CN110780273B - 一种混合正则化方位超分辨成像方法 - Google Patents
一种混合正则化方位超分辨成像方法 Download PDFInfo
- Publication number
- CN110780273B CN110780273B CN201911065281.8A CN201911065281A CN110780273B CN 110780273 B CN110780273 B CN 110780273B CN 201911065281 A CN201911065281 A CN 201911065281A CN 110780273 B CN110780273 B CN 110780273B
- Authority
- CN
- China
- Prior art keywords
- regularization
- norm
- objective function
- target
- resolution
- 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
Images
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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/32—Shaping echo pulse signals; Deriving non-pulse signals from echo pulse signals
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
本发明公开一种混合正则化方位超分辨成像方法,应用于雷达成像领域,针对传统L2正则化成像方法分辨率低,传统L1正则化成像方法抗噪性能差的问题,本发明首先建立扫描雷达方位回波的类卷积模型;然后,通过L2正则化方法对回波信号进行预处理;最后基于预处理的结果,引入L1范数表征目标稀疏先验信息重构目标函数,并采用迭代重加权范数的方法求解目标函数。本发明创新在于:结合了L1正则项与L2正则项的优点,用L2范数削弱了噪声的影响避免了迭代过程中噪声被放大,再利用L1范数的稀疏特性提高了成像的方位向分辨率。该方法与传统的L2正则化方法相比,方位向分辨率得到提高,与传统的L1正则化方法相比,噪声得到很好的抑制。
Description
技术领域
本发明属于雷达成像领域,特别涉及一种适合于机载扫描雷达前视成像技术。
背景技术
机载扫描雷达前视成像在战场侦察、物资空投、飞行器自主着陆、精确制导中具有比较广泛的应用。由于前视成像区域的多普勒梯度变化很小并且角度歧义问题,传统的SAR和DBS方法无法实现前视成像。
实孔径扫描雷达工作模式比较简单,距离向的高分辨率技术已经成熟,但是方位向分辨率仍受限于雷达系统。由于方位向回波可以视为目标散射系数和天线模型函数的卷积模型,对回波信号进行反卷积处理可以有效提高方位向分辨率。
正则化方法是实现反卷积的重要手段之一。在文献“Zou J,Zhu M,Li X,etal.Norm regularization method and its application in radar azimuth super-resolution[C]2013IEEE International Conference of IEEE Region 10(TENCON2013).IEEE,2013:1-4.”中,应用范数正则化方法来提高雷达的方位分辨率。当添加的正则项为L2时,则为经典的Tikhonov正则化方法。该方法可通过对结果平滑从而抑制噪声,但得到的分辨率有限。在文献“邹建武,祝明波,李蔚,和董巍."用于雷达方位超分辨的L1范数正则化及其约束方法."电光与控制22,no.8(2015):33-36.”中,提出了一种基于L1范数正则化的方位向超分辨成像方法,该方法通过添加稀疏先验获得方位向的高分辨率,但是卷积矩阵的病态性会使得低信噪比下的成像性能有限。
发明内容
为解决上述技术问题,本发明提出一种混合正则化方位超分辨成像方法,结合了L1正则项与L2正则项的优点。
本发明采用的技术方案为:一种混合正则化方位超分辨成像方法,包括:
S1、对接收到的回波信号进行预处理;
S2、对经步骤S1得到的回波信号采用L2正则化方法进行处理;
S3、基于步骤S2的处理结果,采用L1范数作为惩罚项构造新的目标函数;
S4、采用迭代重加权范数的方法,构造迭代因子,用一系列L2范数最小值近似L1范数的最小值,从而得到目标的最优解。
进一步地,步骤S1所述预处理具体为:
S11、基于机载扫描雷达的运动几何模型,扫描雷达发射线性调频信号;
S12、对线性调频信号进行下变频处理;
S13、对步骤S12处理后的信号依次进行脉冲压缩、距离走动校正。
进一步地,步骤S2具体为:
S21、将步骤S1得到的回波信号转化为卷积形式;
S22、对步骤S21中的卷积形式,在正则化框架下,选择L2范数作为约束项,构建目标函数。
进一步地,步骤S3具体为:
S31、根据步骤S22构建的目标函数对步骤S21的卷积形式进行重构,得到卷积模型;
S32、对步骤S31得到的卷积模型添加L1范数作为约束项构建新的目标函数。
本发明的有益效果:本发明的方法首先对回波信号用L2正则化方法预处理;然后基于预处理的结果,采用L1范数作为惩罚项构造新的目标函数;最后采用迭代重加权范数的方法,构造迭代因子,用一系列L2范数最小值近似L1范数的最小值,从而得到目标的最优解,实现超分辨成像;本发明结合了L1正则项与L2正则项的优点,用L2范数削弱了噪声的影响避免了迭代过程中噪声被放大,再利用L1范数的稀疏特性提高了低信噪比下的方位向分辨率。
附图说明
图1本发明方法的流程图;
图2机载扫描雷达运动几何模型;
图3仿真目标的原始场景;
图4仿真结果;
其中,图4(a)为SNR=10dB环境下的回波,图4(b)为SNR=10dB环境下传统L2正则化方法的结果,图4(c)为SNR=10dB环境下传统L1正则化方法的结果,图4(d)为SNR=10dB环境下本发明方法的结果。
具体实施方式
本发明采用仿真实验来论证提出方法的有效性,本发明所有的步骤、结论都在Matlab2012仿真平台上进行验证。为了便于本领域的相关人员能够理解发明内容,下面结合附图1-4对本发明内容做进一步阐述。
如图1所示为本发明的方案流程图,本发明的一种混合正则化方位超分辨成像方法,实现过程包括以下步骤:
S1:回波数据获取与预处理
本发明采用机载扫描雷达运动模型,如图2所示。机载平台的具体系统参数如表1所示。
表1雷达系统仿真参数表
仿真参数 | 数值 |
载频 | 10GHz |
时宽 | 2us |
带宽 | 75MHz |
运动速度 | 75m/s |
脉冲重复频率 | 1000Hz |
扫描速度 | 30°/s |
扫描范围 | ±10° |
依据表1中的参数,发射线性调频脉冲:
经过下变频,接收到的雷达回波信号表示为:
其中x0是场景中点目标的散射系数,w(t)是天线方向图函数调制,rect(·)是矩形窗函数,τ是距离向时间采样向量,t表示方位向时间采样向量,Tp是发射信号的脉冲时宽,λ是载频波长,R(t)是目标的距离历史,c是电磁波传播速度,f0是载频,k是线性调频率,n(τ,t)是加性高斯白噪声。目标的距离历史为R0表示目标起始距离,v表示机载平台运动速度,θ0表示目标空间方位角。
其中,n2(τ,t)是经过脉冲压缩后回波中的噪声。
并将脉冲压缩压后的回波根据进行尺度变换,得到距离走动校正后的回波:
其中,n3(τ,t)是经过距离走动校正后回波中的噪声。
S2:L2正则化预处理
将步骤S1中的回波进行简化处理后,得到下面的卷积形式:
g=Hx+n (5)
其中,g表示回波,g=[g(1,1) g(1,2) … g(1,N) … g(M,N)]T,x表示目标散射系数分布,x=[x(1,1) x(1,2) … x(1,N) … x(M,N)]T,n表示噪声,n=[n(1,1) n(1,2)… n(1,N) … n(M,N)]T,M和N分别表示距离向和方位向采样点数,H表示由天线方向图构成的测量矩阵,H表示如式(6)所示:
其中,[h-l…h0…hl]表示对天线方向图函数w(t)的采样,采样点数为F。
回波进行建模简化后,方位超分辨问题转化为在已知回波g和天线测量矩阵H的条件下,尽可能求解出目标散射系数x。
在正则化框架下,选择L2范数作为惩罚项,构建下面的目标函数:
其中,I为单位矩阵,上标T表示矩阵转置操作。
本步骤的处理本质是得到一个新的天线方向图矩阵H′=(HT)-1(HTH+uI),该矩阵相对于原始的矩阵H的病态性更低,条件数更少。所以将式(9)转化为下面的形式:
S3:重构目标函数
回波信号经过L2正则化方法处理后,噪声虽然得到很好的抑制,但是方位向分辨率仍受限。本步骤考虑目标的稀疏特性,对重构后的卷积模型即式(11),添加L1范数作为约束项构建新的目标函数如下:
S4:求解目标函数
由于L1范数正则项的目标函数中存在不可导点,本发明采用迭代重加权范数的方法,对目标函数(12)式进行求解。其实质是用一系列L2范数的最小值逼近L1范数的最小值,需要采用迭代的策略求解。
1.迭代的初始值通常由Tikhonov正则化的结果给出,具体为:
2.然后构造迭代项:
Wj=diag(|xj|-1) (14)
其中,j表示迭代系数,xj是目标散射系数第j次迭代后的值,diag(·)为对角化运算。
3.更新目标散射系数:
其中,xj+1是目标散射系数第j+1次迭代后的值。重复上面的步骤S2,可以求解出目标函数的最优解。
为了证明本发明的有效性,下面在Matlab2012仿真平台进行一维仿真。为了模拟实际的低信噪比环境,本次仿真加入了10dB的高斯白噪声。选择正则化参数u=2,λ=1,迭代次数j=10,得到本发明的超分辨结果。
如图3所示是原始目标分布,两个目标中心分别位于0.25°与1.25°,间距小于波束宽度。图4(a)是实波束回波结果,由于两个目标的间距小于波束宽度,因此两个目标的回波叠加在一起,不能区分;图4(b)是传统L2正则化方法的结果,虽然实现了对目标的区分,但是分辨率有限;图4(c)是传统L1正则化方法的结果,在低信噪比环境下虽然实现了对目标的区分,但由于H的病态性导致噪声被放大,出现了虚假目标。另外其结果中还含有较强的旁瓣噪声。图4(d)是本发明的结果,不仅有效的实现了对目标的分辨且分辨率较高,没有虚假目标出现并且成像结果干净,几乎不含旁瓣噪声。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。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权利要求范围之内。
Claims (3)
1.一种混合正则化方位超分辨成像方法,其特征在于,包括:
S1、对接收到的回波信号进行预处理;
S2、对经步骤S1得到的回波信号采用L2正则化方法进行处理;步骤S2具体为:
S21、将步骤S1得到的回波信号转化为卷积形式;
S22、对步骤S21中的卷积形式,在正则化框架下,选择L2范数作为约束项,构建目标函数;目标函数:
其中,I为单位矩阵,上标T表示矩阵转置操作;
S3、基于步骤S2的处理结果,采用L1范数作为惩罚项构造新的目标函数;
S4、采用迭代重加权范数的方法,构造迭代因子,用一系列L2范数最小值近似L1范数的最小值,从而得到目标的最优解。
2.根据权利要求1所述的一种混合正则化方位超分辨成像方法,其特征在于,步骤S1所述预处理具体为:
S11、基于机载扫描雷达的运动几何模型,扫描雷达发射线性调频信号;
S12、对线性调频信号进行下变频处理;
S13、对步骤S12处理后的信号依次进行脉冲压缩、距离走动校正。
3.根据权利要求1所述的一种混合正则化方位超分辨成像方法,其特征在于,步骤S3具体为:
S31、根据步骤S22构建的目标函数对步骤S21的卷积形式进行重构,得到卷积模型;
S32、对步骤S31得到的卷积模型添加L1范数作为约束项构建新的目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065281.8A CN110780273B (zh) | 2019-11-04 | 2019-11-04 | 一种混合正则化方位超分辨成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065281.8A CN110780273B (zh) | 2019-11-04 | 2019-11-04 | 一种混合正则化方位超分辨成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780273A CN110780273A (zh) | 2020-02-11 |
CN110780273B true CN110780273B (zh) | 2022-03-04 |
Family
ID=69388792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065281.8A Active CN110780273B (zh) | 2019-11-04 | 2019-11-04 | 一种混合正则化方位超分辨成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780273B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731486B (zh) * | 2020-12-24 | 2023-07-04 | 深圳大学 | 信号角度和信号频率的估计方法、装置、设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 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 |
CN103983968A (zh) * | 2014-03-20 | 2014-08-13 | 西安电子科技大学 | 基于分布式压缩感知的全极化sar超分辨成像方法 |
CN104536000A (zh) * | 2015-01-06 | 2015-04-22 | 电子科技大学 | 一种实波束扫描雷达角超分辨方法 |
CN103630904B (zh) * | 2013-08-29 | 2016-02-03 | 中国科学院电子学研究所 | 机载下视阵列3-d sar成像方法 |
CN105467388A (zh) * | 2015-11-23 | 2016-04-06 | 上海无线电设备研究所 | 低信噪比下压缩感知雷达高分辨成像设备及其成像方法 |
CN105761280A (zh) * | 2016-03-11 | 2016-07-13 | 南京航空航天大学 | 一种基于l1-l2范数联合约束的视觉跟踪方法 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
CN108196251A (zh) * | 2017-12-25 | 2018-06-22 | 电子科技大学 | 基于向量外推的加速迭代正则化超分辨成像方法 |
CN108333587A (zh) * | 2018-02-12 | 2018-07-27 | 电子科技大学 | 基于分裂Bregman的前视扫描雷达超分辨成像方法 |
CN108416723A (zh) * | 2018-02-07 | 2018-08-17 | 南京理工大学 | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 |
CN109035352A (zh) * | 2018-05-29 | 2018-12-18 | 天津大学 | L1-l2空间自适应电学层析成像正则化重建方法 |
CN109556716A (zh) * | 2018-11-22 | 2019-04-02 | 南京邮电大学 | 一种基于衍射效应的成像光谱仪及其超光谱成像方法 |
CN109598769A (zh) * | 2018-10-31 | 2019-04-09 | 天津大学 | 总变差正则化约束的超声成像同步代数迭代重建方法 |
CN109764956A (zh) * | 2018-12-27 | 2019-05-17 | 西安交通大学 | 一种基于组合优化正则化方法的近场声全息方法 |
CN110146881A (zh) * | 2019-06-18 | 2019-08-20 | 电子科技大学 | 一种基于改进全变差的扫描雷达超分辨成像方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9251565B2 (en) * | 2011-02-03 | 2016-02-02 | Massachusetts Institute Of Technology | Hyper-resolution imaging |
CN105137424B (zh) * | 2015-07-17 | 2018-10-23 | 电子科技大学 | 一种杂波背景下实波束扫描雷达角超分辨方法 |
CN108107429B (zh) * | 2017-12-22 | 2020-04-07 | 电子科技大学 | 基于最大似然估计的前视超分辨成像方法 |
CN109116352B (zh) * | 2018-07-20 | 2022-02-11 | 中国石油大学(华东) | 一种圆扫isar模式船只超分辨率成像方法 |
-
2019
- 2019-11-04 CN CN201911065281.8A patent/CN110780273B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149561A (zh) * | 2011-12-06 | 2013-06-12 | 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 |
CN103630904B (zh) * | 2013-08-29 | 2016-02-03 | 中国科学院电子学研究所 | 机载下视阵列3-d sar成像方法 |
CN103983968A (zh) * | 2014-03-20 | 2014-08-13 | 西安电子科技大学 | 基于分布式压缩感知的全极化sar超分辨成像方法 |
CN104536000A (zh) * | 2015-01-06 | 2015-04-22 | 电子科技大学 | 一种实波束扫描雷达角超分辨方法 |
CN105467388A (zh) * | 2015-11-23 | 2016-04-06 | 上海无线电设备研究所 | 低信噪比下压缩感知雷达高分辨成像设备及其成像方法 |
CN105761280A (zh) * | 2016-03-11 | 2016-07-13 | 南京航空航天大学 | 一种基于l1-l2范数联合约束的视觉跟踪方法 |
CN105842699A (zh) * | 2016-06-02 | 2016-08-10 | 中国科学院电子学研究所 | 合成孔径雷达稀疏成像方法 |
CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
CN108196251A (zh) * | 2017-12-25 | 2018-06-22 | 电子科技大学 | 基于向量外推的加速迭代正则化超分辨成像方法 |
CN108416723A (zh) * | 2018-02-07 | 2018-08-17 | 南京理工大学 | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 |
CN108333587A (zh) * | 2018-02-12 | 2018-07-27 | 电子科技大学 | 基于分裂Bregman的前视扫描雷达超分辨成像方法 |
CN109035352A (zh) * | 2018-05-29 | 2018-12-18 | 天津大学 | L1-l2空间自适应电学层析成像正则化重建方法 |
CN109598769A (zh) * | 2018-10-31 | 2019-04-09 | 天津大学 | 总变差正则化约束的超声成像同步代数迭代重建方法 |
CN109556716A (zh) * | 2018-11-22 | 2019-04-02 | 南京邮电大学 | 一种基于衍射效应的成像光谱仪及其超光谱成像方法 |
CN109764956A (zh) * | 2018-12-27 | 2019-05-17 | 西安交通大学 | 一种基于组合优化正则化方法的近场声全息方法 |
CN110146881A (zh) * | 2019-06-18 | 2019-08-20 | 电子科技大学 | 一种基于改进全变差的扫描雷达超分辨成像方法 |
Non-Patent Citations (6)
Title |
---|
《运动平台前视雷达超分辨成像理论与方法》;张寅;《中国博士学位论文全文数据库 信息科技辑》;20170215(第2期);第4.1节 * |
A REGULARIZATION IMAGING METHOD FOR FORWARD-LOOKING SCANNING RADAR VIA JOINT L1-L2 NORM CONSTRAINT;Tan, K等;《2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》;20171004;第2314-2317页 * |
Inverse Scattering Using a Joint L1−L2 Norm-Based Regularization;Pratik Shah等;《IEEE Transactions on Antennas and Propagation》;20160212;第64卷;第1373-1384页 * |
L1 And L2 Norm Depth-Regularized Estimation Of The Acoustic Attenuation And Backscatter Coefficients Using Dynamic Programming;Zara Vajihi等;《2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019)》;20190711;第1749-1752页 * |
Sparse with fast MM superresolution algorithm for radar forward-looking imaging;Zhang Q等;《IEEE Access》;20190801;第2169-3536页 * |
基于自适应双l_p-l_2范数的单幅模糊图像超分辨率盲重建;李滔 等;《计算机应用》;20170810;第37卷(第8期);第2313-2318页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110780273A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107462887B (zh) | 基于压缩感知的宽幅星载合成孔径雷达成像方法 | |
CN107271993B (zh) | 一种基于最大后验的扫描雷达角超分辨成像方法 | |
CN110780274B (zh) | 一种用于扫描雷达的改进l1正则化方位超分辨成像方法 | |
CN109143237B (zh) | 适用于任意平台轨迹的双基聚束sar的pfa波前弯曲校正方法 | |
CN110146881B (zh) | 一种基于改进全变差的扫描雷达超分辨成像方法 | |
CN111142105A (zh) | 复杂运动目标isar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 | |
CN107621635B (zh) | 一种前视海面目标角超分辨方法 | |
CN109613532B (zh) | 一种机载雷达实时多普勒波束锐化超分辨成像方法 | |
CN109814100A (zh) | 基于子孔径参数估计的sar地面运动目标成像方法 | |
CN110208796B (zh) | 基于奇异值逆滤波的扫描雷达超分辨成像方法 | |
CN105137424A (zh) | 一种杂波背景下实波束扫描雷达角超分辨方法 | |
CN105301589B (zh) | 高分辨宽测绘带sar地面运动目标成像方法 | |
CN111856465B (zh) | 一种基于稀疏约束的前视海面目标角超分辨方法 | |
CN108562884A (zh) | 一种基于最大后验概率的机载前视海面目标角超分辨方法 | |
CN109001700B (zh) | 一种实现目标轮廓重构的雷达前视成像方法 | |
CN109507666A (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN107589421B (zh) | 一种阵列前视sar成像方法 | |
CN110109098B (zh) | 一种扫描雷达快速超分辨成像方法 | |
CN113064165B (zh) | 一种扫描雷达俯仰-方位二维超分辨方法 | |
CN110780273B (zh) | 一种混合正则化方位超分辨成像方法 | |
CN109143236B (zh) | 适用于复杂飞行轨迹的双基聚束sar大场景成像方法 | |
CN107783111B (zh) | 一种基于最大熵准则的雷达前视超分辨成像方法 | |
CN116577749A (zh) | 一种天线方向图未知展宽下的扫描雷达超分辨方法 | |
CN115453523A (zh) | 一种扫描雷达稀疏目标批处理超分辨方法 |
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 |