
(5)x轴坐标加1,判断x轴坐标是否小于X,若是,重复步骤(4)至(5),若否,进入下一步;
(6)y轴坐标加1,判断y轴坐标是否小于Y,若是,x轴坐标置0,重复步骤(4)至(6),若否,进入下一步;
(7)将二维成像矩阵Mz以<keyij,valueij>的形式存到磁盘中,keyij为z轴的坐标值,valueij为二维成像矩阵Mz;
(8)z轴坐标加1,判断z轴坐标是否小于Z,若是,x轴坐标置0,y轴坐标置0,重复步骤(4)至(8),若否,该键值对所对应的行数据处理完毕,进入下一步;
(9)判断上一步处理完毕的行数据是否为数据块的最后一行数据,若否,将下一行数据以键值对的形式输入Mapper函数,重复步骤(3)至(9),若是,数据块处理完成,进入下一步;
(10)将Mapper函数输出的键值对写入同一个文件中,并且将键值对按keyij值从小到大进行排序,得到该Map任务的最终结果文件Fi,i的取值范围为0≤i≤K-1,i为整数,表示第i个数据块对应的Map任务;Map阶段完成之后每个Map任务得到一个最终结果文件Fi,其存储了(Nr×Nc)/K×Z个键值对。
4.根据权利要求1至3任一项所述的合成孔径雷达的分布式后向投影成像方法,其特征在于,步骤(三)具体过程如下:
(1)将Map阶段的最终结果文件F0,F1,F2…FK-1的数据添加到总文件F,并且在添加过程中将键值对按keyij值从小到大进行排序;总文件F中存储了Nr×Nc×Z个键值对;
(2)将总文件F中的数据进行分组合成,其过程为相同keyij值的键值对分为一组,组内键值对的valueij值合成了一个一维数组的形式,最后以键值对<key,value>的形式输出,key为z轴的坐标值,value为一个长度为Nr×Nc的一维数组形式,其内部的每个元素都是一个二维成像矩阵Mz;分组合成后,键值对的数量由Nr×Nc×Z个变成了Z个;
(3)将步骤(2)输出的第一个键值对输入到Reducer函数中待操作;
(4)Reducer函数接收到一个输入的键值对<key,value>,将value里的二维成像矩阵Mz依次取出,进行矩阵累加,得到一个能量积累后的二维成像矩阵Mz,将其作为输出键值对<keyz,valuez>的valuez值,keyz为输入键值对的key值;
(5)将输出键值对<keyz,valuez>写到分布式文件系统中;
(6)判断步骤(2)得到的Z个键值对是否都输入到了Reducer函数中进行处理,若否,输入下一个键值对,重复步骤(4)至(6),若是,进入下一步;
(7)Reduce阶段结束,MapReduce应用程序结束,获得分布式BP算法的成像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216894.0A CN109901164B (zh) | 2019-03-21 | 2019-03-21 | 一种合成孔径雷达的分布式后向投影成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216894.0A CN109901164B (zh) | 2019-03-21 | 2019-03-21 | 一种合成孔径雷达的分布式后向投影成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109901164A true CN109901164A (zh) | 2019-06-18 |
CN109901164B CN109901164B (zh) | 2022-09-13 |
Family
ID=66952850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910216894.0A Active CN109901164B (zh) | 2019-03-21 | 2019-03-21 | 一种合成孔径雷达的分布式后向投影成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109901164B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671502A (zh) * | 2021-08-17 | 2021-11-19 | 桂林电子科技大学 | 一种合成孔径雷达的分布式压缩感知并行成像方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630897A (zh) * | 2012-08-28 | 2014-03-12 | 中国科学院电子学研究所 | 一种多通道合成孔径雷达成像的方法 |
CN104020469A (zh) * | 2014-05-30 | 2014-09-03 | 哈尔滨工程大学 | 一种mimo雷达距离-角度二维超分辨率成像算法 |
CN104181528A (zh) * | 2014-08-06 | 2014-12-03 | 西安电子科技大学 | 基于bp优化的压缩感知多层isar成像方法 |
CN105676219A (zh) * | 2016-01-11 | 2016-06-15 | 桂林电子科技大学 | 基于正交相位调制的mimo雷达三维成像方法 |
CN106383891A (zh) * | 2016-09-22 | 2017-02-08 | 重庆理工大学 | 一种基于深度哈希的医学图像分布式检索方法 |
CN106405548A (zh) * | 2016-08-23 | 2017-02-15 | 西安电子科技大学 | 基于多任务贝叶斯压缩感知的逆合成孔径雷达成像方法 |
CN107678029A (zh) * | 2017-08-30 | 2018-02-09 | 哈尔滨工业大学 | 一种基于随机参考平均互相关信息的后向投影成像方法 |
CN108008389A (zh) * | 2017-12-01 | 2018-05-08 | 电子科技大学 | 一种基于gpu的快速频域后向投影三维成像方法 |
CN109188432A (zh) * | 2018-08-08 | 2019-01-11 | 中国航空工业集团公司雷华电子技术研究所 | 一种平行双基聚束sar快速bp成像方法 |
-
2019
- 2019-03-21 CN CN201910216894.0A patent/CN109901164B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630897A (zh) * | 2012-08-28 | 2014-03-12 | 中国科学院电子学研究所 | 一种多通道合成孔径雷达成像的方法 |
CN104020469A (zh) * | 2014-05-30 | 2014-09-03 | 哈尔滨工程大学 | 一种mimo雷达距离-角度二维超分辨率成像算法 |
CN104181528A (zh) * | 2014-08-06 | 2014-12-03 | 西安电子科技大学 | 基于bp优化的压缩感知多层isar成像方法 |
CN105676219A (zh) * | 2016-01-11 | 2016-06-15 | 桂林电子科技大学 | 基于正交相位调制的mimo雷达三维成像方法 |
CN106405548A (zh) * | 2016-08-23 | 2017-02-15 | 西安电子科技大学 | 基于多任务贝叶斯压缩感知的逆合成孔径雷达成像方法 |
CN106383891A (zh) * | 2016-09-22 | 2017-02-08 | 重庆理工大学 | 一种基于深度哈希的医学图像分布式检索方法 |
CN107678029A (zh) * | 2017-08-30 | 2018-02-09 | 哈尔滨工业大学 | 一种基于随机参考平均互相关信息的后向投影成像方法 |
CN108008389A (zh) * | 2017-12-01 | 2018-05-08 | 电子科技大学 | 一种基于gpu的快速频域后向投影三维成像方法 |
CN109188432A (zh) * | 2018-08-08 | 2019-01-11 | 中国航空工业集团公司雷华电子技术研究所 | 一种平行双基聚束sar快速bp成像方法 |
Non-Patent Citations (1)
Title |
---|
陈明: "反投影算法在双基地合成孔径雷达成像中的应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671502A (zh) * | 2021-08-17 | 2021-11-19 | 桂林电子科技大学 | 一种合成孔径雷达的分布式压缩感知并行成像方法 |
CN113671502B (zh) * | 2021-08-17 | 2023-07-11 | 桂林电子科技大学 | 一种合成孔径雷达的分布式压缩感知并行成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109901164B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11507846B2 (en) | Representing a neural network utilizing paths within the network to improve a performance of the neural network | |
US10657306B1 (en) | Deep learning testability analysis with graph convolutional networks | |
Yan et al. | A novel hardware/software partitioning method based on position disturbed particle swarm optimization with invasive weed optimization | |
US10007742B2 (en) | Particle flow simulation system and method | |
Pantaleoni et al. | Pantaray: fast ray-traced occlusion caching of massive scenes | |
CN103440163B (zh) | 使用gpu并行实现的基于pic模型的加速器仿真方法 | |
CN104657436A (zh) | 基于MapReduce的静态瓦片金字塔并行构建方法 | |
Cao et al. | Implementing sparse matrix-vector multiplication using CUDA based on a hybrid sparse matrix format | |
US11972354B2 (en) | Representing a neural network utilizing paths within the network to improve a performance of the neural network | |
CN106055780B (zh) | 一种基于gpu加速的空间碎片预警方法 | |
CN104516831A (zh) | 原子存储器更新单元和方法 | |
Liu et al. | Parallel processing of massive remote sensing images in a GPU architecture | |
US20210158155A1 (en) | Average power estimation using graph neural networks | |
CN104050710A (zh) | 用隐式几何体进行3d图形渲染 | |
CN110097582A (zh) | 一种点云优化配准与实时显示系统及工作方法 | |
Zeng et al. | GPU-accelerated MART and concurrent cross-correlation for tomographic PIV | |
CN109901164A (zh) | 一种合成孔径雷达的分布式后向投影成像方法 | |
CN106484532B (zh) | 面向sph流体模拟的gpgpu并行计算方法 | |
Husselmann et al. | Spatial data structures, sorting and gpu parallelism for situated-agent simulation and visualisation | |
Kim et al. | T-ReX: Interactive global illumination of massive models on heterogeneous computing resources | |
Zhou et al. | A Parallel Scheme for Large‐scale Polygon Rasterization on CUDA‐enabled GPUs | |
CN113628318B (zh) | 一种基于光线追踪的分布式实时神经元渲染方法和系统 | |
US20230145783A1 (en) | Parallel processing for combinatorial optimization | |
US20220129755A1 (en) | Incorporating a ternary matrix into a neural network | |
Carabaño et al. | Efficient implementation of a fast viewshed algorithm on SIMD architectures |
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 |