CN112115642A - 一种高机动平台sar成像参数优化设计方法 - Google Patents

一种高机动平台sar成像参数优化设计方法 Download PDF

Info

Publication number
CN112115642A
CN112115642A CN202010963255.3A CN202010963255A CN112115642A CN 112115642 A CN112115642 A CN 112115642A CN 202010963255 A CN202010963255 A CN 202010963255A CN 112115642 A CN112115642 A CN 112115642A
Authority
CN
China
Prior art keywords
platform
sar imaging
imaging
establishing
sar
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
Application number
CN202010963255.3A
Other languages
English (en)
Other versions
CN112115642B (zh
Inventor
郭媛
姚洪印
王婷婷
廖志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Aerospace Liaoyuan Technology Co ltd
Original Assignee
Sichuan Aerospace Liaoyuan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Aerospace Liaoyuan Technology Co ltd filed Critical Sichuan Aerospace Liaoyuan Technology Co ltd
Priority to CN202010963255.3A priority Critical patent/CN112115642B/zh
Publication of CN112115642A publication Critical patent/CN112115642A/zh
Application granted granted Critical
Publication of CN112115642B publication Critical patent/CN112115642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明给出了一种高机动平台SAR成像参数优化设计方法，利用该方法能够解决高机动平台SAR在确定轨迹和多个成像指标非线性约束条件下的实时参数设计问题。步骤如下：首先，建立高机动平台SAR成像工作几何；然后以前斜视角、方位向过采样系数、入射角和占空比为优化变量，以图像质量最优为代价函数，建立目标函数；最后，通过建立优化数学模型进行参数求解。本发明突出的优点是：能够在满足SAR成像指标要求的前提下，快速获取使图像性能最优的成像参数，为高机动平台SAR成像的实时参数设计提供了保证。

Description

一种高机动平台SAR成像参数优化设计方法
技术领域
本发明涉及一种高机动平台SAR成像参数优化设计方法，主要应用于相控阵SAR成像参数设计领域。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种高分辨微波成像雷达，不仅能够实现目标的二维高分辨率成像，还具有全天时、全天候、多极化、抗干扰等优点，具有很好的军事应用前景。但是由于高机动平台具有飞行速度快、机动性强、大斜视角工作和空间尺寸有限等特点，使得高机动SAR成像具备适应复杂工作环境的能力，同时也给成像设计和实时成像技术带来了很大的压力。具体表现在以下几个方面：1、高机动平台SAR成像重频高，回波数据量大，对成像实时处理带来挑战；2、平台机动性强，要求高机动平台SAR成像必须具备成像参数快速优化设计的能力；3、成像指标与成像优化设计参数间为多元非线性约束关系。需要设计快速稳定寻优算法满足高机动平台SAR成像参数优化设计的时效性。
现有技术中，许多研究者提出通过调整高机动平台航迹来优化设计参数，也即要求航迹必须适应参数设计，对于大机动飞行的工作状态，航迹调整比较困难，导致在确定航迹下难以实现参数优化设计。还有部分研究者提出通过时序设计来得到成像参数。该类设计方法均是在前斜视角和脉宽确定的情况下进行设计的，并没有综合考虑成像约束条件，这就导致在硬件系统一定的情况，不能发挥SAR的最大威力。
文献【郭媛,索志勇.弹载SAR系统参数优化设计方法[J].系统工程与电子技术，2020】，针对弹载平台的SAR成像参数进行了优化设计。其在设计时，主要考虑在弹载平台俯冲段的使用。弹载平台俯冲段飞行高度低，参数设计时，不需考虑距离模糊和方位模糊约束的限制。然而对于高机动平台SAR，距离模糊和方位模糊在参数设计时必须进行考虑。而且文献【郭媛,索志勇.弹载SAR系统参数优化设计方法[J].系统工程与电子技术，2020】中采用遗传算法进行优化数学模型求解，但并未给出明确的、具体的、完整的实现方法。传统遗传算法对种群所有个体采用相同的变异率且不随种群代数变化，这样使得如果采用较小变异率，会使得算法过快收敛，容易陷入局部最优解，采用较大变异率又会导致算法收敛速度变慢，甚至不收敛。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种高机动平台SAR成像参数优化设计方法。该方法考虑距离模糊和方位模糊约束的限制，适用于任意飞行轨迹，提出采用改进的遗传算法避免不收敛和收敛太快易陷入局部最优的情况，可完全在线进行SAR成像参数设计。利用该方法可解决确定轨迹和多个成像指标非线性约束条件下的成像参数优化设计问题。该方法能够在满足成像指标要求的前提下，快速获取使图像性能最优的成像参数，为高机动平台SAR成像的实时参数设计提供了保证。
本发明采用的技术方案为：一种高机动平台SAR成像参数优化设计方法，步骤如下：
(1)建立高机动平台SAR成像工作几何；
(2)在步骤(1)建立的高机动平台SAR成像工作几何下，建立高机动平台SAR成像指标和成像参数之间的数学关系；
(3)从步骤(2)建立的高机动平台SAR成像指标和成像参数之间的数学关系中，确定优化变量和代价函数，从而建立高机动平台SAR成像参数优化设计目标函数；
(4)建立基于改进遗传算法的优化数学模型，对步骤(3)建立的高机动平台SAR成像参数优化设计目标函数进行参数求解。
优选的，所述步骤(1)中高机动平台SAR工作几何定义在地面局部坐标系下，坐标系原点o为平台在地面的投影点，o点所在地球的表切面为xoy平面，z轴垂直于xoy平面指向地球表面外法线方向，y轴为平台运动速度在xoy平面的投影方向，o-xyz为右手直角坐标系。
优选的，所述步骤(2)中高机动平台SAR成像指标包括：分辨率、幅宽、数据率、噪声等价后向散射系数、模糊度；SAR成像参数包括：前斜视角、方位向过采样系数、入射角、占空比。
优选的，步骤(3)确定的优化变量，为成像参数中前斜视角、方位向过采样系数、入射角和占空比；确定的代价函数为图像质量，图像质量的评价指标包括分辨率、噪声等价后向散射系数、占空比(影响SAR平均功率的大小)。
优选的，步骤(4)建立基于改进遗传算法的优化数学模型，具体为：(4a)生成初始化种群(4b)建立优化数学模型(4c)计算种群个体适应度(4d)判断遗传终止条件；若满足，输出最优解；若不满足，进行选择、交叉、变异操作优化种群，重新进入步骤(4a)。
优选的，所述步骤(4a)中种群基因包括前斜视角和方位向过采样系数。
优选的，所述步骤(4b)中采用一种基于改进遗传算法的分步降元成像参数优化设计方法，在优化变量前斜视角和方位向过采样系数确定的条件下，以平均功率最大为优化准则，设计优化变量入射角和占空比。
优选的，所述步骤(4d)中遗传终止条件指的是达到预先设定的最大进化代数或种群中最优个体在连续若干代中没有明显改进。
优选的，一种高机动平台SAR成像参数优化确定系统，包括：成像工作几何建立模块、关系建立模块、目标函数建立模块、参数求解模块；
成像工作几何建立模块，建立高机动平台SAR成像工作几何；
关系建立模块，在成像工作几何建立模块建立的高机动平台SAR成像工作几何下，建立高机动平台SAR成像指标和成像参数之间的数学关系；
目标函数建立模块，从关系建立模块建立的高机动平台SAR成像指标和成像参数之间的数学关系中，确定优化变量和代价函数，从而建立高机动平台SAR成像参数优化设计目标函数；
参数求解模块，建立基于改进遗传算法的优化数学模型，对目标函数建立模块建立的高机动平台SAR成像参数优化设计目标函数进行参数求解。
本发明与现有技术相比的有益效果是：
(1)本发明方法可实现高机动平台确定轨迹和多个成像指标非线性约束条件下的SAR成像参数优化设计。解决了现有的高机动平台轨迹优化算法需要调整平台运动轨迹来优化成像设计参数的缺陷。
(2)本发明方法通过调整变异算子对遗传算法进行了改进，避免算法不收敛和收敛太快易陷入局部最优的情况。
(3)本发明方法在建立高机动平台SAR成像指标和成像参数之间的数学关系时，考虑了距离模糊和方位模糊指标与成像参数间的关系，不仅能够提高成像质量，还扩大了本发明方法的适用范围。
附图说明
图1为本发明成像参数优化设计方法流程图。
图2为本发明高机动平台SAR成像几何模型示意图。
图3为本发明距离幅宽示意图。
图4为本发明方位幅宽示意图。
图5为本发明时序位置关系示意图，其中(a)为第一种情况下时序位置关系示意图，其中(b)为第二种情况下时序位置关系示意图。
图6为本发明仿真实验点目标成像结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明在种群进化全过程采用递减的变异率，进化初期变异率较高，之后随代数递减，在进化后期保持较低变异率，同时在种群内部，针对每一个种群个体的适应度，在整体变异率的基础上对每一个个体的变异率进行调整，使得适应度较高的个体变异率较小，适应度低的个体变异率较大。
本发明针对高机动平台进行SAR成像参数优化设计。首先，建立高机动平台SAR成像工作几何；然后以前斜视角、方位向过采样系数、入射角和占空比为优化变量，以图像质量最优为代价函数，建立目标函数；最后，通过建立优化数学模型进行参数求解。本发明突出的优点是：能够在满足SAR成像指标要求的前提下，快速获取使图像性能最优的成像参数，为高机动平台SAR成像的实时参数设计提供了保证。
本发明提供了一种高机动平台SAR成像参数优化设计方法，利用该方法可解决确定轨迹和多个成像指标非线性约束条件下的成像参数优化设计问题。
本发明一种高机动平台SAR成像参数优化确定系统，包括：成像工作几何建立模块、关系建立模块、目标函数建立模块、参数求解模块；
成像工作几何建立模块，建立高机动平台SAR成像工作几何；
关系建立模块，在成像工作几何建立模块建立的高机动平台SAR成像工作几何下，建立高机动平台SAR成像指标和成像参数之间的数学关系；
目标函数建立模块，从关系建立模块建立的高机动平台SAR成像指标和成像参数之间的数学关系中，确定优化变量和代价函数，从而建立高机动平台SAR成像参数优化设计目标函数；
参数求解模块，建立基于改进遗传算法的优化数学模型，对目标函数建立模块建立的高机动平台SAR成像参数优化设计目标函数进行参数求解。
如图1所示，一种高机动平台SAR成像参数优化设计方法，优选方案步骤如下：
(1)建立高机动平台SAR成像工作几何，优选方案为：
假设高机动平台SAR成像发射线性调频信号，工作模式为条带模式，其空间几何关系如图2所示。图2中所有参量均定义在地面局部坐标系中。坐标系原点o为平台在地面的投影点，o点所在地球的表切面为xoy平面，z轴垂直于xoy平面指向地球表面外法线方向，y轴为平台运动速度在xoy平面的投影方向，o-xyz为右手直角坐标系。假设成像中心时刻平台速度为v；φ表示雷达视线方向与z轴负半轴的夹角，即下视角(入射角)；α为视线方向与速度方向的夹角，即前斜视角；θ表示前斜视角在地面的投影，即方位角。γ表示速度方向与y轴负半轴的夹角，即俯冲角。平台高度为H。二维平面直角坐标系xgoyg为xoy逆时针旋转90°-θ得到。
(2)在步骤(1)建立的高机动平台SAR成像工作几何下，建立高机动平台SAR成像指标和成像参数之间的数学关系，优选方案为：
高机动平台SAR成像指标主要包含分辨率、幅宽、数据率、图像信噪比以及模糊度等，下面给出各成像指标与成像参数之间的优选数学关系。
(2a)分辨率与成像参数的优选约束关系
优选方案为：设场景中地面上任一点目标P0(x,y,z)，该点目标成像中心时刻对应的平台的位置为Pd(0,0,H)，平台与目标间的优选距离
Figure BDA0002681317310000061
根据梯度理论，可推导P0点处沿xg方向的距离分辨率大小优选为：
Figure BDA0002681317310000062
Figure BDA0002681317310000063
式中，c为光速；Br为发射信号带宽；ix、iy分别为x、y方向的单位矢量。
P点处沿yg方向的方位分辨率的大小优选为：
Figure BDA0002681317310000064
Figure BDA0002681317310000065
Figure BDA0002681317310000066
式中，Tsyn表示子孔径时间；λ表示波长；fdc表示多普勒中心频率；G＝[-cosθ,sinθ]T为投影矩阵。
(2b)幅宽与成像参数的优选约束关系
图3给出了地面距离幅宽的几何示意图，其中，
Figure BDA0002681317310000067
表示天线距离向波束宽度，Rn、Rf分别表示距离向最近和最远斜距，Wr表示地面距离向幅宽。图4给出了地面方位幅宽的几何示意图，其中，
Figure BDA0002681317310000068
表示天线方位向波束宽度，Wa表示地面方位向幅宽。优选有：
Figure BDA0002681317310000071
Figure BDA0002681317310000074
(2c)数据率与成像参数的优选约束关系
数据率是在综合考虑用户要求、硬件处理效率的条件下确定的，可表示为：
p＝2×Na×Nr×Q
式中，Na为方位向采样脉冲数；Nr为距离向采样点数；Q为每个采样点的数字化位数。
(2d)NEσ0与成像参数的优选约束关系
Figure BDA0002681317310000072
其中，K为玻尔兹曼常数；L为成像损耗；Ta为噪声温度；Fn为接收机噪声系数；P表示成像峰值发射功率；D表示占空比；Gt和GL分别表示天线发射/接收增益。该参数决定了SAR图像的信噪比。
(2e)模糊度与成像参数的优选约束关系
对于某个给定时刻，距离模糊信号主要来自如下距离
Ri＝c(t+i/PRF)/2
式中i表示脉冲号i＝-n1,-n1+1,…,-1,1,2,…,nh(i＝0为期望脉冲)，n1表示期望脉冲之后第n1个脉冲，该脉冲恰好可经地面散射到达雷达天线，nh表示与地球表面相切的脉冲号，c为光速，t为距离向快时间。PRF为脉冲重复频率。
距离模糊度表示距离模糊的严重程度，SAR距离模糊度可以表示为
Figure BDA0002681317310000073
式中，Gr为距离向天线双程增益，σ0为目标的后向散射系数，θi(t+j/fp)表示时延为t+j/fp的目标点对应的入射角，α(t)表示时延为t的目标点对应的雷达下视角，aj表示第j个模糊区，s表示测绘带。
方位模糊度表示方位模糊的严重程度，SAR方位模糊度优选表示为
Figure BDA0002681317310000081
式中，fdc为多普勒中心频率，fd为多普勒频率，Ga 2(fd)为多普勒能量谱，它等效于方位向天线的双程方向图，Bp为方位向成像处理器带宽。
(3)从步骤(2)建立的高机动平台SAR成像指标和成像参数之间的数学关系中，确定优化变量和代价函数，从而建立高机动平台SAR成像参数优化设计目标函数，具体方案为：
在高机动平台SAR成像参数设计过程中，首先提出我们希望达到的成像指标，也即我们希望在满足成像指标约束条件的前提下，能够获取尽可能高的图像质量，尽量少的计算复杂度(由处理的数据量决定)。这是一个求解非线性多元函数最优解的问题。针对这一问题，提出一种高机动平台SAR成像参数优化设计方法，以(α,k,φ,D)为优化自变量，以图像质量最优为代价函数，建立如下优选目标函数：
Figure BDA0002681317310000082
Figure BDA0002681317310000083
其中：
Figure BDA0002681317310000091
式中ρag_c、ρrg_c、NEσ0_c、Wa_c、Wr_c、RASRc、AASRc为成像约束指标。k表示方位向过采样系数；Tup表示最大子孔径时间；ωi(i＝1,2,3,4)为各成像性能参数的权值。
通过代价函数，可快速确定满足性能指标并使图像质量更优的优化变量(α,k,φ,D)的取值方向。为了进一步提高设计效率，提出了一种基于遗传算法的分步降元成像参数优化处理方法，即在优化变量(α,k)确定的条件下，以平均功率最大为优化准则，设计优化变量(φ,D)。该处理方式在不影响设计效果的前提下可明显减少优化变量求解的迭代次数，能有效提升成像参数设计效率。
(4)建立基于改进遗传算法的优化数学模型，对步骤(3)建立的高机动平台SAR成像参数优化设计目标函数进行参数求解，优选方案为：
(4a)生成初始化种群。
随机产生N个种群个体，种群基因为前斜视角和方位向过采样系数。
(4b)建立优化数学模型；
入射角最大值φmax由成像最远作用距离决定，其最小值φmin由距离幅宽确定。
平台正下方回波在一个脉冲重复周期内的起始位置优选为：
Pm_start＝Frac(2H/c·PRF)
式中，Frac(·)表示取小数部分。
场景回波中心位置在一个脉冲重复周期内的位置优选为：
Pe_center＝Frac(2H/c/cosφ·PRF)
场景近距点和远距点目标间的时间差与脉冲重复周期的比值优选近似为：
Figure BDA0002681317310000092
方位向带宽可优选表示为：
Figure BDA0002681317310000101
脉冲重复频率可优选表示为：
PRF＝kBa
为使图像信噪比达到最大，在天线参数和发射功率确定时，就需要在满足其他条件约束的情况下，使占空比达到最大。因而接下来，我们分析不同情况下占空比的最优设计方法。在图5中，实线框表示发射脉冲宽度Tp；虚线框表示场景近距和远距目标间的时间差Twr(不包含发射脉冲宽度)；tm_start表示平台地面投影点在一个脉冲重复周期内的时间起始位置；te_center表示场景中心位置处回波在一个脉冲重复周期内的时间位置；PRT表示脉冲重复周期。
第一种情况：在一个脉冲重复周期内，平台地面投影点回波位置在场景中心回波位置之前(如图5(a)所示)。
图5(a)中的时序关系优选满足下式约束：
Figure BDA0002681317310000102
式中，τ0＝τ·PRF，τ为保护时间。
由式得到
Figure BDA0002681317310000103
假设存在φ使得上式中Pe_center的上限等于下限，则可计算出理想回波在一个脉冲重复周期内的位置优选为：
Figure BDA0002681317310000104
此时，φ为(α,k)确定条件下对应的最优入射角值，若无满足上式的φ值，则在入射角取值范围内，使|Pe_center_ideal-Pe_center|最小的φ值为最优入射角值。进而可得到占空比的最大值优选为：
Figure BDA0002681317310000111
第二种情况：平台地面投影点回波位置在场景中心回波位置之前(如图5(b)所示)。
图5(b)中的时序关系优选满足下式约束：
Figure BDA0002681317310000112
由上式得到
Figure BDA0002681317310000113
假设存在φ使得上式中Pe_center的上限等于下限，则可计算出理想回波在一个脉冲重复周期内的位置优选为：
Figure BDA0002681317310000114
此时，φ为(α,k)确定条件下对应的最优入射角值，若无满足上式的φ值，则在入射角取值范围内，使|Pe_center_ideal-Pe_center|最小的φ值为最优入射角值。进而可得到占空比的最大值优选为：
Figure BDA0002681317310000115
至此，得到(α,k)确定条件下，能使图像质量达到最优的φ和D的值。
(4c)计算种群个体适应度J；
(4d)判断遗传终止条件；若满足，输出最优解；若不满足，进行选择、交叉、变异操作优化种群，重新进入步骤(4a)。
传统遗传算法对种群所有个体采用相同的变异率且不随种群代数变化，这样使得如果采用较小变异率，会使得算法过快收敛，容易陷入局部最优解，采用较大变异率又会导致算法收敛速度变慢，甚至不收敛。
本发明在种群进化全过程采用递减的变异率，进化初期变异率较高，之后随代数递减，在进化后期保持较低变异率，同时在种群内部，针对每一个种群个体的适应度，在整体变异率的基础上对每一个个体的变异率进行调整，使得适应度较高的个体变异率较小，适应度低的个体变异率较大。改进后的变异概率p优选为：
Figure BDA0002681317310000121
其中，k1、k2为调节因子，k1∈(0.5,1)、k2∈(0,0.5)。fmax、fmin、favg依次为种群中个体适应度最大值、最小值、平均值。f为种群中待变异个体的适应度值。max_gen为设定的最大进化代数。i＝1，2，…，maxgen表示进化到第i代。改进后的变异因子受种群代数和自身适应度的共同影响。
遗传算法通过选择、交叉、变异三大步骤模拟生物的进化过程得到最优个体。在优化过程中，若已经达到预先设定的进化代数或种群中最优个体在连续若干代中没有显著改进，则输出种群中适应度最高的个体作为最优解。若不满足遗传终止条件，进行选择、交叉、变异操作优化种群，重新进入步骤(4a)，直至满足遗传终止条件，输出最优解。
表1仿真参数表
Figure BDA0002681317310000122
Figure BDA0002681317310000131
表2指标优化设计结果
参数 数值 参数 数值 参数 数值
α/(°) 48 φ/(°) 30.9 θ/(°) 38.9
T<sub>syn</sub>/ms 129 ρ<sub>rg</sub>/m 6 W<sub>r</sub>/km 2
PRF/KHz 12 k 120.1 W<sub>a</sub>/km 2
NEσ<sub>0</sub>/dB -25.3 ρ<sub>ag</sub>/m 6 D/(％) 30
接下来，基于一组仿真实验验证本发明的有效性。收发天线方向图均采用Kaiser窗加权。仿真参数如表1所示。表2给出了指标优化设计结果。图6给出了仿真实验点目标成像结果，良好的聚焦结果验证了实验参数设计的正确性。通过引入模糊度指标约束，要求最高脉冲重复频率为18.75KHz，与传统设计方法相比，提高了成像质量。改进的变异因子相对于传统遗传算法可将算法收敛速度提高约8％。
本发明方法可实现高机动平台确定轨迹和多个成像指标非线性约束条件下的SAR成像参数优化设计。解决了现有的高机动平台轨迹优化算法需要调整平台运动轨迹来优化成像设计参数的缺陷，本发明方法通过调整变异算子对遗传算法进行了改进，避免算法不收敛和收敛太快易陷入局部最优的情况。
本发明方法在建立高机动平台SAR成像指标和成像参数之间的数学关系时，考虑了距离模糊和方位模糊指标与成像参数间的关系，不仅能够提高成像质量，还扩大了本发明方法的适用范围。

Claims (10)

1.一种高机动平台SAR成像参数优化设计方法，其特征在于步骤如下：
(1)建立高机动平台SAR成像工作几何；
(2)在步骤(1)建立的高机动平台SAR成像工作几何下，建立高机动平台SAR成像指标和成像参数之间的数学关系；
(3)从步骤(2)建立的高机动平台SAR成像指标和成像参数之间的数学关系中，确定优化变量和代价函数，从而建立高机动平台SAR成像参数优化设计目标函数；
(4)建立基于改进遗传算法的优化数学模型，对步骤(3)建立的高机动平台SAR成像参数优化设计目标函数进行参数求解。
2.根据权利要求1所述的一种高机动平台SAR成像参数优化设计方法，其特征在于：所述步骤(1)中高机动平台SAR工作几何定义在地面局部坐标系下，坐标系原点o为平台在地面的投影点，o点所在地球的表切面为xoy平面，z轴垂直于xoy平面指向地球表面外法线方向，y轴为平台运动速度在xoy平面的投影方向，o-xyz为右手直角坐标系。
3.根据权利要求1所述的一种高机动平台SAR成像参数优化设计方法，其特征在于：所述步骤(2)中高机动平台SAR成像指标包括：分辨率、幅宽、数据率、噪声等价后向散射系数、模糊度；SAR成像参数包括：前斜视角、方位向过采样系数、入射角、占空比。
4.根据权利要求1所述的一种高机动平台SAR成像参数优化设计方法，其特征在于：步骤(3)确定的优化变量，为成像参数中前斜视角、方位向过采样系数、入射角和占空比；确定的代价函数为图像质量，图像质量的评价指标包括分辨率、噪声等价后向散射系数、占空比。
5.根据权利要求1所述的一种高机动平台SAR成像参数优化设计方法，其特征在于：步骤(4)建立基于改进遗传算法的优化数学模型，具体为：(4a)生成初始化种群(4b)建立优化数学模型(4c)计算种群个体适应度(4d)判断遗传终止条件；若满足，输出最优解；若不满足，进行选择、交叉、变异操作优化种群，重新进入步骤(4a)。
6.根据权利要求5所述的一种高机动平台SAR成像参数优化设计方法，其特征在于：所述步骤(4a)中种群基因包括前斜视角和方位向过采样系数。
7.根据权利要求5所述的一种高机动平台SAR成像参数优化设计方法，其特征在于：所述步骤(4b)中采用一种基于改进遗传算法的分步降元成像参数优化设计方法，在优化变量前斜视角和方位向过采样系数确定的条件下，以平均功率最大为优化准则，设计优化变量入射角和占空比。
8.根据权利要求5所述的一种高机动平台SAR成像参数优化设计方法，其特征在于：所述步骤(4d)中遗传终止条件指的是达到预先设定的最大进化代数或种群中最优个体在连续若干代中没有明显改进。
9.一种高机动平台SAR成像参数优化确定系统，其特征在于包括：成像工作几何建立模块、关系建立模块、目标函数建立模块、参数求解模块；
成像工作几何建立模块，建立高机动平台SAR成像工作几何；
关系建立模块，在成像工作几何建立模块建立的高机动平台SAR成像工作几何下，建立高机动平台SAR成像指标和成像参数之间的数学关系；
目标函数建立模块，从关系建立模块建立的高机动平台SAR成像指标和成像参数之间的数学关系中，确定优化变量和代价函数，从而建立高机动平台SAR成像参数优化设计目标函数；
参数求解模块，建立基于改进遗传算法的优化数学模型，对目标函数建立模块建立的高机动平台SAR成像参数优化设计目标函数进行参数求解。
10.根据权利要求9所述的一种高机动平台SAR成像参数优化确定系统，其特征在于：所述步骤(1)中高机动平台SAR工作几何定义在地面局部坐标系下，坐标系原点o为平台在地面的投影点，o点所在地球的表切面为xoy平面，z轴垂直于xoy平面指向地球表面外法线方向，y轴为平台运动速度在xoy平面的投影方向，o-xyz为右手直角坐标系。
CN202010963255.3A 2020-09-14 2020-09-14 一种高机动平台sar成像参数优化设计方法 Active CN112115642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010963255.3A CN112115642B (zh) 2020-09-14 2020-09-14 一种高机动平台sar成像参数优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010963255.3A CN112115642B (zh) 2020-09-14 2020-09-14 一种高机动平台sar成像参数优化设计方法

Publications (2)

Publication Number Publication Date
CN112115642A true CN112115642A (zh) 2020-12-22
CN112115642B CN112115642B (zh) 2023-05-02

Family

ID=73802601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010963255.3A Active CN112115642B (zh) 2020-09-14 2020-09-14 一种高机动平台sar成像参数优化设计方法

Country Status (1)

Country Link
CN (1) CN112115642B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989506A (zh) * 2021-01-26 2021-06-18 中国科学院上海技术物理研究所 一种面阵旋转扫描航天相机成像系统的参数设计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137398A (zh) * 2015-07-24 2015-12-09 西安电子科技大学 基于遗传算法的雷达抗转发式干扰的脉压滤波器优化方法
CN105426578A (zh) * 2015-11-03 2016-03-23 电子科技大学 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法
CN105445738A (zh) * 2015-11-16 2016-03-30 电子科技大学 基于遗传算法的geo星机双基sar接收站飞行参数设计方法
US20160146910A1 (en) * 2013-08-27 2016-05-26 Hitachi Medical Corporation Magnetic resonance imaging device and imaging parameter determination method
CN106886021A (zh) * 2017-01-24 2017-06-23 上海卫星工程研究所 高分辨率星载sar成像质量提升方法
CN107015225A (zh) * 2017-03-22 2017-08-04 电子科技大学 一种基于自聚焦的sar平台初始高度误差估计方法
CN108333626A (zh) * 2018-01-10 2018-07-27 成都理工大学 一种基于最佳保留策略的遗传算法波阻抗反演方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160146910A1 (en) * 2013-08-27 2016-05-26 Hitachi Medical Corporation Magnetic resonance imaging device and imaging parameter determination method
CN105137398A (zh) * 2015-07-24 2015-12-09 西安电子科技大学 基于遗传算法的雷达抗转发式干扰的脉压滤波器优化方法
CN105426578A (zh) * 2015-11-03 2016-03-23 电子科技大学 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法
CN105445738A (zh) * 2015-11-16 2016-03-30 电子科技大学 基于遗传算法的geo星机双基sar接收站飞行参数设计方法
CN106886021A (zh) * 2017-01-24 2017-06-23 上海卫星工程研究所 高分辨率星载sar成像质量提升方法
CN107015225A (zh) * 2017-03-22 2017-08-04 电子科技大学 一种基于自聚焦的sar平台初始高度误差估计方法
CN108333626A (zh) * 2018-01-10 2018-07-27 成都理工大学 一种基于最佳保留策略的遗传算法波阻抗反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BIR BHANU 等: ""Genetic algorithm based feature selection for target detection in SAR images"", 《IMAGE AND VISION COMPUTING》 *
胡克彬: ""SAR高精度成像方法研究"", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
郭媛 等: ""弹载SAR系统参数优化设计方法"", 《系统工程与电子技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989506A (zh) * 2021-01-26 2021-06-18 中国科学院上海技术物理研究所 一种面阵旋转扫描航天相机成像系统的参数设计方法

Also Published As

Publication number Publication date
CN112115642B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN104977582B (zh) 一种实现扫描雷达方位超分辨成像的解卷积方法
CN105426578B (zh) 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法
CN105842702B (zh) 多波束成像声呐的旁瓣抑制方法、阵列稀疏方法
CN109521424B (zh) 星载滑动聚束sar卫星姿态和prf序列设计方法
CN104950305B (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
CN110244303B (zh) 基于sbl-admm的稀疏孔径isar成像方法
CN105137408B (zh) 一种最优天线方向图选取的雷达角超分辨方法
CN109212527B (zh) 用于高频地波雷达的大孔径分布式多站目标定位方法
CN109613532B (zh) 一种机载雷达实时多普勒波束锐化超分辨成像方法
Kang et al. Efficient synthesis of antenna pattern using improved PSO for spaceborne SAR performance and imaging in presence of element failure
CN107942295B (zh) 一种前视阵列sar系统的稀疏天线
CN105137424A (zh) 一种杂波背景下实波束扫描雷达角超分辨方法
CN110208796B (zh) 基于奇异值逆滤波的扫描雷达超分辨成像方法
CN110146881A (zh) 一种基于改进全变差的扫描雷达超分辨成像方法
Zhou et al. Synthesis of conformal array antenna for hypersonic platform SAR using modified particle swarm optimisation
CN107607945A (zh) 一种基于空间嵌入映射的扫描雷达前视成像方法
CN112147608A (zh) 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法
CN111190151A (zh) 扫描模式下多模态小卫星sar的系统参数设计及发射功率优化方法
CN108107432B (zh) 基于时域扰动的高低轨双基sar保相成像方法
CN113126087A (zh) 一种星载干涉成像高度计天线
CN112115642A (zh) 一种高机动平台sar成像参数优化设计方法
CN109856636B (zh) 曲线合成孔径雷达自适应三维成像方法
CN113671485B (zh) 基于admm的米波面阵雷达二维doa估计方法
CN111208514A (zh) 一种曲线运动轨迹SAR的切比雪夫斜距模型和Chirp Scaling成像方法
CN107479053B (zh) 基于stap的舰载mimo雷达稳健发射与接收联合设计方法

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