SAR自聚焦技术与快速成像算法研究
发布时间：2021-08-28 14:07
合成孔径雷达（Synthetic Aperture Radar,SAR）是一种高分辨成像雷达,在军事和民用领域扮演者着重要的角色。经典的奈奎斯特采样定理表明,要想获得高分辨率的合成孔径雷达图像,需要采集大量的回波数据,这将对接收端的数据存储和传输带来极大的挑战。压缩感知（Compressive Sensing,CS）的出现,不仅有效的解决了采集数据量过大的问题,还能进一步提升成像的分辨率。因此,基于压缩感知的合成孔径雷达成像受到了广泛的关注。然而,压缩感知类算法具有较大的时间和空间复杂度,在实际应用中面临巨大的挑战,而且单比特压缩感知算法往往只适用于实数域。另外,由于雷达平台的运动误差,观测矩阵将会引入不确定性,最终表现为回波数据的相位误差,从而使得重建的场景散焦。因此,在实际应用中,CS-SAR自聚焦算法变得尤为重要。基于CS-SAR的自聚焦算法已经有了广泛的研究,这类算法可以校正较小的相位误差,而对于较大的误差相位则无能为力。本文针对已有的CS-SAR自聚焦算法的不足及已有的单比特CS-SAR成像算法效率低的问题进行了探究。内容安排如下:本文的第一个研究内容是基于无相位变换的合成孔...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１．１?ＳＡＲ成像原理??在合成孔径雷达发展的最初阶段，飞机是其最主要的搭载平台，应用及关??
信号的??进一步处理。然而，如果信号带宽很大，则按照奈奎斯特采样率采集下来的数??据量将变得十分庞大，使得数据采集和传输面临巨大的压力。??Ｃａｎｄｄｓ，Ｄｏｎｏｈｏ和陶哲轩于２００４年首次提出了压缩感知（Ｃｏｍｐｒｅｓｓｉｖｅ??Ｓｅｎｓｉｎｇ，ＣＳ）的思想，为信号采集开创了新的框架。压缩感知［８－１１］理论本质??上是求解一个线性逆问题，即从少量的线性测量中恢复高维的信号。区别于传??统的数据收集方式，压缩感知将采样和压缩两个步骤同时进行，直接从高维信??号中提取压缩后的数据。图１．２显示了二者的区别。??Ｉｎｐｕｔ?Ｓｉｇｎａｌ?Ｏｕｔｐｕｔ?Ｍｅａｓｕｒｅｍｅｎｔｓ??——Ｈｙｑｕｌｓｔ?Ｓａｍｐｔｌｎｇ?＾?Ｃｏｍｐｒｅｓｓｉｏｎ????？??ｘ（ｔ）?１Ｉ?．?，?Ｊ?ｙＩｍ］??（ａ）??ｉｎｐｕｔ?Ｓｉｇｎａｌ，?ｆｓａｎｄｏｍ?Ｓａｍｐｌｉｎｇ?咖讀他??￣?（Ｓｕｂ－Ｎｙｑｕｉｅｔ）?＾??（ｂ）??图１．２采样策略对比（ａ）传统采样方式（ｂ）压缩采样方式??假设现有一个＃维的信号其稀疏度为火，即ｉＶ元素中至多有尤??个非零分量。用一个线性测量系统对信号进行测量，该测量系统对应的测量矩??阵记为中，测量的结果记为在压缩感知框架中，测量数是远小于待测??信号的维度数的，即Ｍ？ｉＶ，也就意味着从测量值，陕复信号ｘ是一个欠定问??题。而压缩感知理论指出，当原信号ｘ满足稀疏性条件，测量矩阵满足限制??等距性质时，原信号；ｃ便可以通过测量值＾精确的重构。??压缩感知重构算法试图从压缩测量中找到原信号的最佳稀疏估计，研宄各??类重构方法的动机包含以下几个要素：最大限度的降低测量数，对噪声的鲁
?第２章压缩感知简介???方法更符合实际情况。该类方法将信号重构问题建模为贝叶斯推论（Ｂａｙｅｓｉａｎ??Ｉｎｆｅｒｅｎｃｅ）问题。待测信号通过使用最大似然估计（ＭＬＥ）或者最大后验估计??（ＭＡＰ）求得。??２．３单比特压缩感知??２．３．１单比特压缩感知问题的引入??实际的信号处理应用中，除了对信号采样外还要进行实时的量化操作。当??处理一个宽带信号时，即使压缩感知已经显著降低了采样数，总的比特数依然??是很大的，而许多的应用里往往要求测量的总比特数是少的。因此，作为量化??的极端情形一单比特量化就显得十分有用。图２．１给出了单比特量化的过程。??可以看出，只需一个简单的比较器就能完成量化过程，硬件压力得到了极大的??降低。每次的测量值仅需与门限值做比较，就可以快速的得到量化后的单比特??值。其中门限值一般取０，也可以取非零固定值及自适应的取值。??＼?ｂ??图２．２单比特量化示意图??这样通过与门限值的比较，我们仅仅保留了测量值的符号信息，也即将其??做了单比特量化处理：??ｚ＝ｓｇｎ（ｙ）?＝?ｓｇｎ（〇ｘ）?（２．２０）??ｚ便是量化后的单比特测量数据。??在２．２节中提到了压缩感知测量矩阵的限制等距性质，在单比特压缩感知理??论中有类似的研究工作。ＲＩＰ限制了信号空间和测量值空间的“等距”，此处的??距离基于二范数定义。遵循ＲＩＰ的定义，Ｌ．?Ｊａｃｑｕｅｓ等人提出了单比特压缩感知??下的“等距”概念，即二元嵌入稳定（Ｂｉｎａｒｙ?ｓ－ｓｔｏＷｅ?ｅｍｂｅｄｄｉｎｇ，你５ｊ）条??件。但是，不同于传统的压缩感知，此时的信号空间由单位范数矢量组成，测??１５??
本文编号：3368653
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１．１?ＳＡＲ成像原理??在合成孔径雷达发展的最初阶段，飞机是其最主要的搭载平台，应用及关??
信号的??进一步处理。然而，如果信号带宽很大，则按照奈奎斯特采样率采集下来的数??据量将变得十分庞大，使得数据采集和传输面临巨大的压力。??Ｃａｎｄｄｓ，Ｄｏｎｏｈｏ和陶哲轩于２００４年首次提出了压缩感知（Ｃｏｍｐｒｅｓｓｉｖｅ??Ｓｅｎｓｉｎｇ，ＣＳ）的思想，为信号采集开创了新的框架。压缩感知［８－１１］理论本质??上是求解一个线性逆问题，即从少量的线性测量中恢复高维的信号。区别于传??统的数据收集方式，压缩感知将采样和压缩两个步骤同时进行，直接从高维信??号中提取压缩后的数据。图１．２显示了二者的区别。??Ｉｎｐｕｔ?Ｓｉｇｎａｌ?Ｏｕｔｐｕｔ?Ｍｅａｓｕｒｅｍｅｎｔｓ??——Ｈｙｑｕｌｓｔ?Ｓａｍｐｔｌｎｇ?＾?Ｃｏｍｐｒｅｓｓｉｏｎ????？??ｘ（ｔ）?１Ｉ?．?，?Ｊ?ｙＩｍ］??（ａ）??ｉｎｐｕｔ?Ｓｉｇｎａｌ，?ｆｓａｎｄｏｍ?Ｓａｍｐｌｉｎｇ?咖讀他??￣?（Ｓｕｂ－Ｎｙｑｕｉｅｔ）?＾??（ｂ）??图１．２采样策略对比（ａ）传统采样方式（ｂ）压缩采样方式??假设现有一个＃维的信号其稀疏度为火，即ｉＶ元素中至多有尤??个非零分量。用一个线性测量系统对信号进行测量，该测量系统对应的测量矩??阵记为中，测量的结果记为在压缩感知框架中，测量数是远小于待测??信号的维度数的，即Ｍ？ｉＶ，也就意味着从测量值，陕复信号ｘ是一个欠定问??题。而压缩感知理论指出，当原信号ｘ满足稀疏性条件，测量矩阵满足限制??等距性质时，原信号；ｃ便可以通过测量值＾精确的重构。??压缩感知重构算法试图从压缩测量中找到原信号的最佳稀疏估计，研宄各??类重构方法的动机包含以下几个要素：最大限度的降低测量数，对噪声的鲁
?第２章压缩感知简介???方法更符合实际情况。该类方法将信号重构问题建模为贝叶斯推论（Ｂａｙｅｓｉａｎ??Ｉｎｆｅｒｅｎｃｅ）问题。待测信号通过使用最大似然估计（ＭＬＥ）或者最大后验估计??（ＭＡＰ）求得。??２．３单比特压缩感知??２．３．１单比特压缩感知问题的引入??实际的信号处理应用中，除了对信号采样外还要进行实时的量化操作。当??处理一个宽带信号时，即使压缩感知已经显著降低了采样数，总的比特数依然??是很大的，而许多的应用里往往要求测量的总比特数是少的。因此，作为量化??的极端情形一单比特量化就显得十分有用。图２．１给出了单比特量化的过程。??可以看出，只需一个简单的比较器就能完成量化过程，硬件压力得到了极大的??降低。每次的测量值仅需与门限值做比较，就可以快速的得到量化后的单比特??值。其中门限值一般取０，也可以取非零固定值及自适应的取值。??＼?ｂ??图２．２单比特量化示意图??这样通过与门限值的比较，我们仅仅保留了测量值的符号信息，也即将其??做了单比特量化处理：??ｚ＝ｓｇｎ（ｙ）?＝?ｓｇｎ（〇ｘ）?（２．２０）??ｚ便是量化后的单比特测量数据。??在２．２节中提到了压缩感知测量矩阵的限制等距性质，在单比特压缩感知理??论中有类似的研究工作。ＲＩＰ限制了信号空间和测量值空间的“等距”，此处的??距离基于二范数定义。遵循ＲＩＰ的定义，Ｌ．?Ｊａｃｑｕｅｓ等人提出了单比特压缩感知??下的“等距”概念，即二元嵌入稳定（Ｂｉｎａｒｙ?ｓ－ｓｔｏＷｅ?ｅｍｂｅｄｄｉｎｇ，你５ｊ）条??件。但是，不同于传统的压缩感知，此时的信号空间由单位范数矢量组成，测??１５??
本文编号：3368653
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3368653.html
