CN113742916B - 基于gtd参数提取的跳频rcs重构方法 - Google Patents
基于gtd参数提取的跳频rcs重构方法 Download PDFInfo
- Publication number
- CN113742916B CN113742916B CN202111036561.3A CN202111036561A CN113742916B CN 113742916 B CN113742916 B CN 113742916B CN 202111036561 A CN202111036561 A CN 202111036561A CN 113742916 B CN113742916 B CN 113742916B
- Authority
- CN
- China
- Prior art keywords
- scattering
- rcs
- gtd
- frequency hopping
- sparse
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 230000001427 coherent effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及基于GTD参数提取的跳频RCS重构方法，包括：对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征；采用IRLS算法对GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解；对稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；散射参数包括散射位置、散射强度和散射类型；将散射参数代入GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。能够在RCS数据非均匀不完备的条件下提取GTD散射参数，进而实现了跳频模式下基于GTD散射参数提取的RCS重构的目的。
Description
技术领域
本申请涉及雷达技术领域，特别是涉及一种基于GTD参数提取的跳频RCS重构方法。
背景技术
雷达散射截面积(radar cross section,RCS)为雷达科学研究和应用实践提供了数据基础，对雷达目标特性反演、雷达目标成像和雷达目标智能识别等至关重要。随着大数据时代的到来和在现代雷达超分辨技术的发展，人们迫切需要越来越丰富和完备的雷达目标RCS数据。
当前，雷达目标RCS数据获取的主要方式包括电磁仿真计算、暗室缩比测量和外场实际测量。与其它两种方式相比，暗室缩比测量方式虽具有真实性好、保密性强等优势，但传统的暗室步进频RCS测量采用扫频模式，需要对每个目标姿态的所有步进频点进行依次扫频，具有测量周期长和数据存储空间大等问题。RCS重构可以在一定程度上解决上述问题，其主要是通过提取散射中心参数来完成的。基于现代谱估计的GTD(geometric theoryof diffraction,GTD)散射参数提取已经取得了较好的成果。然而，在实现本发明过程中，发明人发现前述传统的RCS重构技术，存在着无法有效处理非均匀不完备RCS数据的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于GTD参数提取的跳频RCS重构方法、一种基于GTD参数提取的跳频RCS重构装置、一种计算机设备以及一种计算机可读存储介质，能够有效处理非均匀不完备RCS数据，实现RCS重构。
为了实现上述目的，本发明实施例采用以下技术方案：
一方面，本发明实施例提供一种基于GTD参数提取的跳频RCS重构方法，包括步骤：
对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征；
采用IRLS算法对GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解；
对稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；散射参数包括散射位置、散射强度和散射类型；
将散射参数代入GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。
另一方面，还提供一种基于GTD参数提取的跳频RCS重构装置，包括：
稀疏处理模块，用于对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征；
优化求解模块，用于采用IRLS算法对GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解；
参数提取模块，用于对稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；散射参数包括散射位置、散射强度和散射类型；
重构处理模块，用于将散射参数代入GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现任一项的上述基于GTD参数提取的跳频RCS重构方法的步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现任一项的上述基于GTD参数提取的跳频RCS重构方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述基于GTD参数提取的跳频RCS重构方法，将稀疏重构理论与GTD散射模型相结合对雷达目标RCS数据进行建模，利用RCS数据在空域上是稀疏的这一事实，基于GTD散射模型给出了跳频模式下雷达目标RCS数据的稀疏表征，并且将GTD散射参数提取问题转化为lp范数优化问题。进一步采用以l2范数为准则的迭代加权最小二乘(Iteratively-Reweighed-Least-Squares，IRLS)算法对上述lp范数进行求解，实现目标不同姿态下的GTD散射参数提取。最后，将提取的散射参数代入GTD散射模型即可实现RCS重构。能够在RCS数据非均匀不完备的条件下提取GTD散射参数，进而实现了跳频模式下基于GTD散射参数提取的RCS重构的目的，对分析数据受限条件下的目标散射特性、对缩减暗室步进频RCS测量的周期和和扩增雷达目标RCS数据有较高的工程应用价值。
附图说明
图1为一个实施例中基于GTD参数提取的跳频RCS重构方法的流程示意图；
图2为一个实施例中RCS数据稀疏建模处理的流程示意图；
图3为一个实施例中采用IRLS算法进行优化求解的流程示意图；
图4为一个实施例中基于GTD参数提取的跳频RCS重构方法的仿真实施流程示意图；
图5为一个实施例中信噪比在25dB条件下的仿真散射参数的平均结果示意图；其中，(a)为稀疏度ρ＝100.0％时100次Mont Carlo仿真散射参数的平均结果，(b)为稀疏度ρ＝50.0％时100次Mont Carlo仿真散射参数的平均结果；
图6为一个实施例中信噪比在25dB条件下的仿真RCS重构的平均结果示意图；其中，(a)为稀疏度ρ＝100.0％时100次Mont Carlo仿真RCS重构的平均结果，(b)为稀疏度ρ＝50.0％时100次Mont Carlo仿真RCS重构的平均结果；
图7为一个实施例中两段锥组合体目标的CAD模型示意图；
图8为一个实施例中雷达方位角θ＝1.05°时对两段锥组合体目标的参数提取与重构结果示意图；其中，(a)为散射参数的提取结果，(b)为RCS序列的重构结果；
图9为一个实施例中两段锥组合体目标的RCS序列示意图；其中，(a)为原始RCS序列，(b)为重构后的RCS序列(稀疏度ρ＝50％)；
图10为一个实施例中基于GTD参数提取的跳频RCS重构装置的模块结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
传统的RCS重构技术无法用于处理非均匀不完备RCS数据，受到奈奎斯特采样定理的制约，且其频率依赖因子在级数展开时会引入了高阶近似误差。此外，通过测量获取完备的RCS数据也需要消耗巨大的时空开销。因此，研究如何有效地缩减暗室RCS测量的时空开销、扩增雷达RCS数据具有较大的应用前景。
本发明针对传统的RCS重构技术存在着的无法有效处理非均匀不完备RCS数据的技术问题，提出了一种基于GTD参数提取的跳频RCS重构方法，总体设计构思是将稀疏重构理论与GTD散射模型相结合对雷达目标RCS数据进行建模，利用RCS数据在空域上是稀疏的这一事实，基于GTD散射模型给出了跳频模式下雷达目标RCS数据的稀疏表征，并将GTD散射参数提取问题转化为lp范数优化问题。进一步采用以l2范数为准则的IRLS算法对上述lp范数优化问题进行求解，以实现目标不同姿态下的GTD散射参数提取。最后，将提取的散射参数代入GTD散射模型即可实现RCS重构。
请参阅图1，一方面，本发明提供一种基于GTD参数提取的跳频RCS重构方法，包括如下步骤S12至S18：
S12，对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征。
可以理解，在光学区，雷达目标电磁散射可等效为多个局部强散射中心的相干合成。
请参阅图2，在一些实施方式中，步骤S12可以包括如下处理步骤S121至S124：
S121，基于GTD散射模型对暗室RCS测量数据进行表征。
可以理解，一般的GTD散射模型为：
其中，y表示雷达目标的后向散射回波，I表示等效散射中心的个数，f0表示发射信号的初始频率，c表示电磁波的传播速度，Ai表示第i个散射中心的散射强度，αi＝{-1,-0.5,0,0.5,1}表示第i个散射中心的散射类型，ri表示第i个散射中心在雷达视线上的相位距离。
具体的，步进频暗室RCS测量***通过依次发射相干步进频信号工作。假设相干步进频信号的频率间隔为Δf，则第n个步进频信号的频率为fn＝f0+nΔf，(n＝0,1,…,N-1)。因此，步进频暗室RCS测量等效于对式(1)作均匀离散化处理，故，暗室步进频RCS测量对应的散射数据采用如下GTD散射模型的稀疏表征：
其中，yn表示雷达目标在频率fn处的RCS数值，Δf表示相干步进频信号的频率间隔，则第n个步进频信号的频率为fn＝f0+nΔf，(n＝0,1,…,N-1)。测试信号的带宽为B＝NΔf。
S122，对雷达最大无模糊距离进行均匀网格化处理。
可以理解，常规雷达的径向距离分辨率为Δr＝c/2B。为了获取更为精确的散射位置分布，对最大无模糊距离RU＝c/2Δf作均匀网格化处理。
S123，根据均匀网格化处理后的散射位置的候选网格对均匀离散化处理后的GTD散射模型进行推导，得到网格化后的GTD散射模型。
具体的，假设L是距离分辨率的提高倍数，则均匀网格划分后的分辨率为散射位置的候选网格为/>其中/>当网格化后的距离分辨率足够高时，所有散射中心均可以近似分布在离散距离网格上，即暗室步进频RCS测量数据采用如下离散网格化后的GTD散射模型表征，因此式(2)可以进一步推导为：
因此，网格化后的GTD散射模型即为式(3)所示。yn表示雷达目标在频率fn处的RCS数值，rm表示第m个距离网格对应的散射位置、表示第m个距离网格对应的散射强度，αm表示第m个距离网格对应的散射类型，LN表示离散距离网格的数量。当/>时，可以认为该距离单元上不存在强散射分布。
S124，用网格化后的GTD散射模型对跳频RCS测量模式下的RCS数据进行稀疏表征并转换为矩阵形式。
可以理解，步进频暗室RCS测量的扫频模式需要对目标的每个姿态进行全频带扫频测量。在待测带宽为B＝NΔf的假设下，每个目标姿态均需要进行N次测量。而在跳频RCS测量模式下，只需要从上述N个待测步进频点中随机抽取Q个频点进行RCS测量，之后通过RCS重构方法进而实现全频带RCS获取的目的。
具体的，假设V为跳频RCS测量模式下实际被测频率的索引集合，则V共包含Q个元素且为了便于描述，定义稀疏度ρ：
由于同一个距离网格rm上可选择5种不同的散射类型考虑***加性噪声的影响，将式(3)写成矩阵形式：
y＝SΦx+w (3)
其中，表示随机跳频RCS测量模式下由被测RCS构成的列向量，简称跳频RCS序列，Q表示从N个待测步进频点中随机抽取的频点数量。
表示由LN个离散距离网格内所有候选散射中心构成的列向量，包含了散射位置、散射强度和散射类型等信息。
表示跳频RCS测量模式对应的下采样矩阵，且/>Vq表示跳频RCS测量模式下实际被测频点q的索引。
表示加性复高斯白噪声列向量。/>表示的是一个冗余字典矩阵：
其中，表示的是一个子矩阵，共包含了5种候选的散射类型。因此，/>可进一步写成：
式中是冗余字典矩阵Φ的基向量。根据式(3),/>可被下式(8)确定：
为了便于分析，记：
ψ＝SΦ (9)
式中ψ∈Q×5(LN-1)表示随机跳频字典矩阵。
S14，采用IRLS算法对GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解。
可以理解，列向量x表征了雷达目标RCS序列的稀疏分量，通过跳频RCS序列对x进行优化求解即可实现GTD散射参数提取。式(5)是一个线性欠定逆问题，包含了无穷多组解。为了避免直接对l0范数优化求解，IRLS算法将l0范数优化问题转化为lp范数优化问题：
式中在0≤p≤1的前提下，式(10)又可以通过l2范数近似逼近，进一步转化为如下优化问题：
假设ωk (t)是xk第t次迭代更新的加权系数，取为：
式(12)两边同时乘以ωk (t)并求和可得：
式(13)表明IRLS算法可以通过优化最小l2范数快速近似求解最小lp范数优化问题。因此，通过对目标函数(11)进行交替更新即可求得GTD散射参数对应的稀疏最优解
请参阅图3，在一些实施方式中，上述的步骤S14具体可以包括如下处理步骤S141至S144：
S141，对矩阵形式的迭代初始次数、正则化参数和列向量进行初始化。
具体的，采用IRLS算法对解向量x进行求解时，首先需要对迭代初始次数t、正则化参数ε和解向量x进行初始化：
S142，更新IRLS算法的迭代加权系数矩阵。
可以理解，理论上根据式(12)即可确定对应的权重系数ωk (t)，但为了避免因ωk (t)→0时式(17)中矩阵运算(ψHW(t)ψ)-1出现病态，通常会引入正则化参数ε∈[0,1]。具体的，权重系数ωk (t)可以通过下式确定：
相应地，权重系数矩阵W(t)可由构成：
式中ε(t-1)表示第(t-1)次迭代时的正则化参数，表示第(t-1)次迭代时列向量x(t-1)第k个元素的大小，LN表示离散距离网格的数量。
S143，更新矩阵形式的列向量。
具体的，正则化参数的更新方式，将式(16)中的权重系数矩阵代入式(17)即可实现解向量x的第t次更新x(t)：
x(t)＝W(t)ψH(ψHW(t)ψ)-1y (17)
式中x(t)表示第t次迭代的列向量，ψ表示随机跳频字典矩阵，(·)H表示共轭转置运算，(·)-1表示矩阵求逆运算。
S144，更新正则化参数，若相邻解向量差值的二范数与解向量二范数的比值不超过设定的求解精度或者迭代次数超过最大迭代次数，则终止迭代并将最终更新的列向量作为稀疏最优解。
具体的，正则化参数的更新方式为：
其中，ε(t)表示第t次迭代的正则化参数。为了加快x(t)的收敛速度，根据式(18)更新正则化参数ε(t)。
依次迭代更新式(15)、(16)、(17)和(18)并执行t＝t+1操作，直至相邻解向量差值的二范数与解向量二范数的比值，也即||x(t)-x(t-1)||2/||x(t)||2＜Δ(Δ为求解精度，例如可以但不限于设定为10-6)，或者t≥T(T为最大迭代次数，例如可以但不限于设为300)时终止迭代，则最终更新的x(end)可视为稀疏最优解
S16，对稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；散射参数包括散射位置、散射强度和散射类型。
可以理解，为了确保GTD散射参数提取的有效性，对稀疏最优解进行门限截断，以去因除旁瓣或噪声干扰造成的虚拟散射中心。
具体的，对稀疏最优解进行门限截断处理的方式为：
其中，表示门限截断后的解向量/>的第k个元素，η表示截断门限，/>表示所述稀疏最优解，/>表示所述稀疏最优解的第k个元素。因此，/>中的任一非零元素均表征一个散射中心。
S18，将散射参数代入GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。
可以理解，假定x中的第k个元素表征第i个散射中心，则该散射中心所在的距离网格m为：
式中floor(·)表示向下取整函数，mod(·)表示取余函数。
相应地，其散射位置可以确定为：
其散射强度为：
根据式(6)、式(7)和式(8)，其散射类型可以判断为：
等效散射中心的位置强度/>和类型/>均可以根据式(21)、(22)和(23)分别确定。将上述提取的散射参数/>代入式(2)即可实现暗室RCS测量跳频模式下的RCS重构：
上述基于GTD参数提取的跳频RCS重构方法，将稀疏重构理论与GTD散射模型相结合对雷达目标RCS数据进行建模，利用RCS数据在空域上是稀疏的这一事实，基于GTD散射模型给出了跳频模式下雷达目标RCS数据的稀疏表征，并且将GTD散射参数提取问题转化为lp范数优化问题。
进一步采用以l2范数为准则的迭代加权最小二乘算法对上述lp范数进行求解，实现目标不同姿态下的GTD散射参数提取。最后，将提取的散射参数代入GTD散射模型即可实现RCS重构。能够在RCS数据非均匀不完备的条件下提取GTD散射参数，进而实现了跳频模式下基于GTD散射参数提取的RCS重构的目的，对分析数据受限条件下的目标散射特性、对缩减暗室步进频RCS测量的周期和和扩增雷达目标RCS数据有较高的工程应用价值。
在一个实施例中，如图4所示，为了更直观且全面地说明上述基于GTD参数提取的跳频RCS重构方法，下面给出了其中一个应用上述基于GTD参数提取的跳频RCS重构方法进行仿真实验的示例。
需要说明的是，本说明书中给出的实施示例仅为示意性的，并非为本发明具体实施方式的唯一限定，本领域技术人员可以在本发明提供的实施示例的示意下，同理采用上述提供的基于GTD参数提取的跳频RCS重构方法，实现对不同应用场景下的实验与应用分析。
首先，以仿真数据进行实验测试。
表1列出了仿真目标的散射参数，该仿真目标共包含4个散射中心。假定雷达工作在X波段，初始频率f0＝8GHz，雷达带宽为B＝2GHz，步进频率间隔为Δf＝20MHz，高分辨率提升倍数设置为L＝4。
表1
表2列出了信噪比在25dB条件下100次Mont Carlo仿真散射参数仿真结果的均值。可见，本申请可以在稀疏度为ρ＝100.0％和ρ＝50.0％的条件下实现散射参数提取，且两种条件下散射参数的提取结果相近且与真实值相逼近。
表2
图5为信噪比在25dB条件下100次Mont Carlo仿真散射参数的平均结果。
图5中(a)和(b)分别为信噪比为25dB时在稀疏度ρ＝100.0％和ρ＝50.0％的条件下100次Mont Carlo仿真散射参数的平均结果。可见，两种稀疏条件下S1、S2、S3、S4和S5的散射位置、散射强度和散射类型均被正确估计，仅散射强度存在一定偏差，验证了本申请可以在RCS数据非均匀不完备的条件下提取GTD散射参数。
图6中(a)和(b)分别为信噪比为25dB时在稀疏度ρ＝100.0％和ρ＝50.0％的条件下100次Mont Carlo仿真RCS重构的平均结果。可见，两种稀疏条件下重构的RCS序列和和真实的RCS序列高度吻合，仅在峰值和峰谷处存在一定偏差，验证了本申请可以在RCS数据非均匀不完备的条件下重构RCS序列。
进一步的，以电磁计算数据进行试验验证。
图7为两段锥组合体电磁计算目标的CAD模型。雷达初始视线平行于Z轴并指向电磁计算目标的鼻锥方向。雷达仿真参数设如下：初始频率f0＝8GHz，雷达带宽为B＝2GHz，步进频率间隔为Δf＝20MHz，方位角间隔为Δθ＝0.05°，方位累积角为0～6°
图8中(a)为雷达方位角θ＝1.05°时在疏度ρ＝50.0％的条件下GTD散射参数的提取结果。可见，散射回波主要由5个等效散射中心构成，其散射位置和散射强度散与雷达一维距离像(range profile,RP)相吻合。此外，散射类型为镜面反射和边缘绕射的散射分量占据主导，与理论分析相吻合。图8中(b)为雷达方位角θ＝1.05°时在疏度ρ＝50.0％的条件下RCS序列的重构结果。可见，重构的RCS序列与原始RCS序列高度吻合，仅在峰值和峰谷处存在一定偏差，进一步验证了本申请的效性。
图9中(a)和(b)分别为两段锥组合体目标的原始RCS序列和在稀疏度ρ＝50％条件下重构后的RCS序列。可见，重构后的RCS序列与原始RCS序列高度吻合，其峰值信噪比高达(peak-signal-to-noise ratio,PSNR)39.0999dB。主观的视觉效果和客观的PSNR指标均验证了本申请的有效性。
综上，本申请可以在非均匀不完备RCS数据的条件下提取GTD散射参数，进而实现跳频模式下RCS重构。本申请对分析数据受限条件下的目标散射特性、对缩减暗室步进频RCS测量的周期和和扩增雷达目标RCS数据具有较高的工程应用价值。
应该理解的是，虽然图1至图3流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且图1至图3的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图10，在一个实施例中，还提供了一种基于GTD参数提取的跳频RCS重构装置100，包括稀疏处理模块11、优化求解模块13、参数提取模块15和重构处理模块17。其中，稀疏处理模块11用于对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征。优化求解模块13用于采用IRLS算法对GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解。参数提取模块15用于对稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；散射参数包括散射位置、散射强度和散射类型。重构处理模块17用于将散射参数代入GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。
上述基于GTD参数提取的跳频RCS重构装置100，通过各模块的协作，将稀疏重构理论与GTD散射模型相结合对雷达目标RCS数据进行建模，利用RCS数据在空域上是稀疏的这一事实，基于GTD散射模型给出了跳频模式下雷达目标RCS数据的稀疏表征，并且将GTD散射参数提取问题转化为lp范数优化问题。进一步采用以l2范数为准则的迭代加权最小二乘IRLS算法对上述lp范数进行求解，实现目标不同姿态下的GTD散射参数提取。最后，将提取的散射参数代入GTD散射模型即可实现RCS重构。能够在RCS数据非均匀不完备的条件下提取GTD散射参数，进而实现了跳频模式下基于GTD散射参数提取的RCS重构的目的，对分析数据受限条件下的目标散射特性、对缩减暗室步进频RCS测量的周期和和扩增雷达目标RCS数据有较高的工程应用价值。
在一个实施例中，上述稀疏处理模块11的各模块，还可以用于实现上述基于GTD参数提取的跳频RCS重构方法各实施例中的其他相应子步骤。
在一个实施例中，上述优化求解模块13的各模块，还可以用于实现上述基于GTD参数提取的跳频RCS重构方法各实施例中的其他相应子步骤。
关于基于GTD参数提取的跳频RCS重构装置100的具体限定，可以参见上文中基于GTD参数提取的跳频RCS重构方法的相应限定，在此不再赘述。上述基于GTD参数提取的跳频RCS重构装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于本领域已有的各型雷达数据计算分析设备。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时可以实现以下步骤：对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征；采用IRLS算法对GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解；对稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；散射参数包括散射位置、散射强度和散射类型；将散射参数代入GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。
在一个实施例中，处理器执行计算机程序时还可以实现上述基于GTD参数提取的跳频RCS重构方法各实施例中增加的步骤或者子步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征；采用IRLS算法对GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解；对稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；散射参数包括散射位置、散射强度和散射类型；将散射参数代入GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。
在一个实施例中，计算机程序被处理器执行时，还可以实现上述基于GTD参数提取的跳频RCS重构方法各实施例中增加的步骤或者子步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(Rambus DRAM，简称RDRAM)以及接口动态随机存储器(DRDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可做出若干变形和改进，都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于GTD参数提取的跳频RCS重构方法，其特征在于，包括步骤：
对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征；
采用IRLS算法对所述GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解；
对所述稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；所述散射参数包括散射位置、散射强度和散射类型；
将所述散射参数代入所述GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果；
其中，对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征的步骤，包括：
基于所述GTD散射模型对暗室步进频RCS测量数据进行表征；
对雷达最大无模糊距离进行均匀网格化处理；
根据均匀网格化处理后的散射位置的候选网格对均匀离散化处理后的所述GTD散射模型进行推导，得到网格化后的所述GTD散射模型；
用网格化后的所述GTD散射模型对跳频RCS测量模式下的RCS数据进行稀疏表征并转换为所述矩阵形式。
2.根据权利要求1所述的基于GTD参数提取的跳频RCS重构方法，其特征在于，采用IRLS算法对所述GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解的步骤，包括：
对所述矩阵形式的迭代初始次数、正则化参数和列向量进行初始化；
更新所述IRLS算法的迭代加权系数矩阵；
更新所述矩阵形式的列向量；
更新所述正则化参数，若相邻解向量差值的二范数与解向量二范数的比值不超过设定的求解精度或者迭代次数超过最大迭代次数，则终止迭代并将最终更新的列向量作为所述稀疏最优解。
3.根据权利要求1或2所述的基于GTD参数提取的跳频RCS重构方法，其特征在于，暗室步进频RCS测量数据采用如下所述GTD模型的稀疏表征：
其中，yn表示雷达目标在频率fn处的RCS数值，I表示等效散射中心的个数，f0表示发射信号的初始频率，c表示电磁波的传播速度，Ai表示第i个散射中心的散射强度，αi＝{-1,-0.5,0,0.5,1}表示第i个散射中心的散射类型，ri表示第i个散射中心在雷达视线上的距离，Δf表示相干步进频信号的频率间隔，则第n个步进频信号的频率为fn＝f0+nΔf，(n＝0,1,…,N-1)。
4.根据权利要求3所述的基于GTD参数提取的跳频RCS重构方法，其特征在于，所述矩阵形式为：
y＝SΦx+w
其中，表示随机跳频RCS测量模式下由被测RCS构成的跳频RCS序列，Q表示从N个待测步进频点中随机抽取的频点数量；
表示由LN个离散距离网格内所有候选散射中心构成的列向量；
表示跳频RCS测量模式对应的下采样矩阵，且/>Vq表示跳频RCS测量模式下实际被测频点q的索引；
表示加性复高斯白噪声列向量；
表示冗余字典矩阵：
其中，表示子矩阵。
5.根据权利要求3所述的基于GTD参数提取的跳频RCS重构方法，其特征在于，所述IRLS算法的迭代加权系数矩阵的更新方式为：
其中，W(t)表示所述迭代加权系数矩阵，第t次迭代的权重系数ε(t-1)表示第(t-1)次迭代时的正则化参数，xk (t-1)表示第(t-1)次迭代时第k个列向量的大小，LN表示离散距离网格的数量；
所述矩阵形式的列向量更新方式为：
x(t)＝W(t)ψH(ψHW(t)ψ)-1y
其中，x(t)表示第t次迭代的列向量，ψ表示随机跳频字典矩阵，ψ＝SΦ，S表示跳频RCS测量模式对应的下采样矩阵，Φ表示冗余字典矩阵，(·)H表示共轭转置运算，(·)-1表示矩阵求逆运算；
所述正则化参数的更新方式为：
其中，ε(t)表示第t次迭代的正则化参数。
6.根据权利要求5所述的基于GTD参数提取的跳频RCS重构方法，其特征在于，对所述稀疏最优解进行门限截断处理的方式为：
其中，表示门限截断后的解向量/>的第k个元素，η表示截断门限，/>表示所述稀疏最优解，/>表示所述稀疏最优解的第k个元素。
7.一种基于GTD参数提取的跳频RCS重构装置，其特征在于，包括：
稀疏处理模块，用于对跳频模式下暗室步进频RCS测量数据进行稀疏建模，得到雷达目标的后向散射场GTD散射模型的稀疏表征；其中，包括基于所述GTD散射模型对暗室步进频RCS测量数据进行表征，对雷达最大无模糊距离进行均匀网格化处理，根据均匀网格化处理后的散射位置的候选网格对均匀离散化处理后的所述GTD散射模型进行推导，得到网格化后的所述GTD散射模型，用网格化后的所述GTD散射模型对跳频RCS测量模式下的RCS数据进行稀疏表征并转换为矩阵形式；
优化求解模块，用于采用IRLS算法对所述GTD散射模型的矩阵形式进行优化求解，得到稀疏最优解；
参数提取模块，用于对所述稀疏最优解进行门限截断处理后，进行GTD散射参数提取，得到等效散射中心的散射参数；所述散射参数包括散射位置、散射强度和散射类型；
重构处理模块，用于将所述散射参数代入所述GTD散射模型，得到暗室RCS测量跳频模式下的RCS重构结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述基于GTD参数提取的跳频RCS重构方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1至6中任一项所述基于GTD参数提取的跳频RCS重构方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036561.3A CN113742916B (zh) | 2021-09-06 | 2021-09-06 | 基于gtd参数提取的跳频rcs重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036561.3A CN113742916B (zh) | 2021-09-06 | 2021-09-06 | 基于gtd参数提取的跳频rcs重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113742916A CN113742916A (zh) | 2021-12-03 |
| CN113742916B true CN113742916B (zh) | 2024-05-28 |
Family
ID=78735947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111036561.3A Active CN113742916B (zh) | 2021-09-06 | 2021-09-06 | 基于gtd参数提取的跳频rcs重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742916B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444844A (zh) * | 2019-01-04 | 2019-03-08 | 北京环境特性研究所 | 一种提取目标散射中心特征的方法和装置 |
| CN111220960A (zh) * | 2020-01-19 | 2020-06-02 | 北京环境特性研究所 | 多站雷达下的目标特征提取方法和装置 |
| CN112748412A (zh) * | 2020-12-23 | 2021-05-04 | 北京环境特性研究所 | 一种基于双正交匹配追踪的散射中心参数反演方法 |
| CN113075635A (zh) * | 2021-03-30 | 2021-07-06 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8471758B2 (en) * | 2011-02-10 | 2013-06-25 | Raytheon Company | Virtual aperture radar (VAR) imaging |
| US9734601B2 (en) * | 2014-04-04 | 2017-08-15 | The Board Of Trustees Of The University Of Illinois | Highly accelerated imaging and image reconstruction using adaptive sparsifying transforms |
-
2021
- 2021-09-06 CN CN202111036561.3A patent/CN113742916B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444844A (zh) * | 2019-01-04 | 2019-03-08 | 北京环境特性研究所 | 一种提取目标散射中心特征的方法和装置 |
| CN111220960A (zh) * | 2020-01-19 | 2020-06-02 | 北京环境特性研究所 | 多站雷达下的目标特征提取方法和装置 |
| CN112748412A (zh) * | 2020-12-23 | 2021-05-04 | 北京环境特性研究所 | 一种基于双正交匹配追踪的散射中心参数反演方法 |
| CN113075635A (zh) * | 2021-03-30 | 2021-07-06 | 南京航空航天大学 | 基于相参积累的捷变频雷达目标信息重构方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113742916A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Resolution enhancement for large-scale real beam mapping based on adaptive low-rank approximation | |
| Bhalla et al. | Three-dimensional scattering center extraction using the shooting and bouncing ray technique | |
| CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
| CN104950305B (zh) | 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法 | |
| CA2767144A1 (en) | Process for filtering interferograms obtained from sar images acquired on the same area | |
| CN106199524B (zh) | 基于基追踪去噪的远场宽带rcs数据采集与压缩方法 | |
| CN115015907A (zh) | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 | |
| CN115963494A (zh) | 基于快速sbl算法的周期性分段观测isar高分辨成像方法 | |
| CN115453528A (zh) | 基于快速sbl算法实现分段观测isar高分辨成像方法及装置 | |
| O'Donnell et al. | Compressed sensing for radar signature analysis | |
| Choi et al. | Two-dimensional evolutionary programming-based CLEAN | |
| CN115356729A (zh) | 一种近场非均匀采样的直接稀疏成像方法 | |
| CN113466864B (zh) | 快速联合免逆稀疏贝叶斯学习超分辨isar成像算法 | |
| Zheng et al. | GTD model parameters estimation based on improved LS-ESPRIT algorithm | |
| Wu et al. | Superresolution radar imaging via peak search and compressed sensing | |
| CN113742916B (zh) | 基于gtd参数提取的跳频rcs重构方法 | |
| CN112904298A (zh) | 一种基于局部网格***的网格偏离空时自适应处理方法 | |
| CN113484842B (zh) | 基于目标姿态分帧与散射字典截断的rcs重构方法 | |
| CN115453527A (zh) | 一种周期性分段观测isar高分辨成像方法 | |
| Song et al. | An Effective Image Reconstruction Enhancement Method with Convolutional Reweighting for Near-field SAR | |
| Li et al. | TEFISTA-Net: GTD parameter estimation of low-frequency ultra-wideband radar via model-based deep learning | |
| Liu et al. | A Split Iterative Adaptive Approach for Super-Resolution Imaging of Sparse Scene | |
| CN116990817B (zh) | 一种雷达前视无网格重构sar成像方法和装置 | |
| Luo et al. | Two-Dimensional Super-Resolution Imaging For Scanning Radar Using Sparse Learning Via Iterative Minimization | |
| CN116559863A (zh) | 一种基于互质采样的探地雷达时延估计方法和*** |
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 |