CN111693993B - 自适应1比特数据雷达成像方法 - Google Patents
自适应1比特数据雷达成像方法 Download PDFInfo
- Publication number
- CN111693993B CN111693993B CN202010379746.3A CN202010379746A CN111693993B CN 111693993 B CN111693993 B CN 111693993B CN 202010379746 A CN202010379746 A CN 202010379746A CN 111693993 B CN111693993 B CN 111693993B
- Authority
- CN
- China
- Prior art keywords
- bit
- quantization
- iteration
- imaging
- data
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 122
- 238000013139 quantization Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 2
- 238000011084 recovery Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241001522296 Erithacus rubecula Species 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种自适应1比特数据雷达成像方法,其中,方法包括:雷达回波数据通过固定门限的1比特量化器采样量化;根据雷达平台的工作模式和发射信号形式,构造稀疏观测矩阵及原始回波信号的稀疏表征;针对稀疏表征,提出自适应1比特量化硬门限循环算法以实现基于1比特数据的雷达成像。根据本发明的自适应1比特数据雷达成像方法,在不影响采样量化器结构的条件下,可以更好地提高1比特数据的雷达成像质量。
Description
技术领域
本发明涉及雷达技术领域,尤其涉及自适应1比特数据雷达成像方法。
背景技术
雷达成像技术以其全天时、全天候工作的特点,在军事和民用领域有着广泛的应用。高分辨的雷达成像结果为目标检测、识别和分类提供了重要的信息。近年来,基于1比特量化数据的成像技术在雷达成像领域引起了广泛关注,主要得益于其在减少数据量、降低采样量化器硬件实现难度能多方面具有的诸多优势。对于雷达系统而言,尤其是大观测场景的星载合成孔径雷达系统,回波数据通常是通过星上存储,再通过数据传输通道传输到地面进行成像处理,因此对回波数据进行1比特采样能够大大节省雷达系统的存储空间,提高数据传输效率。另一方面,1比特量化器相比于高精度量化器而言,具有更加简单的硬件形式、更低功耗、更高数据量化效率和更低硬件成本。因此,研究基于1比特量化数据的雷达成像方法具有十分重要的意义。
经典的雷达成像方法,例如后向投影算法(BP)、距离-多普勒算法(RD)、ChirpScaling算法(CS)和Omega-K算法等,都是基于匹配滤波技术,需要对观测时间内的雷达回波数据进行完整采样,获得完整的雷达回波数据幅度、相位信息。而传统的1比特量化器实质上是一种固定门限的比较器,对回波数据进行采样时与固定门限进行比较,只能保留采样点的符号信息而丢失了幅值信息,因此对于1比特量化回波数据的成像要求而言,经典的基于匹配滤波技术的成像算法并不适用。已有研究成果表明,利用传统的基于匹配滤波技术的算法实现1比特量化数据的雷达成像,会导致成像结果出现鬼影、假目标和高杂波干扰的背景,给后续的目标检测、识别等工作带来难度。
为弥补固定门限1比特量化器所带来的幅度信息的丢失,一些可变量化门限的1比特量化器被用在1比特数据的信号恢复中。例如一种随机量化门限的1比特雷达成像方法,用一组随机的量化门限值代替固定的量化门限与回波数据进行比较,通过这种方式可以在一定程度上提高1比特雷达成像质量。另一种自适应量化门限的1比特量化器,通过迭代更新量化器的量化门限,来达到提高基于1比特量化数据的信号恢复质量。上述变量化门限值的方法在计算机仿真中能够提高成像质量,但这种成像性能的提升是以牺牲计算复杂度为代价的,同时变量化门限的1比特量化器具有较高的硬件实现难度,影响信号采样量化的效率。
随着稀疏表征和稀疏恢复理论的发展,传统的稀疏恢复方法逐渐扩展到低比特量化数据甚至1比特量化数据,一些不改变量化器的更高效的稀疏恢复方法也被应用到雷达成像领域。例如符号匹配跟踪算法(MSP)、1比特硬门限循环算法(BIHT)和最大后验算法(MAP)等,这些基于1比特量化数据的稀疏恢复方法可以有效地抑制成像结果中的鬼影和假目标。然而这些方法都是基于固定门限值1比特量化器的先验,即没有突破固定门限值1比特量化所带来的局限,在成像结果中依然存在一些假目标;且量化器中的固定门限作为成像过程中的一个隐藏的参数,上述算法均忽略了其对成像过程的影响。例如1比特量化硬门限循环算法,该算法默认1比特量化的数据均来源于以0为固定门限值的1比特量化器,且在以迭代的形式不断更新观测场景的成像结果的过程中,没有考虑量化器门限对成像结果的影响。但一些仿真实验表明,若在成像过程中将量化器门限的值改为其他值,就会得到不同的成像结果。因此虽然传统的BIHT算法已经能够大大提高成像质量,其仍然具有一定的局限性。因此发掘量化器门限对成像过程产生的影响,对于进一步改善成像质量带来了新的契机。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种自适应1比特数据雷达成像方法,根据本发明的自适应1比特数据雷达成像方法,在不影响采样量化器结构的条件下,可以更好地提高1比特数据的雷达成像质量。
为达到上述目的,本发明的技术方案是这样实现的:
一种自适应1比特数据雷达成像方法,方法包括以下步骤:
步骤1,回波数据的采集,即打开雷达平台,在天线位置发射步进频信号,从M个天线位置采集回波数据,每个天线位置采集N个不同频点,一共得到M×N个采样点;
步骤2,对观测场景划分为Pr×Px个单元,其中Pr和Px分别代表距离单元数和方位单元数,记坐标位置为(ri,xl)的单元散射强度为σ(ri,xl),且观测时间内各个单元散射强度保持不变,则观测到的回波数据为具有如下表达形式:
步骤3,对回波数据进行1比特量化,即采样点的数据与固定门限τ比较,大于τ的值量化为1,其它量化为-1,因此1比特量化数据的表达形式为z=sign(y-τ),其中sign(·)表示只保留符号的函数;
s.t.||σ||0≤K,||σ||2=1,;其中,⊙表示向量间的哈达玛积,[·]-表示保留负数值而将其他值置为0,||·||1和||·||2分别表示一范数和二范数,K表示稀疏度,成像过程中的τ定义为阈值参数,记为τimg;
步骤5,通过在成像过程中自适应的调整阈值参数τimg从而得到更好的成像结果,具体地,在自适应1比特硬门限循环算法的迭代框架中,在第k次迭代中,根据传统的1比特硬门限循环(BIHT)算法,令更新的成像结果针对其中不满足量化一致性条件的元素,通过调整阈值参数来迫使其满足强化的量化一致性条件,并带入第(k+1)次迭代,令更新
根据本发明的自适应1比特数据雷达成像方法,在不影响采样量化器结构的条件下,可以更好地提高1比特数据的雷达成像质量。
根据本发明实施例的自适应1比特数据雷达成像方法,在每一次迭代中,针对更新后的成像结果中不满足量化一致性的元素,可通过更新阈值参数τimg来处理,使其满足强化的量化一致性条件,具体过程为:
步骤5-2,在每一次迭代过程中,利用梯度下降法更新成像结果的估计值,更新过程如下:其中μ表示迭代步长,PK(x)表示保留x中前K个最大值并将其他值置为0的操作,和分别表示第k-1次迭代后得到的成像结果和阈值参数;
步骤5-3,通过在第k次迭代后,对于z的第i个元素有zi>0,但其中表示观测矩阵Φ的第i行,[·]i表示向量的第i个元素,针对不满足量化一致性的数据,施加强化的量化一致性条件,即要求其中[Δτimg]i>0,因此可以认为第k次迭代过程中,更新后的阈值参数满足如下条件:
步骤5-5,定义一致性支撑集为其中Nc是每次迭代后满足量化一致性条件的元素个数,则对于i∈Λ的元素,有[Δτimg]i=0,则由其补集ΛC作为索引集得到的矩阵是非奇异矩阵,对不满足量化一致性的数据,更新后的阈值参数满足如下条件: 其中,β>0是更新阈值参数的步长;
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的自适应1比特数据雷达成像方法(A-BIHT)的流程图;
图2为本发明实施例的自适应1比特量化硬门限循环算法的成像处理流程图;
图3为本发明实施例的观测场景的示意图;
图4为根据传统的后向散射算法(BP)得到成像结果的示意图;
图5为根据传统的1比特量化硬门限循环算法(BIHT)得到成像结果的示意图;
图6为根据本发明实施例的自适应1比特数据雷达成像方法(A-BIHT)得到成像结果的示意图;
图7为根据1比特量化硬门限循环算法(BIHT)和自适应1比特数据雷达成像方法(A-BIHT)得到成像结果随总比特数变化曲线的示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
下面参考附图1-图7描述本发明实施例的自适应1比特数据雷达成像方法。
根据本发明实施例所提供的一种自适应1比特数据雷达成像方法,如图1所示,对回波数据进行1比特量化采用的是传统的固定零门限的量化器,即回波数据均和0相比较,并且保留符号信息作为采用数据。进一步地,方法包括以下步骤:
步骤1,回波数据的采集,具体地,打开雷达平台,在每个天线位置发射步进频信号。进一步地,从M个天线位置采集回波数据,每个天线位置采集N个不同频点,这样一共可以得到M×N个采样点。
步骤2,如图3所示,对观测场景划分为Pr×Px个单元,其中Pr和Px分别代表距离单元数和方位单元数,记坐标位置为(ri,xl)的单元散射强度为σ(ri,xl)。进一步地,在一个具体的实施例中,满足观测时间内各个单元散射强度保持不变,则观测到的回波数据为具有如下表达形式:
其中,fn和pm分别表示第n个采样频点和第m个天线位置。进一步地,表示第m个天线位置与第(ri,xl)个像素单元的距离,c表示光速,则根据回波数据的表达式,可以构造回波数据的稀疏表征为y=Φσ,其中:
步骤3,对回波数据进行1比特量化,进一步地,在一个具体的实施例中,采集的回波数据通过固定门限1比特量化器进行1比特量化,也就是说,采样点的数据与固定门限τ比较,其中大于τ的值量化为1,其它量化为-1。进一步地,1比特量化数据的表达形式可以为z=sign(y-τ),其中sign(·)表示只保留符号的函数。
s.t.||σ||0≤K,||σ||2=1,;其中,⊙表示向量间的哈达玛积,[·]-表示保留负数值而将其他值置为0,||·||1和||·||2分别表示一范数和二范数,K表示稀疏度,成像过程中的τ定义为阈值参数,记为τimg。具体地,在成像的过程中,成像结果与阈值参数τimg密切相关,不同的阈值参数τimg可以得到不同的成像质量,在一个具体的实施例中,可以通过自适应迭代的方法通过调整阈值参数τimg来实现更好的成像结果,从而更好地提高1比特数据的雷达成像质量。需要说明的是,量化一致性原则是指通过1比特量化硬门限循环算法得到稀疏恢复结果,通过相同的观测矩阵得到观测数据,再通过相同的1比特量化器量化得到量化结果,该量化结果和原始的1比特量化数据保持一致。
步骤5,通过在成像过程中自适应的调整阈值参数τimg从而得到更好的成像结果,具体地,在自适应1比特硬门限循环算法的迭代框架中,在第k次迭代中,根据传统的1比特硬门限循环(BIHT)算法,令更新的成像结果针对其中不满足量化一致性条件的元素,通过调整阈值参数来迫使其满足强化的量化一致性条件,并带入第(k+1)次迭代,令更新这样可以迫使成像结果满足量化一致性的条件,进而提高雷达成像的质量。
根据本发明的自适应1比特数据雷达成像方法,在不影响采样量化器结构的条件下,可以更好地提高1比特数据的雷达成像质量。
根据本发明实施例的自适应1比特数据雷达成像方法,在每次迭代更新成像结果后,成像结果中仍然包含一些杂波和假目标,这些杂波和假目标是由于不满足量化一致性导致的,因此可以通过更新阈值参数τimg使得不满足量化一致性的数据进一步地满足更加强化的一致性条件,进而可以改善每次迭代的成像结果的总体一致性,从而改善每次迭代后的成像结果。也就是说,在每一次迭代中,针对更新后的成像结果中不满足量化一致性的元素,可通过更新阈值参数τimg来处理,使其满足强化的量化一致性条件,具体过程为:
步骤5-1,在1比特量化硬门限循环算法迭代框架开始前完成初始化,进一步地,在一个具体的实施例中,可以把初始化成像场景估计值设为零矩阵,初始化阈值参数设为零向量,初始化1比特量化硬门限循环算法的迭代计数指标k=0。
步骤5-2,在每一次迭代过程中,利用梯度下降法更新成像结果的估计值,具体地,更新过程如下:其中μ表示迭代步长,PK(x)表示保留x中前K个最大值并将其他值置为0的操作,和分别表示第k-1次迭代后得到的成像结果和阈值参数。
步骤5-3,通过在第k次迭代后,对于z的第i个元素有zi>0,但其中表示观测矩阵Φ的第i行,[·]i表示向量的第i个元素。进一步地,针对不满足量化一致性的数据,施加强化的量化一致性条件,即要求其中[Δτimg]i>0,因此可以认为第k次迭代过程中,更新后的阈值参数满足如下条件:
步骤5-4,令其中diag(z)表示以z为对角线的对角矩阵,则Δτimg的估计值满足如下条件:记矩阵其中矩阵B是奇异矩阵。需要说明的是,每次迭代得到的成像结果中满足量化一致性的数据,不需要再施加强化的量化一致性条件,因此矩阵B是奇异矩阵。
步骤5-5,定义一致性支撑集为其中Nc是每次迭代后满足量化一致性条件的元素个数,则对于i∈Λ的元素,有[Δτimg]i=0,则由其补集ΛC作为索引集得到的矩阵是非奇异矩阵,对不满足量化一致性的数据,更新后的阈值参数满足如下条件: 其中,β>0是更新阈值参数的步长。
步骤5-6,实现1比特量化硬门限循环迭代更新的成像结果收敛,输出最终得到的成像结果,即得到成像结果的目标与杂波能量的比值,如下:其中,PC和PT分别表示杂波区域C和目标区域T的像素单元数。由此可以看出,杂波和假目标越少且目标区域越集中,则TCR值越高,成像质量越好。需要说明的是,1比特量化硬门限循环迭代更新的成像结果收敛就是成像结果每次迭代的变化率小于一个极值,该极值是可调的,例如在一个具体的实施例中,极值可以设定为0.001。
下面结合图1-图7和一些具体的实施例详细介绍一下本发明的自适应1比特数据雷达成像方法的优势:
首先选取34个天线位置和50个频点,即共有1700个采样点,由于回波数据在两个正交通道分别采样量化,因此共有3400个比特数,利用传统的后向散射算法(BP)得到的成像结果如图4所示,利用传统的1比特量化硬门限循环算法(BIHT)得到的成像结果如图5所示,利用本发明的自适应1比特数据雷达成像方法(A-BIHT)得到的成像结果如图6所示。进一步地,在图4-图6的成像结果中可以选取9个目标区域,从成像结果中可以看出根据本发明的自适应1比特数据雷达成像方法,一方面可以更好地抑制杂波和假目标,另一方面可以得到更聚集的目标区域,从而更好地提高1比特数据的雷达成像质量。进一步地,通过TCR的计算结果如表1所示:
表1:不同方法成像结果的目标与杂波能量比(TCR)
由表1中也可以看出,根据本发明的自适应1比特数据雷达成像方法,可以更好地抑制杂波和假目标,从而提供更好的成像结果。
综上,根据本发明的自适应1比特数据雷达成像方法,在不影响采样量化器结构的条件下,可以更好地提高1比特数据的雷达成像质量。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (2)
1.一种自适应1比特数据雷达成像方法,其特征在于,方法包括以下步骤:
步骤1,回波数据的采集,即打开雷达平台,在不同的天线位置发射步进频率信号,从M个天线位置采集回波数据,每个天线位置采集N个不同频点,一共得到M×N个采样点;
步骤2,将观测场景划分为Pr×Px个单元,其中Pr和Px分别代表距离单元数和方位单元数,记坐标位置为(ri,x l )的单元散射强度为σ(ri,x l ),其中,ri和x l 分别表示观测场景第i个距离单元(i=1,2,...,Pr)和第l 个方位单元(l=1,2,...,Px)对应的距离维大小和方位维大小,且观测时间内各个单元散射强度保持不变,则观测到的回波数据为具有如下表达形式:
其中,fn和pm分别表示第n个采样频点和第m个天线的位置,表示第m个天线的位置与位置坐标为(ri,xl)处的像素单元的距离,c表示光速,则根据回波数据的表达式,构造回波数据的稀疏表征为y=Φσ,σ表示散射强度向量,其中:
步骤3,对回波数据进行1比特量化,采样点的回波数据与固定门限τ比较,大于τ的值量化为1,其它量化为-1,因此1比特量化数据的表达形式为z=sign(y-τ),其中sign(·)表示只保留符号的函数;
步骤4,根据步骤3中得到的1比特量化数据、步骤2中构造的稀疏观测矩阵,且定义和引入阈值参数τimg,在定义和引入阈值参数τimg后,通过自适应1比特量化硬门限循环算法的迭代框架,从1比特量化数据得到成像结果的过程如下:
其中,⊙表示向量间的哈达玛积,[·]-表示保留负数值而将其他值置为0,||·||1和||·||2分别表示一范数和二范数,K表示稀疏度;
2.根据权利要求1的自适应1比特数据雷达成像方法,其特征在于,在每一次迭代中,针对更新后的成像结果中不满足量化一致性的元素,通过更新阈值参数τimg来处理,使其满足强化的量化一致性条件,具体过程为:
步骤5-2,在每一次迭代过程中,利用梯度下降法更新成像结果的估计值,更新过程如下:其中μ表示梯度下降法的迭代步长,PK(x)表示保留x中前K个最大值并将其他值置为0的操作,和分别表示第k-1次迭代后得到的成像结果和阈值参数的赋值;
步骤5-3,通过在第k次迭代后,对于z的第i个元素有zi>0,但其中表示观测矩阵Φ的第i行,[·]i表示向量的第i个元素,z表示1比特量化数据,针对不满足量化一致性的数据,施加强化的量化一致性条件,即要求其中[Δτimg]i>0,在第k次迭代过程中,更新后的阈值参数满足如下条件:
步骤5-5,定义一致性支撑集为其中Nc是每次迭代后满足量化一致性条件的元素个数,则对于i∈Λ的元素,有[Δτimg]i=0,则由其补集ΛC作为索引集得到的矩阵是非奇异矩阵,对不满足量化一致性的数据,更新后的阈值参数满足如下条件: 其中,β>0是预设值,且β是更新阈值参数的迭代步长,通过β控制自适应1比特量化硬门限循环迭代框架的收敛结果,表示由ΛC索引的中的元素组成的向量,表示由ΛC索引的中的元素;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010379746.3A CN111693993B (zh) | 2020-05-08 | 2020-05-08 | 自适应1比特数据雷达成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010379746.3A CN111693993B (zh) | 2020-05-08 | 2020-05-08 | 自适应1比特数据雷达成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111693993A CN111693993A (zh) | 2020-09-22 |
CN111693993B true CN111693993B (zh) | 2021-09-21 |
Family
ID=72476536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010379746.3A Active CN111693993B (zh) | 2020-05-08 | 2020-05-08 | 自适应1比特数据雷达成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693993B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731393B (zh) * | 2020-12-15 | 2023-10-24 | 北京清雷科技有限公司 | 室内场景的三维成像方法及装置、系统 |
CN113311429B (zh) * | 2021-04-26 | 2023-11-14 | 清华大学 | 一种基于对抗样本的1比特雷达成像方法 |
CN116366411B (zh) * | 2023-03-28 | 2024-03-08 | 扬州宇安电子科技有限公司 | 一种多比特信号量化自适应门限生成及量化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675772A (zh) * | 2013-11-26 | 2014-03-26 | 北京宇航系统工程研究所 | 一种多功能sar复杂电磁环境模拟装置 |
CN105958952A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学技术大学 | 一种功率放大器的单比特数字预失真方法 |
CN108776339A (zh) * | 2018-03-29 | 2018-11-09 | 清华大学 | 基于块稀疏迭代阈值处理的单比特合成孔径雷达成像方法 |
CN109116356A (zh) * | 2018-10-25 | 2019-01-01 | 清华大学 | 基于低比特量化数据的合成孔径雷达运动目标成像方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8490489B2 (en) * | 2006-11-10 | 2013-07-23 | Siemens Medical Solutions Usa, Inc. | Transducer array imaging system |
-
2020
- 2020-05-08 CN CN202010379746.3A patent/CN111693993B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675772A (zh) * | 2013-11-26 | 2014-03-26 | 北京宇航系统工程研究所 | 一种多功能sar复杂电磁环境模拟装置 |
CN105958952A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学技术大学 | 一种功率放大器的单比特数字预失真方法 |
CN108776339A (zh) * | 2018-03-29 | 2018-11-09 | 清华大学 | 基于块稀疏迭代阈值处理的单比特合成孔径雷达成像方法 |
CN109116356A (zh) * | 2018-10-25 | 2019-01-01 | 清华大学 | 基于低比特量化数据的合成孔径雷达运动目标成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111693993A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693993B (zh) | 自适应1比特数据雷达成像方法 | |
CN109581378B (zh) | 动目标检测方法、电子设备及存储介质 | |
CN103927551B (zh) | 基于超像素相关矩阵的极化sar图像半监督分类方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN111008975B (zh) | 一种空间人造目标线性模型的混合像元解混方法及系统 | |
CN113567982B (zh) | 一种基于混合范数的方位向周期采样数据稀疏sar成像方法及装置 | |
CN108957448B (zh) | 一种基于广义全变差正则化的雷达关联成像方法 | |
CN111126570A (zh) | 预训练复数全卷积神经网络的sar目标分类方法 | |
CN111781598B (zh) | 基于dsn的高分辨二维isar成像方法 | |
CN113392871B (zh) | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 | |
CN111337873A (zh) | 一种基于稀疏阵的doa估计方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN110146881A (zh) | 一种基于改进全变差的扫描雷达超分辨成像方法 | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
CN113933837A (zh) | 一种基于l2,1/2范数的无模糊稀疏sar成像方法 | |
CN112014818B (zh) | 一种基于批处理clean的杂波抑制方法 | |
CN113466865A (zh) | 联合模式耦合稀疏贝叶斯学习超分辨isar成像算法 | |
CN105738894B (zh) | 基于增广拉普拉斯算子的微动群目标高分辨成像方法 | |
CN109993050A (zh) | 一种合成孔径雷达图像识别方法 | |
CN113050047A (zh) | Lfm-pc复合调制信号的优化设计方法 | |
CN109709547A (zh) | 一种实波束扫描雷达加速超分辨成像方法 | |
CN112526517A (zh) | 一种平滑l0范数最小化的逆合成孔径雷达成像算法 | |
CN113792756A (zh) | 一种基于半监督生成对抗网络的sar样本扩充方法 | |
CN114415109B (zh) | 一种稀疏贝叶斯学习的直接定位方法 |
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 |