稳健高效SAR多元特征协同优化
发布时间:2023-02-06 17:57
合成孔径雷达(SAR)技术是一种重要的微波观测手段,具有全天时、全天候、远距离、高分辨等特点,并在航空航天、地面检测、战场侦查和武器制导等领域具有重要的应用价值。随着SAR成像技术的发展,现今雷达所能达到的分辨率越来越高,也意味着能够提供越来越多的细节特征,特征是否明显直接影响了后续处理的目标检测和识别。传统的匹配滤波成像方法,无法突破奈奎斯特采样定律的限制,数据利用率低,产生较高的旁瓣影响了原始特征。而新兴的压缩感知类算法基于数据的稀疏特征进行成像,一方面稳健性和高效性有待提升,另一方面很难在处理过程中保护其他特征。鲜有的多元特征增强成像算法,也只是对多个特征处理进行了简单的算法级联,容易造成误差传播。因此,研究一种稳健高效、能够协同优化多元特征的成像方法具有重要的现实意义。本文针对高分辨SAR成像中的多元特征增强问题,由原始二维波数域数据或预处理后的距离压缩域数据出发,在成像的同时设计合理的正则项表征不同先验信息,利用对偶方法和拉格朗日思想提升求解的高效性与稳健性,通过变量分解思想实现多元特征协同优化,主要研究内容如下:1.研究利用压缩采样数据进行SAR成像与特征增强的问题。首先推...
【文章页数】:106 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第一章 绪论
1.1 课题背景及意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 关键问题和难点
1.4 本文的主要工作
第二章 SAR信号模型及成像优化框架
2.1 回波信号模型
2.1.1 静止场景回波信号模型
2.1.2 地面动目标回波信号模型
2.1.3 空中动目标回波信号模型
2.2 高分辨成像与协同优化框架
2.2.1 传统雷达成像/压缩感知/特征增强算法
2.2.2 本文高分辨成像与协同优化框架
2.3 本文框架实验验证
2.3.1 迭代收敛实验
2.3.2 相变分析
2.4 本章小结
第三章 高分辨SAR成像点/块稀疏特征增强
3.1 点稀疏特征增强
3.1.1 SAR成像点稀疏特征增强
3.1.2 C-ADMM实验验证
3.1.3 C-ADMM性能分析实验
3.2 块稀疏特征增强
3.2.1 SAR成像块稀疏特征增强
3.2.2 G-ADMM实验验证
3.3 自适应的形态特征增强
3.3.1 形态学简介
3.3.2 形态自适应稀疏特征增强
3.3.3 AM-ADMM实验验证
3.4 本章小结
第四章 SAR成像地物目标方向纹理特征增强
4.1 全变分理论
4.2 地物目标的方向纹理特征增强
4.3 DT-ADMM实验验证
4.4 本章小结
第五章 机载SAR成像联合误差自校准
5.1 运动误差分析与最小熵准则
5.1.1 运动误差分析
5.1.2 最小熵准则
5.2 数据驱动的联合误差自校准
5.3 AC-ADMM实验验证
5.3.1 仿真实验
5.3.2 实测数据实验
5.4 本章小结
第六章 总结与展望
致谢
参考文献
作者简历
本文编号:3736356
【文章页数】:106 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第一章 绪论
1.1 课题背景及意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 关键问题和难点
1.4 本文的主要工作
第二章 SAR信号模型及成像优化框架
2.1 回波信号模型
2.1.1 静止场景回波信号模型
2.1.2 地面动目标回波信号模型
2.1.3 空中动目标回波信号模型
2.2 高分辨成像与协同优化框架
2.2.1 传统雷达成像/压缩感知/特征增强算法
2.2.2 本文高分辨成像与协同优化框架
2.3 本文框架实验验证
2.3.1 迭代收敛实验
2.3.2 相变分析
2.4 本章小结
第三章 高分辨SAR成像点/块稀疏特征增强
3.1 点稀疏特征增强
3.1.1 SAR成像点稀疏特征增强
3.1.2 C-ADMM实验验证
3.1.3 C-ADMM性能分析实验
3.2 块稀疏特征增强
3.2.1 SAR成像块稀疏特征增强
3.2.2 G-ADMM实验验证
3.3 自适应的形态特征增强
3.3.1 形态学简介
3.3.2 形态自适应稀疏特征增强
3.3.3 AM-ADMM实验验证
3.4 本章小结
第四章 SAR成像地物目标方向纹理特征增强
4.1 全变分理论
4.2 地物目标的方向纹理特征增强
4.3 DT-ADMM实验验证
4.4 本章小结
第五章 机载SAR成像联合误差自校准
5.1 运动误差分析与最小熵准则
5.1.1 运动误差分析
5.1.2 最小熵准则
5.2 数据驱动的联合误差自校准
5.3 AC-ADMM实验验证
5.3.1 仿真实验
5.3.2 实测数据实验
5.4 本章小结
第六章 总结与展望
致谢
参考文献
作者简历
本文编号:3736356
本文链接:https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3736356.html
最近更新
教材专著