基于散射中心参数化模型和反向传播(back propagation,BP)神经网络,构建了一种针对目标全角度、宽频段下的远场电场预测网络,该网络将利用目标的位置、幅度、频率等数据信息实现远场电场实部与虚部的快速预测.首先,将对目标强散射点的...基于散射中心参数化模型和反向传播(back propagation,BP)神经网络,构建了一种针对目标全角度、宽频段下的远场电场预测网络,该网络将利用目标的位置、幅度、频率等数据信息实现远场电场实部与虚部的快速预测.首先,将对目标强散射点的位置以及强度等参数进行提取;然后,对二维角域以及频域进行区域划分,构建并联式的智能网络架构,从而建立散射中心参数化模型与高精度远场电场间的关系.该方法能够通过新型并联网络的训练,减小传统散射中心模型的频率、角度依赖性的影响,实现目标远场电场的快速获取.由于在网络设计时,充分借鉴了现有的模型中各散射参数对目标电场的影响,因此该神经网络具有清晰的物理意义以及突出的泛化能力.与传统的基于几何绕射理论(geometrical theory of diffraction,GTD)模型的电场重构方法相比,本文方法具有更高的准确性,实验结果表明提出的并联网络使得预测电场误差下降了18%以上,同时针对目标后向远场电场的预测,其相对均方根误差能够小于5%.展开更多
散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中...散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。展开更多
文摘基于散射中心参数化模型和反向传播(back propagation,BP)神经网络,构建了一种针对目标全角度、宽频段下的远场电场预测网络,该网络将利用目标的位置、幅度、频率等数据信息实现远场电场实部与虚部的快速预测.首先,将对目标强散射点的位置以及强度等参数进行提取;然后,对二维角域以及频域进行区域划分,构建并联式的智能网络架构,从而建立散射中心参数化模型与高精度远场电场间的关系.该方法能够通过新型并联网络的训练,减小传统散射中心模型的频率、角度依赖性的影响,实现目标远场电场的快速获取.由于在网络设计时,充分借鉴了现有的模型中各散射参数对目标电场的影响,因此该神经网络具有清晰的物理意义以及突出的泛化能力.与传统的基于几何绕射理论(geometrical theory of diffraction,GTD)模型的电场重构方法相比,本文方法具有更高的准确性,实验结果表明提出的并联网络使得预测电场误差下降了18%以上,同时针对目标后向远场电场的预测,其相对均方根误差能够小于5%.
文摘散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。
