
Citation: | Zhao Feixiang, Liu Yongxiang, Huo Kai. A Radar Target Classification Algorithm Based on Dropout Constrained Deep Extreme Learning Machine[J]. Journal of Radars, 2018, 7(5): 613-621. doi: 10.12000/JR18048 |
随着雷达空间探测技术的发展,空间目标的高精度成像处理已成为空间探测任务的重要组成部分。对空间目标的雷达观测成像主要采用地基逆合成孔径雷达(Inverse Synthetic Aperture Radar, ISAR)体制实现,目前,针对低轨目标的成像技术比较完善[1–4],但从空间目标运动特性上进行ISAR成像体制和信号处理方法设计来提升雷达工作性能的研究偏少,需要直接面对若干问题:(1)根据传统雷达方程可知,由于回波信噪比与雷达目标距离4次方成反比关系,目标轨道高度升高将导致单次回波信噪比急剧下降;(2)传统ISAR成像处理通常将目标认为是“完全”非合作目标,ISAR成像体制与信号处理设计均未能紧密结合目标轨道参数。与空中气动目标和海面舰船目标相比,空间轨道目标的运动相对平稳、可预测性强,而且目标姿态通常严格受控,目标相对雷达视线角变化通常可以根据轨道信息精确解算。此外,与合成孔径雷达(SAR)成像类似,ISAR成像过程也是积累多帧脉冲串相干聚焦实现方位成像,方位相干积累增益可有效地提高成像信噪比质量[5]。针对SAR系统中相干积累对成像质量的分析已较为完善[6–8],考虑方位相干积累增益后,条带SAR雷达方程中成像信噪比将与作用距离的3次方成反比,因此SAR体制参数设计与传统雷达方程是有明显差异的。从成像原理上来看,ISAR成像相干积累角也能带来明显增益,但其成像几何较SAR不同,不能直接应用SAR雷达方程的若干结论[9–12]。尤其是在空间目标ISAR成像中,轨道参数对成像质量的影响未有深入分析,大角度成像的方位相干积累增益能否弥补轨道升高带来的回波信噪比降低尚无明确结论。
类比SAR雷达方程,本文结合目标轨道参数推导针对空间目标ISAR成像雷达方程的一般形式,进而分析轨道高度、目标雷达姿态角变化引起的方位相干积累增益变化及其对目标成像质量的影响,得到较为直观的理论来指导ISAR成像体制中发射功率、波形等参数的优化设计。仿真实验就不同轨道高度成像质量进行比较,探究方位向增益与轨道参数间的变化关系及其对成像质量的改善情况,实验结果验证了推导结论的准确性。
本文结构如下:第2节结合天线理论推导ISAR系统成像雷达方程;第3.1节从地基雷达观测几何出发对空间目标角速度这一关键因素进行推导,并利用其计算结果得到空间轨道目标ISAR系统成像雷达方程;第3.2节分析第3.1节中观测模型引起计算误差;第3.3节对得到的空间轨道目标ISAR系统成像雷达方程作出一些定性结论;第4节结合目标轨道信息,利用空间轨道目标ISAR系统成像雷达方程指导定分辨率成像仿真,并对轨道参数引起的成像质量变化分析,验证了推导公式和结论的正确性。
结合天线理论,对收发共天线的雷达系统,单次回波信号功率与雷达参数和作用距离的关系可由传统雷达方程表示:
S=PG2λ2σTi(4π)3r4η |
(1) |
其中,P为雷达发射机功率,G为天线增益, λ为信号波长, σ为目标的雷达截面积,Ti为相干积累时间,r为雷达作用距离, η为系统损耗。
区别于一般雷达系统,ISAR成像体制具有2维高分辨率,而空间目标尺寸较大。因此,本文针对成像分辨单元信噪比进行成像质量分析,定义目标分辨单元的等效雷达截面积 σ[13]:
σ=σ0ρrρa |
(2) |
其中, σ0为目标归一化后向散射系数, ρr和 ρa分别为目标ISAR成像纵向和横向分辨率且两者大小相当。一般来说,ISAR成像系统的纵向距离分辨率与斜距r无关而仅和发射信号频率带宽相关[9]:
ρr=c2B |
(3) |
其中,c为光速,B为信号带宽。
横向高分辨是通过在相干测量时间内对多帧回波进行多普勒分析获得,与目标雷达视线的相干积累转角直接相关。空间目标在观测过程中姿态平稳,可采用2维转台模型描述其与雷达间的相对运动。假定雷达视线转速为w,相干测量时间为Ti,则相干积累转角 Δθ=wTi,横距分辨率 ρa可计算为:
ρa=λ2Δθ |
(4) |
将式(3)、式(4)带入重写式(1),考虑方位相干积累的ISAR成像目标某分辨单元对应的接收功率可表达为:
S=PG2λ2σ0ρr(4π)3r4η⋅λ2w |
(5) |
由式(5)可见,与SAR成像雷达方程类似,雷达视角(Light Of Sight, LOS)变化速度w,即下文所述的目标相对转台中心转角速度,将直接影响分辨单元的回波功率,决定分辨单元信噪比质量。下面将结合空间轨道目标轨道参数对以上公式进行扩展分析。
本节将从轨道高度变化引起的空间目标转角速度变化出发对上节得到的空间目标ISAR成像方程进行完善。在分析转角速度变化过程中,还将对关键性的雷达斜距变化进行建模分析,得到定分辨率观测下的雷达方程。
假定空间目标处于近圆轨道,考虑地球自转后,目标的相对平近角点可表示为[14,15]:
n=√μ(Re+h)3/2 |
(6) |
其中,引力常数 μ=3.986×1014(m3/s2),Re为地球半径,h为目标轨道高度。
如图1(a)观测几何所示,单次脉冲周期Δtm后,目标从p点运动至p′点,其运行绝对距离可由几何计算得:
⌢pp′=(Re+h)nΔtm=√μΔtm(Re+h)1/2 |
(7) |
在目标轨道平面内,目标对于观测站点的相对运动如图1(b)所示,雷达站点处于转台原点,运动起点p的雷达斜距为r,运动终点p′的雷达斜距为r′,原点与终点连线上有一斜距为r处p0,由几何关系可知:
r′=r+Δr |
(8) |
⌢pp0=ωΔtmr |
(9) |
考虑空间目标平近点角远小于地球自转、单帧成像时间在秒级的情况下,短弧段 ⌢pp′可近似为线段pp′,短弧段 ⌢pp0亦可近似为线段pp0, Δpp0p′可近似为直角三角形满足勾股定理:
(pp0)2+(p0p′)2=(pp′)2 |
(10) |
带入式(7)、式(8)、式(9),可得:
w=√μΔtm2Re+h−Δr2rΔtm |
(11) |
在r2=0处泰勒展开,可以得到近似解:
w≈1rΔtm√μΔtm2Re+h(μΔtm2Re+h−Δr22) |
(12) |
其中,关于雷达斜距变化Δr的求解问题可以简化为研究位于目标轨道平面外一点与轨道上的目标间距离变化关系,如图2所示。
以地心为坐标轴原点,目标所在轨道平面为xOy平面建立直角坐标系xyz,观测站点S在xOy平面内投影为 S′(x0,y0,0),目标运动至 p((Re+h) ⋅cosθ(t),(Re+h)sinθ(t),0),其中,q(t) = q0+ n(t−t0)用以表示目标在轨道上的瞬时位置, θ0为单帧成像中心时刻t0对应的位置参数。对于直角三角形DSS′p,由勾股定理知:
r2=d2+l2 |
(13) |
其中,垂直距离d在目标运动过程中视为定值,而水平距离l可由下式计算:
l2=((Re+h)cosθ(t)−x0)2+((Re+h)sinθ(t)−y0)2 |
(14) |
将式(14)带入式(13)并对等式两边关于时间求导:
rr′=[−((Re+h)cosθ(t)−x0)(Re+h)sinθ(t)+((Re+h)sinθ(t)−y0)(Re+h)cosθ(t)]n=[(Re+h)x0sinθ(t)−(Re+h)y0cosθ(t)]n=(Re+h)√x02+y02sin(θ(t)−φ)n |
(15) |
短时Δtm内, r≈r′Δtm,并将式(15)带入可得:
Δr=(Re+h)√x02+y02sin(θ(t)−φ)nΔtmr |
(16) |
其中, φ=arctan(y0x0)。
为进一步简化式(16),当以OS′作为x正半轴,即y0=0, φ=0时,在雷达可视范围内 |θ|≤θ0,式(16)可写为:
Δr=(Re+h)x0sinθ(t)nΔtmr |
(17) |
重写式(11)、式(12):
w=√μr(Re+h)−((Re+h)x0sinθ(t)nr3)2 |
(18) |
w≈√μr(Re+h)−12r3√μ(Re+h)5/2(x0sinθ(t)n)2 |
(19) |
为保证方位向分辨率一定,总转角 Δθ需固定,那么相干时间Ti将随目标高度变化:
Ti=Δθw |
(20) |
结合式(6)、式(18),重写空间目标ISAR成像雷达方程:
S=PG2λ3σ0ρr2(4π)3r3η⋅√r2(Re+h)μr2−(Re+h)3(x0sinθ(t)n)2 |
(21) |
由于地球自转的影响,空间目标相对于雷达站点的运动轨迹并不是一个闭合的圆,如图3(b)所示。本文采用的近似模型将其轨道近似为圆如图3(a)所示,对于短时间观测任务来说,两者误差可控制在一定程度内。这里分别使用不同高度的轨道参数对LOS转角速度w进行求解并与实际值对比,选择库尔勒作为观测站点,结果如图4所示。其中,真实值为通过STK验证后的实际LOS转角速度,理论值为按式(18)计算得到的结果,近似值为按式(19)计算得到的结果。计算结果与实际值间的误差主要由模型简化引起,可由与轨道高度相关的函数补偿。补偿后的雷达作用距离方程可写成:
S=PG2λ3σ0ρr2(4π)3r3η⋅(√μRe+h−((Re+h)x0sinθ(t)n)2r2−C(h)r)−1 |
(22) |
其中,C(h)为补偿函数。需要说明的是,补偿函数与目标轨道参数和观测点坐标均有关,且对于本文关于空间目标ISAR成像雷达方程的影响有限,故未进一步讨论。
与条带SAR雷达方程类似,式(20)中ISAR系统回波信号的接收功率与横向分辨率 ρa无关,与LOS转角速度w成反比,而w随轨道目标轨道高度升高而降低。轨道高度升高引起转角速度减小进而导致成像所需相干时间增加。这一变化可部分抵消因目标斜距增大引起的回波能量分散效果,也就是说回波信号接收功率因相干增益不再随作用距离增大呈4次方下降,其下降速度应小于作用距离的4次方,具体数值还与目标与雷达间相对位置有关,一般应介于3次方与4次方之间。采用大角度的ISAR成像处理可弥补轨道升高带来的回波接收功率降低,较普通雷达体制有明显的距离优势。
为验证空间目标ISAR成像雷达方程中,回波信号接收功率下降速度的结论。仿真实验将在成像分辨率固定的情况下,仅改变目标轨道高度引起作用距离变化,对相近姿态下的空间目标进行成像观测,研究得到的RD图像中信号功率的变化以及图像质量的变化。实验中ISAR系统主要参数如表1,目标轨道主要参数倾角为42.8°,升交点赤经(Right Ascension of Ascending Node, RAAN)为34.7°E,观测点分别选取库尔勒、北京、西安,其经纬度信息如表2。
参数 | 数值 |
载频 | 16.7 GHz |
带宽 | 1 GHz |
方位向分辨率 | 0.18 m |
距离向分辨率 | 0.15 m |
脉冲重复频率 | 200 Hz |
地点 | 经纬度 |
库尔勒 | 41.5°N, 86.8°E |
北京 | 39.9°N, 116.4°E |
西安 | 31.1°N, 108.4°E |
对于式(21),为简化计算,本实验中选取 θ0=0,也就是目标均处于轨道上与观测点最近位置附近,其转角速度w达到该轨道上的最大值,其回波接收功率为同一轨道最小值。
目标轨道高度变化将引起目标轨道半径的变化,图5为归一化的回波信号接收功率随目标轨道半径的变化曲线,可以看出对于轨道半径在7400 km以上(作用距离在1400 km以上)的目标,其回波信号接收功率随斜距下降速度介于斜距变化的3次方与4次方之间,具体影响因子与目标与观测点相对位置、观测弧段均有关。在雷达位于西安的观测过程中,低轨道观测甚至出现相干增益超过斜距下降3次方影响的现象,这是由于低轨目标其相干增益与其轨道高度直接相关,而斜距变化与轨道高度变化并不是严格的线性相关,也就说低轨观测中,目标与观测点相对位置以及观测弧段的变化也将较大程度影响回波信号的接收功率。
结合ISAR体制下目标所具有的孤立散射特点,参考点目标成像质量评价中的积分旁瓣比[16](Integrated SideLobe Ratio, ISLR),本文计算各图像中心单元的目标与背景噪声像素能量比(Target Noise Ratio, TNR)来反映成像质量。理论上来说,孤立散射点成像后对应像素单元与背景噪声的能量比应与脉冲回波信噪比、脉压长度、脉冲积累数等因素均相关。但为直观反映不同轨高下脉冲积累数变化带来的图像信噪比增益变化,本文将所有单脉冲回波信噪比统一设置为10 dB,仅改变脉冲积累数进行实验。
TNR=EtEb |
(23) |
其中,Et为目标像素能量积分,Eb为背景像素能量积分。
实验选取西安站观测结果进行成像质量分析,其中方位维、距离维无单位,代表像素点位置,图6为某空间目标在791 km轨道某处成像结果,目标中心单元的距离维、方位维剖面如图6所示。选取相近姿态下,目标在3个不同轨道高度的成像结果作为对比,如图7所示,其量化质量评价结果如表3所示。
从表3可以看出,随轨道高度升高脉冲积累数增加,相干处理后图像TNR也相应增大,这与3.3节中轨道高度对大角度ISAR成像体制影响的结论一致;其脉冲积累数与TNR之比直观反映相干积累对图像质量提升的作用,在脉冲回波信噪比、脉压长度、等因素相同的情况下,可近似为一定值,但可以预见的是在实际中将随着高度升高而增大。
轨道高度(km) | 成像时间(s) | 脉冲积累数 | TNR | 脉冲积累数/TNR |
791 | 9.94 | 1988 | 6.82 | 291.58 |
1200 | 12.40 | 2484 | 8.61 | 288.58 |
1800 | 16.82 | 3364 | 11.45 | 293.80 |
本节实验应用推导的雷达成像方程从回波功率、成像质量两方面进行定分辨成像分析,可总结以下结论。(1)通过有效结合轨道信息,空间目标ISAR成像处理应采用更接近于合作(或半合作)目标的成像处理方式,进一步根据本文方法估计方位分辨性能可在保证横向分辨率的基础上有效指导成像角域优化选择。(2)总体而言,空间目标ISAR观测的回波信噪比受轨道高度升高而下降,另一方面较大的相干积累角ISAR成像,方位相干积累增益可部分补偿目标轨道高度增加引起的信噪比损失,也就是文中所述的回波接收功率下降量级小于斜距4次方,但大于SAR系统中斜距3次方的关系。(3)目标轨道参数、观测几何模型可有效指导空间轨道目标的成像工作功率、波形参数设计,实现ISAR成像信噪比预估计,同时可利用相干积累角的计算进行成像时间段的优化选择,满足高分辨成像任务。
本文从基本雷达方程出发,推导空间轨道目标ISAR成像雷达方程的一般形式,分析空间目标轨道参数对目标转角速度以及成像相干积累增益的影响,定性分析了采用相干体制下的大转角ISAR雷达系统进行空间观测的优势,提出较为简便的成像信噪比估计方法。仿真实验验证ISAR成像的方位相干增益可部分弥补目标轨道高度增加引起的ISAR成像质量下降,为空间目标ISAR成像体制和信号处理设计、成像信噪比估计、成像时间段优化选择提供了理论基础。
[1] |
Liu Y X, Zhu D K, Li X, et al. Micromotion characteristic acquisition based on wideband radar phase[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6): 3650–3657. DOI: 10.1109/TGRS.2013.2274478
|
[2] |
Bigdeli B and Pahlavani P. Quad-polarized synthetic aperture radar and multispectral data classification using classification and regression tree and support vector machine-based data fusion system[J]. Journal of Applied Remote Sensing, 2017, 11(1): 016007. DOI: 10.1117/1.JRS.11.016007
|
[3] |
Shi J F, Li L L, Liu F, et al. Unsupervised polarimetric synthetic aperture radar image classification based on sketch map and adaptive Markov random field[J]. Journal of Applied Remote Sensing, 2016, 10(2): 025008. DOI: 10.1117/1.JRS.10.025008
|
[4] |
Hinton G E and Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504–507. DOI: 10.1126/science.1127647
|
[5] |
Lecun Y, Bengio Y, and Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436–444. DOI: 10.1038/nature14539
|
[6] |
Zhao F X, Liu Y X, Huo K, et al. Radar HRRP target recognition based on stacked autoencoder and extreme learning machine[J]. Sensors, 2018, 18(1): 173. DOI: 10.3390/s18010173
|
[7] |
Abdel-Hamid O, Mohamed A R, Jiang H, et al. Convolutional neural networks for speech recognition[J]. IEEE/ACM Transactions on Audio,Speech,and Language Processing, 2014, 22(10): 1533–1545. DOI: 10.1109/TASLP.2014.2339736
|
[8] |
Ding J, Chen B, Liu H W, et al. Convolutional neural network with data augmentation for SAR target recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 364–368. DOI: 10.1109/LGRS.2015.2513754
|
[9] |
Wang X L, Guo R, and Kambhamettu C. Deeply-learned feature for age estimation[C]. Proceedings of 2015 IEEE Winter Conference on Applications of Computer Vision (WACV), Waikoloa, HI, USA, 2015: 534–541. DOI: 10.1109/WACV.2015.77.
|
[10] |
Huang G B, Zhu Q Y, and Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1/3): 489–501. DOI: 10.1016/j.neucom.2005.12.126
|
[11] |
Huang G, Huang G B, Song S J, et al. Trends in extreme learning machines: A review[J]. Neural Networks, 2015, 61: 32–48. DOI: 10.1016/j.neunet.2014.10.001
|
[12] |
Liang N Y, Huang G B, Saratchandran P, et al. A fast and accurate online sequential learning algorithm for feedforward networks[J]. IEEE Transactions on Neural Networks, 2006, 17(6): 1411–1423. DOI: 10.1109/TNN.2006.880583
|
[13] |
Zong W W and Huang G B. Face recognition based on extreme learning machine[J]. Neurocomputing, 2011, 74(16): 2541–2551. DOI: 10.1016/j.neucom.2010.12.041
|
[14] |
Liu N and Wang H. Evolutionary extreme learning machine and its application to image analysis[J]. Journal of Signal Processing Systems, 2013, 73(1): 73–81. DOI: 10.1007/s11265-013-0730-x
|
[15] |
Ding S F, Zhang N, Zhang J, et al. Unsupervised extreme learning machine with representational features[J]. International Journal of Machine Learning and Cybernetics, 2017, 8(2): 587–595. DOI: 10.1007/s13042-015-0351-8
|
[16] |
Zhao F X, Liu Y X, Huo K, et al. Radar target classification using an evolutionary extreme learning machine based on improved quantum-behaved particle swarm optimization[J]. Mathematical Problems in Engineering, 2017: 7273061. DOI: 10.1155/2017/7273061
|
[17] |
Kasun L L C, Zhou H M, Huang G B, et al. Representational learning with ELMs for big data[J]. IEEE Intelligent Systems, 2013, 28(6): 31–34.
|
[18] |
Yu W C, Zhuang F Z, He Q, et al. Learning deep representations via extreme learning machines[J]. Neurocomputing, 2015, 149: 308–315. DOI: 10.1016/j.neucom.2014.03.077
|
[19] |
Zhu W T, Miao J, Qing L Y, et al.. Hierarchical extreme learning machine for unsupervised representation learning[C]. Proceedings of 2015 International Joint Conference on Neural Networks (IJCNN), Killarney, Ireland, 2015: 1–8. DOI: 10.1109/IJCNN.2015.7280669.
|
[20] |
Tang J X, Deng C W, and Huang G B. Extreme learning machine for multilayer perceptron[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(4): 809–821. DOI: 10.1109/TNNLS.2015.2424995
|
[21] |
Hinton G E, Srivastava N, Krizhevsky A, et al.. Improving neural networks by preventing co-adaptation of feature detectors[OL]. https://arxiv.org/abs/1207.0580.2012.07.
|
[22] |
Srivastava N, Hinton G, Krizhevsky A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. The Journal of Machine Learning Research, 2014, 15(1): 1929–1958.
|
[23] |
Iosifidis A, Tefas A, and Pitas I. DropELM: Fast neural network regularization with dropout and dropconnect[J]. Neurocomputing, 2015, 162: 57–66. DOI: 10.1016/j.neucom.2015.04.006
|
[24] |
Baldi P and Sadowski P. The dropout learning algorithm[J]. Artificial Intelligence, 2014, 201: 78–122.
|
[25] |
Wager S, Wang S D, and Liang P. Dropout training as adaptive regularization[C]. Proceedings of the 26th International Conference on Neural Information Processing Systems (NIPS), Lake Tahoe, Nevada, 2013: 351–359.
|
[26] |
Yang W X, Jin L W, Tao D C, et al. DropSample: A new training method to enhance deep convolutional neural networks for large-scale unconstrained handwritten Chinese character recognition[J]. Pattern Recognition, 2016, 58: 190–203. DOI: 10.1016/j.patcog.2016.04.007
|
[27] |
Baldi P and Sadowski P. Understanding dropout[C]. Proceedings of the 26th International Conference on Neural Information Processing Systems (NIPS), Lake Tahoe, Nevada, 2013: 2814–2822.
|
[1] | YIN Junjun, LUO Jiahao, LI Xiang, DAI Xiaokang, YANG Jian. Ship Detection Based on Polarimetric SAR Gradient and Complex Wishart Classifier[J]. Journal of Radars, 2024, 13(2): 396-410. doi: 10.12000/JR23198 |
[2] | ZHANG Fan, LU Shengtao, XIANG Deliang, YUAN Xinzhe. An Improved Superpixel-based CFAR Method for High-resolution SAR Image Ship Target Detection[J]. Journal of Radars, 2023, 12(1): 120-139. doi: 10.12000/JR22067 |
[3] | WANG Ruichuan, WANG Yanfei. Terrain Classification of Polarimetric SAR Images Using Semi-supervised Spatial-channel Selective Kernel Network[J]. Journal of Radars, 2021, 10(4): 516-530. doi: 10.12000/JR21080 |
[4] | ZHU Qingtao, YIN Junjun, ZENG Liang, YANG Jian. Polarimetric SAR Image Affine Registration Based on Neighborhood Consensus[J]. Journal of Radars, 2021, 10(1): 49-60. doi: 10.12000/JR20120 |
[5] | CUI Xingchao, SU Yi, CHEN Siwei. Polarimetric SAR Ship Detection Based on Polarimetric Rotation Domain Features and Superpixel Technique[J]. Journal of Radars, 2021, 10(1): 35-48. doi: 10.12000/JR20147 |
[6] | ZOU Huanxin, LI Meilin, CAO Xu, LI Runlin, QIN Xianxiang. Superpixel Segmentation for PolSAR Images Based on Geodesic Distance[J]. Journal of Radars, 2021, 10(1): 20-34. doi: 10.12000/JR20121 |
[7] | QIN Xianxiang, YU Wangsheng, WANG Peng, CHEN Tianping, ZOU Huanxin. Weakly Supervised Classification of PolSAR Images Based on Sample Refinement with Complex-Valued Convolutional Neural Network[J]. Journal of Radars, 2020, 9(3): 525-538. doi: 10.12000/JR20062 |
[8] | ZHANG Lamei, ZHANG Siyu, DONG Hongwei, ZHU Sha. Robust Classification of PolSAR Images Based on Pinball loss Support Vector Machine[J]. Journal of Radars, 2019, 8(4): 448-457. doi: 10.12000/JR19055 |
[9] | ZHANG Xiangrong, YU Xinyuan, TANG Xu, HOU Biao, JIAO Licheng. PolSAR Image Classification Method Based on Markov Discriminant Spectral Clustering[J]. Journal of Radars, 2019, 8(4): 425-435. doi: 10.12000/JR19059 |
[10] | ZOU Huanxin, LI Meilin, MA Qian, SUN Jiachi, CAO Xu, QIN Xianxiang. 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 |
[11] | HUA Wenqiang, WANG Shuang, GUO Yanhe, XIE Wen. Semi-supervised PolSAR Image Classification Based on the Neighborhood Minimum Spanning Tree[J]. Journal of Radars, 2019, 8(4): 458-470. doi: 10.12000/JR18104 |
[12] | Sun Xiang, Song Hongjun, Wang Robert, Li Ning. POA Correction Method Using High-resolution Full-polarization SAR Image[J]. Journal of Radars, 2018, 7(4): 465-474. doi: 10.12000/JR18026 |
[13] | Zou Huanxin, Luo Tiancheng, Zhang Yue, Zhou Shilin. Combined Conditional Random Fields Model for Supervised PolSAR Images Classification[J]. Journal of Radars, 2017, 6(5): 541-553. doi: 10.12000/JR16109 |
[14] | Yang Wen, Zhong Neng, Yan Tianheng, Yang Xiangli. Classification of Polarimetric SAR Images Based on the Riemannian Manifold[J]. Journal of Radars, 2017, 6(5): 433-441. doi: 10.12000/JR17031 |
[15] | Zhong Neng, Yang Wen, Yang Xiangli, Guo Wei. 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 |
[16] | Sun Xun, Huang Pingping, Tu Shangtan, Yang Xiangli. Polarimetric SAR Image Classification Using Multiple-feature Fusion and Ensemble Learning[J]. Journal of Radars, 2016, 5(6): 692-700. doi: 10.12000/JR15132 |
[17] | Xing Yanxiao, Zhang Yi, Li Ning, Wang Yu, Hu Guixiang. Polarimetric SAR Image Supervised Classification Method Integrating Eigenvalues[J]. Journal of Radars, 2016, 5(2): 217-227. doi: 10.12000/JR16019 |
[18] | Huang Xiaojing, Yang Xiangli, Huang Pingping, Yang Wen. Prototype Theory Based Feature Representation for PolSAR Images[J]. Journal of Radars, 2016, 5(2): 208-216. doi: 10.12000/JR15071 |
[19] | Li Yang, Lin Yun, Zhang Jing-jing, Guo Xiao-yang, Chen Shi-qiang, Hong Wen. Estimation and Removing of Anisotropic Scattering for Multiaspect Polarimetric SAR Image[J]. Journal of Radars, 2015, 4(3): 254-264. doi: 10.12000/JR15020 |
[20] | Hua Wen-qiang, Wang Shuang, Hou Biao. Semi-supervised Learning for Classification of Polarimetric SAR Images Based on SVM-Wishart[J]. Journal of Radars, 2015, 4(1): 93-98. doi: 10.12000/JR14138 |
1. | 李高源,王晋宇,张长弓,冯博迪,高宇歌,杨海涛. SAR图像仿真方法研究综述. 计算机工程与应用. 2021(15): 62-72 . ![]() | |
2. | 王宇航,种劲松. 天宫二号近天底角交轨干涉SAR的海洋涡旋探测. 遥感学报. 2020(09): 1070-1076 . ![]() |
参数 | 数值 |
载频 | 16.7 GHz |
带宽 | 1 GHz |
方位向分辨率 | 0.18 m |
距离向分辨率 | 0.15 m |
脉冲重复频率 | 200 Hz |
地点 | 经纬度 |
库尔勒 | 41.5°N, 86.8°E |
北京 | 39.9°N, 116.4°E |
西安 | 31.1°N, 108.4°E |
轨道高度(km) | 成像时间(s) | 脉冲积累数 | TNR | 脉冲积累数/TNR |
791 | 9.94 | 1988 | 6.82 | 291.58 |
1200 | 12.40 | 2484 | 8.61 | 288.58 |
1800 | 16.82 | 3364 | 11.45 | 293.80 |