Processing math: 100%

一种基于张量积扩散的非监督极化SAR图像地物分类方法

邹焕新 李美霖 马倩 孙嘉赤 曹旭 秦先祥

陈文峰, 李少东, 杨军, 马晓岩. 基于线性Bregman迭代类的多量测向量ISAR成像算法研究[J]. 雷达学报, 2016, 5(4): 389-401. doi: 10.12000/JR16057
引用本文: 邹焕新, 李美霖, 马倩, 等. 一种基于张量积扩散的非监督极化SAR图像地物分类方法[J]. 雷达学报, 2019, 8(4): 436–447. doi: 10.12000/JR19057
Chen Wenfeng, Li Shaodong, Yang Jun, Ma Xiaoyan. Multiple Measurement Vectors ISAR Imaging Algorithm Based on a Class of Linearized Bregman Iteration[J]. Journal of Radars, 2016, 5(4): 389-401. doi: 10.12000/JR16057
Citation: ZOU Huanxin, LI Meilin, MA Qian, et al. An unsupervised PolSAR image classification algorithm based on tensor product graph diffusion[J]. Journal of Radars, 2019, 8(4): 436–447. doi: 10.12000/JR19057

一种基于张量积扩散的非监督极化SAR图像地物分类方法

DOI: 10.12000/JR19057
基金项目: 国家自然科学基金(61331015, 41601436)
详细信息
    作者简介:

    邹焕新(1973–),男,广东人,现任国防科技大学电子科学学院教授,硕士生导师,主要研究方向为SAR图像解译、多源信息融合、计算机视觉、图像处理、模式识别等。E-mail: hxzou2008@163.com

    李美霖(1995–),女,山西人,现为国防科技大学电子科学学院硕士,主要研究方向为极化SAR图像地物分类、模式识别等。E-mail: summit_mll@qq.com 

    马 倩(1996–),女,湖南人,现为国防科技大学电子科学学院硕士,主要研究方向为多源遥感数据变化检测。E-mail: 2233809618@qq.com

    孙嘉赤(1996–),男,山西人,现为国防科技大学电子科学学院硕士,主要研究方向为SAR图像和光学图像目标检测分类与识别。E-mail: 445219733@qq.com

    曹 旭(1996–),男,天津人,现为国防科技大学电子科学学院硕士,主要研究方向为SAR图像和光学图像目标检测分类与识别。E-mail: 1135459767@qq.com

    秦先祥(1986–),男,广西人,现任空军工程大学信息与导航学院讲师,主要研究方向为SAR图像解译。E-mail: qinxianxiang@126.com

    通讯作者:

    邹焕新 hxzou2008@163.com

  • 中图分类号: TN957

An Unsupervised PolSAR Image Classification Algorithm Based on Tensor Product Graph Diffusion

Funds: The National Natural Science Foundation of China (61331015, 41601436)
More Information
  • 摘要: 针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。

     

  • 随着科学技术的发展,现代战争中的装备必须趋向于综合化发展,但同时也不能让过多的设备加剧恶化平台周围的电磁环境、增加负荷,例如无人机,就需在小体积平台上集成多种装备功能,并保持平台的机动性和综合性,雷达和通信系统是平台广泛配备的两种电子系统[1],若能实现雷达通信一体化[2,3],将大大提高电子系统的综合利用率。

    雷达通信一体化的理念在20世纪60年代出现以后,对其研究主要分为分时、分波束和同时3种体制。分时体制在通信时不能兼顾雷达探测,即在通信时存在雷达探测盲区,但相对最易实现,故研究的较多;分波束体制将相控阵面划分为不同区域,利用划分的各个阵面实现不同功能;同时体制将雷达信号和通信信号融合在一起,在同一平台同时实现探测与传输功能。其一体化程度最高,是未来雷达通信一体化的发展方向。这种体制的关键技术更多地集中在共享信号设计,而共享信号设计主要需要解决通信数据传输和雷达探测之间的关系。现有的共享信号设计方法基本可分为3类:①雷达与通信信号各自独立产生后叠加[4],②基于通信信号,将其改造成雷达探测波,③基于雷达信号,在其上调制通信数据[5]。文献[6]中研究了利用线性调频信号(Chirp信号)上、下扫频分别作为雷达波形和通信波形,叠加产生共享信号,接收时利用正交性将其分离的一体化系统,但其通信速率受到很大的限制,雷达性能有所降低;文献[7]中研究了利用正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)信号实现一体化波形,但是OFDM信号不是恒包络,峰均比较高不利于在雷达的C类放大器中放大,且对多普勒频移较敏感,仅适用于短距离通信与探测;文献[8]中研究了将通信最小频移键控(Minimum Shift Keying, MSK)调制到线性调频信号上实现一体化波形,该波形能在实现雷达检测动能的同时完成通信功能;文献[9]研究了通过键控Chirp信号的初始频率来调制通信数据从而实现雷达通信一体化的方法,但是雷达检测处理的匹配滤波器要随着发射信号的改变而改变。

    本文提出一种基于Chirp信号参数调制的多载波雷达通信共享信号,主载波用于雷达检测功能,副载波的调频率与初始频率参数可选,从而携带数据实现通信信息调制。在设计共享信号时,通信数据的随机性常使不同脉冲间的信号相关性减弱,而雷达探测为进行相干积累,需在接收端使用与之对应的匹配滤波器,大大增加雷达系统负担,本文所设计信号利用主载波的确定性提高脉冲的相关性,雷达处理系统不需要增加额外单元,采用同原始雷达相同的处理流程;而不同起始频率、不同调频率的Chirp信号能在带宽利用率及正交性之间提供平衡。在文中对所设计共享波形的模糊函数、主副载波之间的正交性等性能进行了分析;在接收端通过分数傅里叶变换,根据检测点的能量聚集位置进行解调。

    共享信号设计中,在雷达探测波形上调制通信信息后,由于通信数据的随机性,使脉冲波形产生差异性,需要增加额外的雷达信号处理单元,造成负担。为减少脉冲差异性,便于雷达目标检测处理,设计主副载波的共享信号形式,主载波作雷达目标检测,副载波调制通信信息[10,11]

    副载波由待传输码元从一组Chirp信号组{skl(t)}中选取,表达式为

    skl(t)=A2exp[j(πμkt2+2πflt)],k=0,1,···,N11;l=0,1,···,N21 (1)

    式中,等间隔调频率μk=μ0+kΔμ;等间隔初始频率fl=f0+lΔfn=n1+n2位二进制数据中,n1位数据映射N1个调频率,n2位数据映射N2个初始频率,由通信数据键控映射得调频率为μk、初始频率为fl的Chirp信号,单个Chirp信号可携带n bit的数据[12]。以n1=3, n2=3的8 bit调制为例,示意图如图1所示,μf两方向间没有约束关系。

    图  1  64进制数据调制
    Figure  1.  64 system data modulation

    主载波确定为调频率大于副载波调频率选取范围的Chirp信号,即μr>μk,带宽覆盖副载波的可用带宽,使得共享信号的带宽始终保持不变,

    sr(t)=A1exp[j(πμrt2+2πfrt)] (2)

    利用调频率的多样性,给主、副载波提供良好的准正交性[13]。参数选取范围如图2所示,主载波为确定的Chirp信号,副载波为众多参数组合中选取的某一Chirp信号,共享信号表示为

    图  2  共享信号参数设计
    Figure  2.  Sharing signal parameters design
    s(t)=sr(t)+skl(t),τ/2tτ/2 (3)

    共享信号的通信码元信息利用分数阶傅里叶变换(FRactional Fourier Transform, FRFT)解调,Chirp信号的FRFT变换为

    Sα(u)=A1jcotαexp(jπu2cotα)τ/2τ/2ej2π(μ+cotα)t2+jπ(f0ucscα)tdt (4)

    式中,旋转角度α=pπ/2; p为变换阶次。FRFT变换与Chirp信号的调频率、初始频率参数间的关系满足

    {μ=cotαf=ucscα{p=2arccotμ/πu=fsin(arccotμ) (5)

    时,出现幅度峰值|Sα(u)|=Aτ/|sinα|。即Chirp信号的调频率μ决定了FRFT唯一的最优变换阶次pm,载频f0决定了在pm阶分数阶傅里叶域上最优的能量聚集位置[14]

    图3所示,只有在最优阶次的FRFT变换时,在分数阶傅里叶域上才有峰值输出。接收端对接收到的共享信号进行FRFT变换,检测峰值,得到峰值所在的变换阶次与分数阶傅里叶域坐标,由FRFT变换与Chirp信号参数之间的关系,解得副载波的调频率与初始频率,从而映射出调制的码元数据[15]

    图  3  不同阶次FRFT变换图
    Figure  3.  FRFT graphs of different orders

    首先根据设定的映射规则,将通信数据映射到对应的初始频率、调频率的Chirp信号序列中,在接收端通过分数阶傅里叶变换进行解调。一体化框图如图4所示,在发送端,将通信数据串并转换后分成n位一组,前n1位键控得调频率,后n2位键控得初始频率,产生一个特定的Chirp信号,与主载波确定Chirp信号叠加组成共享信号,送入高斯白噪声信道。

    图  4  共享信号实现框图
    Figure  4.  Block diagram of realizing sharing signal

    在接收端,雷达处理系统与常规雷达相同,不会增加额外处理单元。通信处理系统,对回波进行分数阶傅里叶变换,依次进行p0pN11阶FRFT变换,将变换后FRFT域u0uN21位置处的采样点设为检测点,对其数据进行门限判定,得到超过阈值的检测点的阶次pk和位置ul,并根据映射关系解调出通信码元数据。

    为满足通信解调准确率与雷达目标检测分辨率,需对共享信号各参数进行设计。

    副载波{μk}直接影响数据传输速率及解调性能;固定信号脉宽τ, μ越大Chirp信号占用的带宽越大,{μk}的最大取值被带宽所限制;{μk}对应n1位二进制通信信息,初始频率fr相同时相邻的μkμk+1对应的两个最优分数阶傅里叶变换阶次pkpk+1的间隔Δp决定了采用分数阶傅里叶变换进行解调时对相邻符号的区分度,即Δp决定了相邻符号间的干扰程度。由式(5)推导可得Δpμk, μk+1具有以下关系:

    Δp=|pkpk+1|=2|arccotμkarccotμk+1|/π (6)

    对Chirp信号进行非最优阶FRFT时,分数傅里叶域谱不具有聚集性质,而且随着变换阶次偏离p的程度Δp增大,FRFT的峰值明显下降;同时调频率越大,随Δp增加下降得更快[16]图5仿真了不同Δp下归一化峰值的变化趋势,归一化调频率分别为0.1, 0.3, 0.5, 0.7, 0.9,脉宽相同,从图中看出,随Δp增大峰值幅度降低;要使得FRFT解调输出能唯一确定峰值点对应参数,可根据所需要求设定峰值幅度门限,若设定FRFT峰值幅度门限为–10 dB,则{μk}的设计要使得Δp至少为0.03。

    图  5  FRFT幅度峰值随阶数偏移变化
    Figure  5.  Change of FRFT amplitude peak with order deviation

    为使具有相同调频率μk、不同初始频率fl的Chirp 信号在分数傅里叶域上可以区分,相邻的flfl+1对应的分数阶傅里叶变换域上的两个谱峰位置ulul+1的间隔Δu决定了采用FRFT进行解调时对n2位数据中相邻符号的区分度,即Δu决定了相邻符号间的干扰程度。由式(5)推导可得Δufl, fl+1存在如下关系:

    Δu=|ulul+1|=|(flfl+1)sinα|=|Δfsinα| (7)

    对Chirp信号进行最优阶FRFT变换时,需要在u轴上能根据峰值幅度区分出flfl+1,由Chirp信号的分数傅里叶域的幅度谱

    |Sα(u)|=|Aτ1jcotαSa[π(f0ucscα)τ]|

    (8)

    第1零点间距离为|2sinα/τ|, {fl}的设计应使得Δu满足

    Δu=|Δfsinα|>|2sinα/τ| (9)

    Δf>2/τ

    模糊函数表征了波形的距离与多普勒分辨率等特性。共享信号s(t)=sr(t)+skl(t), τ/2tτ/2的模糊函数为

    χ(τ,fd)=s(t)s(tτ)ej2πfdtdt=t2t1[sr(t)sr(tτ)+skl(t)skl(tτ)χM+sr(t)skl(tτ)+skl(t)sr(tτ)]χIej2πfdtdt (10)
    {0ττ t1=τ/2+τ,t2=τ/2ττ0 t1=τ/2,t2=τ/2+τ (11)

    由表达式可看出,可将共享信号的模糊函数分为主瓣区域χM与邻道干扰项χI。主瓣区域χM为主、副载波的自模糊函数之和,表示为

    χM=A21ejπ(2fr+fd)τsin[π(μrτ+fd)(τ|τ|)]π(μrτ+fd)+A22ejπ(2fl+fd)τsin[π(μkτ+fd)(τ|τ|)]π(μkτ+fd) (12)

    而邻道干扰项χI由主、副载波间的互模糊函数之和表示,是应该尽量抑制的部分。

    χI=A1A22i=1, s=1siexp(j2πfiτjπμiτ2)t2t1exp[jπ(μiμs)t2]exp[j2π(fiμiτfsfd)t]dt=A1A22i=1, s=1siexp(α)t2t1exp(β2)dt=A1A22i=1, s=1si12j(μiμs)exp(α){erf[β(t2)]erf[β(t1)]} (13)

    式中,f1,μ1为主载波参数,f2,μ2为副载波参数,

    α=jπ(fiμiτfsfd)2μsμi+j2πfiτjπμiτ2,

    β=jπ[(fiμiτfsfd)μiμs+μiμst], erf(x)=2πx0exp(z2)dz

    由于无法求得模糊函数的具体表达式,故对其模糊函数进行了统计意义上的仿真分析,仿真参数同第5节,主瓣区域为两Chirp信号模糊函数叠加,而邻道干扰性是由两项主、副载波的互模糊函数之和,其幅度相较于信号模糊函数的峰值,幅度较低,由多次仿真得到,邻道干扰项幅度峰值的平均值仅为模糊函数峰值的2.2%,方差为0.000115,且峰值不位于速度-距离平面原点,故认为模糊函数主要由主瓣区域决定。随调制数据的改变,多普勒切片的主瓣宽度变化范围均低于1/τ,第1旁瓣峰值随调制数据在–13 dB上下变化;时延切片的主瓣宽度在1/B上下变化,第1旁瓣峰值在–12 dB上下变化;故当利用发射的共享信号进行匹配滤波时,性能将有所下降。图6仿真了调制某一数据的共享信号的主瓣区域模糊函数图和邻道干扰项的模糊函数图,主瓣位于速度-距离平面原点处的峰值幅度最高。

    图  6  共享信号的模糊函数图
    Figure  6.  Ambiguity function of sharing signal

    主副载波间的互相关性决定了在接收端进行匹配滤波时副载波的剩余量。主载波与副载波信号表达式如下:

    sr(t)=A1exp(jπμrt2+j2πfrt) (14)
    skl(t)=A2exp(jπμkt2+j2πflt) (15)

    其中,τ/2tτ/2, τ为信号脉冲宽度。相关函数为

    Rsr,skl(τ)=+sr(t)skl(t+τ)dt=A1A2t2t1exp{j2πflτjπ(fl+μkτfr)2μkμr+jπ2(2(fl+μkτfr)2(μkμr)+2(μkμr)t)2+jπμkτ2}dt (16)

    式中,积分区间[t1,t2]取决于τ,当0ττ时,t1=τ/2, t2=τ/2τ;ττ0时,t1=τ/2τ, t2=τ/2。令γ(t)=2(μkμr) t+2(fl+μkτfr)2(μkμr),得dγ=2(μkμr)dt,则式(16)变为

    Rsr,skl(τ)=A1A2exp(j2πflτ+jπμkτ2)2(μkμr)exp[jπ(fl+μkτfr)2μkμr]γ(t2)γ(t1)exp[jπ2γ2(t)]dγ (17)

    其 中,γ(t2)γ(t1)exp[jπ2γ2(t)]dγ=C(γ(t2))+jS(γ(t2))         C(γ(t1))jS(γ(t1)), C(γ)=γ0cos(πv22)dv12+1πγsin(π2γ2),S(γ)=γ0sin(πv22)dv121πγsin(π2γ2)

    互相关值取决于主副载波的调频率差值以及频率差值与调频率差值的比值。根据前述参数设计主载波μr=120MHz/μs, fr=0MHz,副载波μk=99MHz/μs, fl=21MHz,对载波自相关特性及互相关特性进行了仿真,由图7可看出,主副载波的互相关值比主载波的自相关值低35 dB,表明在接收端进行匹配滤波时,副载波剩余量很小。模糊函数表征利用发射信号进行匹配滤波的输出,性能有明显下降,但本文中,主载波保持不变,仅利用主载波进行匹配滤波时,探测性能的降低量将变小。

    图  7  主、副载波互相关函数
    Figure  7.  Cross correlation function of main carrier and subcarrier

    共享信号由主载波与副载波叠加得到,则用于雷达探测的功率会有所下降,但主、副载波功能相互独立,故可调整主载波与副载波的不同功率配比,增加用于雷达探测的功率。

    雷达探测目标由以主载波为参考信号的匹配滤波器进行脉压处理,处理结果基于主载波与各脉冲共享信号的相关性,相关性表示为主载波的自相关函数与主、副载波的互相关函数之和:

    Rs,sr(τ)=+s(t)sr(t+τ)dt=+[sr(t)+skl(t)]sr(t+τ)dt=Rsr,sr(τ)+Rskl,sr(τ) (18)

    由4.2节分析可知,主、副载波的互相关函数相较于主载波的自相关函数幅度很低,故雷达探测结果受副载波分量影响很小。

    主副载波的功率分配决定了用于雷达探测的功率,可在适当范围内提高主载波的功率以用于雷达探测,表1列出了在不同主、副载波功率比时,主载波与几组不同参数下的共享信号之间的互相关系数,从表1中可以看出,主载波所占功率越大,相关系数越接近于1,雷达探测性能越好。

    表  1  主载波与不同主副功率比下共享信号的互相关系数
    Table  1.  Cross-correlation coefficient of shared signal under different power ratios
    主副功率比s13s24s35s46s57
    1:10.73490.74560.73410.73230.7672
    4:10.90820.90530.90220.90150.9115
    9:10.95220.95300.95190.95150.9554
    下载: 导出CSV 
    | 显示表格

    增加了主载波的功率后,副载波的功率必然会下降,利用FRFT变换的解调性能会有所下降,如图8所示,在主、副载波的功率比为9:1时,FRFT变换的旁瓣在略微升高后,依然能保持在–10 dB左右,能检测到明显峰值,解调出码元数据,但是主副功率比不能无限制增大,主载波功率过高时,在FRFT解调输出谱中会覆盖掉峰值,无法解调出数据,功率比越高,误码率越差,可根据应用条件选择主副载波的功率比。

    图  8  主副载波功率比9:1时FRFT输出
    Figure  8.  FRFT output at main and subcarrier power ratio of 9:1

    雷达与通信接收端之间的相对运动会存在多普勒频移fd,此时接收Chirp信号形式为

    s(t)=Aexp[j(2πft+πμt2+φ)],t[τ/2,τ/2], f=fc+fd (19)

    多普勒频移fd可看作是初始频率fc偏移,调频率μ不受影响,对应的是分数阶傅里叶域上的峰值位置,而峰值幅度不变,则解调器输出峰值位置偏移量和检测点幅度平方输出分别为

    Δu=fdsin(arccot(μ)) (20)
    |Sα(u)|2=A2sinαsin2(πfdτ)(πfd)2 (21)

    多普勒频移fd带来的幅度平方衰减系数为

    γ=A2sin2(πfdτ)(πfd)2sinα/A2τ2sinα=sin2(πfdτ)(πfdτ)2 (22)

    由式(22)可看出衰减系数只与多普勒频移fd和信号脉宽τ有关,πfdτ达到0.5时幅度衰减尚不到0.1,可知多普勒频移对检测点幅值影响较小,说明本文所设计的共享信号对多普勒是稳健的。

    本文调制方式需要考虑调频率与频率的配比,设比特宽度为Tb,仅对调频率键控时,M=2n进制符号宽度为Ts=Tbn,由于调频率μk是变化的,不同符号键控输出的Chirp信号的扫频带宽μkTs也是变化的,其最大宽度由最大的μkmax决定。则调频率键控方式的带宽效率ημ满足:

    ημ=RbB=1TbB=nTsBnμkmaxTs2 (23)

    MFSK (Multiple Frequency-Shift Keying)的信道带宽理论值为Rb(M+3)/2n (相干MFSK),则MFSK的带宽效率为

    ηf=RbB=2nM+3 (24)

    因此,当μkmaxTs2<(M+3)/2即用于调频率键控的Chirp信号的最大时宽带宽积τBmax<(M+3)/2时,调频率键控有优于MFSK的带宽效率。而MFSK的误码率性能优于调频率键控,故调频率键控与频率键控同时使用时,可以通过调整2种调制方式的配比,在误码率性能与带宽效率间折中选择。

    在仿真实验中,设定二进制数据对8调频率与8初始频率的64个Chirp信号进行调制,根据第2部分要求设计仿真参数为:射频fp=10GHz,时宽τ=1μs,占空比10%,带宽B=120MHz,主载波频率fr=0MHz,调频率μr=120MHz/μs;副载波调频率组μk=[15,27,39,51,63,75,87,99] MHz/μs,频率组fl=[0,3,6,9,12,15,18,21]MHz,主副载波功率比为1:1,目标参数[1000m,200m/s]

    因主载波Chirp信号的初始频率fr=f1,调频率μr>μk在可用范围内达到最大,则主载波的频谱带宽内包含了副载波用于通信的所有频谱带宽,主载波用于雷达目标检测,接收机利用匹配滤波器对回波进行脉压处理,结果如图9

    图  9  脉压结果
    Figure  9.  Pulse compression result

    分析知主、副载波互相关性较低,不影响雷达的目标检测,第1旁瓣依然在–13 dB左右,经过匹配滤波器后副载波剩余量很小,幅度保持在–20 dB以下,而且增加主载波的功率后,剩余量幅度会更低,经过匹配滤波器后的回波脉冲串有很高的相关性,经过多普勒滤波器组进行动目标检测(Moving Target Detection, MTD)处理即可得出目标相对速度,表明在接收端仅需使用单一滤波器即可完成,测速结果如图10所示。

    图  10  动目标检测结果
    Figure  10.  MTD result

    在虚警概率等于10–4条件下,本文共享信号进行脉压处理和不同脉冲数积累MTD处理后,检测概率与信噪比(SNR)的关系曲线如图11所示,脉压与MTD处理利用相干积累提高了SNR,由于本文共享信号存在通信副载波分量,故与同参数下的单Chirp信号相比,检测概率有所下降;但在进行MTD相干处理后,提高了SNR,从而改善检测概率,而且相干积累的脉冲数越多,检测概率越优,故采用较多脉冲积累来弥补共享信号雷达检测性能降低的不足。

    图  11  检测概率与信噪比关系曲线
    Figure  11.  Curve of relationship between detection probability and signal-to-noise ratio

    副载波通过键控Chirp信号的调频率与初始频率来调制通信数据,通信接收端对回波进行{μk}对应的2n1个固定阶次的FRFT处理,在{fl}对应的2n2个固定位置处检测幅度值,得到上述2n1×2n2个检测点中幅度值高于设定阈值的检测点对应的阶次p和位置u,即可解调出调制进制数据。

    调制数据时,将通信数据串并转换并分组后,根据数据组的大小排列方式可在共享信号中叠加多个副载波,若后一组数据大于前一组数据,则可将这两组数据调制到同一共享信号中,则此脉冲就有多个副载波,通信接收时不需要改变解调方式,每个副载波携带的数据均可解调出,只需将数据组按大小排列,以此提高通信速率;若后一组数据不大于前一组数据,则后组数据在下一脉冲调制。因此,此共享信号的通信传输速率在nPRF2nnPRF范围内变化,n=n1+n2为单个副载波携带的比特位数。若仅采用主载波叠加单个副载波的形式,此仿真参数下的通信速率为nPRF=600kb/s,通过改变参数增加调制位数可得更高传输速率。

    AWGN信道中,本文共享信号的误码率仿真曲线如图12所示,从上往下第3, 4, 5条曲线为64进制调制的3种不同配比,即16K-4F, 8K-8F和4K-16F, K表示调频率,F表示载频,由图12可见这3种方式的误码率性能逐渐改善,根据4.5节分析得知,这是由于FSK的误码率性能优于调频率调制,通过改变调频率与初始频率的不同配比可以调整本文共享信号的抗干扰性能与带宽效率。图中给出数字调制中的键控法MFSK, MASK, MPSK的理论误码率曲线作为对比参考,随着调制位数M的增大,MASK和MPSK的抗噪声性能下降,频带利用率上升,而MFSK抗噪声性能更好,有更好的误码率性能,但频带利用率较差[17]

    图  12  误码率随信噪比变化曲线
    Figure  12.  Change of error rate with SNR
    {PMASK=(11M)erfc(3rM21)PMFSK=M12erfc(r2)PMPSKerfc(2rsinπ2M) (25)

    本文设计并研究了一种多载波雷达通信共享信号,通过对副载波Chirp信号的调频率与初始频率键控调制通信数据,利用主载波进行雷达目标检测。对共享信号的模糊函数及主副载波间的正交性进行了分析,对Chirp信号参数间关系进行设计,在通信接收端采用FRFT变换进行解调,并对共享信号的抗多普勒性能进行了分析。共享信号的设计实现了复杂集成电子装备平台中,雷达和通信信号能量和时间的一体化,这将是未来一体化电子战系统的一个重要的发展方向。

  • 图  1  本文算法框架流程图

    Figure  1.  The flowchart of the proposed method

    图  2  张量积图简易示例

    Figure  2.  An example of tensor product graph

    图  3  仿真极化SAR图像

    Figure  3.  The simulated PolSAR image

    图  4  实测极化SAR图像

    Figure  4.  The real-world PolSAR image

    图  5  仿真极化SAR图像的分类结果

    Figure  5.  Classification results of the simulated PolSAR image

    图  6  实测极化SAR图像的分类结果

    Figure  6.  Classification results of the real-world PolSAR image

    图  7  实测极化SAR图像超像素分割实验结果

    Figure  7.  The results of the superpixel segmentation for the real-world PolSAR image

    图  8  实测极化SAR图像在不同参数值Skμ时的整体精度

    Figure  8.  The OAs for the real-world PolSAR image under different parameters of S, k and μ

    图  9  仿真极化SAR图像5种算法的分类结果

    Figure  9.  Classification results of five methods for the simulated PolSAR image

    图  10  实测极化SAR图像5种算法的分类结果

    Figure  10.  Classification results of five methods for the real-world PolSAR image

    表  1  OM方法基于仿真数据的5种评价度量结果

    Table  1.   The five evaluation criteria of the OM method for the simulated PolSAR image

    类别类别1类别2类别3类别4UA
    类别17822261927580.7362
    类别23975192370.9751
    类别312479228880.9843
    类别414961198790.9879
    PA0.99630.98300.99580.7622
    OA: 91.70%, K: 0.8894
    下载: 导出CSV

    表  2  PM方法基于仿真数据的5种评价度量结果

    Table  2.   The five evaluation criteria of the PM method for the simulated PolSAR image

    类别类别1类别2类别3类别4UA
    类别11030826192720.9701
    类别23975192370.9751
    类别316479228840.9843
    类别415961198780.9878
    PA0.99670.98300.99580.9434
    OA: 97.91%, K: 0.9722
    下载: 导出CSV

    表  3  两种算法基于实测极化SAR图像的整体精度和Kappa系数

    Table  3.   The OAs and Ks of two methods for the real-world PolSAR image

    算法精度
    KOA (%)
    OM算法0.619378.51
    PM算法0.809789.36
    下载: 导出CSV

    表  4  5种算法基于仿真极化SAR图像的3种评价度量结果

    Table  4.   The three evaluation criteria of five methods for the simulated PolSAR image

    算法精度
    类别1类别2类别3类别4KOA (%)
    UCSC0.94000.98570.99190.95040.954196.56
    UKWC0.50120.00000.99190.94590.619471.62
    GDWC0.50710.22420.99580.98080.647073.68
    CPWC0.50071.00000.93120.16330.611871.05
    PM0.99670.98300.99580.94340.972297.91
    下载: 导出CSV

    表  5  5种算法基于实测极化SAR图像的3种评价度量结果

    Table  5.   The three evaluation criteria of five methods for the real-world PolSAR image

    算法精度
    林地开放区1开放区2KOA (%)
    UCSC0.96380.54770.00040.594077.09
    UKWC0.96570.81540.50110.666679.81
    GDWC0.95140.60300.78300.664580.74
    CPWC0.99840.43070.00140.440765.73
    PM0.97070.74610.92260.809789.36
    下载: 导出CSV
  • [1] SHI Lei, ZHANG Lefei, ZHAO Lingli, et al. Adaptive Laplacian Eigenmap-based dimension reduction for ocean target discrimination[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(7): 902–906. doi: 10.1109/LGRS.2016.2553046
    [2] 杨文, 钟能, 严天恒, 等. 基于黎曼流形的极化SAR图像分类[J]. 雷达学报, 2017, 6(5): 433–441. doi: 10.12000/JR17031

    YANG Wen, ZHONG Neng, YAN Tianheng, et al. Classification of polarimetric SAR images based on the Riemannian manifold[J]. Journal of Radars, 2017, 6(5): 433–441. doi: 10.12000/JR17031
    [3] LIU Wensong, YANG Jie, LI Pingxiang, et al. A novel object-based supervised classification method with active learning and random forest for PolSAR imagery[J]. Remote Sensing, 2018, 10(7): 1092. doi: 10.3390/rs10071092
    [4] SHI Lei, ZHANG Lefei, ZHAO Lingli, et al. The potential of linear discriminative Laplacian Eigenmaps dimensionality reduction in polarimetric SAR classification for agricultural areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 86: 124–135. doi: 10.1016/j.isprsjprs.2013.09.013
    [5] WANG Shuang, LIU Kun, PEI Jingjing, et al. Unsupervised classification of fully polarimetric SAR images based on scattering power entropy and copolarized ratio[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 622–626. doi: 10.1109/LGRS.2012.2216249
    [6] LEE J S, GRUNES M R, POTTIER E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4): 722–731. doi: 10.1109/TGRS.2003.819883
    [7] RATHA D, BHATTACHARYA A, and FRERY A C. Unsupervised classification of polsar data using a scattering similarity measure derived from a geodesic distance[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(1): 151–155. doi: 10.1109/LGRS.2017.2778749
    [8] LEE J S, GRUNES M R, AINSWORTH T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2249–2258. doi: 10.1109/36.789621
    [9] 钟能, 杨文, 杨祥立, 等. 基于混合Wishart模型的极化SAR图像非监督分类[J]. 雷达学报, 2017, 6(5): 533–540. doi: 10.12000/JR16133

    ZHONG Neng, YANG Wen, YANG Xiangli, et al. Unsupervised classification for polarimetric synthetic aperture radar images based on Wishart mixture models[J]. Journal of Radars, 2017, 6(5): 533–540. doi: 10.12000/JR16133
    [10] WU Yonghui, JI Kefeng, YU Wenxian, et al. Region-based classification of polarimetric SAR images using Wishart MRF[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(4): 668–672. doi: 10.1109/LGRS.2008.2002263
    [11] VON LUXBURG U. A tutorial on spectral clustering[J]. Statistics and Computing, 2007, 17(4): 395–416. doi: 10.1007/s11222-007-9033-z
    [12] YANG Yifang, WANG Yuping, XUE Xingsi, et al. A novel spectral clustering method with superpixels for image segmentation[J]. Optik, 2016, 127(1): 161–167. doi: 10.1016/j.ijleo.2015.10.053
    [13] HU Jingliang, WANG Yuanyuan, GHAMISI P, et al. Evaluation of polsar similarity measures with spectral clustering[C]. Proceedings of 2017 IEEE International Geoscience and Remote Sensing Symposium, Fort Worth, USA, 2017: 3254–3257.
    [14] LI Yonggang, ZHANG Shichao, CHENG Debo, et al. Spectral clustering based on hypergraph and self-re-presentation[J]. Multimedia Tools and Applications, 2017, 76(16): 17559–17576. doi: 10.1007/s11042-016-4131-6
    [15] YANG Xingwei, PRASAD L, and JAN LATECKI L. Affinity learning with diffusion on tensor product graph[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(1): 28–38. doi: 10.1109/TPAMI.2012.60
    [16] ZHANG Yue, ZOU Huanxin, LUO Tiancheng, et al. A fast superpixel segmentation algorithm for PolSAR images based on edge refinement and revised Wishart distance[J]. Sensors, 2016, 16(10): 1687. doi: 10.3390/s16101687
    [17] CAO Fang, HONG Wen, WU Yirong, et al. An unsupervised segmentation with an adaptive number of clusters using the SPAN/H/α/A space and the complex Wishart clustering for fully polarimetric SAR data analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3454–3467. doi: 10.1109/TGRS.2007.907601
    [18] ZHOU Xiaofeng, WANG Shuang, HUA Wenqiang, et al. Unsupervised classification of PolSAR data based on a novel polarization feature[C]. Proceedings of 2017 IEEE International Geoscience and Remote Sensing Symposium, Fort Worth, USA, 2017: 4594–4599.
    [19] 张月, 邹焕新, 邵宁远, 等. 基于相似度网络融合的极化SAR图像地物分类[J]. 系统工程与电子技术, 2018, 40(2): 295–302. doi: 10.3969/j.issn.1001-506X.2018.02.09

    ZHANG Yue, ZOU Huanxin, SHAO Ningyuan, et al. Terrain classification of polarimetric SAR images based on consensus similarity network fusion[J]. Systems Engineering and Electronics, 2018, 40(2): 295–302. doi: 10.3969/j.issn.1001-506X.2018.02.09
    [20] 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
    [21] CLOUDE S R and POTTIER E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498–518. doi: 10.1109/36.485127
    [22] YANG Xingwei, SZYLD D B, and JAN LATECKI L. Diffusion on a tensor product graph for semi-supervised learning and interactive image segmentation[J]. Advances in Imaging and Electron Physics, 2011, 169: 147–172. doi: 10.1016/B978-0-12-385981-5.00004-5
    [23] VAN LOAN C F. The ubiquitous Kronecker product[J]. Journal of Computational and Applied Mathematics, 2000, 123(1/2): 85–100.
    [24] QIN Xianxiang, ZOU Huanxin, ZHOU Shilin, et al. Simulation of spatially correlated PolSAR images using inverse transform method[J]. Journal of Applied Remote Sensing, 2015, 9(1): 095082. doi: 10.1117/1.JRS.9.095082
    [25] HOU Biao, WU Qian, WEN Zaidao, et al. Robust semisupervised classification for PolSAR image with noisy labels[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11): 6440–6455. doi: 10.1109/TGRS.2017.2728186
    [26] SONG Wanying, LI Ming, ZHANG Peng, et al. Unsupervised PolSAR image classification and segmentation using Dirichlet process mixture model and Markov random fields with similarity measure[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(8): 3556–3568. doi: 10.1109/JSTARS.2017.2684301
    [27] VASILE G, TROUVÉ E, LEE J S, et al. Intensity-driven adaptive-neighborhood technique for polarimetric and interferometric SAR parameters estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(6): 1609–1621. doi: 10.1109/TGRS.2005.864142
  • 期刊类型引用(3)

    1. 邬俊,徐刚. ISAR机动目标联合高分辨成像和参数估计. 信号处理. 2018(11): 1355-1361 . 百度学术
    2. 符吉祥,孙光才,邢孟道. 一种大转角ISAR两维自聚焦平动补偿方法. 电子与信息学报. 2017(12): 2889-2898 . 百度学术
    3. 冯俊杰,张弓. 多测量向量块稀疏信号重构ISAR成像算法. 系统工程与电子技术. 2017(09): 1959-1964 . 百度学术

    其他类型引用(2)

  • 加载中
图(10) / 表(5)
计量
  • 文章访问数: 2385
  • HTML全文浏览量: 714
  • PDF下载量: 199
  • 被引次数: 5
出版历程
  • 收稿日期:  2019-05-14
  • 修回日期:  2019-07-19
  • 网络出版日期:  2019-08-01

目录

/

返回文章
返回