一种基于最小熵准则的SAR图像自聚焦算法

研究了一种新颖的SAR图像自聚焦算法。该方法从复图像域出发 ,利用最小熵准则盲解卷积原理 ,通过多维搜索完成相位误差校正。同相位梯度自聚焦算法相比 ,最小熵算法无需在图像域分离出强点目标 ,因而特别适用于无任何明显特征的图像。仿真及实测数据处理结果证明了该方法的有效性     

一种舰船目标SAR回波的快速仿真方法

为满足合成孔径雷达(synthetic aperture radar,SAR)在海洋遥感的应用需求,提出一种舰船目标SAR成像的快速仿真方法。对成像场景中重点关注的目标进行精确电磁建模,并利用"四路径"模型计算目标与海面的复合散射回波,对海面背景采用散射面元法计算回波;将舰船复合散射回波与海面回波进行合成得到总的SAR回波,利用聚束SAR成像处理方法获得SAR图像。结果表明:该算法避免了对整个成像区域进行复杂的电磁仿真,能够有效降低对海面大场景的电磁计算效率。由于在目标区域采用高频电磁算法,保留了目标的电磁散射的精细结构,为精确模拟SAR回波提供了一种准确而高效的仿真算法。     

大斜视角SAR成像的改进频率变标算法

首先给出了一种改进的频率变标算法。该算法适用于处理距离解线调后的聚束式SAR数据。对大斜視角数据,由于二次距离压缩误差的影响,偏离参考距离的散射点未能完全聚焦,且离参考距离越远聚焦性能越差。将非线性变标的方法加入频率变标算法对数据进行二次距离压缩,有效地减小了距离压缩误差。最后通过仿真实验表明,对给定的SAR参数,在斜视角为定值时,也能得到较好的成像结果。     

星载聚束SAR成像的一种预处理算法

针对星载SAR的高分辨率聚束成像模式,分析了雷达系统参数和成像区域大小之间的联系,说明了常用的基于接收时dechirp解调的算法不再适用于大范围的星载聚束SAR成像处理,同时接收回波时进行dechirp解调的方式也将不再适用。给出一种数据预处理方法来处理系统所接收的不经过dechirp解调的回波数据,在系统PRF保持和接收时dechirp解调方式一致的情况下,常用的聚束SAR成像算法(PFA、RMA等)经过少量修正就可以直接应用于大范围的星载聚束SAR成像处理。     

基于微增量二维谱的OMEGA-K双基SAR成像算法

结合OMEGA-K算法和微增量双基二维谱算法实现双基合成孔径雷达成像。使用微增量算法获取斜距历程低阶泰勒展开驻相点,通过求解此驻相点与斜距历程高阶泰勒展开驻相点之间的微增量,来获取高阶展开驻相点的近似解,并以此为基础得到二维谱。应用角度不变假设,通过对此二维谱的数学分析和适当处理,使之可以应用于OMEGA-K算法中,实现双基聚焦成像,并对不变区域大小进行分析。仿真实验处理结果验证了所提算法的有效性和正确性。     

基于近似观测和最小熵约束的SAR稀疏自聚焦方法

当采样率较低以及重建散射点数量较多时, 基于两步优化的稀疏自聚焦方法收敛速度较慢且容易陷入误差较大的局部最优解, 导致自聚焦失败。针对此问题,提出了一种基于近似观测和最小熵约束的稀疏自聚焦方法。首先, 为解决测量矩阵规模大、内存占用高的问题, 构建了一种基于近似观测的稀疏自聚焦模型, 在聚焦图像的傅里叶变换域引入误差相位。然后, 在采用最大似然估计器估计误差相位时增加了最小熵约束, 同时采用相位梯度自聚焦法提供误差相位的初始解, 有效降低了迭代次数并使迭代结果更接近全局最优解。机载合成孔径雷达的实测数据成像结果表明, 与常规自聚焦方法相比, 所提方法具有更快的收敛速度和更稳定的自聚焦性能。     

包络相位联合自聚焦高分辨SAR运动补偿

提出了一种包络相位联合自聚焦运动补偿算法,解决了机载高分辨合成孔径雷达(synthetic aperture radar, SAR)成像过程中复杂的运动误差问题。该方法不但可以实现对高阶运动误差的估计,而且可以同时补偿包络和相位误差。通过对运动误差进行归一化多项式拟合建立关于运动误差多项式系数的最小熵优化方程,同时利用阻尼牛顿法对其进行求解,实现高效精确的多项式系数估计。另外,设计了交替联合自聚焦算法,以实现对较大运动误差的精确估计。最后,应用实测机载聚束SAR数据验证该方法的有效性和优越性。     

基于SPGA算法的低频超宽带 SAR运动补偿方法

对已经初步聚焦的低频超宽带(ultra wideband, UWB)合成孔径雷达(synthetic aperture radar, SAR)图像进行基于图像域的相位误差补偿,可进一步提高图像聚焦质量。依据UWB SAR运动误差模型,提出了基于条带式相位梯度自聚焦（strip phase gradient autofocus, SPGA）算法的相位误差补偿方法。该方法有效地补偿大合成孔径、宽测绘带低频UWB SAR图像中的二维空变相位误差。仿真和实测数据处理结果验证了所提方法的有效性。     

机载SAR数据的成像研究

对某型实测机载合成孔径雷达 (SAR)数据的特性进行了分析 ,针对实测数据方位孔径的不完全性 ,且具有较大几何形变和距离徙动的特点 ,提出了一种基于CS(ChirpScaling)操作与Dechirp技术相融合的成像处理算法 ,它不须单独进行几何形变校正 ,而是利用CS操作既完成几何形变校正又完成距离徙动校正 ,针对方位孔径的不完全性 ,方位聚焦采用谱分析的Dechirp技术 ,该方法适用于对部分孔径的数据进行成像处理 ,并与常用的基于谱分析的Dechirp快视成像处理算法进行了比较。     

一种改进的双基地SAR数值计算传递函数成像算法

针对收发平台等速度平行飞行双基地SAR条带工作模式,提出了一种改进的双基地SAR数值计算传递函数成像算法.算法通过数值计算得到双基地二雏传递函数,通过场景坐标系向方位-斜距平面的映射校正了原算法中存在的沿距离变化的方位位置畸变,进而采用常规单基地SAR成像处理流程实现对双基地SAR回波数据的成像处理,最后通过点目标仿真验证了算法的有效性.由于距离徙动校正不需要插值计算,因此计算效率较高,适合进行高速并行成像处理.     

基于粒子群的K均值聚类算法

针对K均值聚类算法存在的缺点,提出了一种新的聚类算法———基于粒子群的K均值聚类算法,并将此算法与现有的基于遗传算法的K均值聚类算法进行比较.理论分析和数据实验证明,该算法有较好的全局收敛性,不仅能有效地克服传统的K均值算法易陷入局部极小值的缺点,而且全局收敛能力优于基于遗传算法的K均值聚类算法.     

基于微分进化算子的量子粒子群优化算法及应用

分析了量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)的进化方程,指出其存在的局部收敛问题,通过将微分进化(Differential Evolution,DE)的基本操作思想引入到QPSO中,提出了改进的QPSO算法(QPSO-DE);算法改进的方法是在粒子搜索过程中,以一定的概率对粒子的每一维执行微分进化操作,以增加粒子的随机性,从而减少了粒子群体因多样性缺失而易于陷入局部最优或停滞的情况,增强了粒子群体的搜索能力,提高了算法的优化性能;对多个标准测试函数及在IIR数字滤波器优化设计中的仿真实验结果表明,与PSO算法和QPSO算法相比,QPSO-DE算法能够取得更好的优化结果。     

基于二进制编码QPSO算法的移动机器人路径规划

在分析量子粒子群算法的基础上,针对离散搜索空间的问题,提出了二进制编码的量子粒子群算法.在算法中,重新定义了粒子的位置距离矢量,调整了搜索空间的迭代方程,并引入了多点交叉和精英保留的策略,保证全局收敛的同时加快粒子的收敛速度.并使用De Jong's测试函数对本算法和二进制粒子群算法进行了比较,最后使用二进制编码量子粒子群算法对机器人路径规划进行了仿真实验.     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

一种基于文化粒子群算法的BP网络优化方法

BP网络良好的逼近特性和泛化能力使其在模式识别、智能控制和系统决策等领域有广泛应用。但网络训练过程中存在的收敛速度慢、容易陷入局部极值等局限性限制了进一步应用。提出一种新的智能优化算法-文化粒子群算法来对BP神经网络的权值和阈值同时进行优化。算法设置了群体空间和信念空间两类独立空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。两类空间的交互通过接受操作和影响操作利用同步式传输方式完成。以Iris分类问题的BP网络模型为仿真实例,对算法的正确性和有效性进行验证。仿真结果表明,改进算法具有较快的收敛速度。     

航空发动机性能仿真的分群量子粒子群算法

针对传统迭代方法求解航空发动机模型非线性方程组存在受初值影响不易收敛的问题,采用量子粒子群算法求解.为解决算法的局部收敛现象,设计一种分群量子粒子群算法:将种群分为多个分群,每个分群在各自全局极值的引导下搜索解空间不同区域,并对精英解集定期更新.对测试方程组的求解表明分群机制能有效提高量子粒子群算法的搜索性能和收敛速度.运用改进算法对某型混合排气涡扇发动机模型进行仿真求解,得到了满意的结果.     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

双吸引子多群体粒子群算法解决动态优化问题

提出了一种新的双吸引子多群体粒子群优化算法(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个群体吸引子和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜索而另一种利于进行局部搜索。并且通过引入一种新的传递机制,两部分粒子可以更有效地共享搜索信息。实验表明,BMPSO算法在Moving Peaks Benchmark(MPB)测试问题上具有很好的性能表现。