CN113866766B - 一种基于近场三维成像的雷达散射截面积精确外推方法 - Google Patents
一种基于近场三维成像的雷达散射截面积精确外推方法 Download PDFInfo
- Publication number
- CN113866766B CN113866766B CN202111149048.5A CN202111149048A CN113866766B CN 113866766 B CN113866766 B CN 113866766B CN 202111149048 A CN202111149048 A CN 202111149048A CN 113866766 B CN113866766 B CN 113866766B
- Authority
- CN
- China
- Prior art keywords
- data block
- initializing
- rcs
- field
- adopting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000013213 extrapolation Methods 0.000 title claims abstract description 68
- 238000003384 imaging method Methods 0.000 title claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004613 tight binding model Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- AQFATIOBERWBDY-LNQSNDDKSA-N Carboxyatractyloside Chemical compound O1[C@H](CO)[C@@H](OS(O)(=O)=O)[C@H](OS(O)(=O)=O)[C@@H](OC(=O)CC(C)C)[C@@H]1O[C@@H]1CC(C(O)=O)(C(O)=O)[C@H]2CC[C@@]3([C@@H](O)C4=C)C[C@H]4CC[C@H]3[C@]2(C)C1 AQFATIOBERWBDY-LNQSNDDKSA-N 0.000 description 2
- 101100005318 Mus musculus Ctsr gene Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
Abstract
本发明属于合成孔径雷达(SAR)雷达散射截面积(RCS)测量技术领域，公开了一种基于近场三维成像的雷达散射截面积(RCS)精确外推方法，用来解决现有RCS外推技术不足的问题。该方法主要包括初始化雷达系统及观测场景参数，基于初始化相关参数构造测量矩阵，采用标准的贝叶斯学习方法对数据块进行基于块的学习处理，采用近场三维格林函数对雷达剖面进行三维成像处理，采用标准平面元加权算子实现NF‑FF补偿五个部分。初始化雷达系统及观测场景参数，基于初始化相关参数构造测量矩阵，采用标准的贝叶斯学习方法对数据块进行基于块的学习处理，采用近场三维格林函数对雷达剖面进行三维成像处理四个步骤实现了目标近场三维图像和标称观测点的获取，第五个步骤旨在从近场三维图像中精确获得RCS；该方法的计算负担增加在可控范围内，其RCS外推结果的平均绝对偏差(MAD)和标准偏差(STD)较其他经典的RCS外推算法低，这表明该成像方法在RCS外推精度上比其他算法有着显著提高。
Description
技术领域
本发明属于合成孔径雷达(Synthetic Aperture Radar,SAR)雷达散射截面积(Radar Cross Section,RCS)测量技术领域，涉及一种提供SAR成像技术领域的RCS精确外推的方法。
背景技术
合成孔径雷达(SAR)是一种能够全天时、全天候工作的主动式遥感技术。与光学传感器相比，SAR可以穿透云雾，在恶劣的气象条件下也可以完成观测任务。随着SAR成像技术的广泛应用，雷达散射截面积(RCS)成为了研究的热点。RCS反映了电磁波作用下物体的散射强度，在天线传播领域中得到了广泛的研究。特别的，传统的RCS测量技术依赖于微波暗室中紧凑的天线距离(CATR)，具有环境条件可控的优点。但其缺点是成本过高，限制严格，很难为大型物体提供CATR。近年来，随着军事科技的日益进步，隐身与反隐身、探测与反探测等技术不断发展，对目标RCS测量提出了更高的要求。详见文献“J.W.Odendaal,L.Botha,and J.Joubert,“A full-scale static radar cross-section(RCS)measurementfacility,”South African Journal of Science,vol.103,no.5,2007,pp.196--198.”。
基于图像域的RCS外推技术是指当测试条件不满足远场条件时，采用SAR成像等微波遥感成像手段，在近场(Near-Field)收集并处理感兴趣空域的散射回波，从中解译出高价值目标的散射特性，并通过算法补偿完成RCS测量的新技术。该技术将电磁场与微波理论、微波成像和微波测量相结合，具有限制条件少、灵活性强和实现难度低等优点，成为近年来雷达散射测量研究的重点。因此，研究人员应用近场雷达成像技术使得RCS外推可行。
而关于近场雷达成像技术，基于贝叶斯学习的方法和近场-远场(NF-FF)补偿的方法是两大研究重点。一方面，基于贝叶斯学习理论的三维成像方法在分辨率和鲁棒性方面都取得了突破并适合于近场条件。另一方面，NF-FF补偿对RCS的外推非常重要。研究人员用其进一步补偿近场三维成像结果，以满足准平面波条件，这意味着测量的振幅和相位变得稳定。然而，在近场三维成像过程中，目标的散射特性可能会随着观测角度的变化而变化，而现有的通过预先设置参数的贝叶斯学习在这种情况下很难达到最优估计。详见“J.Alvarez,“Near-Field 2-D-Lateral Scan System for RCS Measurement of Full-Scale Targets Located on the Ground,”IEEE Transactions on Antennas andPropagation,vol.67,no.6,pp.4049-4058,June2019.”。
总体而言，要想利用基于近场三维成像模型进行精确的RCS外推，存在以下三个问题:1)在基于贝叶斯学习的三维成像过程中，超参数的合理设置较困难。2)为了适应非理想散射中心的情况，基于贝叶斯学习的三维成像模型需要进一步优化。3)RCS外推的精度和稳定性需要进一步的提高。
因此，为解决上述问题，本发明提出了一种基于近场三维成像的RCS精确外推算法。该方法结合了贝叶斯学习算法和NF-FF补偿算子，提高了近场三维成像质量并保证了高精度的RCS外推结果。
发明内容
本发明属于合成孔径雷达(SAR)雷达散射截面积(RCS)测量技术领域，公开了一种基于近场三维成像的雷达散射截面积(RCS)精确外推方法，用来解决现有RCS外推技术不足的问题。该方法主要包括初始化雷达系统及观测场景参数，基于初始化相关参数构造测量矩阵，采用标准的贝叶斯学习方法对数据块进行基于块的学习处理，采用近场三维格林函数对雷达剖面进行三维成像处理，采用标准平面元加权算子实现NF-FF补偿五个部分。初始化雷达系统及观测场景参数，基于初始化相关参数构造测量矩阵，采用标准的贝叶斯学习方法对数据块进行基于块的学习处理，采用近场三维格林函数对雷达剖面进行三维成像处理四个步骤实现了目标近场三维图像和标称观测点的获取，第五个步骤旨在从近场三维图像中精确获得RCS；该方法的计算负担增加在可控范围内，其RCS外推结果的平均绝对偏差(MAD)和标准偏差(STD)较其他经典的RCS外推算法低，这表明该成像方法在RCS外推精度上比其他算法有着显著提高。
为了方便描述本发明的内容，首先作以下术语定义：
定义1：雷达散射截面积(RCS)
雷达散射截面积是度量目标在雷达波照射下所产生回波强度的一种物理量，简称RCS。它是目标的假想面积，用一个各向均匀的等效反射器的投影面积来表示，该等效反射器与被定义的目标在接收方向单位立体角内具有相同的回波功率。RCS既与目标的形状、尺寸、结构及材料有关，也与入射电磁波的频率、极化方式和入射角等有关。RCS详见网站“https://blog.csdn.net/worldbit/article/details/78522007”。
定义2：近场三维成像算法
近场三维成像，其能够有效地从噪声背景中提取目标的RCS，具有实现简单、适应性广的优点。其传统方法包括反投影方法、距离多普勒方法，结合压缩感知理论近场三维成像质量已经超越了传统方法。近场三维成像方法详见文献“J.W.Odendaal,L.Botha,andJ.Joubert,“A full-scale static radar cross-section(RCS)measurement facility,”South African Journal of Science,vol.103,no.5,2007,pp.196--198.”。
定义3：贝叶斯学习方法
贝叶斯学习的基础是其遵循某种概率分布，根据这些概率及已观察到的数据进行推理，以做出最优的决策。本文采用了标准的自适应参数优化贝叶斯学习。贝叶斯学习方法详见文献“Z.Zhou,K.Liu and J.Fang,“Bayesian Compressive Sensing Using NormalProduct Priors,”IEEE Signal Processing Letters,vol.22,no.5,pp.583-587,May2015.”。
定义4：贝叶斯信息准则
本文的贝叶斯学习遵循贝叶斯信息准则其中LU0是当前决策的总数。贝叶斯信息准则详见文献“A.Aubry et al.,“Multi-Snapshot Spectrum Sensing forCognitive Radar via Block-Sparsity Exploitation,”IEEE Transactions on SignalProcessing,vol.67,no.6,pp.1396-1406,15March15,2019.”。
定义5：非理想散射中心
从雷达轮廓的角度来看，理想散射中心类似于狄拉克塔塔函数，即“类狄拉克”假说。相反，对于非理想散射中心，考虑散射中心有一个特定的属性，它不等同于狄拉克函数。由于目标属性随几何形状的变化而变化，这里我们遵循经典的“类高斯”假设，即目标属性类似于经典的截断高斯分布。非理想散射中心详见网站“https://blog.csdn.net/u010922186/article/details/40680913/”。
定义6：近轴准则
近轴准则，该准则要求初始数据块的角间隔满足其中λ为波长，D为物体的最大尺寸，本文根据近轴准则将回波数据分成多个数据块。近轴准则详见文献“C.Hu,N.Li,W.Chen and S.Guo,“ANear-Field to Far-Field RCS Measurement Method forMultiple-Scattering Target,”IEEE Transactions on Instrumentation andMeasurement,vol.68,no.10,pp.3733-3739,Oct.2019.”。
定义7：NF-FF补偿方法
NF-FF补偿，即近场-远场补偿算法。其作用是进一步补偿近场三维成像结果，以满足准平面波条件，使得测量到的振幅和相位变得稳定。其方法包括基于惠更斯-菲涅耳外推法、基于近场到远场变换(NFFFT)的方法。本文实现了NF-FF补偿与贝叶斯学习算法的结合。NF-FF补偿方法详见文献“J.Alvarez,“Near-Field 2-D-Lateral Scan System for RCSMeasurement of Full-Scale Targets Located on the Ground,”IEEE Transactions onAntennas and Propagation,vol.67,no.6,pp.4049-4058,June 2019.”。
定义8：格林函数
格林函数，是一个点源函数，或者影响函数，从信号的角度，是一个线性变换系统(信号卷积)。在数学中，格林函数是一种用来求解有初始条件或边界条件的非齐次微分方程的函数。本文使用了加权格林函数算子来实现NF-FF补偿。格林函数详见网站“https://blog.csdn.net/wanjiac/article/details/104327210”。
定义9：雷达剖面
雷达剖面，即雷达断面。是一段同状曲线,通过雷达记录剖面可以直接探测得到断层走向、倾向、倾角及位置，但不能查明断层面内充填物的具体情况。本文中，可以得到优化的雷达剖面。雷达剖面详见文献“皮亦鸣.合成孔径雷达成像原理[M].成都:电子科技大学出版社,2007.”。
定义10：近场三维格林函数
在数学中，格林函数是一种用来解有初始条件或边界条件的非齐次微分方程的函数。近场三维格林函数，即来解决近场三维成像公式而采用非齐次微分方程函数。其中，近场三维格林函数由计算得到，其中|·|表示绝对值运算符号，(x,y,z)为三维图像像素点，/>为对应数据块/>的天线相位中心位置，/>为q＝qu的对应的数据块范围，其中/>为第u个数据块对应的水平向采样点、/>为第u个数据块对应的垂直向采样点，kl为波数。本文中，采用了优化的近场三维格林函数。近场三维格林函数详见文献“C.Hu,N.Li,W.Chen and S.Guo,“A Near-Field to Far-FieldRCS Measurement Method for Multiple-Scattering Target,”IEEE Transactions onInstrumentation and Measurement,vol.68,no.10,pp.3733-3739,Oct.2019.”。
定义11：标准平面元加权算子
标准平面元加权算子，适用于平面阵。本文应用于NF-FF补偿，本文中标准平面元加权算子记为d(y,z)，其满足公式d(y,z)＝±|rx′yz|-(y2+z2)/2R0。其中±|·|表示加减绝对值运算符号，r′xyz为三维图像像素点，y为观测场景的y轴坐标，z为观测场景的z轴坐标，R0为观测点到场景中心的距离。标准平面元加权算子详见文献“C.J.Bradley et al.,“Evaluation of a Near-Field Monostatic-to-Bistatic Equivalence Theorem,”IEEETransactions on Geoscience and Remote Sensing,vol.46,no.2,pp.449-457,Feb.2008.”。
定义12：平均绝对偏差(MAD)评估精度方法
平均绝对偏差(MAD)，用于评估RCS外推精度。即RCS外推结果的绝对偏差的平均值，其比例表达式为MAD＝∑|xi-m(x)|/n。其中，xi表示i个RCS外推结果；m(x)表示RCS外推结果的平均值，n表示RCS外推结果的数据总量。本文中，平均绝对偏差越小代表算法精度越高。平均绝对偏差(MAD)评估精度方法详见文献“李航.统计学习方法[M].北京:清华大学出版社,2012.”。
定义13：标准偏差(STD)评估精度方法
标准偏差(STD)，用于评估RCS外推精度。即RCS外推结果的标准偏差的平均值，其比例表达式为MAD＝∑|xi-m(x)|2/n。其中，xi表示i个RCS外推结果；m(x)表示RCS外推结果的平均值，n表示RCS外推结果的数据总量。本文中，标准偏差越小代表算法精度越高。标准偏差(STD)评估精度方法详见文献“李航.统计学习方法[M].北京:清华大学出版社,2012.”。
本发明提供了一种基于近场三维成像的雷达散射截面积精确外推方法，它包括以下几个步骤：
步骤1、初始化雷达系统及观测场景参数：
初始化，即初始化相关参数：
初始化标称观测点，记为其中ρ为远场观测半径，/>为观测角度，/>为从观测点到场景中心的方向矢量；初始化第一个超参数，记为q；初始化第二个超参数，记为S；初始化三维图像像素点，记为(x,y,z)，其中x表示观测场景的x轴计数，y表示观测场景的y轴计数，z表示观测场景的z轴计数；初始化二维阵列元素，记为(M,N)；初始化二维阵列尺寸，记为DM×DN；初始化二维阵列采样间隔，记为d；初始化任意阵列元素有关的距离，记为rmn；初始化频率，记为fl；初始化距离分辨率，记为dr；初始化参考距离，记为R0；初始化距离历史，记为R(0)＝[R1,R2,...,Rss,...,RS],ss＝1,2,...,S，其中R1表示第1个散射体的相对距离，R2表示第2个散射体的相对距离，Rss表示第ss个散射体的相对距离，RS表示第S个散射体的相对距离；初始化光速，记为c；初始化波数，记为kl；初始化波长，记为λl；初始化物体的最大尺寸，记为D。
步骤2：基于初始化相关参数构造测量矩阵：
基于初始化相关参数，构造如下的测量矩阵，记为Θ，Θ的结构如下：
其中，φlmn为随雷达视线变化的相位，其中l为距离向采样点，m为水平向采样点，n为垂直向采样点，k1为第一个采样点的波数，k2为第二个采样点的波数，kL为第L个采样点的波数，R1为第一个散射体的相对距离，R2为第二个散射体的相对距离，Rp为第p个散射体的相对距离。
步骤3、采用标准的贝叶斯学习方法对数据块进行基于块的学习处理：
步骤3.1、根据定义3，采用标准的贝叶斯学习方法处理得到初始数据块Y及初始数据块计数U0；根据定义4，采用贝叶斯信息准则方法计算得到当前决策总数LU0；
步骤3.2、采用公式计算得到第一次决策，记为q，其中表示在对q遍历条件下求最小值运算符号，BIC(·)表示定义4中的贝叶斯信息准则运算符号，q为步骤1初始化得到的第一个超参数，S为步骤1初始化得到的第二个超参数，LU0为定义4中的计算得到的当前决策总数；
步骤3.3、遍历并更新数据块Y，具体步骤是：
对于第一个数据块，采用公式计算得到对应第一个数据块的第一次决策，记为/> 为q＝q1对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第二个数据块，采用公式计算得到对应第二个数据块的第一次决策，记为/> 为q＝q2对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第u个数据块，采用公式计算得到对应第u个数据块的第一次决策，记为/> 为q＝qu对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第U个数据块，采用公式计算得到对应第一个数据块的第一次决策，记为/> 为q＝qU对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
由此得到遍历后的所有数据块的第一次决策集合，记为
步骤3.4、采用公式计算得到第二次决策，记为S，其中/>表示在对S遍历条件下求最小值运算符号，BIC(·)表示定义4中的贝叶斯信息准则运算符号，/>为步骤3.3得到的第u个数据块的第一次决策，S为步骤1初始化得到的第二个超参数，LU0为定义4中的计算得到的当前决策总数；
步骤3.5、根据定义3，采用标准的贝叶斯学习方法，对步骤3.4得到的第二次决策S进行处理，得到雷达剖面，记为其中Xu＝[σu(R1),σu(R2),...,σu(Rss),...,σu(RS)]T,u＝1,2,...,U,ss＝1,2,...,S，其中上标T表示矩阵转置运算符号，σu(R1)表示第u个数据块的相对距离R1对应的散射系数，σu(R2)表示第u个数据块的相对距离R2对应的散射系数，σu(Rss)表示第u个数据块的相对距离Rss对应的散射系数，σu(RS)表示第u个数据块的相对距离RS对应的散射系数，S为步骤3.4得到的第二次决策，R1为步骤1初始化得到的第一个散射体的相对距离，R2为步骤1初始化得到的第二个散射体的相对距离，Rss为步骤1初始化得到的第ss个散射体的相对距离，RS为步骤1初始化得到的第S个散射体的相对距离。
步骤4、采用近场三维格林函数对雷达剖面进行三维成像处理：
根据定义10，对步骤3.5得到的雷达剖面采用公式/>计算得到近场三维成像结果，记为/>其中表示在优先顺序依次为n，m，u条件下的三重求和运算符号，|·|表示绝对值运算符号，/>为步骤3.5得到的优化的雷达剖面，/>为定义10中的近场三维格林函数，其中kl为步骤1初始化得到的波数，/>为第u个数据块对应的天线相位中心位置，/>为第u个数据块对应的数据块范围，其中/>为第u个数据块对应的水平向采样点、/>为第u个数据块对应的垂直向采样点，(x,y,z)为步骤1初始化得到的三维图像像素点，其中x表示观测场景的x轴计数，y表示观测场景的y轴计数，z表示观测场景的z轴计数，RS为步骤1初始化得到的第S个散射体的相对距离。
步骤5、采用标准平面元加权算子实现NF-FF补偿：
步骤5.1、遍历三维图像空间，采用公式实施加权运算，得到加权算子，记为o″,其中∫∫(·)dS′表示第一型曲面积分运算符号，其中cos(·)表示余弦运算符号，|·|表示绝对值运算符号，dy为观测场景的y轴坐标微元，dz为观测场景的z轴坐标微元，/>为观测角度，∫(·)dx表示不定积分运算符号，dx为观测场景的x轴坐标微元，e表示以自然数e为底数的指数运算符号，x为观测场景的x轴坐标，/>为步骤4中得到的一组近场三维成像结果，kl为步骤1初始化得到的波数，d(y,z)为定义11中的标准平面元加权算子；
步骤5.2、采用公式计算加权远场格林函数算子，得到远场外推结果，记为/>其中e表示以自然数e为底数的指数运算，kl为步骤1初始化得到的波数，ρ为步骤1初始化得到的远场观测半径，/>为步骤1初始化得到的观测角度，o″为步骤4.1得到的加权算子；
步骤5.3、采用公式计算近场RCS外推结果，记为/>其中/>表示在步骤1中远场观测半径ρ趋于无穷条件下的极限值运算符号，/>为步骤1初始化得到的观测角度，|·|表示绝对值运算符号，lg(·)表示底数为10的对数运算符号，为步骤5.2中得到的远场加权格林函数算子。
在得到的近场RCS外推结果后，完成了本发明合成孔径雷达雷达散射截面积测量。
步骤6、对于合成孔径雷达雷达散射截面积测量结果进行误差评估：
步骤6.1：平均绝对偏差：
以步骤5.3中得到的近场RCS外推结果作为输入，采用定义12中的平均绝对偏差评估精度方法，得到RCS外推结果的绝对偏差的平均值。
步骤6.2：角度估计精度误差：
以步骤5.3中得到的近场RCS外推结果作为输入，采用定义13中的标准偏差评估精度方法，求得RCS外推结果标准偏差的平均值，从而实现方法的精度评估。
至此，整个方法流程结束。
本发明的创新点在于结合了贝叶斯学习算法和NF-FF补偿方法，实现了在初步的RCS外推结果上实现RCS精准外推。该方法不同于现有RCS外推的方法，其采用了自适应参数优化贝叶斯学习得到了初步的三维成像，为确保RCS外推的高精度和稳定性，进一步应将基于贝叶斯学习三维成像模型与NF-FF补偿算子相结合。该方法的计算负担增加在可控范围内，其RCS外推结果的平均绝对偏差(MAD)和标准偏差(STD)较其他成像方法低，这表明该成像方法在RCS外推精度上比其他成像方法有着显著提高。
本发明的优点在于能够一种基于近场三维成像的RCS精确外推算法，用来解决现有RCS外推技术不足的问题。同时其结合了贝叶斯学习算法和NF-FF补偿方法，进一步确保了RCS外推的高精度和稳定性。
附图说明
图1为本发明中的近场三维成像系统的几何模型
其中，m：水平向采样点；n：垂直向采样点；(m,n)：给定在水平和垂直维度上采样的天线阵元；O：原点；x：观测场景的x轴；y：观测场景的y轴；z：观测场景的z轴；p：散射点；DM：合成孔径的长度；DN：合成孔径的宽度；DM×DN：合成孔径尺寸；rmn：与任意阵列元素有关的距离；rp`：与任意散射体有关的距离。
图2为本发明中的一种基于近场三维成像的RCS精确外推算法的流程示意图
图3为本发明中的RCS外推算法同其他三个RCS外推方法的实验结果关于平均绝对偏差(MAD)、标准偏差(STD)、耗时、内存等的数值比较
图4为本发明中的涉及的仿真参数符号及其数值
具体实施方式
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在MATLABR2014b软件上验证正确。具体实施步骤如下：
步骤1、初始化雷达系统及观测场景参数：
初始化，即初始化相关参数：
初始化标称观测点，记为其中ρ→∞为远场观测半径，/>为观测角度，/>为从观测点到场景中心的方向矢量；初始化第一个超参数，记为q，q的初始范围赋值为(0,1]；初始化第二个超参数，记为S，S的初始范围赋值为[1,L]，其中L＝161为采样点总数；初始化三维图像像素点，记为(x,y,z)，其中x表示观测场景的x轴计数(x＝1,2,...101)，y表示观测场景的y轴计数(y＝1,2,...101)，z表示观测场景的z轴计数(z＝1,2,...101)；初始化二维阵列元素，记为(M,N)＝(61,61)；初始化二维阵列尺寸，记为DM×DN＝1m×1m；初始化二维阵列采样间隔，记为d＝1/60m；初始化任意阵列元素有关的距离，记为/>初始化光速，记为c＝3×108m/s；初始化频率，记为fl＝9.5+0.00625×(l-1)GHz∈[9.5GHz，10.5GHz]，l＝1,2,...,L，其中L＝161为采样点总数；初始化距离分辨率，记为dr＝0.15m；初始化参考距离，记为R0＝5m；初始化距离历史，记为R(0)＝[R1,R2,...,Rss,...,RS],ss＝1,2,...,S，其中R1＝dr·1+R0＝5.15m表示第1个散射体的相对距离，R2＝dr·2+R0＝5.3m表示第2个散射体的相对距离，Rss＝dr·ss+R0＝0.15·ss+5m表示第ss个散射体的相对距离，RS＝dr·S+R0＝0.15·S+5m表示第S个散射体的相对距离；初始化波数，记为 其中L＝161为采样点总数；初始化波长，记为λl＝kl -1∈[0.0286m,0.0316m],l＝1,2,...,L，其中L＝161为采样点总数；初始化物体的最大尺寸，记为D＝1m。
步骤2：基于初始化相关参数构造测量矩阵：
基于初始化相关参数，构造如下的测量矩阵，记为Θ，Θ的结构如下：
其中，φlmn为随雷达视线变化的相位，其中l＝1,2,...,L为距离向采样点，m＝1,2,...,M为水平向采样点，n＝1,2,...,N为垂直向采样点，k1＝f1/c＝31.67m-1为第一个采样点的波数，k2＝f2/c＝31.69m-1为第二个采样点的波数，kL＝fL/c＝35m-1为第L个采样点的波数，R1＝dr·1+R0＝5.15m为第一个散射体的相对距离，R2＝dr·2+R0＝5.3m为第二个散射体的相对距离，Rp＝dr·p+R0＝0.15·p+5m为第p个散射体的相对距离。
步骤3、采用标准的贝叶斯学习方法对数据块进行基于块的学习处理：
步骤3.1、根据定义3，采用标准的贝叶斯学习方法处理得到初始数据块Y及初始数据块计数U0；根据定义4，采用贝叶斯信息准则方法计算得到当前决策总数LU0；
步骤3.2、采用公式计算得到第一次决策，记为q，其中表示在对q遍历条件下求最小值运算符号，BIC(·)表示定义4中的贝叶斯信息准则运算符号，q为步骤1初始化得到的第一个超参数，S为步骤1初始化得到的第二个超参数，LU0为定义4中的计算得到的当前决策总数；
步骤3.3、遍历并更新数据块Y，具体步骤是：
对于第一个数据块，采用公式计算得到对应第一个数据块的第一次决策，记为/> 为q＝q1对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第二个数据块，采用公式计算得到对应第二个数据块的第一次决策，记为/> 为q＝q2对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第u个数据块，采用公式计算得到对应第u个数据块的第一次决策，记为/> 为q＝qu对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第U个数据块，采用公式计算得到对应第一个数据块的第一次决策，记为/> 为q＝qU对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
由此得到遍历后的所有数据块的第一次决策集合，记为
步骤3.4、采用公式计算得到第二次决策，记为S，其中/>表示在对S遍历条件下求最小值运算符号，BIC(·)表示定义4中的贝叶斯信息准则运算符号，/>为步骤3.3得到的第u个数据块的第一次决策，S为步骤1初始化得到的第二个超参数，LU0为定义4中的计算得到的当前决策总数；
步骤3.5、根据定义3，采用标准的贝叶斯学习方法，对步骤3.4得到的第二次决策S进行处理，得到雷达剖面，记为其中Xu＝[σu(R1),σu(R2),...,σu(Rss),...,σu(RS)]T,u＝1,2,...,U,ss＝1,2,...,S，其中上标T表示矩阵转置运算符号，σu(R1)表示第u个数据块的相对距离R1＝dr·1+R0＝5.15m对应的散射系数，σu(R2)表示第u个数据块的相对距离R2＝dr·2+R0＝5.3m对应的散射系数，σu(Rss)表示第u个数据块的相对距离Rss＝dr·ss+R0＝0.15·ss+5m对应的散射系数，σu(RS)表示第u个数据块的相对距离RS＝dr·S+R0＝0.15·S+5m对应的散射系数，S为步骤3.4得到的第二次决策，R1＝dr·1+R0＝5.15m为步骤1初始化得到的第一个散射体的相对距离，R2＝dr·2+R0＝5.3m为步骤1初始化得到的第二个散射体的相对距离，Rss＝dr·ss+R0＝0.15·ss+5m为步骤1初始化得到的第ss个散射体的相对距离，RS＝dr·S+R0＝0.15·S+5m为步骤1初始化得到的第S个散射体的相对距离。
步骤4、采用近场三维格林函数对雷达剖面进行三维成像处理：
根据定义10，对步骤3.5得到的雷达剖面采用公式/>计算得到近场三维成像结果，记为/>其中表示在优先顺序依次为n，m，u条件下的三重求和运算符号，|·|表示绝对值运算符号，/>为步骤3.5得到的优化的雷达剖面，/>为定义10中的近场三维格林函数，其中kl为步骤1初始化得到的波数，kl＝fl/c∈[31.67m-1,35m-1],l＝1,2,...,L，其中L＝161为采样点总数，/>为第u个数据块对应的天线相位中心位置，/>为第u个数据块对应的数据块范围，其中/>为第u个数据块对应的水平向采样点、/>为第u个数据块对应的垂直向采样点，(x,y,z)为步骤1初始化得到的三维图像像素点，其中x表示观测场景的x轴计数(x＝1,2,...101)，y表示观测场景的y轴计数(y＝1,2,...101)，z表示观测场景的z轴计数(z＝1,2,...101)，RS＝dr·S+R0＝0.15·S+5m为步骤1初始化得到的第S个散射体的相对距离。步骤5、采用标准平面元加权算子实现NF-FF补偿：
步骤5.1、遍历三维图像空间，采用公式实施加权运算，得到加权算子，记为o″,其中∫∫(·)dS′表示第一型曲面积分运算符号，其中cos(·)表示余弦运算符号，|·|表示绝对值运算符号，dy为观测场景的y轴坐标微元，dz为观测场景的z轴坐标微元，/>为观测角度，∫(·)dx表示不定积分运算符号，dx为观测场景的x轴坐标微元，e||表示以自然数e为底数的指数运算符号，x为观测场景的x轴坐标，/>为步骤4中得到的一组近场三维成像结果，kl为步骤1初始化得到的波数，kl＝fl/c∈[31.67m-1,35m-1],l＝1,2,...,L，其中L＝161为采样点总数，d(y,z)为定义11中的标准平面元加权算子；
步骤5.2、采用公式计算加权远场格林函数算子，得到远场外推结果，记为/>其中e||表示以自然数e为底数的指数运算，kl为步骤1初始化得到的波数，kl＝fl/c∈[31.67m-1,35m-1],l＝1,2,...,L，其中L＝161为采样点总数，ρ为步骤1初始化得到的远场观测半径，/>为步骤1初始化得到的观测角度，o″为步骤4.1得到的加权算子；
步骤5.3、采用公式计算近场RCS外推结果，记为/>其中/>表示在步骤1中远场观测半径ρ趋于无穷条件下的极限值运算符号，/>为步骤1初始化得到的观测角度，|·|表示绝对值运算符号，lg(·)表示底数为10的对数运算符号，/>为步骤5.2中得到的远场加权格林函数算子。
在得到的近场RCS外推结果后，完成了本发明合成孔径雷达雷达散射截面积测量。
步骤6、对于合成孔径雷达雷达散射截面积测量结果进行误差评估：
步骤6.1：平均绝对偏差：
以步骤5.3中得到的近场RCS外推结果作为输入，采用定义12中的平均绝对偏差评估精度方法，得到RCS外推结果的绝对偏差的平均值。/>
步骤6.2：角度估计精度误差：
以步骤5.3中得到的近场RCS外推结果作为输入，采用定义13中的标准偏差评估精度方法，求得RCS外推结果标准偏差的平均值，从而实现方法的精度评估。
至此，整个方法流程结束。
如图3所示，本发明的RCS外推结果的平均绝对偏差(MAD)和标准偏差(STD)较其他成像方法低，这表明该成像方法在RCS外推精度上比其他成像方法有着显著提高。因此，本发明实现了稳定的SAR图像中RCS精准外推，同时本方法的模型的计算负担增加在可控范围内，便于今后的模型拓展与迁移。
Claims (1)
1.一种基于近场三维成像的雷达散射截面积精确外推方法，其特征是它包括以下几个步骤：
步骤1、初始化雷达系统及观测场景参数：
初始化，即初始化相关参数：初始化标称观测点，记为其中ρ为远场观测半径，/>为观测角度，/>为从观测点到场景中心的方向矢量；初始化第一个超参数，记为q；初始化第二个超参数，记为S；初始化三维图像像素点，记为(x,y,z)，其中x表示观测场景的x轴计数，y表示观测场景的y轴计数，z表示观测场景的z轴计数；初始化二维阵列元素，记为(M,N)；初始化二维阵列尺寸，记为DM×DN；初始化二维阵列采样间隔，记为d；初始化任意阵列元素有关的距离，记为rmn；初始化频率，记为fl；初始化距离分辨率，记为dr；初始化参考距离，记为R0；初始化距离历史，记为R(0)＝[R1,R2,...,Rss,...,RS],ss＝1,2,...,S，其中R1表示第1个散射体的相对距离，R2表示第2个散射体的相对距离，Rss表示第ss个散射体的相对距离，RS表示第S个散射体的相对距离；初始化光速，记为c；初始化波数，记为kl；初始化波长，记为λl；初始化物体的最大尺寸，记为D；
步骤2：基于初始化相关参数构造测量矩阵：
基于初始化相关参数，构造如下的测量矩阵，记为Θ，Θ的结构如下：
其中，φlmn为随雷达视线变化的相位，其中l为距离向采样点，m为水平向采样点，n为垂直向采样点，k1为第一个采样点的波数，k2为第二个采样点的波数，kL为第L个采样点的波数，R1为第一个散射体的相对距离，R2为第二个散射体的相对距离，Rp为第p个散射体的相对距离；
步骤3、采用标准的贝叶斯学习方法对数据块进行基于块的学习处理：
步骤3.1、采用标准的贝叶斯学习方法处理得到初始数据块Y及初始数据块计数U0；采用标准的贝叶斯信息准则方法计算得到当前决策总数LU0；
步骤3.2、采用公式计算得到第一次决策，记为q，其中/>表示在对q遍历条件下求最小值运算符号，BIC(·)表示贝叶斯信息准则运算符号，q为步骤1初始化得到的第一个超参数，S为步骤1初始化得到的第二个超参数，LU0为计算得到的当前决策总数；
步骤3.3、遍历并更新数据块Y，具体步骤是：
对于第一个数据块，采用公式计算得到对应第一个数据块的第一次决策，记为/>为q＝q1对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第二个数据块，采用公式计算得到对应第二个数据块的第一次决策，记为/>为q＝q2对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第u个数据块，采用公式计算得到对应第u个数据块的第一次决策，记为/>为q＝qu对应的数据块范围，其中mu为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
对于第U个数据块，采用公式计算得到对应第一个数据块的第一次决策，记为/>为q＝qU对应的数据块范围，其中/>为当前数据块对应的水平向采样点、/>为当前数据块对应的垂直向采样点；
由此得到遍历后的所有数据块的第一次决策集合，记为
步骤3.4、采用公式计算得到第二次决策，记为S，其中/>表示在对S遍历条件下求最小值运算符号，BIC(·)表示贝叶斯信息准则运算符号，/>为步骤3.3得到的第u个数据块的第一次决策，S为步骤1初始化得到的第二个超参数，LU0为计算得到的当前决策总数；
步骤3.5、采用标准的贝叶斯学习方法，对步骤3.4得到的第二次决策S进行处理，得到雷达剖面，记为其中Xu＝[σu(R1),σu(R2),...,σu(Rss),...,σu(RS)]T,u＝1,2,...,U,ss＝1,2,...,S，其中上标T表示矩阵转置运算符号，σu(R1)表示第u个数据块的相对距离R1对应的散射系数，σu(R2)表示第u个数据块的相对距离R2对应的散射系数，σu(Rss)表示第u个数据块的相对距离Rss对应的散射系数，σu(RS)表示第u个数据块的相对距离RS对应的散射系数，S为步骤3.4得到的第二次决策，R1为步骤1初始化得到的第一个散射体的相对距离，R2为步骤1初始化得到的第二个散射体的相对距离，Rss为步骤1初始化得到的第ss个散射体的相对距离，RS为步骤1初始化得到的第S个散射体的相对距离；
步骤4、采用近场三维格林函数对雷达剖面进行三维成像处理：
对步骤3.5得到的雷达剖面采用公式计算得到近场三维成像结果，记为/>其中/>表示在优先顺序依次为n，m，u条件下的三重求和运算符号，|·|表示绝对值运算符号，/>为步骤3.5得到的优化的雷达剖面，/>为近场三维格林函数，其中kl为步骤1初始化得到的波数，/>为第u个数据块对应的天线相位中心位置，/>为第u个数据块对应的数据块范围，其中/>为第u个数据块对应的水平向采样点、/>为第u个数据块对应的垂直向采样点，(x,y,z)为步骤1初始化得到的三维图像像素点，其中x表示观测场景的x轴计数，y表示观测场景的y轴计数，z表示观测场景的z轴计数，RS为步骤1初始化得到的第S个散射体的相对距离；
步骤5、采用标准平面元加权算子实现NF-FF补偿：
步骤5.1、遍历三维图像空间，采用公式实施加权运算，得到加权算子，记为o″,其中∫∫(·)dS′表示第一型曲面积分运算符号，其中cos(·)表示余弦运算符号，|·|表示绝对值运算符号，dy为观测场景的y轴坐标微元，dz为观测场景的z轴坐标微元，/>为观测角度，∫(·)dx表示不定积分运算符号，dx为观测场景的x轴坐标微元，e||表示以自然数e为底数的指数运算符号，x为观测场景的x轴坐标，/>为步骤4中得到的一组近场三维成像结果，kl为步骤1初始化得到的波数，d(y,z)为标准平面元加权算子；
步骤5.2、采用公式计算加权远场格林函数算子，得到远场外推结果，记为/>其中e||表示以自然数e为底数的指数运算，kl为步骤1初始化得到的波数，ρ为步骤1初始化得到的远场观测半径，/>为步骤1初始化得到的观测角度，o″为步骤4.1得到的加权算子；
步骤5.3、采用公式计算近场RCS外推结果，记为/>其中表示在步骤1中远场观测半径ρ趋于无穷条件下的极限值运算符号，/>为步骤1初始化得到的观测角度，|·|表示绝对值运算符号，lg(·)表示底数为10的对数运算符号，/>为步骤5.2中得到的远场加权格林函数算子；
在得到的近场RCS外推结果后，完成了合成孔径雷达雷达散射截面积测量；
步骤6、对于合成孔径雷达雷达散射截面积测量结果进行误差评估：
步骤6.1：平均绝对偏差：
以步骤5.3中得到的近场RCS外推结果作为输入，采用平均绝对偏差评估精度方法，得到RCS外推结果的绝对偏差的平均值；
步骤6.2：角度估计精度误差：
以步骤5.3中得到的近场RCS外推结果作为输入，采用标准偏差评估精度方法，求得RCS外推结果标准偏差的平均值，从而实现方法的精度评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111149048.5A CN113866766B (zh) | 2021-09-29 | 2021-09-29 | 一种基于近场三维成像的雷达散射截面积精确外推方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111149048.5A CN113866766B (zh) | 2021-09-29 | 2021-09-29 | 一种基于近场三维成像的雷达散射截面积精确外推方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113866766A CN113866766A (zh) | 2021-12-31 |
| CN113866766B true CN113866766B (zh) | 2024-03-22 |
Family
ID=78992430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111149048.5A Active CN113866766B (zh) | 2021-09-29 | 2021-09-29 | 一种基于近场三维成像的雷达散射截面积精确外推方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113866766B (zh) |
Citations (10)
| 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 |
| CN103713288A (zh) * | 2013-12-31 | 2014-04-09 | 电子科技大学 | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 |
| CN103983972A (zh) * | 2014-05-06 | 2014-08-13 | 电子科技大学 | 一种快速压缩传感三维sar稀疏成像方法 |
| CN105842687A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 基于rcs预测信息的检测跟踪一体化方法 |
| CN107831475A (zh) * | 2017-11-06 | 2018-03-23 | 电子科技大学 | 一种基于阴影特征的合成孔径雷达欺骗式干扰方法 |
| CN109932719A (zh) * | 2019-03-18 | 2019-06-25 | 西安电子科技大学 | 基于sar成像的rcs高精度测量方法 |
| CN110082761A (zh) * | 2019-05-31 | 2019-08-02 | 电子科技大学 | 分布式外辐射源雷达成像方法 |
| CN110596706A (zh) * | 2019-09-16 | 2019-12-20 | 电子科技大学 | 一种基于三维图像域投射变换的雷达散射截面积外推方法 |
| CN110852019A (zh) * | 2019-11-28 | 2020-02-28 | 上海无线电设备研究所 | 一种雷达目标的散射中心建模方法 |
| CN112230221A (zh) * | 2020-09-24 | 2021-01-15 | 电子科技大学 | 一种基于三维稀疏成像的rcs测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11125869B2 (en) * | 2018-10-16 | 2021-09-21 | Infineon Technologies Ag | Estimating angle of human target using mmWave radar |
-
2021
- 2021-09-29 CN CN202111149048.5A patent/CN113866766B/zh active Active
Patent Citations (10)
| 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 |
| CN103713288A (zh) * | 2013-12-31 | 2014-04-09 | 电子科技大学 | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 |
| CN103983972A (zh) * | 2014-05-06 | 2014-08-13 | 电子科技大学 | 一种快速压缩传感三维sar稀疏成像方法 |
| CN105842687A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 基于rcs预测信息的检测跟踪一体化方法 |
| CN107831475A (zh) * | 2017-11-06 | 2018-03-23 | 电子科技大学 | 一种基于阴影特征的合成孔径雷达欺骗式干扰方法 |
| CN109932719A (zh) * | 2019-03-18 | 2019-06-25 | 西安电子科技大学 | 基于sar成像的rcs高精度测量方法 |
| CN110082761A (zh) * | 2019-05-31 | 2019-08-02 | 电子科技大学 | 分布式外辐射源雷达成像方法 |
| CN110596706A (zh) * | 2019-09-16 | 2019-12-20 | 电子科技大学 | 一种基于三维图像域投射变换的雷达散射截面积外推方法 |
| CN110852019A (zh) * | 2019-11-28 | 2020-02-28 | 上海无线电设备研究所 | 一种雷达目标的散射中心建模方法 |
| CN112230221A (zh) * | 2020-09-24 | 2021-01-15 | 电子科技大学 | 一种基于三维稀疏成像的rcs测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于三维SAR成像的RCS近远场变换方法研究";张晓玲 等;《电子与信息学报》;第37卷(第2期);第297-302页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113866766A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiu et al. | Jointly using low-rank and sparsity priors for sparse inverse synthetic aperture radar imaging | |
| US8193967B2 (en) | Method and system for forming very low noise imagery using pixel classification | |
| US8665132B2 (en) | System and method for iterative fourier side lobe reduction | |
| Zhang et al. | Fast inverse-scattering reconstruction for airborne high-squint radar imagery based on Doppler centroid compensation | |
| CN108872985B (zh) | 一种近场圆周sar快速三维成像方法 | |
| US20150061926A1 (en) | Target detection utilizing image array comparison | |
| Sakamoto et al. | Fast imaging method for security systems using ultrawideband radar | |
| Armanious et al. | An adversarial super-resolution remedy for radar design trade-offs | |
| CN114415140A (zh) | 基于近场平面扫描三维波数域成像的目标rcs测量方法 | |
| CN110596706B (zh) | 一种基于三维图像域投射变换的雷达散射截面积外推方法 | |
| CN107607945B (zh) | 一种基于空间嵌入映射的扫描雷达前视成像方法 | |
| Huo et al. | Balanced tikhonov and total variation deconvolution approach for radar forward-looking super-resolution imaging | |
| Bi et al. | Efficient 2-D synthetic aperture radar image reconstruction from compressed sampling using a parallel operator splitting structure | |
| Agarwal et al. | A novel neural network based image reconstruction model with scale and rotation invariance for target identification and classification for Active millimetre wave imaging | |
| CN113608218B (zh) | 一种基于后向投影原理的频域干涉相位稀疏重构方法 | |
| Barzegar et al. | 3-D through-the-wall radar imaging using compressed sensing | |
| Wei et al. | Learning-based split unfolding framework for 3-D mmW radar sparse imaging | |
| Takahashi et al. | Microwave subsurface imaging method by incorporating radar and tomographic approaches | |
| Rigling et al. | GTD-based scattering models for bistatic SAR | |
| CN113866766B (zh) | 一种基于近场三维成像的雷达散射截面积精确外推方法 | |
| Zhang et al. | Application of support vector machines for estimating wall parameters in through-wall radar imaging | |
| CN112230221A (zh) | 一种基于三维稀疏成像的rcs测量方法 | |
| CN114488152B (zh) | 基于后向投影的高效近场大小尺寸目标isar成像方法 | |
| Minvielle et al. | Indoor 3-D radar imaging for low-RCS analysis | |
| Wielgo et al. | Convolutional neural network for 3D ISAR non-cooperative target recognition |
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 |