CN112684445B - 基于md-admm的mimo-isar三维成像方法 - Google Patents
基于md-admm的mimo-isar三维成像方法 Download PDFInfo
- Publication number
- CN112684445B CN112684445B CN202011402759.4A CN202011402759A CN112684445B CN 112684445 B CN112684445 B CN 112684445B CN 202011402759 A CN202011402759 A CN 202011402759A CN 112684445 B CN112684445 B CN 112684445B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- isar
- mimo
- admm
- tensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达成像领域,具体涉及一种基于MD‑ADMM的MIMO‑ISAR三维成像方法,包括以下步骤:S1对MIMO‑ISAR运动目标回波进行建模;S2对MIMO‑ISAR三维稀疏成像问题进行建模;S3基于MD‑ADMM的MIMO‑ISAR三维图像稀疏重构。本发明取得的有益效果为:通过本发明可实现MIMO‑ISAR的三维稀疏成像,在三维稀疏数据条件下,可以有效减少存储和计算负担,提高三维成像计算效率和鲁棒性,进而获得聚焦良好的三维图像,针对多维数据受限条件下的目标雷达成像、特征提取和目标识别具有重要的工程应用价值。
Description
技术领域
本发明属于雷达成像领域,具体涉及一种基于多维度交替方向乘子法(Multidimentional AlternatingDirection Method of Multipliers,MD-ADMM)的多输入多输出逆合成孔径雷达成像(Multiple-Input-Multiple-Output Radar InverseSynthetic Aperture Radar,MIMO-ISAR)三维成像方法。
背景技术
逆合成孔径雷达(Inverse Syntheic Aperture Radar,ISAR)可以生成目标的二维图像,通常用于目标识别和分类。与二维图像相比,三维图像能够获得更多的目标信息,更利于目标识别。
MIMO-ISAR成像技术是指在有限成像时间内,通过对多路回波数据的处理,用时间采样替代空间采样,以提高图像分辨率。但成像所需数据处理量大,需要的阵元数较多,硬件成本高。当阵元数目减少,或者由于噪声或硬件原因导致完整回波出现缺失时,如果继续采用傅里叶变换方法进行三维成像,将会导致图像质量严重下降。
压缩感知理论依据图像的稀疏性,其用少量数据采样就能恢复出高分辨图像,在图像处理领域获得了广泛的应用。但是传统压缩感知方法需要将多维信号转化为一维向量。但是这带来了测量矩阵和信号的维数过大的问题,这导致了存储和计算负担急剧增加。目前已知的基于多维信号稀疏恢复方法,虽然具有较低的计算复杂度和内存消耗,但需要调整的参数较多,并且在低信噪比条件下恢复图像的效果一般。因此改善多维稀疏条件下图像恢复效果具有重要的工程应用价值。
发明内容
本发明要解决的技术问题是在MIMO-ISAR多维稀疏数据条件下,传统多维稀疏恢复方法,存储和计算负担大,鲁棒性差难以满足工程应用需求。
本发明的思路是针对MIMO-ISAR多维稀疏数据条件下,传统的压缩感知方法存储和计算消耗大,已知的多维稀疏恢复方法鲁棒性差的问题,提出了一种基于MD-ADMM的MIMO-ISAR三维成像方法。该方法首先将MIMO-ISAR模型建立成一个三维数据的稀疏恢复问题。进一步采用MD-ADMM稀疏恢复方法进行三维成像,减少存储负担,提升鲁棒性和计算效率。该方法通过循环迭代,最终可以获得目标的三维ISAR图像。
本发明解决其技术问题所采取的技术方案是:一种基于MD-ADMM的MIMO-ISAR三维成像方法,包括以下步骤:
S1对MIMO-ISAR回波进行建模:
假设发射阵列发射步进频信号,发射频率fv=fc+(v-1)Δf,其中fc为发射信号中心频率,Δf为频率步长,v表示步进频信号的序号:v=1,2,...V,其中V为发射的步进频信号总数;则第u个等效收发阵元在第w个快拍时,经过目标上第q个散射点通过信号分选后的回波可以表示为:
u表示等效收发阵元序号:u=1,2...U,其中U表示等效收发阵元总数,q表示散射点序号:q=1,2...Q,其中Q为散射点总数,w为快拍数序号:w=1,2,...W,W表示快拍总数;c为光速,σq为第q个散射点的散射强度,表示第u个等效阵元在第w个快拍时刻到第q个散射点的距离;经过平动补偿(保铮,邢孟道,王彤.雷达成像技术[M].北京:电子工业出版社,2005)后式(1)可以表示为:
其中表示第u个等效阵元到第w个快拍时刻目标转动中心距离;式(2)中的根据文献(Wang Y,Li X.3-D Imaging Based on Combination of the ISARTechnique and a MIMO Radar System[J].IEEE Transactions on Geoence and RemoteSensing,2018,56(10):6033-6054.)可以表示为:
其中d为等效收发阵元间隔,R0为目标至阵元的距离,ω为目标等效转速,Tp为脉冲宽度;
S2对MIMO-ISAR三维稀疏成像问题进行建模:
在式(4)中,沿u,v,w分别做傅里叶变换就能得到三维图像;所以基于傅里叶变换的信号张量模型可以表示为
其中×l(l=1,2,3),表示张量和矩阵的n模态积,表示在复数域中维度为U×V×W的三维信号;表示复数域中维度为U×V×W三维图像, 表示全傅里叶变换矩阵,其中分别表示在复数域中维数为U×U,V×V,W×W的矩阵;
当阵元数目减少,或者由于噪声或硬件原因导致完整回波出现缺失时(相当于对回波的三个维度做稀疏采样),如果继续采用傅里叶变换将会导致图像质量严重下降,因此式(5)可以表示为:
其中表示对稀疏采样后信号,M,N,K分别表示信号三个维度的采样数。分别表示维数为M×U,N×U,K×W的部分傅里叶变换矩阵。令F(1)=T1F1,F(2)=T2F2,F(3)=T3F3,其中表示采样矩阵。令G,H,J分别表示对张量三个维度的采样序列,其中G∈[1,...,U]T,H∈[1,...,V]T,J∈[1,...,W]T,其序列长度分别为M,N,K;则T1,T2,T3可分别表示为:
其中m=1,2,...M,n=1,2,...N,k=1,2,...K分别表示三个维度的采样序号。
S3基于MD-ADMM的MIMO-ISAR三维图像稀疏重构:
将S2中MIMO-ISAR张量模型向量化成一维形式,建立基于l1范数最小化模型,若直接通压缩感知方法进行求解,其测量矩阵和信号维数过大将造成极大的计算和存储负担。所以本节采用基于MD-ADMM算稀疏成像方法感知矩阵分解为张量模态积,用张量元素除法替代矩阵求逆,这显著减少了计算和存储负担,具体步骤如下:
S3.1将S2中张量模型向量化并建立基于l1范数最小化模型:
将式(5)展开成一维形式如下:
S3.2用ADMM方法对S3.1中的模型进行优化:
根据ADMM算法原理,引入辅助变量z,原l1范数的最小化问题可以等价于以下带等式约束的优化问题:
进一步通过增广拉格朗日方法求解式(10)所示的约束优化问题,如下式所示:
其中α为对偶变量,ρ为惩罚系数,在迭代过程中该问题可以分解为以下三个子问题:
其中(·)(k)表示第k次迭代所更新的变量值,式(12)中前两个方程的解可分别通过使Lρ(x,z,α)关于x与z的一阶偏导等于零获得,如下式所示:
其中ST(·)为软阈值(soft threshold)函数,其表达式为ST(x,a)=(x/|x|)max(|x|-a,0)。将F(1)=T1F1,F(2)=T2F2,F(3)=T3F3代入(13)可得:
其中B1=T1 HT1,B2=T2 HT2,B3=T3 HT3,通过化简可得:
将式(15)写成张量形式为:
式(13)中同样可以写成如下张量形式:
惩罚系数ρ的值设为1,正则系数λ的取值范围为[2,6],本发明中λ的取值为5,联合迭代式(16)(17)(18),直至相邻两次迭代中ISAR图像的相对误差小于设定门限(如10-4)时,即可获得目标的三维ISAR图像其初始参数设置如下:和的设定为所的设定为所有元素全为0的三维张量。
本发明取得的有益效果为:通过本发明可实现MIMO-ISAR的三维稀疏成像,在三维稀疏数据条件下,可以有效减少存储和计算负担,提高三维成像计算效率和鲁棒性,进而获得聚焦良好的三维图像,针对多维数据受限条件下的目标雷达成像、特征提取和目标识别具有重要的工程应用价值。
附图说明
图1本发明的实施流程图;
图3(a)目标三维散点图;(b)为全孔径条件下的目标成像的俯视图;(c)为全孔径条件下的目标成像的主视图;(d)为全孔径条件下的目标成像的测视图;
图4不同稀疏度条件下不同算法所得图像比较:(a)稀疏度为50%不同算法所得图像;(b)稀疏度为33.3%不同算法所得图像;(c)稀疏度为25%不同算法所得图像;
图5相同稀疏度不同信噪比条件下不同算法所得图像比较:(a)稀疏度为25%信噪比为-5dB不同算法所得图像;(b)稀疏度为25%信噪比为0dB不同算法所得图像;(c)稀疏度为25%信噪比为10dB不同算法所得图像;
图6针对Yak-42飞机实测数据在二维随机采样条件下不同算法所得ISAR图像:(a)全孔径条件下二维FFT后的成像结果;(b)RD算法成像结果;(c)MD-SL0算法成像结果;(d)本发明成像结果;
图7针对Yak-42飞机实测数据在加入高斯白噪声二维随机采样条件下不同算法所得ISAR图像:(a)全孔径条件下二维FFT后的成像结果;(b)RD算法成像结果;(c)MD-SL0算法成像结果;(d)本发明成像结果。
具体实施方式
下面结合附图对本发明进行进一步说明:
图1为本发明处理流程。本发明所述一种基于多维ADMM的MIMO-ISAR三维成像方法,包括以下步骤:
S1对MIMO-ISAR运动目标回波进行建模;
S2对MIMO-ISAR三维稀疏成像问题进行建模;
S3基于MD-ADMM的MIMO-ISAR三维图像稀疏重构。
图3(a)为仿真飞机目标三维散点图,图3(b)(c)(d)为全孔径条件下仿真飞机目标三视图。该飞机以速度v=200m/s的速度垂直于10发6收的MIMO线性阵列飞行。雷达发射信号参数如下:中心频率为10GHz,带宽为150MHz,慢时间采样频率为80Hz,步进频信号个数为60。其中10发6收阵列可以等效成60个收发共用阵元,每个等效收发共用阵元的全孔径数据包含60个脉冲,每个脉冲包含60个采样点。
对全孔径数据的三个维度中分别随机抽取30、20、15个脉冲,以模拟三个维度稀疏度分别为50%、33.3%、25%的稀疏回波数据。并分别采用传统的距离-多普勒(RD)方法、多维SL0平滑l0范数(MD-SL0)方法(Hu X,Tong N,Wang H,et al.Multiple-input-multiple-output radar superresolution three-dimensional imaging based onmultidimensional smoothed l0[J].Journal of Applied Remote Sensing,2016,10(3):035017.)和本发明对该稀疏数据进行ISAR成像,所得ISAR图像分别如图4(a)(b)(c)所示。由图4可知,由于稀疏回波条件下产生的旁瓣、栅瓣影响下,RD方法所得ISAR图像严重散焦。而MD-SL0方法以及本发明所得图像效果良好,表明其有效抑制了稀疏回波引入的旁瓣、栅瓣干扰。但MD-SL0算法图像熵更小,计算时间更短,显示了更好的成像性能。
表1
表1给出了两种方法在随机稀疏采样条件下所得ISAR图像的熵、计算时间,以进一步比较两者性能。由表可知,本发明方法所得图像熵较低、计算时间较短,说明本发明所得ISAR图像聚焦效果较好,运算效率更高。
表2
从原始数据中的三个维度中随机抽取20个脉冲,以模拟稀疏度为25%的稀疏回波数据,并且加入信噪比-5dB,0dB,10dB均值为零的高斯白噪声。并分别采用传统的RD方法、MD-SL0方法和本发明方法对该稀疏数据进行ISAR成像,所得ISAR三维图像分别如图5(a)(b)(c)。由图5(a)(b)(c)可知,由稀疏回波产生的旁瓣、栅瓣以及噪声影响下,RD方法所得ISAR图像严重散焦。由于噪声影响MD-SL0方法所得图像聚焦程度也得到了一定程度的下降。而本发明方法,受噪声影响最小,成像质量最高,这验证了相比于MD-SL0方法,本发明的鲁棒性更好。
表2给出了两种方法在稀疏度为25%的条件下在不同信噪比条件下所得ISAR图像的熵、计算时间,以进一步比较两者性能。由表可知,本发明方法所得图像熵较低、计算时间较短,对噪声的鲁棒性更好。
进一步采用Yak-42飞机实测数据来部分验证算法性能。雷达信号参数如下:中心频率为5.52GHz、带宽为400MHz、脉宽为25.6μs。全孔径雷达回波包含256个脉冲,每个脉冲包含256个采样点。采用随机采样方式,抽取96个脉冲,以及128个快时间信号,来模拟稀疏度分别为37.5%和50%的二维回波数据。图6(a)为完采用整数据条件下目标的ISAR图像作为随机采样条件下ISAR成像结果的参考。图6(b)、图6(c)、图6(d)分别为RD算法,MD-SL0方法以及本发明所提方法得到了ISAR图像。由图5可知RD算法所得图像散焦严重,而相比于MD-SL0方法本发明方法重构图像的错误点更少,图像更清晰。
图7为二维回波添加信噪比0dB的高斯白噪声的结果。图7(a)为完采用整数据条件下目标的ISAR图像作为随机采样条件下ISAR成像结果的参考。图7(b)、图7(c)、图7(d)分别为RD算法,MD-SL0方法以及本发明所提方法得到了ISAR图像。由图7可知所提方法相比于MD-SL0方法所得图像错误点更少,图像聚焦效果更好,对噪声的鲁棒性更好。
综上所述,本发明可以有效实现MIMO-ISAR多维数据稀疏采样条件下的成像,与已有的MD-SL0算法相比算法的计算效率更高,鲁棒性更好,工程实用性更强。
Claims (7)
1.一种基于MD-ADMM的MIMO-ISAR三维成像方法,其特征在于,该方法包括以下步骤:
S1对MIMO-ISAR回波进行建模:
假设发射阵列发射步进频信号,发射频率fv=fc+(v-1)Δf,其中fc为发射信号中心频率,Δf为频率步长,v表示步进频信号的序号:v=1,2,...V,其中V为发射的步进频信号总数;则第u个等效收发阵元在第w个快拍时,经过目标上第q个散射点通过信号分选后的回波可以表示为:
u表示等效收发阵元序号:u=1,2…U,其中U表示等效收发阵元总数,q表示散射点序号:q=1,2…Q,其中Q为散射点总数,w为快拍数序号:w=1,2,…W,W表示快拍总数;c为光速,σq为第q个散射点的散射强度,表示第u个等效阵元在第w个快拍时刻到第q个散射点的距离;经过平动补偿后式(1)可以表示为:
其中d为等效收发阵元间隔,R0为目标至阵元的距离,ω为目标等效转速,Tp为脉冲宽度;
S2对MIMO-ISAR三维稀疏成像问题进行建模:
在式(4)中,沿u,v,w分别做傅里叶变换就能得到三维图像;所以基于傅里叶变换的信号张量模型可以表示为
其中×l表示张量和矩阵的n模态积,l=1,2,3,表示在复数域中维度为U×V×W的三维信号;表示复数域中维度为U×V×W三维图像, 表示全傅里叶变换矩阵,其中分别表示在复数域中维数为U×U,V×V,W×W的矩阵;
式(5)可以表示为:
其中表示对稀疏采样后信号,M,N,K分别表示信号三个维度的采样数;分别表示维数为M×U,N×U,K×W的部分傅里叶变换矩阵;令F(1)=T1F1,F(2)=T2F2,F(3)=T3F3,其中表示采样矩阵;令G,H,J分别表示对张量三个维度的采样序列,其中G∈[1,…,U]T,H∈[1,…,V]T,J∈[1,…,W]T,其序列长度分别为M,N,K;则T1,T2,T3可分别表示为:
其中m=1,2,…M,n=1,2,…N,k=1,2,…K分别表示三个维度的采样序号;
S3基于MD-ADMM的MIMO-ISAR三维图像稀疏重构:
采用基于MD-ADMM稀疏成像方法感知矩阵分解为张量模态积,用张量元素除法替代矩阵求逆,具体步骤如下:
S3.1将S2中张量模型向量化并建立基于l1范数最小化模型:
将式(5)展开成一维形式如下:
S3.2用ADMM方法对S3.1中的模型进行优化:
根据ADMM算法原理,引入辅助变量z,原l1范数的最小化问题可以等价于以下带等式约束的优化问题:
进一步通过增广拉格朗日方法求解式(10)所示的约束优化问题,如下式所示:
其中α为对偶变量,ρ为惩罚系数,在迭代过程中该问题可以分解为以下三个子问题:
其中(·)(k)表示第k次迭代所更新的变量值,式(12)中前两个方程的解可分别通过使Lρ(x,z,α)关于x与z的一阶偏导等于零获得,如下式所示:
其中ST(·)为软阈值函数;将F(1)=T1F1,F(2)=T2F2,F(3)=T3F3代入(13)可得:
将式(15)写成张量形式为:
式(13)中同样可以写成如下张量形式:
2.一种根据权利要求1所述基于MD-ADMM的MIMO-ISAR三维成像方法,其特征在于:S3.2中,软阈值函数ST(·)的表达式为ST(x,a)=(x/|x|)max(|x|-a,0)。
4.一种根据权利要求1所述基于MD-ADMM的MIMO-ISAR三维成像方法,其特征在于:惩罚系数ρ的值设为1。
5.一种根据权利要求1所述基于MD-ADMM的MIMO-ISAR三维成像方法,其特征在于:正则系数λ的取值范围为[2,6]。
6.一种根据权利要求5所述基于MD-ADMM的MIMO-ISAR三维成像方法,其特征在于:正则系数λ的取值为5。
7.一种根据权利要求1所述基于MD-ADMM的MIMO-ISAR三维成像方法,其特征在于:S3.3中,设定门限为10-4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402759.4A CN112684445B (zh) | 2020-12-02 | 2020-12-02 | 基于md-admm的mimo-isar三维成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402759.4A CN112684445B (zh) | 2020-12-02 | 2020-12-02 | 基于md-admm的mimo-isar三维成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112684445A CN112684445A (zh) | 2021-04-20 |
CN112684445B true CN112684445B (zh) | 2021-09-07 |
Family
ID=75445905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402759.4A Active CN112684445B (zh) | 2020-12-02 | 2020-12-02 | 基于md-admm的mimo-isar三维成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112684445B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567985B (zh) * | 2021-09-26 | 2021-12-07 | 南京隼眼电子科技有限公司 | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222230A (zh) * | 2011-03-25 | 2011-10-19 | 中国人民解放军空军雷达学院 | 基于参数化词典的多输入多输出成像雷达目标识别方法 |
CN110275166A (zh) * | 2019-07-12 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
CN110426705A (zh) * | 2018-12-29 | 2019-11-08 | 西安电子科技大学 | 基于压缩感知的分布式isar成像高旁瓣抑制方法 |
CN110596707A (zh) * | 2019-09-24 | 2019-12-20 | 中国人民解放军国防科技大学 | 基于多快拍图像联合的mimo雷达三维成像方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7856125B2 (en) * | 2006-01-31 | 2010-12-21 | University Of Southern California | 3D face reconstruction from 2D images |
WO2012071682A1 (zh) * | 2010-11-30 | 2012-06-07 | 中国科学院自动化研究所 | 基于特异性的多模态三维光学断层成像***和方法 |
DE102014104273A1 (de) * | 2014-03-26 | 2015-10-01 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren in einem Radarsystem, Radarsystem bzw. Vorrichtung eines Radarsystems |
CN107085213A (zh) * | 2017-05-19 | 2017-08-22 | 中国人民解放军63892部队 | 基于随机调频步进波形设计的运动目标isar成像方法 |
US10775493B2 (en) * | 2018-03-28 | 2020-09-15 | Infineon Technologies Ag | System and method for controlling access to a trunk of a vehicle using a radar sensor |
CN110244303B (zh) * | 2019-07-12 | 2020-12-25 | 中国人民解放军国防科技大学 | 基于sbl-admm的稀疏孔径isar成像方法 |
CN110632615B (zh) * | 2019-10-30 | 2021-07-23 | 中国科学院电子学研究所 | 基于稀疏孔径的合成孔径激光雷达三维成像方法 |
-
2020
- 2020-12-02 CN CN202011402759.4A patent/CN112684445B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222230A (zh) * | 2011-03-25 | 2011-10-19 | 中国人民解放军空军雷达学院 | 基于参数化词典的多输入多输出成像雷达目标识别方法 |
CN110426705A (zh) * | 2018-12-29 | 2019-11-08 | 西安电子科技大学 | 基于压缩感知的分布式isar成像高旁瓣抑制方法 |
CN110275166A (zh) * | 2019-07-12 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
CN110596707A (zh) * | 2019-09-24 | 2019-12-20 | 中国人民解放军国防科技大学 | 基于多快拍图像联合的mimo雷达三维成像方法 |
Non-Patent Citations (2)
Title |
---|
《An Anti-jamming Method of ISAR Imaging with FDA-MIMO Radar》;Guangming Li et.al;《2018 IEEE 10th Sensor Array and Multichannel Signal Processing Workshop》;20181231;第490-493页 * |
《MIMO-ISAR成像空时等效误差校正方法》;董会旭 等;《***工程与电子技术》;20151130;第37卷(第11期);第2487-2491页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112684445A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107132535B (zh) | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 | |
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN111142105B (zh) | 复杂运动目标isar成像方法 | |
CN110780298B (zh) | 基于变分贝叶斯学习的多基isar融合成像方法 | |
CN106680815B (zh) | 基于张量稀疏表示的mimo雷达成像方法 | |
CN104076360B (zh) | 基于压缩感知的二维sar稀疏目标成像方法 | |
CN112198506B (zh) | 一种超宽带穿墙雷达学习成像的方法、装置、***和可读存储介质 | |
CN111551928A (zh) | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 | |
CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
CN111722227B (zh) | 基于近似观测矩阵的聚束sar压缩感知成像方法 | |
CN110554384A (zh) | 一种基于微波信号的成像方法 | |
CN112684445B (zh) | 基于md-admm的mimo-isar三维成像方法 | |
CN112800497A (zh) | 基于稀疏谱恢复的机载三维异构阵杂波抑制方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN113671485B (zh) | 基于admm的米波面阵雷达二维doa估计方法 | |
CN110596706A (zh) | 一种基于三维图像域投射变换的雷达散射截面积外推方法 | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN113608218A (zh) | 一种基于后向投影原理的频域干涉相位稀疏重构方法 | |
CN108931770B (zh) | 基于多维贝塔过程线性回归的isar成像方法 | |
CN112946644B (zh) | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 | |
CN110412535B (zh) | 一种序贯的空时自适应处理参数估计方法 | |
CN115421115A (zh) | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 | |
CN109633635B (zh) | 基于结构化递归最小二乘的米波雷达测高方法 | |
CN110263777B (zh) | 基于空谱结合的局部保持投影算法的目标检测方法及*** | |
Song et al. | Efficient Image Reconstruction Methods Based on Structured Sparsity for Short-Range Radar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |