基于胶囊神经网络的合成孔径雷达图像分类方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像的目标分类,传统的卷积神经网络(convolutional neural network,CNN)需要大量的数据样本进行训练,无法在小样本条件下进行,其应用受到限制。提出将胶囊神经网络(capsule network,Capsnet)算法用于SAR雷达图像的分类,针对小样本SAR数据集对Capsnet结构进行轻量化设计,并在MSTAR数据集上验证了该算法的有效性。结果表明,与CNN相比,基于Capsnet的SAR目标分类抗过拟合性强,泛化效果较好,具有更高的准确性,能够很好地实现SAR图像样本的分类。     

基于消卷积的三维成像雷达散射截面测量技术

基于三维成像雷达散射截面积(RCS, Radar cross section)测量技术是近年新兴的一种灵活、高效的RCS测量技术。该技术基于三维线阵合成孔径雷达(SAR, Synthetic aperture radar)测量系统对目标进行近场三维高分辨成像,通过近远场变换算法,得到目标的远场RCS,具备近场、外场测量能力。基于成像的RCS测量,其成像精度就直接影响着RCS的测量精度,因此,为了得到高质量的RCS结果,就需要得到高分辨的图像。本文采用压缩感知三维成像算法对目标进行成像,有效提高了RCS的反演精度,并分析了改进CLEAN算法的抑制旁瓣原理,得出两种方法都是基于消卷积原理对旁瓣进行抑制。用MATLAB和FEKO测量仿真,结果表明压缩感知算法提取散射中心效果更好,且提高了RCS的反演精度。     

频率扫描阵列的ISAR成像技术

逆合成孔径雷达（ISAR）需要发射宽带信号,在与频率扫描阵列联合应用时,由于频率扫描阵列各阵元间馈线产生的相位差不能匹配发射或者接收信号频率的变化,因此该阵列在进行ISAR成像时对信号瞬时带宽有较大的约束。针对上述问题,论文将频率分集成像技术应用在频率扫描阵列上,通过不同时刻发射不同频率单频信号合成宽带,并且频率变化适用于频率扫描阵列的波束指向调节。该方法既能形成波束指向目标,又可以克服频率扫描阵列发射宽带信号时的限制,完成ISAR二维成像。在建立该方法的基础上,还针对阵列参数与目标航迹参数等对成像的影响进行了分析。结果表明,所提的频率分集ISAR成像技术,可在频率扫描阵列上实现对运动目标的二维成像。     

基于调度效益最大化的多功能组网认知雷达资源优化调度算法

在组网认知雷达中,针对多目标多任务(如搜索、跟踪与成像等)按优先级进行资源调度时易造成目标任务丢失的问题,提出基于调度效益最大化的多功能组网认知雷达资源优化调度算法。该算法将搜索与跟踪任务的时间窗考虑到目标函数中,通过目标任务的重要性(优先级)和有效性(时间窗)两个因素的加权来表示雷达对目标任务的调度效益,根据调度效益最大准则建立并利用遗传算法求解资源调度模型。对仿真结果分析表明,该方法能够提高组网认知雷达的整体效能。     

基于Spark的合成孔径雷达压缩感知分布式成像

压缩感知(Compressive Sensing,CS)方法在合成孔径雷达(Synthetic Aperture Radar,SAR)成像中应用广泛,但其存在计算时间长和计算能力扩展性不足等问题。为了解决上述问题,本文提出了一种基于Apache Spark的SAR压缩感知成像分布式成像方法。该方法首先将压缩后的数据沿方位角方向按每一行划分为行向量,然后通过Spark分布式计算平台进行距离向分布式并行重构;将距离向成像的结果矩阵按每一列划分成列向量,再通过Spark分布式计算平台进行方位向分布式并行重构,完成SAR压缩感知成像。此方法利用Spark基于内存的分布式并行计算优势,实现了计算速度是SAR压缩感知的1.9倍,是MapReduce的SAR压缩感知(MR-CS)方法的1.4倍,可见本文方法能够实现SAR压缩感知成像的加速。     

基于改进型CLEAN算法三维成像的雷达散射截面积反演

基于三维成像的雷达散射截面积(radar cross section,RCS)测量可以获得目标散射系数的三维空间分布,与一维和二维RCS测量相比,它具有更好的空间分辨能力.但是,在基于成像的RCS测量中,散射中心的提取至关重要,它在很大程度上决定着RCS的反演精度.采用CLEAN算法完成对目标散射中心的提取,有效抑制了图像的三维旁瓣,并针对CLEAN算法存在估计误差的迭代累加效应,设计了一种可以更新估计的改进的相干CLEAN算法,进一步提高了RCS的反演精度.用MATLAB和FEKO测量仿真,结果表明改进型CLEAN算法能更有效地提取散射中心,且提高了RCS的反演精度.     

基于频率分集逆合成孔径雷达的多重信号分类目标成像算法

将频率分集的思想应用在逆合成孔径雷达(inverse synthetic aperture radar,ISAR)成像中,通过单频信号合成宽带信号,可解决系统发射接收宽带信号复杂的问题.但窄带的合成可视为宽带信号的稀疏采样,由此带来了旁瓣提高等难点.提出一种基于频率分集ISAR体制的多重信号分类(multiple signal classification,MUSIC)目标成像算法,该算法将合成阵列接收的回波信号协方差矩阵进行特征值分解,得到信号子空间与噪声子空间,然后根据二者的正交性构建谱函数对目标位置进行估计,得到目标的超分辨二维像.将MUSIC算法与后向投影(back projection,BP)算法做了对比,仿真结果表明:在有较强噪声环境下,前者仍能有较好的成像效果,证明本文方法的应用可有效解决频率稀疏带来的高旁瓣问题.     

基于MapReduce的合成孔径雷达后向投影快速成像方法

针对雷达大场景高分辨率高精度快速成像的应用需求,提出一种基于MapReduce的合成孔径雷达后向投影快速成像方法,将方位向成像任务划分成若干个成像单元,进行分布式并行化方位向成像计算,最后将所有成像单元的计算结果进行相参累加。该方法对每个脉冲数据标上天线阵元的位置信息,使得各个脉冲数据可以并行补偿相位;采用相等脉冲数划分成一个数据块的方式提高计算效率和实现负载均衡;设置Combiner函数对成像单元内的计算结果进行提前聚合,解决后期聚合时间较长的问题。实验验证了该方法的有效性,在保证成像准确的前提下,该方法的方位向成像在4台物理计算机搭建的分布式计算平台中进行,其计算速度是单机计算的后向投影方位向成像方法的3.7倍,可见该方法可以实现合成孔径雷达大场景高分辨率高精度快速成像。     

ISAR成像系统的二维资源自适应调度算法

现有认知雷达成像系统的资源调度策略只从距离向(或波形设计)或者方位向一个维度进行资源调度,没有充分分配和利用雷达系统资源,为此提出了一种针对步进频率逆合成孔径雷达成像系统的二维资源自适应调度算法,来进一步提高雷达系统的工作效率。该算法在对目标特征认知的基础上,根据压缩感知原理,计算对目标二维稀疏观测所需脉冲资源,依据二维资源调度模型,自适应分配二维脉冲资源,实现对多目标的交替稀疏观测成像。最后通过仿真验证了算法的可行性并与常规算法相比在资源饱和的情况下,可以执行更多的成像任务。