作者中心
专家审稿
责编办公
编辑办公
Combined Conditional Random Fields Model for Supervised PolSAR Images Classification
-
摘要: 在复杂极化SAR (Synthetic Aperture Radar, SAR)图像的地物分类中，可以通过提取多种特征及利用上下文信息来提高分类精度。特征维度的增加会产生过拟合和特征干扰，从而导致分类器性能降低。针对这个问题，该文提出了一种基于组合条件随机场(Conditional Random Fields, CRF)的极化SAR图像监督地物分类方法。不同于CRF模型通过将多个特征矢量堆叠形成一个新的特征矢量以利用多种特征信息的传统方式，组合CRF模型首先将不同类型特征分成多个特征子集合分别训练同一个CRF模型得到多个有差异的子分类器，从而得到多个地物分类结果，然后以单个子分类器的归一化总体分类精度作为加权系数将多个分类结果进行融合以得到最终的分类结果。两组真实极化SAR图像分类实验结果表明，该文方法的分类精度比利用单个特征矢量单个子分类器的分类精度有明显提升。对于实验采用的两组数据，该文方法的分类精度比利用多个特征矢量堆叠的分类精度分别提高13.38%和11.55%，同时也比基于SVM (Support Vector Machines, SVM)的分类精度分别提高13.78%和14.75%。Abstract: More features and contextual information can be extracted and exploited to improve classification accuracy in complex Polarimetric Synthetic Aperture Radar (PolSAR) imagery classification. However, the problems of overfitting and feature interference caused by the increased high dimensions of features lead to poor classification performance. To address these problems, a PolSAR image classification method based on combined Conditional Random Fields (CRF) is proposed in this paper. Unlike the traditional way of utilizing multiple feature information wherein multiple feature vectors are directly stacked to form a new one, combined CRF first forms multiple feature subsets according to different feature types and utilizes these feature subsets to train the same CRF model to obtain multiple child classifiers, thus obtaining multiple classification results. Then, the final classification result is gained by fusing multiple child classification results with the normalized overall classification accuracy of each classifier as the weight. Extensive experiments conducted on two real-world PolSAR images demonstrate that the accuracy of the proposed method is significantly improved than that of the single child classifier. For both the data sets used for performance evaluation, the classification accuracies of the proposed method increased by 13.38% and 11.55% than those of the method of stacking features, respectively, and by 13.78% and 14.75% than those of support vector machine-based method, respectively.
-
1. 引言
随着信息技术的发展，未来战争将呈现出大纵深和立体化作战空间，其作战行动将是陆海空天一体化，并将具备超远程、全天时、全天候、快速、灵活和精确的特点[1]，高度发达的信息获取、控制和使用技术将成为未来战争中的必备。在这一过程中，信号的宽带接收与处理、信息的泛在感知与接入成为电子信息装备研究有待解决的关键问题。
光纤通信技术历经数十年的发展已经向人们证明了其强大的宽带传输与处理能力。同时，传统的微波无线技术也展现出了有效的泛在感知与接入能力。而将上述两种技术进行有机融合，则诞生了微波光子技术[2]。该技术自诞生至今，随着各种光子材料及器件相继研制成功以及组件设计、制造工艺水平的提高，其在光载无线通信、光纤传输以及微波测量等多个领域均取得了令人欣喜的研究成果[3]。美国海军实验室更以“光子学照亮了雷达的未来”(photonics illuminates the future of radar)为题，将该项技术在雷达中的工程应用提到了极为重要的高度[4]。截至目前，国内外在微波光子雷达的研究成果显示，微波光子技术相比于传统电子手段已呈现出巨大的带宽和灵活性的优势，极大地提升了微波成像精度、处理速度和时效性[5–7]。然而，在已经取得的成果中，所使用的雷达天线形态仍为抛物面而非相控阵体制，基于微波光子的相控阵雷达的研究成果仍鲜见报道。
半导体电子学的成功给予微波光子学极大的启发和借鉴，并且为微波光子学的发展指明了方向。目前光子系统正从离散的光电子器件向集成化方向迅猛发展，这符合未来工程化应用的需要。微波光子技术、及光子集成技术在相控阵中的应用研究需要力、热、光、电等多物理场的协同设计，涉及的专业面更广，专业之间的融合度更加紧密，研制难度和技术门槛也提到了更高高度。
本文将结合相控阵天线需求以及微波光子技术特点，探讨将微波光子技术应用于下一代先进相控阵天线，期望能够为未来新型相控阵雷达系统的研究工作提供借鉴，从而能有力支撑军事电子装备性能的进一步提升。
2. 先进相控阵的需求与挑战
2.1 相控阵雷达特征
未来先进相控阵技术的需求主要体现在4个方面，如图1所示。
(1) 宽带化。宽带化的需求是由未来信息系统的作战使命与任务决定的。一方面，多种探测对象和任务需求要求相控阵雷达系统能够灵活地配置频段资源；另一方面，反弹道导弹作战等要求雷达具备更宽的带宽以提高雷达的探测精度与分辨率，从而实现更精细的目标识别。此外，不同的作战平台均要求相控阵雷达系统能够实现战场环境监视、目标搜索与跟踪、目标识别、通信、反干扰等多功能一体化，相控阵雷达的硬件系统必须具备宽频段甚至是跨频段工作的能力，才有望采用综合且开放式的模拟和数字处理以及软件体系架构进行灵活的资源调度和管理，进而实现雷达、电子战、通信、导航、识别等多种射频功能以及多源信息融合；
(2) 阵列化。相控阵雷达具有波束无惯性捷变、副瓣电平低及高阵列增益的特点。雷达通过阵列化实现了能力的跨越式提升，包括在威力、抗干扰以及可靠性等多个方面。未来对作战效能进一步提升需求，均需要相控阵向着大空域覆盖、高精度测向以及同时多波束等技术方向发展；
(3) 通用化、小型化。大型平台受威胁的程度与日俱增，未来的相控阵雷达必须能够同时兼顾探测性能和平台隐身的需要。未来装备对隐身性能的要求将从目前的有限角度和有限频段向全方位和全频段扩展，隐身性能要求的指标量级将进一步增加，因此对配置于平台的各类探测系统提出了更高隐身性设计要求。此外，未来作战目标雷达散射截面积(Radar Cross Section, RCS)更小、飞行速度更快、武器攻击距离更远，要求探测系统具备更大的探测能力和更高的探测精度。在这样的需求背景下，通用化、小型化的平台将成为未来战场下不可忽视的主要作战力量；
(4) 协同化、网络化。未来的军事战争将从平台中心战转移到网络中心战。依靠单个平台自身的武器装备，由于受到传感器的类型、精度及视距的限制，很难满足对抗现代精确制导武器的需要。只有将整个作战兵力组成一个网络，作战资源和情报资源共享，才能发挥比各个平台的简单累加更大的军事效益。
2.2 相控阵雷达面临的挑战
未来相控阵雷达的关键问题一方面在于要实现能够承载雷达、通信、电子战等多种功能所覆盖的全部带宽的模拟通道，另一方面要求能够高性能地连接处于最前端的分布式的宽带天线和处于后端的软件无线电平台。
考虑到多功能覆盖的射频带宽非常宽，支持一体化多功能的信道当前面临的困难集中表现于当前的电子技术仍难以支持超宽带信号的数字化[8]；同时，当前射频器件也难以支持超宽带、多频段射频信号的传输和处理。一方面，由于模数转换器(Analog to Digital Converter, ADC)的带宽仍远小于多功能覆盖的射频带宽，在数字化之前宽带射频信号将经过例如变频、滤波和信道化等模拟信号处理；而当前单个电子器件难以支持超宽带的模拟处理，也无法实现超宽带的可调谐处理，因而针对每个波段仍需要不同的硬件支持，无法实现通道的一体化。另一方面，传统的射频传输方式无法在超宽的带宽内保持均一且高的动态范围，因而射频信号必须在非常接近天线的地方变频为低频或者数字信号[9]，这些针对每个天线的硬件无法集中在一起，在多天线或阵列的情况下会进一步造成硬件的冗余。总之，传统电子技术无法支持超宽带射频信号的传输和处理，是当前相控阵雷达应对未来技术发展需求所面临的主要困难。
3. 微波光子相控阵及其性能分析
3.1 微波光子相控阵架构
微波光子学经过近30年的发展，在针对超宽带射频信号的传输、处理等关键技术方面，已经表现出优异的、超越传统射频信号处理技术的性能。基于微波光子学的独特优点，特别是利用光模拟信号传输技术，未来相控阵雷达相比现有的相控阵雷达将呈现出一种新的架构。如图2所示，复杂的数字阵列模块(Digital Array Module, DAM)的核心部分可通过射频光拉远与天线物理分离，并远程安装于空间相对宽阔的后端中心站。天线阵面部分将仅由天线辐射单元和超宽带光电混合集成前端组成。后端处理单元可基于微波光子技术来完成光电数字阵列中信号产生、频率变换、模拟和数字的相互转换等功能，变为数字信号后送入后端数字处理单元。
图 2 基于微波光子的新型相控阵架构Figure 2. The architecture of new phased array radar based on microwave photonic technology基于微波光子的新型相控阵其整个架构主要包括超宽带光电混合集成前端、基于微波光子的射频拉远和交换网络以及后端微波光子功能组件3个部分。其中，基于微波光子的射频拉远和交换网络在光域实现模拟波束合成的功能。整个架构的建立是以能够将原有的微波频段的传输和处理通过高效的微波-光波转换变换到光波频段进行传输和处理为基础的，其实现的硬件基础是超宽带的光电集成收发模块。该模块除包括原有射频收发模块所需的各类功能组成外，还增加了光/电、电/光转换部分，并与后端通过光网络来进行互连。由于光载波对射频频段的透明性，光电集成收发模块可面向6～18 GHz甚至更宽带宽，Ka, W甚至更高频段的射频信号。由于微波/光波信号相互转换也将不可避免地引入转换损耗，进而对整个射频链路的增益、噪声性能产生影响。因此，为满足更高的探测感知能力的需求，光电收发组件的实现除了在器件性能上不断提升微波/光波转换的性能外，还必须从整个链路性能的角度出发，通过必要的射频预处理、后处理以及相关的补偿措施来进行优化。
整个架构的发射链路为：数据/基带信号通过电光调制，与光生本振信号完成上变频后，经过光滤波器滤除杂散信号经射频光拉远送至全光交换网络。利用全光交换网络完成发射通道间的动态配置，送至对应的光电混合集成前端。在光电混合集成前端中，通过真延迟调整实现波束方向控制，后经光电变换后恢复出射频激励信号，再经射频放大后由天线辐射。
与之对应，接收链路为：天线探测到的雷达回波信号首先进行射频预处理(放大、滤波等)，后通过电光变换调制到光域，在光域通过真延迟芯片完成相应的幅相控制后，经光子波束形成网络完成子阵级波束合成后通过射频光拉远传回后端处理单元。在后端处理单元中，可以先通过光学方法将探测到的高频信号下变频至中频，经过光学滤波、光电转换后处理中频信号，也可以利用光学ADC技术直接对高频信号进行带通采样。采样后的数字信号再送至后端数据处理单元(Digital Signal Processing unit, DSP)完成相关信号处理。
3.2 微波光子相控阵的技术优势
从相控阵雷达整体性能上来看，采用微波光子技术的新型相控阵阵列，相较传统的数字阵列其优势集中体现在以下3个方面：
(1) 射频光传输带来的技术优势。
光纤重量典型值仅为27 g/km，而同轴电缆重量典型值高达567 kg/km。光纤具有数十THz的通信窗口和极低的传输损耗(0.15 dB/km @ 1550 nm)[10]，而同轴电缆其带宽典型值仅为40 GHz，传输损耗典型值高达360 dB/km @ 2 GHz。得益于微波光子链路呈现出的轻质低损耗的优点，射频传输可获得更高的组网灵活性和可重构性。通过射频光传输，天线前端无需再束缚在发射机与接收机附近，从而释放了阵面端的压力。另一方面，传统的微波链路无杂散动态范围(Spurious-Free Dynamic Range, SFDR)仅达到110 dB·Hz2/3。相应地，对于X波段的接收机来说，当接收噪声系数5 dB时，若要满足信号探测灵敏度低至–90 dBm且接收动态范围大于60 dB，相应的探测信号带宽范围仅为数十MHz[11]。有报道指出，微波光子链路的SFDR可达134 dB·Hz2/3 [12]。在同样的探测指标需求下，相应的探测信号带宽范围可拓展至数GHz。微波光子链路作为天线单元之间以及天线单元和中心处理器之间的传输信号媒质，通过近似无损的传输，大大提高了系统的动态范围，增强了系统对目标的识别能力。此外，微波光子链路还具备良好的抗电磁干扰特性，可同时处理多个射频脉冲信号和电磁干扰信号，提高了系统的有效性、保密性和可靠性。更重要的，射频光拉远为噪声非相关的分布式频率源的实现提供了硬件支持，有助于获得理论上的信噪比合成增益，实现理想的探测威力和杂波下检测能力[13]。
(2) 射频光网络带来的技术优势。
由于光载频极高，光延迟对于传输的微波信号的任何频率均可视为真延迟，这就有效地避免了宽带波束倾斜问题，同时由于光传输损耗极低，采用光子技术可提供大延迟位数长时延的延迟，从而为相控阵的宽带宽角扫描提供了有力的硬件支撑[14]。同时，在子阵级波束合成之后再进行模数转换，避免了大规模地使用数字TR组件，在模数转换之后再进行后端的信号处理和数据处理，有效地缓解了庞大数据处理带来的功耗和散热问题，简化系统构成的同时，也使得阵面的重量、成本大幅降低。此外，采用射频光交换技术，利用光开关在光域实现射频信号切换相对原有技术具有太赫兹级的无可比拟的宽带优势和平坦的频率响应特点，这将为多功能一体化电子系统的架构设计提供有力的保障，并可提供极高的交换容量[15]。另外，得益于其纳秒级的切换速度[16]，光子射频切换有望成为动态、可重构射频交换系统的首选方法。
(3) 射频光处理带来的技术优势。
传统相控阵的射频前端部分在宽带信号的接收和处理方面面临着巨大挑战。而微波光子技术不仅呈现出了工作频段范围大，应对瞬时带宽大的优点，同时其在模拟信号处理等方面也呈现出独到的技术优势。
光电振荡器的发明为高性能微波源的实现提供了新的解决方案[17]。从文献报道来看，光电振荡器能够在覆盖百MHz到百GHz的频率范围内产生低相噪、高稳定性、高频谱纯度的射频信号，特别在相位噪声、频率稳定度及频谱纯度方面已经呈现出超越传统电子手段的优势[18,19]。一旦实现工程应用，将显著提升现有相控阵雷达对于低空、慢速、小目标的探测能力。
基于电子学方法的模拟滤波器，由于受到电子瓶颈的限制，很难向着高频发展且带宽有限。此外，传统微波滤波器的通带中心频率可调谐范围一般较小，仅为百MHz到数GHz。尽管近年来随着微波理论和器件的不断发展，其调谐范围和调谐速度都有了一定的改善，但由于传统微波传输介质在不同频率的插损和色散等参数相差较大，滤波器只能对某一个目标频段做特殊优化，难以兼顾频段相差过大的信号，所以仍然无法从根本上解决调谐范围有限的问题[20]。微波光子滤波技术通过将需要处理的微波信号调制到光载波上，使用光学的手段对信号进行滤波，充分发挥了光纤对调制的不同频率射频信号增益平坦的优势，可以更容易地在高频段实现滤波器通带频率大范围可调以及通带谱形的重构[21]。
利用微波光子混频的高隔离度可以解决传统微波领域同相-正交(In-phase and Quadrature, IQ)混频技术中的本振泄漏等问题，让混频链路较少地受到电子限制及干扰；在光上实现IQ解调还不受频率的限制，IQ失配和偶次失真不会随着射频频率提高而明显增加[22]；在处理跨波段的微波信号方面，已有研究证明，随着输入微波频率的增加，系统的无杂散动态和3阶交调情况几乎没有明显的变化，在8～40 GHz频段范围内，系统的SFDR均可达到≥123 dB·Hz2/3 [23]。微波光子混频的处理带宽和频率仅仅受限于系统中的光电器件，而目前带宽为40 GHz的光电器件已经成熟并商品化，60 GHz甚至上百GHz的光电器件也有了相关的产品或报道。因此，基于微波光子混频实现宽带大动态的微波信号处理具有巨大的发展潜力和应用前景。
在高性能模数转换领域，受到ADC内部采样保持电路带宽、比较器迟豫和时钟抖动等因素的影响，传统电子ADC的采样率和量化位数受限；同时由于半导体载流子迁移率有限，电子ADC难以同时获得数十Gsps的采样率和高量化精度，已经不能满足现代信号处理对于高采样率、高载频和高带宽的要求，成为各类应用系统中的主要瓶颈[24,25]。近年来，利用低时间抖动(数fs至数十fs量级)、窄脉冲宽度(数百fs至数ps)的光脉冲信号进行采样的光学模数转换技术，可以实现数十Gsps甚至上百Gsps的超高速高精度信号采样[26](如图3所示)，相对于电子模数转换呈现出了较大技术优势，引起了世界各国极大重视，有望成为解决突破上述技术瓶颈的有效解决办法。
图 3 近年来微波光子ADC与电子ADC性能对比Figure 3. Performance comparison of microwave photonic ADC and electronic ADC in recent years通过上述分析不难得出，在传统的射频前端系统中，由于受到射频滤波、电混频器的带宽以及调谐范围的限制，射频接收机一般只能工作在固定的频段，难以对跨频段的频域上稀疏的信号进行处理。并且随着微波频率的升高，由于混频器变频和同轴电缆传输所引入的损耗和非线性失真都会增大，都将严重制约系统性能。在微波光子相控阵架构下，将处理部分置于后端集中进行，并采用微波光子相关的技术实现射频信号的产生、混频、滤波和模数转换等等，这样的系统不但具有大的射频带宽，低传输损耗，重量轻，抗电子干扰能力强等优良品质，而且具备调谐范围大，重构能力强等特点，有望在光控宽带相控阵雷达等技术领域呈现独特的优势。
(4) 简化系统复杂度的优势明显。
在使用微波光子进行频率变换时，光载波频率极高，可实现高频微波信号到基带信号的低变频损耗的单次下变频，同时仍可保持较高的镜频干扰抑制，从而有效地避免了多级频率变换带来的损耗和复杂度提升[27]。此外，该技术可以和光波分复用技术相结合，实现一次性将多端口的射频信号与单本振信号上/下变频[28]。进一步地，将该方案与微波光子波束赋形网络的设计相结合，可以基于新的架构，在省略了传统的复杂的本振馈送网络的同时，建立灵活高效的信号收发链路。
3.3 微波光子相控阵的关键技术
与传统的光开关、光交换、光逻辑等数字信号处理功能完全不同，微波光子技术面向的是宽带微波信号，其进行的是模拟信号的光处理。其实质上是将“电域上超宽带的微波信号处理问题”转化为“光域上极窄带的模拟信号处理问题”。因此，微波光子技术应用于相控阵雷达系统中，在提供了上述诸多优势的同时，也必将会遇到一些新的难点和技术挑战。涉及到的关键技术有：
(1) 高性能器件及芯片。
随着收发信道容量的增加，微波光子相控阵系统对直调激光器的调制带宽和线性度的要求势必越来越高，尤其需要衡量其1 dB压缩点以及激光器谐振非线性两项指标。调和空间烧孔效应，增加整个腔内载流子的利用率均匀性，提高1 dB压缩点；同时削弱光子载流子的非线性复合，削弱激光器谐振非线性，成为激光器阵列混合集成芯片制作中的关键技术。虽然国外很多科研单位和研究人员在单个模拟直调激光器改善带宽和减小非线性等方面都有广泛研究，但是对于模拟直调半导体激光器等高性能多波长激光器阵列，目前尚缺乏相关报道。
其次，对于微波光子相控阵的阵列化应用，波长的准确控制是激光器阵列非常重要的技术指标。电子束曝光技术受到拼接误差及外界环境影响，由其制作的DFB激光器波长精度难达到1 nm以内。目前理论研究发现，基于纳米压印技术的激光器[29]波长精度误差可控制在±0.2 nm，但未见工程应用报道。
就微波光子相控阵来说，其广泛使用的模拟光传输链路对于高饱和功率光电探测的需求日益迫切。微波光子相控阵天线需要接收高功率模拟信号，势必要求探测器有高线性度和高动态范围，从而减小信号失真并且易于提高传输容量。目前来看，由于探测器中光生载流子的空间电荷效应，探测器在饱和功率下遇到较大困难，是目前国际上尚未解决的一个关键技术难点。
(2) 高频宽带的微波信号与光载波之间高效线性相互作用与能量转换。
超宽带射频信号可以表示为包含若干中心角频率为
ωk 信号的通频带信号，如式(1)表示Z(t)=∑ρk(t)cos(ωkt) (1) 其中，
ρk(t) 为信号的振幅包络。连续光波通过电光调制器，被注入的超宽带射频信号所调制。电光调制器的传递函数可表示为
S1k(t)∝1+cosθ1∏pJ0(βρp)+sinθ1∏pJ0(βρp)⏟XMD1J1(βρk)J0(βρk)sin(ωkt) (2) 其中，
θ1 为调制器的偏置角度，β=π/Vπ ,Vπ 为调制器的半波电压，J0(),J1() 分别为0阶和1阶贝塞尔函数。。由式(2)可知，超宽带工作状态下，频率为
ωk 的信号将既受到载波间的互调失真影响，又受到带内的交调失真影响，两种失真并存，共同影响着信号的线性接收。因此，多源非线性的共同抑制和补偿是超宽带高性能系统中的重要研究内容。各类噪声是限制微波光子链路接收微弱信号的主要因素，系统自身的噪声特性好坏直接影响到链路弱信号检测能力。当前，微波光子链路的噪声系数仍普遍在20 dB以上，极大地制约了其在相控阵雷达中的应用。非线性和噪声对微波光子链路性能的影响可以通过链路SFDR这一指标来衡量，其综合体现了一个系统克服噪声影响，处理微弱信号的能力以及克服非线性失真影响，接收和处理强信号的能力。在过去的几十年里，各国的专家学者围绕模拟光链路动态范围的提升问题展开了大量的研究工作。概括来说，无外乎从提高链路的信噪比(降低链路噪声系数)以及提高链路的线性度两方面入手。主要包括了调节激光器输出功率、降低激光器RIN值、低偏置技术、光载波过滤技术、双波长注入技术、调制其的级联(串联/并联)技术、平衡探测技术、预失真、失真后补偿技术[30]等。表1对提升微波光子链路(Radio Over Fiber, ROF)动态范围的几种关键技术的主要优缺点进行了比较。
表 1 大动态范围微波光子链路实现手段的优缺点比较Table 1. Comparisons of merits and drawbacks of ways of realizing large dynamic range ROF links关键技术 优点 缺点 低偏置技术 结构简单 偏置点的漂移会造成补偿技术的失效甚至损伤 前馈失真补偿技术 稳定性好 结构非常复杂；需要精确的延时匹配 预失真电路设计 系统结构简单，成本低 工作带宽窄 DSP后失真补偿 降低系统硬件复杂度 需准确获知系统的传递函数模型；
带宽受ADC的带宽限制基于并行MZM的
IMD3抑制技术可结合低偏置的优势，最大限度
提高SFDR需求精确的延时匹配；需要准确的
光电功率分配从表1可以看出，纵然微波光子链路可以通过采取一定的手段获得极高的动态范围，但在实际应用中，仍需要综合考虑链路的指标、系统实现的复杂度、成本等多方面的因素，特别是系统稳定性、复杂度及成本等，成为了制约现有大动态范围微波光子链路实现方法在微波光子相控阵中大规模工程应用的关键因素。
(3) 微波模拟信号的光域处理与精细灵活调控。
由于光波的频率比微波的频率高3～5个数量级，在光域进行微波信号的处理实际上就是进行超窄带的模拟信号处理，这就需要在光域上直接对带宽仅为GHz甚至百MHz量级的微波信号的幅度和相位进行精细控制。下面以微波光子滤波和高性能模数转换为例进行说明。
在宽带微波模拟信号的产生和处理时，往往需要对宽带信号的时域波形和频谱进行灵活地控制，以满足一些特定的要求。比如在超宽带微波光子相控阵应用中，一方面要通过控制超宽带信号的时域波形，使脉冲的频谱能够尽可能逼近美国联邦通信委员会(Federal Communications Commission, FCC)制定的世界通用频谱规范；另一方面还要在光域实现对超宽带脉冲信号的高速调制和编码，以满足未来超宽带微波光子相控阵系统灵活接入的需求。但需要注意的是，微波光子系统输出的微波信号幅度与光电探测器接收到的光功率是成正比的。遗憾的是，光功率没有负值，因此一般情况下基于数字滤波思想构成的微波光子滤波器只能是产生正抽头系数的微波信号处理系统。这就大大限制了系统的可调谐性和可重构能力。纵然可以通过差分检测、混合光电方法、利用电光调制器反向特性或者光器件的非线性效应来实现负抽头系数的微波光子滤波器[31]，然而这样的滤波器在实现上往往需要精心地设计，难免在实用性和可靠性上大打折扣。
多数微波光子滤波器的原理是基于线性系统的数字信号处理理论，输出微波信号
so(t) 可以表示为每一路经过延时T 的输入微波信号si(t) 的叠加，满足如式(3)so(t)=N∑r=−Narsi(t−rT)⇒si(t)h(t) (3) h(t)=N∑r=−Narδ(t−rT)=N∑n=−Nh(n)δ(t−nT) (4) 其中，
N 为抽头数(采样数),ar 为抽头系数。h(t) 为系统的冲击响应，其可视为1个离散时间信号，对其进行离散时间傅里叶变换可得此类微波光子滤波器的传输函数如式(5)H(Ω)=N∑n=−Nh(n)exp(−jnΩT) (5) 由式(5)可知，基于光纤延时线的微波光子滤波器的滤波特性具有周期性，从而限制了所处理微波信号的带宽，并可能导致频谱的重叠。为了得到单通带的滤波特性，人们提出了基于光滤波的微波光子滤波器。基于光滤波的微波光子滤波器通过在光域上对信号进行选频，具有灵活的可调谐性和可重构性。对于这一类型的微波光子滤波器，光滤波的性能对滤波器的频率响应具有决定性影响。需要注意的是，品质因数与滤波器带宽成反比，也即为了获得精细调控，需要光滤波器具备极高的品质因数。遗憾的是，目前此类微波光子滤波器仍鲜见报道。此外，在光域中，微波光子滤波器的设计还需要考虑在输入光功率过大情况下引入的非线性效应，例如自相位调制、交叉相位调制、四波混频、受激布里渊散射等等。综上，高精细、高可靠、宽带可调谐的微波光子滤波仍需持续攻关。
为了突破模数转换(ADC)器件性能的限制而获得更高的采样率和分辨率，基于并行方式的技术(诸如时基交替模数转换)技术已经成为一种提升实时采样率的非常有效且可行的方法，进而被广泛应用在实时获取非周期信号波形中。微波光子模数转换技术与该方法的思想是基本相同的。同时，微波光子模数转换可以获得比电子设备更精确的采样脉冲重复频率，有效克服所有电子ADC的抖动限制，进而显著提高ADC的采样率和分辨率。然而必须清楚地认识到，超高速采样系统还需要在并行采样技术、系统并行构架、失配误差校正、多器件并行数据同步和并行出发定位等方面开展深入的研究工作。
(4) 分布式环境下微波光波协同与可重构组网。
在应对大带宽、大阵列、分布式、多传感应用的情况下，基于微波光子技术的网络架构需要建立以感知环境和协同调配频率、幅度、相位和空间分布为基础的模型，从理论上指导网络架构的设计：需要定义中心站和天线节点的功能，优化网络的拓扑结构，以及均衡微波链路的增益、噪声、动态范围等；需要不断完善采用微波光子的频率切换和基于微波光子的射频信号幅相控制方法与协议，最终获得尽可能高的网络容量和尽可能低的能量消耗。
(5) 环境适应性及成本的挑战。
当前限制微波光子相关技术在相控阵雷达中应用的一个关键瓶颈在于微波光子相关的链路系统对环境因素比较敏感，集中表现在微波光子链路的传输媒质(特别是光纤)受温度、振动、张力等环境因素变化作用时，其承载的射频信号的相位会发生剧烈变化。从而影响整个相控阵系统的相参性能。首先来看温度变化的影响：忽略光纤折射率的变化，射频信号在长度为
L 的光纤中传播时，由于外界温度变化ΔT 引起的相位变化Δφ 可表示为[32]Δφ=360∘fRFLNeffKΔT/c (6) 其中，
fRF 为射频信号的频率，Neff 为光纤折射率，L 为光纤长度，K 为光纤相位长度相对温度变化的典型系数(K≈ 10 ppm/°C),c 为光在真空中的传播速度。对于一个L波段地基相控阵雷达(fRF=1.3 GHz)，阵面规模50 m (L=25 m)，选用SMF-28光纤(Neff=1.47 )传输，当阵面因功率失配等原因导致局部发热引起温度变化(ΔT =30 °C)时，相应的相位变化量可达17.2°。由于阵面形变等因素引起的光纤长度变化也会引入相位变化，可用公式表示为
Δφ=360∘fRFNeffΔL/c (7) 对于某星载X频段(
fRF=10 GHz)阵面来说，当因阵面形变导致光纤等效长度发生1 mm微小变化时，其传输的相位变化将达到18°。通过上面的分析可见，由于光纤对于温度及振动的敏感性，微波光子相控阵在应用射频光传输链路时其相参性能受到了一定程度的挑战。尤其要强调的是，由于阵面展开及工作时，形变和局部温度骤变的不可预知性，由此带来的射频光传输相位变化的不确定性无疑给整个相控阵阵面的相位补偿带来了极大的困难。因此，射频稳相光传输技术是微波光子相控阵走向工程化应用亟待解决的关键问题。
另一方面，随着相控阵集成度的提高，天线阵面变得越来越紧凑，功能也越来越丰富，这对天线阵面相关组件的布局提出了极大的挑战。分立的光电器件已难以满足小型化、通用化的需求。因此，为了应对未来武器装备及信息系统发展的重大挑战，采用光电混合集成技术的相控阵阵面才应是未来微波光子相控阵应有的形态。微波光子器件与数字光通信中广泛采用的光器件、光模块不同，在尚未形成标准化、批量化生产的今天，更多的射频光模块均为定制产品，成本较昂贵，限制了其应用场景。据Intel统计，光电子集成器件总体成本中，芯片设计、封装和测试各占1/3。因此，为了降低集成器件成本，必须在芯片设计初期就开始考虑耦合、微波封装的方式，从而将光电子芯片的性能充分发挥出来，将封装寄生参数的影响降到最低。此外，为了降低阵面复杂度及系统运维成本，支持热插拔的小型化光收发模块一体化设计也势在必行，这也给封装带来了挑战。
3.4 微波光子相控阵的研究技术路线
前已述及，从面向工程应用角度考虑，一个性能更强大和使微波光子技术更接近实际应用的技术手段应当是光电混合集成[33]。通过集成，长光纤引起的环境因素相关的系统不稳定性被显著消除；平台载荷受限的压力得到显著缓解；同时，通过集成实现批量生产，才可显著降低光学器件的成本。
微波光子技术在相控阵中的工程应用研究，要以有源相控阵雷达的需求为牵引，以已有成熟的微波光子技术为切入点，紧跟国内外微波光子学的研究动态，立足现有的研发条件，联合业内优势单位，建立合作机制并牵引应用开发，通过循序渐进、轻重有序的投入，最终将其应用于军事电子装备中。图4示意了后续应开展的研究的路线图，就3个重点方面进行工程应用首先开展攻关：
图 4 基于微波光子技术的新型相控阵雷达技术研究及工程应用路线图Figure 4. Research and engineering application roadmap of new phased array radar based on microwave photonic technology(1) 高集成光电收发模块。对于微波光子相控阵采用的光电子阵列芯片这种宽带电子器件，其内部芯片特征尺寸不断减小、通道数量不断增多、线性范围不断扩大，且其外部封装还需要承担一部分系统集成的工作，因此封装接口更加复杂。封装过程中因光电器件的工艺、材料、结构不同导致的组装工序繁多、工艺难度增大、阻抗模场失配以及热量损耗严重等问题，极大地限制了器件性能，使得高性能的高集成光电收发模块的设计及实现面临重大挑战。因此，需要研究模块化封装中阻抗严重失配和由尺寸差异引起的模场失配对ROF光电子芯片性能的影响；搭建小信号模型分析寄生参数对光电子芯片高频特性的影响规律；研究利用电设计、热管理和可靠性分析3维一体的软硬件协同设计方法，解决信号、电源完整性问题，降低封装热阻；研究系统封装中信号回路的电流分布及趋势对整体结构的功耗和温度分布的影响规律，实现宽频带光电收发模块的高效微波封装和系统封装。通过开展光电链路设计、器件封装、工艺集成等技术攻关，对现有的宽带T/R组件进行功能扩展，满足未来宽带、分布式射频光拉远的需求；
(2) 射频与数字同传。目前微波光子传输系统的研究工作更多针对的是频率信号的传输，虽然通过较高频率信号的周期和相位也可以精细地划分时间，不过很多实际的应用场合还是需要时间信号。所以对于微波光子相控阵应用来说，其传输系统应当考虑同时传输时钟定时以及频率信号。对于时钟定时信号来说，需要注意的是相控阵不同组件之间的定时切换信号的相对延时必须严格加以控制，也即数字光传输系统在设计时需要对延时控制和抖动抑制进行合理优化。同时，未来相控阵系统波形产生快，切换时间短，还要求定时信号的传输通道必须采用高速设计。对于射频传输来说，上行信号传输多为定功率传输，此时没有动态范围的要求，需要关注的重点与定时信号的数字光传输类似，一方面是微波光子链路需保持极低的相位噪声特性；另一方面需要严格降低信号传输过程中的相位变化量，特别地，对于稳相传输技术来说，需对射频相位的更大范围、更高速度调节以及更高精度的补偿展开持续攻关。下行信号的传输链路除稳相要求外，对灵敏度和动态范围均提出了很高的要求，如何设计传输链路能够兼顾系统复杂度、成本及链路性能指标是其最终走向工程化应用的关键。最后，开展基于波分复用的模拟、数字同传技术攻关，提高单纤信道容量，减少光纤传输通道也是微波光子相控阵传输系统设计必须考虑的问题；
(3) 集成的光延时网络。此部分涉及到的关键单元技术主要有：超低损耗、低非线性、高耐受光功率、强限制无源波导材料与工艺；低调制电压、高频线性调制特性、高耐受光功率电光调制材料与工艺；高量子效率、大带宽、高线性、高饱和功率光电探测芯片以及高增益有源材料及低噪声光源、高线性光放大芯片。目前，实现上述关键单元技术的主要材料包括有磷化铟、硅及氮化硅等。但需要注意的是，目前没有一种材料能够实现全部光延时网络的功能，也就是说不同材料的混合集成才是其唯一出路。对于工艺实现来说，需要攻关的不但包括基本的硅基波导工艺加工，还需要对一系列新的工艺展开攻关，诸如超低损耗氮化硅波导沉积工艺、深度刻蚀工艺；三五族半导体材料、铌酸锂材料的键合及器件加工工艺；器件层面的二次混合集成加工工艺以及整体光延时网络的最终混合集成和封装工艺等。立足现状，通过一系列的技术攻关，最终满足未来相控阵雷达大带宽、大阵列、大角度扫描的需求。
在前期研究基础上，突破光子T/R组件和集成光波束形成模块两项关键技术，后续系统性地进行光控天线阵面性能验证，并同步开展微波光子信号产生与处理、集成光电子技术研究，最终将相关技术应用于相控阵雷达系统。
4. 趋势与展望
微波光子技术走过了近30年的发展历程，其在信号的产生、传输和处理等领域针对不同需求都有较为丰富的解决办法。然而，从当前技术的发展形势及未来电子信息系统需求的发展来看，开展微波光子技术在相控阵中的应用研究，特别是优先开展高性能微波光子链路、光子波束合成以及光电混合集成的核心微波光子元器件的研究，既是大势所趋，同时也迫在眉睫。
从技术的发展趋势来看，微波光子技术在相控阵雷达中的应用前景十分广阔，所产生的经济效益和军事价值也将不可估量。其工程化应用将开启探测感知技术发展史上新的一页，也有望为未来的相控阵雷达系统架构带来根本性的变革。结合本文提出的技术路线，不断取得技术突破，将逐步实现微波光子技术在相控阵雷达中的工程应用，从而为我国新体制、新功能的相控阵雷达的可持续发展做出积极贡献。
-
图 1 基于组合CRF模型的极化SAR图像分类流程图
Figure 1. Flowchart of the combined CRF model for PolSAR images classification
图 3 基于堆叠特征的CRF分类器分类结果
Figure 3. Classification result of CRF model based on stacking features
图 4 基于不同特征的子分类器分类结果
Figure 4. Classification results based on child classifiers using different features
图 6 基于l-1特征选择的CRF分类器分类结果
Figure 6. Classification result of CRF model based on l-1 features selection
图 8 基于投票方法的组合CRF分类结果
Figure 8. Classification result of combined CRF model based on majority voting
图 9 基于堆叠特征的CRF分类结果
Figure 9. Classification result of CRF model based on stacking features
图 12 基于l-1特征选择分类器分类结果
Figure 12. Classification result of CRF model based on l-1 features selection
图 14 基于投票表决法的组合CRF分类结果
Figure 14. Classification result of CRF model based on majority voting
表 1 本文方法使用的特征
Table 1. Features used in the proposed method
特征 描述 特征内容 数量 基于测量和目标分解的特征 协方差矩阵上三角 |C11|, |C12|, |C13|, |C22|, |C23|, |C33| 6 VV/HH比值[25] 10log(|SVV|2/|SHH|2) 1 HV/HH比值[25] 10log(|SHV|2/|SHH|2) 1 HV/VV比值[25] 10log(|SHV|2/|SVV|2) 1 Yamaguchi 四分量分解 表面散射(Ps)、二次散射(Pd)、体散射(Pv)、螺旋体散射(Pc) 4 H/α/A分解 熵(H)、平均散射机制( α)、各向异性系数(A) 3 Freeman分解 表面散射(Ps)、二次散射(Pd)、体散射(Pv) 3 纹理特征 基于GLCM的纹理特征 相关性、对比度、熵、同质性 4 形态学特征 腐蚀和膨胀[21] 重建开操作、重建闭操作 8 
下载: 导出CSV
表 2 堆叠特征分类精度
Table 2. Classification accuracy of stacking features
类别 豆类 森林 马铃薯 苜蓿 小麦 裸土 甜菜 油菜籽 豌豆 草地 水体 用户精度 豆类 6486 66 30 0 0 0 48 0 153 66 0 0.9470 森林 1210 15171 1333 46 74 11 284 11 343 4 62 0.8179 马铃薯 340 220 11831 15 1292 44 1521 14 2736 92 65 0.6378 苜蓿 523 42 110 7743 84 164 69 39 5 1266 476 0.7360 小麦 13 63 94 258 15723 21 656 76 51 26 1073 0.8709 裸土 6 2 5 2 0 3266 0 24 1 0 0 0.9879 甜菜 33 0 2716 53 27 22 7309 30 42 172 6 0.7021 油菜籽 5 219 63 25 1095 1757 404 10013 126 2 284 0.7156 豌豆 3 117 888 12 332 26 37 45 8630 5 12 0.8539 草地 392 12 808 481 48 2703 415 151 49 2312 100 0.3092 水体 18 57 429 18 207 3449 30 4 0 2 6192 0.5950 制图精度 0.9035 0.9500 0.6463 0.8948 0.8327 0.2859 0.6785 0.9621 0.7111 0.5858 0.7487 总体分类精度：74.06%；Kappa系数：0.7113
下载: 导出CSV
表 3 组合CRF分类精度
Table 3. Classification accuracy of combined CRF model
类别 豆类 森林 马铃薯 苜蓿 小麦 裸土 甜菜 油菜籽 豌豆 草地 水体 用户精度 豆类 6467 93 36 60 12 0 64 0 1 116 0 0.9442 森林 97 17095 1234 97 18 0 0 2 3 3 2 0.9216 马铃薯 37 534 17155 41 14 2 180 46 74 86 1 0.9441 苜蓿 263 1 15 8482 460 15 5 45 1 1234 0 0.8062 小麦 14 0 8 0 16807 2 2 1145 76 0 0 0.9309 裸土 0 0 0 0 0 3173 0 17 0 0 116 0.9598 甜菜 14 11 857 8 102 9 8598 400 141 270 0 0.8259 油菜籽 0 0 8 5 4134 658 2 8748 77 361 0 0.6252 豌豆 0 0 131 3 289 4 0 283 9388 8 1 0.9289 草地 172 4 138 568 73 255 1 33 0 6263 0 0.8376 水体 4 0 0 1 1 1152 0 0 1 0 9247 0.8886 制图精度 0.9150 0.9638 0.8761 0.9155 0.7671 0.6055 0.9713 0.8161 0.9617 0.7509 0.9874 总体分类精度：87.44%；Kappa系数：0.8596
下载: 导出CSV
表 4 堆叠特征分类精度
Table 4. Classification accuracy of stacking features
类别 道路 林地 城郊 农田 其他 用户精度 道路 122208 1456 6531 9828 18352 0.7435 林地 1913 91840 50760 106297 8531 0.3541 城郊 25348 9464 204174 16170 40917 0.6896 农田 2552 5649 6351 64194 30475 0.5880 其他 109049 150 10698 24033 473749 0.7670 制图精度 0.4877 0.8539 0.7384 0.2925 0.8282 总体分类精度：66.78%；Kappa系数：0.5547
下载: 导出CSV
表 5 组合CRF分类精度
Table 5. Classification accuracy of combined CRF model
类别 道路 林地 城郊 农田 其他 用户精度 道路 93169 1970 7725 3805 57661 0.5668 林地 434 201255 50737 4032 2883 0.7760 城郊 955 10321 267059 9783 7955 0.9020 农田 407 12851 18465 56485 20968 0.5174 其他 22984 2355 23078 54041 515211 0.8341 制图精度 0.7899 0.8798 0.7276 0.4406 0.8520 总体分类精度：78.33%；Kappa系数：0.7013
下载: 导出CSV
-
[1] Zhang La-mei, Wang Xiao, Sun Liang-jie, et al.. Contextual sparse representation and its application in polarimetric SAR image classification[C]. IET International Radar Conference, Hangzhou, China, 2015: 1–5. [2] Shang Fang and Hirose A. Use of Poincare sphere parameters for fast supervised PolSAR land classification[C]. Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium, Melbourne, VIC, 2013: 3175–3178. [3] Xie Wen, Jiao Li-cheng, and Zhao Jin. PolSAR image classification via D-KSVD and NSCT-Domain features extraction[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(2): 227–231. doi: 10.1109/LGRS.2015.2506718 [4] Kong J A, Swartz A A, Yueh H A, et al.. Identification of terrain cover using the optimum polarimetric classifier[J]. Journal of Electromagnetic Waves and Applications, 1988, 2(2): 171–194. [5] Silva W B, Freitas C C, Sant’Anna S J S, et al.. Classification of segments in PolSAR imagery by minimum stochastic distances between Wishart distributions[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(3): 1263–1273. doi: 10.1109/JSTARS.2013.2248132 [6] 孙即祥. 现代模式识别[M]. 长沙: 国防科技大学出版社, 2002: 385–447.Sun Ji-xiang. Modern Pattern Recognition[M]. Changsha: Press of National University of Defense Technology, 2002: 385–447. [7] Lee J S and Ainsworth T L. An overview of recent advances in Polarimetric SAR information extraction: Algorithms and applications[C]. Proceedings of 2010 IEEE International Geoscience and Remote Sensing Symposium, Honolulu, HI, 2010: 851–854. [8] 钟平. 面向图像标记的随机场模型研究[D]. [博士论文], 国防科学技术大学, 2008.Zhong Ping. Random fields model for image label[D]. [Ph.D. dissertation], National University of Defense Technology, 2008. [9] Zhong Ping and Wang Run-sheng. A multiple conditional random fields ensemble model for urban area detection in remote sensing optical images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(12): 3978–3988. doi: 10.1109/TGRS.2007.907109 [10] Lafferty J, McCallum A, and Pereira F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data[C]. Proceedings of the Eighteenth International Conference on Machine Learning, San Francisco, CA, USA, 2001: 282–289. [11] Kumar S and Hebert M. Discriminative random fields: A discriminative framework for contextual interaction in classification[C]. IEEE International Conference on Computer Vision, Piscataway, NJ, 2003: 1150–1157. [12] 吴立珍. 面向UAV战场感知的目标特征建模与应用研究[D]. [博士论文], 国防科学技术大学, 2012.Wu Li-zhen. Research on object feature modeling and applications for battlefield awareness of unmanned aerial vehicle[D]. [Ph.D. dissertation], National University of Defense Technology, 2012. [13] Pearl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference[M]. California: Morgan Kaufmann, 1988: 247–289. [14] Wang Lei-guang, Dai Qin-ling, and Huang Xin. Spatial regularization of pixel-based classification maps by a two-step MRF method[C]. Proceedings of IEEE International Geoscience and Remote Sensing Symposium, Beijing, 2016: 2407–2410. [15] Zhong Yan-fei, Zhao Ji, and Zhang Liang-pei. A hybrid object-oriented conditional random field classification framework for high spatial resolution remote sensing imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7023–7037. doi: 10.1109/TGRS.2014.2306692 [16] Pieczynski W and Tebbache A N. Pairwise markov random fields and segmentation of textured images[J]. Machine Graphics and Vision, 2000, 9(3): 705–718. [17] Kumar S and Hebert M. A hierarchical field framework for unified context-based classification[C]. Proceedings of the Tenth IEEE International Conference on Computer Vision, Beijing, 2005: 1284–1291. [18] Jiang Wei, Chang S F, and Loui A C. Context-based concept fusion with boosted conditional random fields[C]. Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing, Honolulu, HI, 2007: I-949–I-952. [19] Lee C H, Schmidt M, Murtha A, et al.. Segmenting brain tumors with conditional random fields and support vector machines[C]. Proceedings of the First International Conference on Computer Vision for Biomedical Image Applications, Beijing, China, 2005: 469–478. [20] Do T M T and Artières T. Polynomial conditional random fields for signal processing[C]. Proceedings of the 2006 Conference on ECAI 2006: 17th European Conference on Artificial Intelligence, Riva del Garda, Italy, 2006: 797–798. [21] Du Pei-jun, Samat A, Waske B, et al.. Random forest and rotation forest for fully polarized SAR image classification using polarimetric and spatial features[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 105: 38–53. doi: 10.1016/j.isprsjprs.2015.03.002 [22] Zou Tong-yuan, Yang Wen, Dai Deng-xin, et al.. Polarimetric SAR image classification using multifeatures combination and extremely randomized clustering forests[J]. EURASIP Journal on Advances in Signal Processing, 2010, 2010: Article No. 4. [23] Freeman A and Durden S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963–973. doi: 10.1109/36.673687 [24] Haralick R M, Shanmugam K, and Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3(6): 610-621. doi: 10.1109/TSMC.1973.4309314 [25] Yamaguchi Y, Moriyama T, Ishido M, et al.. Four-component scattering model for polarimetric SAR image decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699–1706. doi: 10.1109/TGRS.2005.852084 期刊类型引用(7)
1. 黄钟泠，吴冲，姚西文，王立鹏，韩军伟. 基于时频分析的SAR目标微波视觉特性智能感知方法与应用. 雷达学报. 2024(02): 331-344 . 
本站查看2. 丁柏圆，周春雨. 结合三维电磁散射模型和深度学习的SAR目标识别框架设计. 航天电子对抗. 2024(02): 34-38+64 . 
百度学术3. 张旭，徐丰，金亚秋. 典型几何基元的高频散射建模方法梳理. 雷达学报. 2022(01): 126-143 . 本站查看4. 顾丹丹，廖意，王晓冰. 雷达目标特性知识引导的智能识别技术进展与思考. 制导与引信. 2022(04): 57-64 . 百度学术5. 邢孟道，谢意远，高悦欣，张金松，刘嘉铭，吴之鑫. 电磁散射特征提取与成像识别算法综述. 雷达学报. 2022(06): 921-942 . 本站查看6. 陆金文，闫华，殷红成，张磊，董纯柱. 用于三维散射中心SBR建模的边缘绕射修正. 西安电子科技大学学报. 2021(02): 117-124+189 . 百度学术7. 陆金文，闫华，张磊，殷红成. 基于弹跳射线技术的三维GTD模型构建方法. 系统工程与电子技术. 2021(08): 2028-2036 . 百度学术其他类型引用(4)
-
下载:
百度学术
计量
- 文章访问数: 2746
- HTML全文浏览量: 667
- PDF下载量: 537
- 被引次数: 11
