CN113219459A - 一种扫描雷达稳健超分辨成像方法 - Google Patents

一种扫描雷达稳健超分辨成像方法 Download PDF

Info

Publication number
CN113219459A
CN113219459A CN202110576319.9A CN202110576319A CN113219459A CN 113219459 A CN113219459 A CN 113219459A CN 202110576319 A CN202110576319 A CN 202110576319A CN 113219459 A CN113219459 A CN 113219459A
Authority
CN
China
Prior art keywords
matrix
constructing
target
value
autocorrelation
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.)
Pending
Application number
CN202110576319.9A
Other languages
English (en)
Inventor
杨海光
张永超
李�杰
张东辉
张永伟
张寅�
黄钰林
杨建宇
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110576319.9A priority Critical patent/CN113219459A/zh
Publication of CN113219459A publication Critical patent/CN113219459A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S13/00Systems 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
    • G01S13/88Radar or analogous systems specially adapted for specific applications
    • G01S13/89Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904SAR modes
    • G01S13/9043Forward-looking SAR
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41Details 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Electromagnetism (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种扫描雷达超分辨成像方法,针对传统超分辨成像方法的病态问题,本发明的方法首先基于加权最小二乘准则,将扫描雷达超分辨问题转化为目标自相关迭代重构问题,然后采用截断奇异值分解对迭代加权最小二乘估计进行正则化,使用截断奇异值分解对自协方差矩阵进行正则化有效地抑制了迭代求逆过程中噪声的放大,同时尽可能的保留了原有的目标信息,显著提升了低信噪比条件下的抗噪性能,实现了稳健超分辨,解决了低信噪比条件下的超分辨噪声敏感问题。

Description

一种扫描雷达稳健超分辨成像方法
技术领域
本发明属于雷达成像技术领域,涉及扫描雷达方位向超分辨成像方法。
技术背景
机载雷达前视成像在提升运动平台雷达前视成像的分辨率,在前视区域对地侦察、物资空投等领域具有重要的意义。然而传统的合成孔径雷达(SAR)和多普勒波束锐化(DBS)在前视区域具有固有的盲区,无法进行前视区域雷达成像。现有机载雷达主要采用实波束扫描方式实现前视成像,对于常规的实孔径扫描雷达,其方位向分辨率为θ∈λ/D,其中,λ为雷达发射信号波长,D为天线孔径尺寸。受到实际孔径大小的限制,方位角分辨率低下,无法满足实际应用的需求。
针对实孔径扫描雷达方位分辨率提升难题,文献“S.Uttam and N.A.Goodman,Superresolution of Coherent Sources in Real-Beam Data,IEEE Transactions onAerospace and Electronic Systems,vol.46,no.3,pp.1557-1566”,采用最小方差波束形成方法,通过分辨波束宽度内相干信号实现方位向超分辨。文献“Zhang Q,Zhang Y,Mao D,et al.ABayesian Super-Resolution Method for Forward-Looking Scanning RadarImaging Based on Split Bregman,IGARSS 2018-2018,IEEE International Geoscienceand Remote Sensing Symposium.IEEE,2018:5135-5138”使用基于分裂Bregman算法进行正则化的贝叶斯方法,实现了较好的超分辨效果。
为进一步提高成像方位向分辨率,文献“Yardibi,Tarik,et al.Sourcelocalization and sensing:Anonparametric iterative adaptive approach based onweighted least squares,IEEE Transactions on Aerospace and Electronic Systems,2010,46.1:425-443”提出了一种迭代自适应的超分辨方法。该方法利用前一次迭代得到的估计结果构造自相关矩阵,并将自相关矩阵作为加权系数进行最小二乘估计,通过循环迭代提高估计的性能,具有低旁瓣和高分辨率的特点。但是自相关矩阵的奇异性会使得每次更新迭代过程中的求逆处理存在典型的病态问题,尤其是在低信噪比条件下对噪声敏感,在噪声干扰下得到的估计值与真实值会有较大偏差。
发明内容
针对传统超分辨前视成像的噪声敏感难题,本发明提出了一种前视扫描雷达稳健超分辨成像方法。
本发明的具体技术方案为:一种前视扫描雷达稳健超分辨成像方法,具体包括如下步骤:
S1.构建扫描雷达回波数学模型:根据前视扫描雷达几何关系,生成雷达回波,对原始回波进行解调、脉压、徙动校正处理,得到预处理后的方位向回波卷积模型:
y=As+n (1)
其中,n是加性噪声,y∈CM×1为回波信号,s∈CK×1为同一距离单元目标散射系数向量,A∈CM×K为导向矩阵,由天线方向图函数
Figure BDA0003084472410000021
构成,hl,l=1,...L为天线方向图函数的均匀采样,M,K,L为采样点数,导向矩阵定义为:
Figure BDA0003084472410000022
其中,ak,k=1,...,K为导向矩阵A的列向量。
S2.求解迭代初始值:利用回波信号y和导向矩阵A进行最小二乘估计得到迭代计算的初始值,初始化公式为:
Figure BDA0003084472410000023
S3.构建自相关矩阵:利用计算得到的目标散射系数估计值
Figure BDA0003084472410000024
计算幅值,并对角化得到目标散射对角阵:
Figure BDA0003084472410000025
P=diag(p1,p2,...,pK) (5)
根据目标散射对角阵和导向矩阵构造自相关矩阵:
Figure BDA0003084472410000026
S4.自相关矩阵正则化处理:对构造的自相关矩阵进行奇异值分解:
Figure BDA0003084472410000027
其中,U和V为酉矩阵,Σ为R的奇异值矩阵,D=diag(σ12,...,σN),σn,n=1,...,N为矩阵R的奇异值,截断阈值参数t可以通过最小化代价函数f(t)得到:
Figure BDA0003084472410000031
其中,I为单位矩阵,
Figure BDA0003084472410000032
是满足
Figure BDA0003084472410000033
的矩阵,trace(·)表示矩阵对角元素之和,通过这种自适应参数选取方法得到阈值k并截断较小的奇异值,得到正则化处理后自相关矩阵:
Figure BDA0003084472410000034
其中,Dt=diag(σ12,…,σt,0,…,0),利用截断后的奇异值矩阵直接进行自相关矩阵求逆:
Figure BDA0003084472410000035
其中,
Figure BDA0003084472410000036
是由截断后剩余奇异值的倒数构成的对角阵;
S5.构造迭代式:利用正则处理后的自相关矩阵的逆(10),构建基于加权最小二乘估计的迭代公式:
Figure BDA0003084472410000037
遍历步骤S3、S4、S5,进行迭代计算,目标散射系数收敛,可以得到方位向目标的高分辨估计值。
本发明的有益效果:针对传统超分辨成像方法的病态问题,本发明的方法首先基于加权最小二乘准则,将扫描雷达超分辨问题转化为目标自相关迭代重构问题,然后采用截断奇异值分解(SVD)对迭代加权最小二乘估计进行正则化,使用截断奇异值分解对自协方差矩阵R进行正则化有效地抑制了迭代求逆过程中噪声的放大,同时尽可能的保留了原有的目标信息,显著提升了低信噪比条件下的抗噪性能,实现了稳健超分辨,解决了低信噪比条件下的超分辨噪声敏感问题。
附图说明
图1为本发明提供方法的流程示意图;
图2为本发明扫描雷达运动几何模型;
图3为仿真场景图;
图4为实波束扫描成像结果(SNR=30dB)图;
图5为噪声干扰下(SNR=30dB)本发明方法成像结果图;
图6为噪声干扰下(SNR=10dB)本发明方法成像结果图;
图7为噪声干扰下(SNR=5dB)本发明方法成像结果图。
具体实施步骤
下面结合附图和具体实施例对本发明方法做进一步的阐述。这里所述的实施例是为了帮助理解发明原理,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。
本发明的所有步骤、结论都在Matlab2018仿真平台上验证正确,其具体实施步骤如图1所示。
本实验方案具体参数如下:信号载频f0为30.75GHz,脉宽T为2μs,信号带宽B为40MHz,脉冲重复频率PRF为2kHz,天线波束宽度θ0为3°,雷达扫描角速度ω为30°/s,平台速度v为120m/s,天线辐射的成像范围为±8°区域。以下讨论中,只考虑某一距离R0处各方位向上的目标。这里设两个同一距离单元目标,分别位于方位向-1和1°处,幅值分别为0.5和1,如图3所示。
本发明方法实施例的具体步骤如下:
A.首先根据图2所示的前视扫描雷达运动几何模型,得到相对平台的历史距离为:
Figure BDA0003084472410000041
其中,t为方位向时间变量,R0为t=0时平台与目标之间的初试距离,θ,
Figure BDA0003084472410000042
分别为天线与目标之间的方位角和俯仰角。雷达发射信号为线性调频信号为:
Figure BDA0003084472410000043
其中,rect(·)为矩形函数,τ为距离向时间变量,Kr为调频斜率。正交解调去载频后的回波为:
Figure BDA0003084472410000044
其中,(x,y)为点目标坐标,Ω为扫描区域内目标的集合,σ为目标反射系数,h(·)为天线方向图函数,λ为信号波长,c为光速。
B.构造脉冲压缩参考信号:
Figure BDA0003084472410000045
脉压后的回波信号为:
Figure BDA0003084472410000051
其中,sinc(·)为辛格函数,定义为sinc(x)=sin(πx)/πx。
C.根据目标相对平台距离式(11),对距离徙动量进行校正,在频域中构建相位补偿因子:
Figure BDA0003084472410000052
徙动校正后的信号为:
Figure BDA0003084472410000053
D.建立方位向回波卷积模型,将方位向回波描述为矩阵形式:
y=As+n (19)
其中,n是加性噪声,y∈CM×1为回波信号,s∈CK×1为同一距离单元目标散射系数向量,A∈CM×K为导向矩阵,由天线方向图函数
Figure BDA0003084472410000054
构成,hl,l=1,...L为天线方向图函数的均匀采样,M,K,L为采样点数,由雷达系统参数决定。导向矩阵定义为:
Figure BDA0003084472410000055
其中,ak,k=1,...,K为导向矩阵A的列向量。
E.根据(19)的卷积模型,采用正则化的加权最小二乘估计方法进行目标估计,具体步骤如下:
1.利用原始回波求解迭代初始值:
Figure BDA0003084472410000056
其中,ak,k=1,...,K为导向矩阵A的列向量。
2.构造自相关矩阵:
Figure BDA0003084472410000057
P=diag(p1,p2,...,pK) (22)
Figure BDA0003084472410000061
3.对自相关矩阵进行分解,并截断小奇异值。首先对自相关矩阵进行奇异值分解:
Figure BDA0003084472410000062
其中,U和V为酉矩阵,Σ为R的奇异值矩阵,D=diag(σ12,...,σN),σn,n=1,...,N为矩阵R的奇异值。
最小化代价函数f(t):
Figure BDA0003084472410000063
其中,I为单位矩阵,
Figure BDA0003084472410000064
是满足
Figure BDA0003084472410000065
的矩阵,trace(·)表示矩阵对角元素之和,通过自适应参数选取得到截断阈值k并截断较小的奇异值:
Figure BDA0003084472410000066
其中,Dt=diag(σ12,…,σt,0,…,0)。
4.自相关矩阵求逆:
根据矩阵相乘及酉矩阵的性质,截断奇异值后的自协方差矩阵的逆矩阵直接表示为:
Figure BDA0003084472410000067
其中,
Figure BDA0003084472410000068
是由截断后剩余奇异值的倒数构成的对角阵。
5.构造迭代式:
Figure BDA0003084472410000069
进行迭代加权最小二乘估计计算:
Figure BDA00030844724100000610
遍历步骤2至5进行迭代,10次迭代计算后可使得目标散射系数收敛,得到方位向目标的高分辨估计值,同时正则化处理可以解决矩阵求逆存在的病态问题,有效抑制噪声放大。
至此,利用本发明所提出方法可实现稳健超分辨成像。为了对比论证本发明的有效性,在预处理后的回波中分别添加不同功率的高斯噪声使信噪比分别为30dB、10dB与5dB进行对照实验,结果如图5、图6、图7所示。可以看出本发明提出的超分辨方法在低信噪比环境下仍能很好地恢复目标的角度信息,证明了本发明方法的有效性。

Claims (1)

1.一种前视扫描雷达稳健超分辨成像方法,具体包括如下步骤:
S1.构建扫描雷达回波数学模型:根据前视扫描雷达几何关系,生成雷达回波,对原始回波进行解调、脉压、徙动校正处理,得到预处理后的方位向回波卷积模型:
y=As+n
其中,n是加性噪声,y∈CM×1为回波信号,s∈CK×1为同一距离单元目标散射系数向量,A∈CM×K为导向矩阵,由天线方向图函数
Figure FDA0003084472400000011
构成,hl,l=1,...L为天线方向图函数的均匀采样,M,K,L为采样点数,导向矩阵A定义为:
Figure FDA0003084472400000012
其中,ak,k=1,...,K为导向矩阵A的列向量;
S2.求解迭代初始值:利用回波信号y和导向矩阵A进行最小二乘估计得到迭代计算的初始值,初始化公式为:
Figure FDA0003084472400000013
S3.构建自相关矩阵:利用计算得到的目标散射系数估计值
Figure FDA0003084472400000014
计算幅值,并对角化得到目标散射对角阵:
Figure FDA0003084472400000015
P=diag(p1,p2,...,pK)
根据目标散射对角阵和导向矩阵构造自相关矩阵:
Figure FDA0003084472400000016
S4.自相关矩阵正则化处理:对构造的自相关矩阵进行奇异值分解:
Figure FDA0003084472400000017
其中,U和V为酉矩阵,Σ为R的奇异值矩阵,D=diag(σ12,...,σN),σn,n=1,...,N为矩阵R的奇异值,截断阈值参数t通过最小化代价函数f(t)得到:
Figure FDA0003084472400000021
其中,I为单位矩阵,
Figure FDA0003084472400000022
是满足
Figure FDA0003084472400000023
的矩阵,trace(·)表示矩阵对角元素之和,通过这种自适应参数选取方法得到阈值t并截断较小的奇异值,得到正则化处理后自相关矩阵:
Figure FDA0003084472400000024
其中,Dt=diag(σ12,…,σt,0,…,0),利用截断后的奇异值矩阵直接进行自相关矩阵求逆:
Figure FDA0003084472400000025
其中,
Figure FDA0003084472400000026
是由截断后剩余奇异值的倒数构成的对角阵;
S5.构造迭代式:利用正则处理后的自相关矩阵的逆,构建基于加权最小二乘估计的迭代公式:
Figure FDA0003084472400000027
遍历步骤S3、S4、S5,进行迭代计算,目标散射系数收敛,得到方位向目标的高分辨估计值。
CN202110576319.9A 2021-05-26 2021-05-26 一种扫描雷达稳健超分辨成像方法 Pending CN113219459A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110576319.9A CN113219459A (zh) 2021-05-26 2021-05-26 一种扫描雷达稳健超分辨成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110576319.9A CN113219459A (zh) 2021-05-26 2021-05-26 一种扫描雷达稳健超分辨成像方法

Publications (1)

Publication Number Publication Date
CN113219459A true CN113219459A (zh) 2021-08-06

Family

ID=77098521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110576319.9A Pending CN113219459A (zh) 2021-05-26 2021-05-26 一种扫描雷达稳健超分辨成像方法

Country Status (1)

Country Link
CN (1) CN113219459A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113608214A (zh) * 2021-08-09 2021-11-05 电子科技大学长三角研究院(衢州) 一种机载扫描雷达实时超分辨成像方法
CN114545402A (zh) * 2022-02-16 2022-05-27 西安电子科技大学 一种svd求逆分裂布雷格曼的扫描雷达前视成像方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412305A (zh) * 2013-07-15 2013-11-27 电子科技大学 扫描雷达超分辨成像方法
CN106680817A (zh) * 2016-12-26 2017-05-17 电子科技大学 一种实现前视雷达高分辨成像的方法
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
US20190391258A1 (en) * 2018-06-24 2019-12-26 Mitsubishi Electric Research Laboratories, Inc. System and method for robust sensor localization based on Euclidean distance matrix

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412305A (zh) * 2013-07-15 2013-11-27 电子科技大学 扫描雷达超分辨成像方法
CN106680817A (zh) * 2016-12-26 2017-05-17 电子科技大学 一种实现前视雷达高分辨成像的方法
US20190391258A1 (en) * 2018-06-24 2019-12-26 Mitsubishi Electric Research Laboratories, Inc. System and method for robust sensor localization based on Euclidean distance matrix
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 (4)

* Cited by examiner, † Cited by third party
Title
YANG WU: "TSVD with least squares optimization for scanning radar angular super-resolution", 《2017 IEEE RADAR CONFERENCE (RADARCONF)》 *
YIN ZHANG: "Weighted least squares method for forward-looking imaging of scanning radar", 《2014 IEEE GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
YONGCHAO ZHANG: "Online sparse reconstruction for scanning radar based on generalized SParse iterative covariance-based estimation", 《2019 INTERNATIONAL RADAR CONFERENCE (RADAR)》 *
张永超: "机载雷达前视虚拟阵列超分辨成像方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113608214A (zh) * 2021-08-09 2021-11-05 电子科技大学长三角研究院(衢州) 一种机载扫描雷达实时超分辨成像方法
CN113608214B (zh) * 2021-08-09 2023-11-10 电子科技大学长三角研究院(衢州) 一种机载扫描雷达实时超分辨成像方法
CN114545402A (zh) * 2022-02-16 2022-05-27 西安电子科技大学 一种svd求逆分裂布雷格曼的扫描雷达前视成像方法
CN114545402B (zh) * 2022-02-16 2024-06-07 西安电子科技大学 一种svd求逆分裂布雷格曼的扫描雷达前视成像方法

Similar Documents

Publication Publication Date Title
Zhang et al. Super-resolution surface mapping for scanning radar: Inverse filtering based on the fast iterative adaptive approach
CN104950306B (zh) 一种海杂波背景下前视海面目标角超分辨成像方法
CN110426707B (zh) 基于轨道角动量的涡旋sar成像方法及成像系统
CN104977582B (zh) 一种实现扫描雷达方位超分辨成像的解卷积方法
CN106680817B (zh) 一种实现前视雷达高分辨成像的方法
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
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
CN105137425B (zh) 基于卷积反演原理的扫描雷达前视角超分辨方法
CN107942295B (zh) 一种前视阵列sar系统的稀疏天线
CN105699969A (zh) 基于广义高斯约束的最大后验估计角超分辨成像方法
CN113219459A (zh) 一种扫描雷达稳健超分辨成像方法
CN106918810B (zh) 一种存在阵元幅相误差时的微波关联成像方法
CN109709549A (zh) 一种前视雷达超分辨率成像方法
CN106950565A (zh) 星载sar成像抖动补偿方法、成像方法
CN114545411A (zh) 一种基于工程实现的极坐标格式多模高分辨sar成像方法
Yang et al. Doppler beam sharpening imaging based on fast iterative adaptive approach
CN105182332A (zh) 一种二维波束锐化方法
CN111060909A (zh) 一种机载雷达斜前视超分辨成像方法
Tuo et al. Radar forward-looking super-resolution imaging using a two-step regularization strategy
Luo et al. Two-dimensional super-resolution imaging for real aperture radar by iterative adaptive approach
CN116413662B (zh) 基于深度展开网络的合成孔径雷达射频干扰抑制方法
CN114780911B (zh) 一种基于深度学习的海洋宽测绘带距离解模糊方法
Albaba et al. Low-complexity forward-looking volumetric SAR for high resolution 3-D radar imaging
CN114779247A (zh) 一种基于频率变标的星载稀疏合成孔径雷达斜视成像方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806