Loading [MathJax]/jax/element/mml/optable/BasicLatin.js
Li Yuqian, Yi Jianxin, Wan Xianrong, Liu Yuqi, Zhan Weijie. Helicopter Rotor Parameter Estimation Method for Passive Radar[J]. Journal of Radars, 2018, 7(3): 313-319. doi: 10.12000/JR17125
Citation: JIANG Wen and LI Wangzhe. A new method for parameter estimation of attributed scattering centers based on amplitude-phase separation[J]. Journal of Radars, 2019, 8(5): 606–615. doi: 10.12000/JR18097

A New Method for Parameter Estimation of Attributed Scattering Centers Based on Amplitude-phase Separation

DOI: 10.12000/JR18097
Funds:  The National Natural Science Foundation of China (61701476, 61690191)
More Information
  • Corresponding author: LI Wangzhe, wzli@mail.ie.ac.cn
  • Received Date: 2018-11-15
  • Rev Recd Date: 2019-04-09
  • Available Online: 2019-06-28
  • Publish Date: 2019-10-01
  • Parameter estimation of Attributed Scattering Centers (ASCs) corresponding to scattering geometries on targets plays an important role in Synthetic Aperture Radar (SAR) imaging-assisted Automatic Target Recognition (ATR). To achieve computational savings and clutter suppression, we extract the measurements of several ASCs and estimate the parameters of each ASC separately. To improve the speed of the estimation process, we propose a method for parameter estimation of ASCs based on amplitude–phase separation that considers a reasonable assumption that the amplitude- and phase-related parameters of an ASC can be estimated separately and independently. Through the proposed method, the complexity and time consumed for parameter estimation are reduced by one order of magnitude than the traditional method. The Iterative Half Thresholding (IHT) algorithm is introduced to enhance the accuracy of parameter estimation. The types and locations of scattering geometries on the target are determined using the estimated ASC parameters. Using simulated data, measured data, and MSTAR data sets, the accuracy and efficiency of parameter estimation are improved and the effectiveness of the proposed method is verified.

     

  • 目标的振动、转动等微动产生的微多普勒效应包含了目标的结构和运动信息,常用于目标的分类和识别[13]。目前,基于外辐射源雷达微多普勒效应目标分类和识别的研究还处于起步状态。外辐射源雷达是一种利用非合作照射源进行目标探测和分类识别的新体制雷达系统,其自身不辐射电磁能量,具有节约频谱资源,隐蔽性好,设备规模小,易于部署和组网等特点[46]。在微多普勒效应目标分类和识别方面,外辐射源雷达表现出得天独厚的优势:(1)收发分置可实现空间分集,有效避免探测盲区。(2)第三方辐射源多为连续波,长时间相干积累可记录多个连续的回波闪烁,同时有利于提高对低雷达散射截面积(Radar Cross-Section, RCS)微动目标的探测与分类识别能力。(3)对微多普勒特征的提取不要求高距离分辨率,参数估计不受第三方辐射源带宽的限制[7,8]

    针对微多普勒效应参数估计问题。文献[9,10]中依据微动目标正弦特征曲线,利用 Hough变换,在参数域中进行多维搜索提取出微动曲线进行参数估计。文献[11,12]通过正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法进行稀疏逼近实现了微动目标参量的估计。上述方法均具有较好的鲁棒性,但由于估计参量维数较高导致计算量巨大。文献[13]利用微动目标在时频域的周期性,采用循环相关系数方法,实现了目标微动周期的估计,但信号周期较长时计算量急剧增加。文献[14]计算了信号的高阶矩函数,通过检测在不同时延下,高阶虚函数部分傅里叶变换累计结果的峰值位置,快速获得目标的旋转速率,相比于图像处理方法和OMP分解方法,计算复杂度较小,但抗噪性能差。而外辐射源雷达所利用的第三方辐射源多为连续波信号,其发射波形不可控,信号能量主要覆盖地面,杂波环境复杂且对空中目标增益低,利用长时间相干积累来提高处理增益会带来数据量巨大的挑战。上述因素决定了外辐射源雷达参数估计方法需要有良好的抗噪性能且计算量要小。

    直升机旋翼旋转时对雷达信号产生周期性调制,当叶片发生镜面反射时,旋翼回波出现峰值,即回波闪烁。闪烁信号在时频图像中表现为一定宽度的频率带,且闪烁时间、闪烁间隔与直升机旋翼微动参数密切相关。针对外辐射源雷达参数估计问题,本文结合上述时频域中闪烁信号的特点,通过时频分析和正交匹配追踪算法实现了直升机旋翼微动参数的估计。本文首先给出了外辐射源雷达直升机旋翼微动信号模型,其次介绍了如何在时频图中提取出闪烁信号参数及正交匹配追踪算法对直升机旋翼微动参数的估计,最后仿真和实测证明了本文方法的有效性。

    直升机旋转叶片与外辐射源雷达的位置关系如图1所示。以直升机旋转叶片的中心点为原点 o ,旋转叶片平面为 xy 面, x 轴平行于发射站与接收站所在直线,建立空间坐标系 (x,y,z) 。直升机相对于发射站和接收站距离为 rT, rR ,方位角为 γ, α ,仰角为 βT, βR (cosβTcosβR=cosβ) 。叶片上某一散射点 p 到原点 o 距离为 lP ,方位角为 φt

    图  1  外辐射源雷达直升机旋翼回波模型
    Figure  1.  Model of helicopter rotors echo for passive radar

    假设直升机平动得到补偿。在 t 时刻,从发射站经散射点 p 到接收站的距离为:

    rP(t)=||RT RP(t)||+||RRRP(t)|| (1)

    其中 RT, RR, RP(t) 分别为发射站、接收站、散射点 p 在坐标系 xyz 中的位置矢量。

    参考文献[1]中单基地直升机建模,将叶片看作线模型,外辐射源雷达直升机旋翼回波可表示为:

    s(t)=Lexp{j2πλ(rR+rT)}Nk=1sinc{ϕk(t)}exp{jϕk(t)} (2)

    其中,

    ϕk(t)=4πλL2cosβcos(αγ2)cos(φk(t)) (3)
    φk(t)=2πfrt+φ0+(k1)2π/Nα+γ2 (4)

    fr 为叶片转速, L 为叶片长度, N 为叶片数量,整数 k (0<kN) 表示第 k 个叶片, φ0 为叶片初相, λ 为照射源信号波长。

    由式(3)得第 k 个叶片引起的瞬时多普勒频移为:

    fk(t)=2πfrLλcosβcos(αγ2)sin(φk(t)) (5)

    由式(2)可知时域信号幅值受 sinc 函数调制,结合式(3)知当 φk(t) 满足式(6)时, ϕk(t)=0 ,时域信号幅值最大,此刻即时域闪烁。

    φk(t)=±π2+2πn (6)

    由式(2)知连续两个闪烁之间的时间间隔为:

    Δt={12Nfr,N1Nfr, N (7)

    直升机旋翼回波的微多普勒呈非线性变化,通过对目标回波信号进行时频分析能够揭示信号频率的时变特性。短时傅里叶变化(Short-Time Fourier Transform, STFT)计算简单,且不产生交叉项。对直升机旋翼回波信号 s(t) 进行STFT到时频域

    TF(t,f)=s(τ)w(τt)ej2πfτdτ (8)

    其中, w(t) 为窗函数。旋翼微多普勒效应特征曲线为正弦曲线,对应时域闪烁出现的时刻出现垂直于时间横轴的频率带,即时频域“闪烁”[15]

    图2为直升机旋翼回波的时频图。当直升机旋翼的叶片数为奇数时(图2(a)),时频域中正负多普勒“闪烁”交替出现;若旋翼叶片数为偶数(图2(b)),则是同时出现。

    图  2  旋翼回波信号时频分析
    Figure  2.  Time-frequency analysis of rotors echo

    设时频域中正频率“闪烁”发生的时间为 t0 ,由式(5)和式(6)知 t0 满足:

    φk(t0)=π2+2πn(n) (9)

    由式(4)和式(9)得第 k 个叶片初相与叶片数量的关系:

    φ0={πt0Δt1N2π(k1)1N+φ1, N2πt0Δt1N2π(k1)1N+φ1,N (10)

    其中

    φ1=α+γ2+2πn+π2(0φ0<2π) (11)

    由于时频图像中闪烁信号频率带垂直于时间横轴,对正频率轴数据幅值进行累加计算,并判断累加后数据局部峰值点,可得到时频域中正频率“闪烁”发生的时间。同样,对负频率轴数据幅值进行累加计算得到时频域中负频率“闪烁”发生的时间。相应的也可得到闪烁间隔。

    由式(7)知,闪烁间隔与旋翼转速、叶片数量密切相关。由式(10)知,闪烁发生的时间与叶片初相、叶片数量、整数 k 密切相关。因此,可根据得到的闪烁间隔,用叶片数量表示出旋翼转速。根据得到的闪烁时间,用叶片数量、整数 k 表示出第 k 个叶片初相。

    由式(2)知时域回波信号可分解为:

    s(t)=Mm=1cmgm(t;Λ)=Dα (12)

    其中, gm 为第 m 个原子, D 为以原子为列张成的字典矩阵 D=[g1 g2 g3···gM] CNt×M, M 为原子个数, Nt 为时间 t 离散后的取值个数, Λ 为要估计的参量, cm 为原子系数, αCM 为系数矢量,是稀疏的。可转化最优 l0 范数问题进行稀疏向量求解。OMP常用于求解此类问题,通过构建字典矩阵,不断选定与信号最匹配的原子进行稀疏逼近[16]。OMP将字典矩阵中原子正交化保证了迭代的最优性。

    由式(2)知直升机旋翼回波信号由参数 (fr,L,φ0,N,k) 确定。利用叶片数量 N 、整数 k (0<kN) 与旋翼转速和叶片初相的关系式(7)和式(10),时域回波可转化为参数 (L,N,k) 来表示。设时间采样点数 Nt ,目标回波为 Nt×1 的矩阵。确定待估参数的取值范围并离散化,叶片长度取值: L(L1,···,Lr,···,LNL) ,叶片数量 N 的可能取值为: N(N1,···,Np,···,NNN) ,整数 k 的取值为 k(1,···,kq,···,kNq) (kNqNNN)

    由OMP算法原理可知,字典中的原子可按照待分解信号的内在特性来构造[16]。根据微动目标的时域回波表达式(2),第 m 个原子可表示为:

    a(m)=sinc(ϕ(Lr,Np,kq))exp{jϕ(Lr,Np,kq)} (13)

    其中

    m=rpq (14)

    并对原子集里的每个原子进行能量归一化:

    a(m)a(m)/a(m)F (15)

    其中, F 表示矩阵的F范数。

    将5参量 (fr,L,φ0,N,k) 的估计转换为3参量 (L,N,k) 估计, NL, NN, Nk 分别为 L, N, k 的取值个数,由于常见直升机主旋翼叶片数量为:3片、5片、7片(奇数),2片、4片、8片(偶数), NN, Nk 较小,降低字典维数为: NL×Nk×NN ,可达到降低计算量的目的。

    直升机旋翼参数估计具体步骤如下:

    步骤1 对直升机旋翼信号进行短时傅里叶变换,得到时频图像 TF(t,f)

    步骤2 对时频图中正频率轴数据幅值进行累加计算,并判断累加后数据局部峰值点,对应时频域正频率“闪烁”发生的时间。同样,对负频率轴数据幅值进行累加计算得到时频域中负频率“闪烁”发生的时间。

    步骤3 根据步骤2中正负频率“闪烁”发生的时间,判别时频域中正负多普勒“闪烁”是否交替出现。若是,则旋翼叶片数为奇数,否则,旋翼叶片数为偶数。

    步骤4 读取某一正频率闪烁发生的时间 t0 及闪烁间隔 Δt 。依据式(7)用叶片数量 N 表示出旋翼转速,依据式(10)和式(11)用叶片数量 N 及整数 k 表示出第 k 个叶片初相。

    步骤5 确定 (L,N,k) 的取值范围并离散化: L(L1,···,Lr,···,LNL) , N(N1,···,Np,···,NNN) , k(1,···,kq,···,kNq) (kNqNNN) 。利用步骤4中表示出的旋翼转速及初相,依据式(13)和式(15)构建字典矩阵。

    步骤6 利用OMP算法寻找叶片数量,叶片长度的最优值,代入式(7)计算出旋翼转速,代入式(10)和式(11)计算出叶片初相。

    结合上述模型对直升机旋翼回波信号进行仿真,仿真参数设置如表1所示。

    表  1  外辐射源雷达直升机旋翼回波模型仿真参数
    Table  1.  Simulation parameters of helicopter rotor echo model for passive radar
    信号载频 叶片数 叶片长度 旋转速率 发射站方位角 接收站方位角 发射站仰角 接收站仰角 SNR
    658 MHz 3 5 m 200 rpm 33° 76° 23° 23° –5 dB
    下载: 导出CSV 
    | 显示表格

    图3(a)显示了信号的联合时频域特征,可看出闪烁信号及噪声严重影响直升机旋翼微多普勒特征曲线的检测,使微多普勒特征曲线提取困难。

    分别对时频图像中正负频率轴数据幅值进行累加计算,得到时频域中正负多普勒“闪烁”时间,如图3(b)所示,图中正负多普勒“闪烁”等间隔交替出现,则旋翼叶片数为奇数。读取闪烁信号时间间隔为0.05 s,根据式(7)表示出旋翼转速为:

    fr=10/N (16)

    读取某一正频率闪烁信号对应时刻为0.066 s(此处选择了图3(b)中的第1个正频率闪烁信号),根据式(10)和式(11)表示出第 k 个叶片初相为:

    φ0=4.14/N6.28×(k1)/N+2.52 (17)

    图3(c)为利用OMP方法对 (L,N,k) 的估计结果,得到叶片数为3片,图中给出了其对应的切面图,3叶片长度分别4.99 m, 5.00 m, 4.98 m,均值4.99 m,与理论基本一致,代入式(17)得3叶片初相分别为1.14 rad, 3.24 rad, 5.34 rad,代入式(16)得旋翼转速为200 rpm,与理论值一致,本文方法准确实现了直升机旋翼参数估计。

    图  3  本文方法参数估计结果
    Figure  3.  Parameter estimation by this article method

    图4为利用常规Hough变换,通过微多普勒曲线 f=fmax 检测对参数 ({f\!_r},{\varphi _0},L) 的估计结果。其中 {f_{\max }} 为最大频移。

    {f_{\max }} = \frac{{4{{π}} {f\!_r}L}}{\lambda }\cos\beta \cos\left( \frac{{\alpha - \gamma }}{2}\right) (18)

    图4中给出了参数空间中局部峰值点中心位置。可得到直升机旋翼转速为200 rpm。3叶片最大频移分别为385.6 Hz, 393.9 Hz, 389.8 Hz,平均值为390.0 Hz,由式(18)计算得叶片长度为4.96 m,与理论值基本一致。3叶片初相分别为0.91 rad, 3.16 rad, 5.24 rad,利用式(4)对初相进行修正,得到3叶片初相位为1.86 rad, 4.11 rad, 6.19 rad,存在较大的误差,是由于STFT受不确定原理的限制,时频图像中时频分辨率受限使参数空间中的局部峰值点扩展范围较大,只能大致估计局部峰值点的位置,估计结果精度较低。

    图  4  常规Hough变换参数估计结果
    Figure  4.  Parameter estimation by traditional Hough transform

    设待处理的时频图像大小为 {N_t} \times {N_f} 像素, {N_f} \approx {N_t} ,利用常规的Hough变换对微多普勒曲线 f = {f_{\max }}\sin(2{{π}} {f\!_r}t{\rm{ + }}{\varphi _0}) 进行检测,参数 ({f\!_r},{\varphi _0},L) 分别量化为 {N_{f_{r}}} , {N_{{\varphi _0}}} , {N_L} 份。乘法次数可近似表示为: 2{N_{f_{r}}}{N_{{\varphi _0}}}{N_L}{N_t}^{\!2}

    直接使用OMP进行参数 ({f\!_r},{\varphi _0},L) 估计时,设迭代次数为K,乘法次数近似表示为: K{N_{f\!_{r}}}{N_{{\varphi _0}}} {N_L}{N_t}^{\!2}

    本文方法计算量集中在OMP阶段,根据提取的时频域中的闪烁时间,依据式(7)和式(10),最终转化为对参数 (L,N,k) 的估计,常见直升机的叶片数只有若干个取值,且由3.1节方法可判断出叶片数量的奇偶性, {N_N}{N_k} 远小于 {N_{f_{r}}}{N_{{\varphi _0}}} 。本文方法乘法次数近似表示为: K{N_N}{N_k}{N_L}{N_t}^{\!2}

    在对直升机旋翼微动参数估计时,一般 {N_N}{N_k} 取值量级为101~102,迭代次数K的取值量级为 {10^0} {\text ~} {10^1} ,当初相 {\varphi _0} 的估计精度为7°时, 2{N_{{\varphi _0}}} 取值量级为102,当转速 {f_r} 的估计精度为10 rpm时, {N_{f_{r}}} 的取值量级为 {10^1} ,在乘法次数上,常规 Hough变换参数估计方法为本文方法 {10^0}{\text ~} {10^2} 倍,当进一步提高 {f_r}, {\varphi _0} 的估计精度时,算法之间的计算量差距将进一步变大。本文在相同的配置环境下,利用Matlab仿真平台,常规Hough变换方法运行时长13006 s,而本文方法运行总时长只有145 s。

    武汉大学电波传播实验室对EC_120B直升机进行了微多普勒效应探究外场实验,EC_120B直升机主旋翼3叶片,叶片长度5 m,额定转速406 rpm,实验中以武汉龟山电视塔数字电视信号为照射源,信号中心频率为658 MHz,带宽8 MHz,接收站位于武汉大学电波传播实验室楼顶,距离发射站7.56 km,实验场景如图5所示。本组实测数据相干积累时间0.8 s,可近似认为目标在这段时间位置不变,直升机旋翼转速为常量。

    图  5  实验场景图
    Figure  5.  Experimental scene map

    图6(a)为去除目标主体影响后,对直升机旋翼回波信号进行短时傅里叶变换后的时频图像。可以观察到闪烁信号,但微多普勒特征曲线已观察不到。分别对时频图像中正负频率轴数据幅值进行累加计算,得到时频域中正负多普勒“闪烁”时间,如图6(b)所示,图中正负多普勒“闪烁”等间隔交替出现,则旋翼叶片数为奇数。

    图  6  本文方法参数估计结果
    Figure  6.  Parameter estimation by this article method

    读取闪烁信号时间间隔为26.2 ms,根据式(7)用 N 表示出旋翼转速。读取某一正频率闪烁时间对应时间为0.25 s,利用式(10)和式(11)表示出第 k 个叶片初相,图6(c)为利用OMP方法对 (L,N,k) 的估计结果,得到叶片数量为3片,3叶片长度分别为4.93 m, 5.00 m, 4.66 m,均值4.86 m,存在较小的误差,与仰角,方位角估计不精确有关,由式(7)知旋翼转速均为382 rpm,符合实际情况。

    本文根据外辐射源雷达直升机旋翼微动信号模型,充分利用时频域中闪烁信号特征和微动信号内在特性进行了参数估计。通过时频分析和正交匹配追踪算法,估计出了旋翼转速、叶片长度、叶片数量和初相。同时开展了外场实验。仿真数据和实测数据处理都表明本文方法对外辐射源雷达直升机旋翼参数估计的可行性。

  • [1]
    钟金荣. 目标三维电磁散射参数化模型反演方法研究[D]. [博士论文], 国防科学技术大学, 2016: 1–7.

    ZHONG Jinrong. Inverse methods for three dimensional parametric scattering model of target[D]. [Ph.D. dissertation], National University of Defense Technology, 2016: 1–7.
    [2]
    FRIEDLANDER R D, LEVY M, SUDKAMP E, et al. Deep learning model-based algorithm for SAR ATR[C]. Proceedings of Algorithms for Synthetic Aperture Radar Imagery XXV, Orlando, United States, 2018: 106470B. doi: 10.1117/12.2315265.
    [3]
    PEI Jifang, HUANG Yulin, HUO Weibo, et al. SAR automatic target recognition based on multiview deep learning framework[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 2196–2210. doi: 10.1109/TGRS.2017.2776357
    [4]
    ZHAO Pengfei, LIU Kai, ZOU Hao, et al. Multi-stream convolutional neural network for SAR automatic target recognition[J]. Remote Sensing, 2018, 10(9): 1473. doi: 10.3390/rs10091473
    [5]
    DUAN Jia, ZHANG Lei, XING Mengdao, et al. Polarimetric target decomposition based on attributed scattering center model for synthetic aperture radar targets[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(12): 2095–2099. doi: 10.1109/lgrs.2014.2320053
    [6]
    DING Baiyuan and WEN Gongjian. Target reconstruction based on 3-D scattering center model for robust SAR ATR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(7): 3772–3785. doi: 10.1109/TGRS.2018.2810181
    [7]
    文贡坚, 朱国强, 殷红成, 等. 基于三维电磁散射参数化模型的SAR目标识别方法[J]. 雷达学报, 2017, 6(2): 115–135. doi: 10.12000/JR17034

    WEN Gongjian, ZHU Guoqiang, YIN Hongcheng, et al. SAR ATR based on 3D parametric electromagnetic scattering model[J]. Journal of Radars, 2017, 6(2): 115–135. doi: 10.12000/JR17034
    [8]
    张亚军. 基于属性散射中心模型的SAR自动目标识别[D]. [硕士论文], 西安电子科技大学, 2014: 5–23.

    ZHANG Yajun. SAR automatic target recognition based on attributed scattering center models[D]. [Master dissertation], Xidian University, 2014: 5–23.
    [9]
    AKYILDIZ Y and MOSES R L. Scattering center model for SAR imagery[C]. Proceedings of SPIE 3869, SAR Image Analysis, Modeling, and Techniques II, Florence, Italy, 1999: 76–85. doi: 10.1117/12.373151.
    [10]
    CHIANG H C, MOSES R L, and POTTER L C. Model-based classification of radar images[J]. IEEE Transactions on Information Theory, 2000, 46(5): 1842–1854. doi: 10.1109/18.857795
    [11]
    DING Baiyuan, WEN Gongjian, HUANG Xiaohong, et al. Target recognition in synthetic aperture radar images via matching of attributed scattering centers[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(7): 3334–3347. doi: 10.1109/JSTARS.2017.2671919
    [12]
    DING Baiyuan, WEN Gongjian, ZHONG Jinrong, et al. A robust similarity measure for attributed scattering center sets with application to SAR ATR[J]. Neurocomputing, 2017, 219: 130–143. doi: 10.1016/j.neucom.2016.09.007
    [13]
    段佳, 张磊, 盛佳恋, 等. 独立属性散射中心参数降耦合估计方法[J]. 电子与信息学报, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302

    DUAN Jia, ZHANG Lei, SHENG Jialian, et al. Parameters decouple and estimation of independent attributed scattering centers[J]. Journal of Electronics &Information Technology, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302
    [14]
    段佳, 张磊, 邢孟道, 等. 合成孔径雷达目标特征提取新方法[J]. 西安电子科技大学学报: 自然科学版, 2014, 41(4): 13–19. doi: 10.3969/j.issn.1001-2400.2014.04.003

    DUAN Jia, ZHANG Lei, XING Mengdao, et al. Novel feature extraction method for synthetic aperture radar targets[J]. Journal of Xidian University, 2014, 41(4): 13–19. doi: 10.3969/j.issn.1001-2400.2014.04.003
    [15]
    海鸿璋. 基于ISAR图像的舰船目标特征提取方法研究[D]. [硕士论文], 西安电子科技大学, 2014: 44–49.

    HAI Hongzhang. Study on feature extraction of ships based on ISAR images[D]. [Master dissertation], Xidian University, 2014: 44–49.
    [16]
    李飞, 纠博, 刘宏伟, 等. 基于稀疏表示的SAR图像属性散射中心参数估计算法[J]. 电子与信息学报, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576

    LI Fei, JIU Bo, LIU Hongwei, et al. Sparse representation based algorithm for estimation of attributed scattering center parameter on SAR imagery[J]. Journal of Electronics & Information Technology, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576
    [17]
    李飞. 雷达图像目标特征提取方法研究[D]. [博士论文], 西安电子科技大学, 2014: 50–66.

    LI Fei. Study on target feature extraction based on radar image[D]. [Ph.D. dissertation], Xidian University, 2014: 50–66.
    [18]
    LIU Hongwei, JIU Bo, LI Fei, et al. Attributed scattering center extraction algorithm based on sparse representation with dictionary refinement[J]. IEEE Transactions on Antennas and Propagation, 2017, 65(5): 2604–2614. doi: 10.1109/TAP.2017.2673764
    [19]
    苏伍各. 基于稀疏贝叶斯重构方法的雷达成像技术研究[D]. [博士论文], 国防科学技术大学, 2015: 3–14.

    SU Wuge. Radar imaging techiniques based on sparse Bayesian reconstruction methods[D]. [Ph.D. dissertation], National University of Defense Technology, 2015: 3–14.
    [20]
    LI Zenghui, JIN Kan, XU Bin, et al. An improved attributed scattering model optimized by incremental sparse Bayesian learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(5): 2973–2987. doi: 10.1109/TGRS.2015.2509539
    [21]
    XU Zongben. Data Modeling: Visual Psychology Approach and L1/2 Regularization Theory[M]. BHATIA R, PAL A, RANGARAJAN G, et al. Proceedings of the International Congress of Mathematicians. Hyderabad, India: World Scientific, 2010: 3151–3184. doi: 10.1142/9789814324359_0184.
    [22]
    徐宗本, 吴一戎, 张冰尘, 等. 基于L1/2正则化理论的稀疏雷达成像[J]. 科学通报, 2018, 63(14): 1307–1319. doi: 10.1360/N972018-00372

    XU Zongben, WU Yirong, ZHANG Bingchen, et al. Sparse radar imaging based on L1/2 regularization theory[J]. Chinese Science Bulletin, 2018, 63(14): 1307–1319. doi: 10.1360/N972018-00372
    [23]
    GERRY M J, POTTER L C, GUPTA I J, et al. A parametric model for synthetic aperture radar measurements[J]. IEEE Transactions on Antennas and Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750
    [24]
    POTTER L C and MOSES R L. Attributed scattering centers for SAR ATR[J]. IEEE Transactions on Image Processing, 1997, 6(1): 79–91. doi: 10.1109/83.552098
    [25]
    KELLER J B. Geometrical theory of diffraction[J]. Journal of the Optical Society of America, 1962, 52(2): 116–130. doi: 10.1364/JOSA.52.000116
    [26]
    ÇETİN M. Feature-enhanced synthetic aperture radar imaging[D]. [Ph.D. dissertation], Boston University, 2001.
    [27]
    清风亦客. T-72主战坦克[EB/OL]. https://baike.baidu.com/item/T-72主战坦克/2031530?fr=aladdin, 2019.

    Qing Fengyike. T-72 main battle tank[EB/OL]. https://baike.baidu.com/item/T-72主战坦克/2031530?fr=aladdin, 2019.
  • Relative Articles

    [1]LI Miaoge, CHEN Bo, WANG Dongsheng, LIU Hongwei. CNN Model Visualization Method for SAR Image Target Classification[J]. Journal of Radars, 2024, 13(2): 359-373. doi: 10.12000/JR23107
    [2]JIN Mingzhen, YANG Shen, WU Zhongjie, ZHANG Huiqiang, LIU Shengqi. Global Scattering-center Modeling Based on RANSAC and 3D Spectral Peak Analysis[J]. Journal of Radars, 2024, 13(2): 471-484. doi: 10.12000/JR23113
    [3]LI Yi, DU Lan, ZHOU Ke’er, DU Yuang. Deep Network for SAR Target Recognition Based on Attribute Scattering Center Convolutional Kernel Modulation[J]. Journal of Radars, 2024, 13(2): 443-456. doi: 10.12000/JR24001
    [4]GAO Zhiqi, SUN Shuchen, HUANG Pingping, QI Yaolong, XU Wei. Improved L1/2 Threshold Iterative High Resolution SAR Imaging Algorithm[J]. Journal of Radars, 2023, 12(5): 1044-1055. doi: 10.12000/JR22243
    [5]LYU Yixuan, WANG Zhirui, WANG Peijin, LI Shengyang, TAN Hong, CHEN Kaiqiang, ZHAO Liangjin, SUN Xian. Scattering Information and Meta-learning Based SAR Images Interpretation for Aircraft Target Recognition[J]. Journal of Radars, 2022, 11(4): 652-665. doi: 10.12000/JR22044
    [6]KANG Jian, WANG Zhirui, ZHU Ruoxin, SUN Xian. Supervised Contrastive Learning Regularized High-resolution Synthetic Aperture Radar Building Footprint Generation[J]. Journal of Radars, 2022, 11(1): 157-167. doi: 10.12000/JR21124
    [7]DU Bang, QIU Xiaolan, ZHANG Zhe, LEI Bin, DING Chibiao. L1 Minimization with Perturbation for Off-grid Tomographic SAR Imaging[J]. Journal of Radars, 2022, 11(1): 62-70. doi: 10.12000/JR21093
    [8]YAN Hua, ZHANG Lei, LU Jinwen, XING Xiaoyu, LI Sheng, YIN Hongcheng. Frequency-dependent Factor Expression of the GTD Scattering Center Model for the Arbitrary Multiple Scattering Mechanism[J]. Journal of Radars, 2021, 10(3): 370-381. doi: 10.12000/JR21005
    [9]TAN Pengyuan, ZHU Jianjun, FU Haiqiang, LIN Hui. Inversion of Forest Height Based on ALOS-2 PARSAR-2 Multi-baseline Polarimetric SAR Interferometry Data[J]. Journal of Radars, 2020, 9(3): 569-577. doi: 10.12000/JR20030
    [10]WEN Gongjian, MA Conghui, DING Baiyuan, SONG Haibo. SAR Target Physics Interpretable Recognition Method Based on Three Dimensional Parametric Electromagnetic Part Model[J]. Journal of Radars, 2020, 9(4): 608-621. doi: 10.12000/JR20099
    [11]LU Jiaguo, TAO Li, ZHONG Xuelian, ZHANG Jiajia, SHEN Mingxing, LIU Zhikun. L-band Airborne Repeat-pass Interferometric SAR System and Its Experimental Study[J]. Journal of Radars, 2019, 8(6): 804-819. doi: 10.12000/JR19078
    [12]YAN Hua, CHEN Yong, LI Sheng, HU Liping, LI Huanmin, YIN Hongcheng. A Fast Algorithm for Establishing 3-D Scattering Center Model for Ship Targets over Sea Surface Using the Shooting and Bouncing Ray Technique[J]. Journal of Radars, 2019, 8(1): 107-117. doi: 10.12000/JR18078
    [13]Yan Min, Wei Shunjun, Tian Bokun, Zhang Xiaoling, Shi Jun. LASAR High-resolution 3D Imaging Algorithm Based on Sparse Bayesian Regularization[J]. Journal of Radars, 2018, 7(6): 705-716. doi: 10.12000/JR18067
    [14]Wen Gongjian, Zhu Guoqiang, Yin Hongcheng, Xing Mengdao, Yang Hu, Ma Conghui, Yan Hua, Ding Baiyuan, Zhong Jinrong. SAR ATR Based on 3D Parametric Electromagnetic Scattering Model[J]. Journal of Radars, 2017, 6(2): 115-135. doi: 10.12000/JR17034
    [15]Ding Baiyuan, Wen Gongjian, Yu Liansheng, Ma Conghui. Matching of Attributed Scattering Center and Its Application to Synthetic Aperture Radar Automatic Target Recognition[J]. Journal of Radars, 2017, 6(2): 157-166. doi: 10.12000/JR16104
    [16]Ren Xiaozhen, Yang Ruliang. Four-dimensional SAR Imaging Algorithm Based on Iterative Reconstruction of Magnitude and Phase[J]. Journal of Radars, 2016, 5(1): 65-71. doi: 10.12000/JR15135
    [17]Zhou Yu, Wang Hai-peng, Chen Si-zhe. SAR Automatic Target Recognition Based on Numerical Scattering Simulation and Model-based Matching[J]. Journal of Radars, 2015, 4(6): 666-673. doi: 10.12000/JR15080
    [18]Lu Ping-ping, Du Kang-ning, Yu Wei-dong, Wang Yu, Deng Yun-Kai. Feature Fusion Based Road Extraction for HJ-1-C SAR Image[J]. Journal of Radars, 2014, 3(3): 352-360. doi: DOI: 10.3724/SP.J.1300.2013.13059
    [19]Liu Xiao-ming, Wen Gong-jian, Zhong Jin-rong. Methods for Parametrically Reconstructing Position of 3D Scattering Center Model of Targets from SAR Images[J]. Journal of Radars, 2013, 2(2): 187-194. doi: 10.3724/SP.J.1300.2013.20080
    [20]Ding Bai-yuan, Zhong Jin-rong, Ma Cong-hui, Wen Gong-jian. SAR Target Reconstruction Visualization Enhancement Based on Attributed Scattering Center Model[J]. Journal of Radars, 2013, 2(4): 499-506. doi: 10.3724/SP.J.1300.2013.13071
  • Cited by

    Periodical cited type(10)

    1. 陈汪翔,田鹤,王吉儿,田单. 基于散射模型的球头锥目标几何结构参数估计. 系统工程与电子技术. 2024(03): 892-897 .
    2. 靳明振,杨申,吴中杰,张会强,刘盛启. 基于RANSAC和三维谱峰分析的全姿态散射中心建模. 雷达学报. 2024(02): 471-484 . 本站查看
    3. 周志洪,陈秀真,马进,夏正敏. 烟花算法在SAR图像属性散射中心参数估计中的应用. 红外与激光工程. 2022(08): 481-487 .
    4. 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
    5. 谢意远,高悦欣,邢孟道,郭亮,孙光才. 跨谱段SAR散射中心多维参数解耦和估计方法. 电子与信息学报. 2021(03): 632-639 .
    6. 陈丛. 基于狼群算法的SAR图像属性散射中心参数估计. 红外与激光工程. 2021(04): 258-264 .
    7. 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 .
    8. 徐嘉华,张小宽,郑舒予,宗彬锋,张敬伟. 基于改进正交匹配追踪算法的属性散射中心提取. 系统工程与电子技术. 2021(08): 2076-2082 .
    9. 胡珍妮,常在斌,崔娟. 光谱自回归移动平均模型的贝叶斯分析方法. 电子设计工程. 2021(17): 175-179+184 .
    10. 陈潜,刘金清. 结合属性散射中心模型和空间变迹法的SAR图像旁瓣抑制方法. 电子测量与仪器学报. 2020(10): 57-64 .

    Other cited types(3)

  • 加载中

Catalog

    通讯作者: 陈斌, bchen63@163.com
    • 1. 

      沈阳化工大学材料科学与工程学院 沈阳 110142

    1. 本站搜索
    2. 百度学术搜索
    3. 万方数据库搜索
    4. CNKI搜索

    Figures(6)  / Tables(11)

    Article views(3847) PDF downloads(270) Cited by(13)
    Proportional views
    Related

    /

    DownLoad:  Full-Size Img  PowerPoint
    • 表  1  外辐射源雷达直升机旋翼回波模型仿真参数
      Table  1.  Simulation parameters of helicopter rotor echo model for passive radar
      信号载频 叶片数 叶片长度 旋转速率 发射站方位角 接收站方位角 发射站仰角 接收站仰角 SNR
      658 MHz 3 5 m 200 rpm 33° 76° 23° 23° –5 dB
      下载: 导出CSV 
      | 显示表格