MIMO-SAR阵列设计及三维图像识别方法研究

发布时间：2017-09-09 20:16

  本文关键词：MIMO-SAR阵列设计及三维图像识别方法研究

  更多相关文章： MIMO-SAR 天线阵列设计 遗传算法 三维SAR图像识别 深度学习

【摘要】：MIMO-SAR是一种具有三维分辨能力的新型合成孔径雷达,其特点是采用多输入多输出(MIMO)技术获得远多于实际天线数目的等效阵元,因此可大大节省成本、减轻平台重量。相比于线阵MIMO-SAR,面阵MIMO-SAR能快速获得目标的三维信息,且能实现正前视工作模式。面阵MIMO-SAR天线阵列布设的优劣直接影响系统成本和成像质量,为此,本文研究了面阵MIMO-SAR阵元优化技术。在识别方面,三维SAR图像具有更丰富的目标信息,为提高识别率及降低识别系统的成本提供了一种可能的途径,为此本文开展了三维SAR图像识别技术研究。主要工作和创新如下:1、介绍了线阵和面阵天线阵列的方向图数学模型,分析了非均匀阵列和不同阵元间隔的均匀阵列对方向图性能的影响;简要回顾了SAR目标识别的基本流程,并重点介绍了深度学习的目标识别方法。2、提出基于改进遗传算法的面阵MIMO-SAR天线阵列优化方法。首先,在天线布阵范围一定、最小阵元间距和阵元数目固定等约束条件下,利用相位中心近似原理建立收发阵元联合优化的阵列优化模型。其次,对遗传算法的编码方式进行改进,使之满足最小阵元间隔的约束条件,并将天线方向图的峰值旁瓣比和主瓣宽度同时作为优化目标,依据优化目标函数的均值和方差自适应的确定遗传算法的交叉率和变异率,使得算法跳出局部最优解。实验结果表明,此阵元优化方法可以较好的抑制早熟现象,从而得到最佳的布阵方式;采用该方法得到的平面阵较一般的平面阵具有更好的旁瓣和主瓣。3、研究了MIMO-SAR三维图像识别方法。简要介绍了后向投影成像算法,并仿真了几类目标的三维SAR图像。提出基于自适应参数的深度置信网络的三维SAR图像识别方法。在参考二维图像识别技术的基础上,扩展出一种三维SAR图像识别思路:首先,将若干少数三维SAR图像向不同方向映射成多幅二维SAR图像,用这些二维图像近似替代三维图像,通过对这些二维图像的识别间接得到对应的每一类三维图像识别的错误率,最后,通过设定错误率的阈值判断该类三维SAR图像是否被正确识别。基于此三维图像识别思路,可以较好利用现有的二维图像识别方法和经验。在识别方法上,提出一种自适应设置深度置信网络参数的识别方法,利用交叉验证对深度置信网络的关键参数进行寻优,解决了以往依靠经验值设置参数而无法获得最佳网络参数的问题,实现了参数设置的自适应。实验结果表明,与传统识别方法相比,该方法在识别率和识别时间上都具有一定优势。
【关键词】：MIMO-SAR 天线阵列设计 遗传算法 三维SAR图像识别 深度学习
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN957.52
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-19
• 1.1 研究背景与意义11-12
• 1.2 国内外研究概况及动态12-18
• 1.2.1 MIMO-SAR国内外研究概况及动态12-17
• 1.2.2 雷达目标识别国内外研究概况及动态17-18
• 1.3 本文的结构安排18-19
• 第二章 MIMO-SAR阵列及目标识别原理19-31
• 2.1 引言19
• 2.2 MIMO-SAR几何模型19-21
• 2.3 MIMO-SAR天线阵列模型21-27
• 2.3.1 天线阵列数学模型21-22
• 2.3.2 线阵天线方向图及性能分析22-24
• 2.3.3 面阵天线方向图及性能分析24-26
• 2.3.4 相位中心近似原理26-27
• 2.4 SAR目标识别概述27-30
• 2.4.1 SAR图像目标识别流程27-28
• 2.4.2 深度学习方法概述28-30
• 2.5 本章小结30-31
• 第三章 MIMO-SAR布阵优化31-49
• 3.1 引言31
• 3.2 遗传算法简介及流程31-33
• 3.2.1 遗传算法简介31-32
• 3.2.2 遗传算法流程32-33
• 3.3 面阵MIMO-SAR天线阵列优化模型33-36
• 3.4 基于改进遗传算法的面阵天线布阵优化方法36-48
• 3.4.1 面阵天线布阵优化目标函数36-37
• 3.4.2 阵元位置编码37-38
• 3.4.3 改进遗传算法38-42
• 3.4.4 优化方法步骤42-43
• 3.4.5 仿真结果分析43-48
• 3.5 本章小结48-49
• 第四章 MIMO-SAR成像及识别方法49-72
• 4.1 引言49
• 4.2 MIMO-SAR三维成像49-54
• 4.2.1 后向投影成像算法49-51
• 4.2.2 仿真实验51-54
• 4.3 深度置信网络的基本原理54-58
• 4.3.1 受限玻尔兹曼机的原理54-57
• 4.3.2 深度置信网络模型57-58
• 4.4 自适应深度置信网络参数设计58-61
• 4.5 三维SAR图像识别61-64
• 4.5.1 样本库构建61-62
• 4.5.2 算法流程62-64
• 4.6 实验及结果分析64-71
• 4.6.1 样本预处理64
• 4.6.2 自适应参数的深度置信网络64-68
• 4.6.3 支持向量机识别性能分析68-69
• 4.6.4 两种识别方法的对比分析69-71
• 4.7 本章小结71-72
• 第五章 总结与展望72-74
• 致谢74-75
• 参考文献75-79
• 攻读硕士学位期间取得的成果79-80

【参考文献】

中国期刊全文数据库 前1条

1 MENG CangZhen;XU Jia;XIA Xiang-Gen;LIU Feng;LONG Teng;MAO ErKe;YANG Jian;PENG YingNing;;MIMO-SAR waveforms separation based on virtual polarization filter[J];Science China(Information Sciences);2015年04期

，

本文编号：822543