机载220 GHz云雷达衰减订正模拟试验

针对220 GHz云雷达回波信号的衰减问题，结合典型云滴谱和云参数，对水云和冰云模拟取样2 100次，应用离散偶极子近似法计算了220 GHz云雷达探测云滴粒子的衰减系数kc和雷达反射率因子Z的关系。在考虑大气和云对220 GHz云雷达信号衰减的基础上，对水云和冰云的机载220 GHz雷达回波强度进行了数值模拟，根据得到的kc-Z关系，进行衰减订正的模拟试验。结果表明:水滴云比冰晶云的衰减系数大2~3个数量级;相对于小粒子的水云和冰云，大气吸收是造成机载220 GHz云雷达衰减的主要原因。高频段的雷达信号在传播路径上的衰减非常明显，本研究中给出的kc-Z关系适用于220 GHz频率雷达的云衰减订正计算。     

基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。     

特征选择的全极化SAR影像面向对象土地覆盖分类

全极化SAR数据信息丰富,仅利用单一的极化特征和基于像元的分类很难得到较好的分类效果。因此,提出了全极化数据特征优选结合面向对象方法进行土地覆盖分类。以云南西双版纳州勐腊县和普洱市思茅区的Terra SAR-X的X波段全极化雷达数据为信息源,首先对全极化SAR数据进行预处理,提取研究区Pauli RGB图像后,利用影像分割技术对Pauli RGB图像进行分割,作为分类的基本单元;然后对SAR影像提取极化分解特征和Span影像的纹理特征,选取最优特征集合;最后利用面向对象模糊分类方法进行土地覆盖分类,并采用实地调查数据对分类结果进行了精度评价。试验结果表明,面向对象方法可以很好地去除噪声的影响,最优组合的特征波段使得分类结果更加精确。西双版纳州勐腊县总体分类精度达到88.5%,普洱市思茅区总体分类精度达到86.8%,较之H/A/α-Wishart分类方法精度提高了40%以上。     

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是SAR图像目标识别的重要特征之一。峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征．本文首先研究了SAR图像目标峰值特征提取方法，提出了一种“子像素”级精度的SAR图像目标峰值特征提取方法．并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此，为了提高SAR图像目标识别系统的分类效率，本文还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的sAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时，给出该估计的置信区间，从而更好的满足SAR ATR的实际需要。文中通过对大量实测MSTAR SAR图像目标方位角的估计实验，验证了本文目标峰值特征提取及方位角估计方法的有效性。     

基于匹配追踪算法的SAR超分辨成像

提出了一种新的SAR超分辨成像方法。在SAR图像相位历史域点散射模型的基础上，利用SAR图像目标稀疏的性质，构造子像素级的紧致字典，并设计了一种改进的匹配追踪迭代算法来估计模型参数，从而生成更大尺度的相位历史数据，对得到的相位历史域数据成像即得到了更高分辨率的SAR图像。实验结果表明该算法具有良好的超分辨性能，同时所需时问比基追踪方法缩短40％以上。     

小型SAR卫星用双高特性锂离子电池技术

小型合成孔径雷达(SAR)卫星对储能电池系统提出了轻量化、大功率的要求,现有的SAR卫星用电池难以满足需求,急需开发高能量高功率的锂离子电池。采用兼具容量和功率性能的镍钴铝酸锂(LiNixCoyMnzO2, NCA)作为正极活性材料,高容量中间相炭微球(MCMB)作为负极活性材料,显著提升了电池体系的容量和比能量。通过设计极片的活性物质载量和电解液用量,保证了电池功率性能(≥10 C)的发挥;通过加大电极片面积和极柱尺寸,控制了大倍率放电时电池温升。研制了兼顾高比能和高功率的锂离子电池单体,额定容量20 Ah,1 C放电比能量达到180 Wh.kg^-1,且10 C放电容量相较1 C保持率96.24%,15 C下持续放电比功率超过2 000 W.kg^-1,可以满足下一代轻小型SAR卫星能源供电需求。     

基于基追踪的SAR图像超分辨处理

研究SAR图像的超分辨处理方法对于提高图像质量具有重要意义。结合雷达成像的目标属性散射模型，利用信号原子分解办法得到了SAR成像的最优信号原子，提出了利用基追踪方法估计模型参数的SAR图像超分辨处理方法。该方法利用了稀疏性先验信息，理论上比传统的匹配追踪方法具有更优越的性能。仿真算例和MSTAR实测数据的处理结果表明，这种处理方法具有良好的超分辨性能。     

基于深度学习神经网络的SAR星上目标识别系统研究

实现对地面目标的智能识别,对一种基于深度学习的卷积神经网络(CNN)的星载合成孔径雷达(SAR)星上目标识别系统进行了研究。系统由星上和地面两部分组成。其中:地面部分进行网络结构设计、SAR图像数据预处理、CNN模型训练、模型压缩及上传;星上部分接收上传模型并解压缩、目标识别、识别后粗筛图像下传地面;地面进行人工筛查,筛查后的正确图像作为训练数据对CNN模型进行再训练,逐步获得精度更高的模型。提出的CNN架构为卷积层2个、下采样层2个、Dropout层3个、Flatten层1个、全连接层2个,最终输出标签11类。为使训练后的CNN模型能部署到卫星上使用,采用数据精度压缩和剪枝两种数据深度压缩方法以减小数据存储量和减低网络复杂度。在Keras深度学习开源库环境中实现设计的CNN模型,对运动和静止目标获取与识别(MSTAR)数据库中的11类军事目标识别的实验结果表明:识别和分类的效果良好,整体识别成功率达96.29%;模型能压缩至原来的1/13,精度损失小于2%。     

一种基于多模分布的SAR图像分割算法

SAR图像目标、背景、阴影的不同散射机理使得这三部分具有不同的统计特性.分析SAR图像三部分统计性质分别建立统计模型,并给出了一种基于这三种模型组合的多模分布的SAR图像分割算法,对于目标分割和阴影分割分别采用不同的预处理方法,分别提出了快速Otsu分割算法分割目标和基于背景均值保留的冲击滤波算法分割阴影.分割结果表明,这种基于多模分布的SAR图像分割算法与传统的基于单模分割算法相比,能最佳地利用各部分统计特性的差异,得到准确的分割结果.     

基于峰值点的目标对准在MSTAR SAR图像分类中的应用

模板匹配的分类方法是合成孔径雷达目标识别的重要方法。研究了MSTAR SAR图像,指出图像中的目标峰值点本质上对应于实际物体的散射中心,并且在一定方位区间中具有稳定性。假设目标存在位置偏移的基础上,提出先利用目标峰值点对准目标,再生成模板和分类的思想。分析了方位区间中基准图像的选取及对准过程对模板生成和目标分类的影响程度。最后研究了同类变形目标间的分类,提出了峰值点特征增强成像、预分类、目标对准和正式分类的四步算法。结果证明,所提算法具有较高的分类精度和效率。