一种超分辨距离多普勒成象方法

众所周知,距离多普勒成象雷达的距离分辨力和横向分辨力分别取决于发射信号的有效带宽和目标相对于雷达视线在相干处理区间内的转角,本文的研究工作旨在突破普通的FFT距离多普勒处理的限制,大大提高距离多普勒成象雷达的分辨能力,我们采用的方法是在进行付里叶重建之前用线性预测进行数据外推,用微波暗室试验数据进行转台成象的初步结果表明,这是一种改善距离多普勒成象雷达分辨能力的颇有前途的方法。

超分辨距离—多普勒成像研究

介绍几种超分辨成像方法,包括线性预测数据外推的离散傅立叶变换(LPDEDFT)法、动态优化线性最小二乘(DOLLS)法和Hopfjeld神经网络非线性最小二乘(HNNNLS)法,并给出B-52飞机缩比金属模型微波暗室转台实测数据和Boeing-727飞机外场实测数据的成像结果。比较了这些方法在分辨能力、计算复杂性等方面的优劣。采用这些超分辨成像方法,与普通的傅立叶方法相比,在相同信号带宽和总转角的条件下可以获得更高的图像分辨率,或用较小的信号带宽和总转角可以获得相同质量的图像。

线性预测数据外推超分辨雷达成像

距离—多普勒成像雷达的距离分辨力和横分辨力分别取决于发射信号的有效带宽和目标相对于雷达视线(RLOS)在相于处理区间内的转角。本文研究线性预测数据外推离散傅里叶变换(LPDEDFT)超分辨成像方法,旨在突破普通的FFT距离多普勒处理的限制,提高距离—多普勒成像雷达的分辨力。LPDEDFT在概念上和计算上都比较简单,分两步进行,先用线性预测方法把观测数据外推到观测窗之外,然后对外推过的数据进行普通的离散傅里叶变换。文中给出了B—52飞机缩比金属模型微波暗室转台实测数据和飞行中的Boeing-727飞机外场实测数据的成像结果。LPDEDFT与普通的傅里叶方法相比,在相同信号带宽和目标总转角的条件下可以得到更高的图像分辨力,或者可以用较小的信号带宽和目标总转角获得相同质量的图像。

用神经网络方法估计AR参数的超分辨雷达成象

本文研究用神经网络方法估计 AR 参数的线性预测数据外推超分辨雷达成象,并用神经网络方法和 Burg 方法对计算机仿真数据和微波暗室实测数据进行了验证。成象结果表明,两种方法在较低的信噪比条件下均具有超分辨能力,且随着 VLSI 技术的发展,神经网络方法将是一种很有希望的超分辨成象方法。

对广义相干处理成象运算的改进

在对广义相干处理（ＥｘｔｅｎｄｅｄＣｏｈｅｒｅｎｔＰｒｏｃｅｓｓｉｎｇ，简称ＥＣＰ）成象过程进行分析的基础上，提出了“子图象分组叠加”和“相位校正的提前进行”两个改进方法。前者使叠加过程中图象的象素点密度跟踪实际分辨力的变化；后者把叠加时需进行的相位校正处理改为对子图象预先进行线性调相处理。文中进行的理论分析表明：两方法能有效地减少成象运算量，前一方法的效果在多级分组时更为明显。文中给出了算例。

用TH神经网络方法外推数据的超分辨雷达成象

研究用Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ神经网络（ＴＨＮＮ）求解ＡＲ模型参数作数据外推的超分辨雷达成象，并用微波暗室实测数据对ＴＨＮＮ方法和Ｂｕｒｇ方法作了验证，结果表明，两种方法均能在较低的信噪比条件下实现超分辨成象，且随着ＶＬＳＩ技术的发展，神经网络方法将是一种很有希望的超分辨成象方法。

超分辨成象信号处理的硬件实现

简要介绍线性预测数据外推的超分辨距离－多普勒成象方法，并以一片高速数字信号处理（ＤＳＰ）芯片—ＴＭＳ３２０Ｃ２５为核心设计了一个专用信号处理器，能完成数据外推、加窗和１２８复数点ＦＦＴ，实现超分辨二维成象。文中给出了对Ｂ－５２模型飞机微波暗室转台实测数据的成象结果，并作了比较。

采用定点运算FTF算法的自适应噪声抵消器的计算机仿真

本文讨论用快速横向滤波器(FTF)算法实现自适应噪声抵消(ANC),着重研究采用16位定点运算的情况.但是FTF算法具有众所周知的数值性能不稳定性,该问题在用有限字长定点实现时变得尤为明显.加外因为FTF算法包含除法运算,采用定点运算后,由于有限精度的影响,除法中的分母和转换因子γ有时会衰减为零,从而导致算法不能正常工作.本文针对这些问题讨论了相应的解决方法.另外,本文采用定标的方法避免了FTF算法中的某个正变量变为负值,从而保证了算法的稳定.最后本文给出了计算机模拟的结果.

利用实数LMS自适应滤波器计算RDFT与DFT

实离散Fourier变换（RDFT）是1985年Ersoy提出的一种实变换，在许多信号处理应用中其性能优于离散Founier变换（DFT）．本文建立了实数LMS自适应算法与RDFT之间的联系，提出了利用实数LMS自适应滤波器计算RDFT与DFT的一种方法．该算法与Widrow算法不同，把RDFT的实数变换核作为自适应滤波器的输入矢量，用实数LMS自适应算法进行计算．整个过程仅涉及实数运算，所需存贮单元的数目只有Widrow算法的一半．当计算实序列DFT时，实乘次数只有Widrow算法的三分之一，实加次数不到Widrow算法的五分之一；而计算复序列DFT时，实乘次数也只有Widrow算法的三分之二，实加次数还不到Widrow算法的五分之三。此算法更适于并行处理与VLSI实现，它为计算RDFT与DFT提供了一条新的神经网络途径．

一种计算二维图象矩的神经网络方法

提出了一种计算二维图象矩的神经网络方法。首先，导出一维信号矩与一维Ｈａｄａｍａｒｄ变换之间的关系。通过２Ｎ个一维Ｈａｄａｍａｒｄ变换和极少量加法、移位及乘法运算可计算二维图象矩。然后给出用Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ神经网络实现Ｈａｄａｍａｒｄ变换的方法，并对该网络作了改进。改进后的网络呈模块式结构，仅有一个互连强度矩阵且神经元数目减少一半。本文提出的Ｈａｄａｍａｒｄ变换神经网络用变换矩阵的转置直接作为互连矩阵，而无学习步骤，可同时处理整个数据向量，并在几百纳秒内任意逼近所求变换值。该网络适合于实时计算二维图象矩，可进一步用于图象或目标识别。