低秩矩阵补全高分辨SAR成像特征重建

在对抗电磁环境中,机载合成孔径雷达(SAR)容易受到电子干扰,造成若干回波脉冲不可用,导致SAR回波部分数据丢失,成像性能受限。由此,该文提出了一种基于低秩矩阵补全的特征重建SAR(FR-SAR)成像算法。考虑到SAR回波数据的低秩特性,引入矩阵分解获取行或列的非零数,应用因式组稀疏正则化(FGSR)算法对非零列数取凸优化,可获取SAR回波数据之间的相关性,从而实现SAR回波数据的补全。同时为了提升该算法的抑噪声性能和高分辨能力,将稀疏先验引入正则化模型。利用交替方向多乘子法(ADMM)实现矩阵补全和稀疏特征增强协同求解。FR-SAR算法由于未使用奇异值分解(SVD),运算效率更高。仿真和实测实验验证了FR-SAR算法的有效性,同时利用相变分析方法(PTD)对所提算法和传统算法的恢复能力进行定量对比,均验证了FR-SAR算法的优越性。

复数兼容全变分SAR目标结构特征增强

针对合成孔径雷达(synthetic aperture radar,SAR)成像目标复杂结构特征难以精准提取的问题,设计复数兼容的多通道结构张量全变分(structure tensor total variation,STV)正则先验表征函数,进而提出面向SAR目标结构特征增强的复数兼容-STV(complex value compatible-STV,CV-STV)优化算法。所提算法的结构先验函数设计涵盖实部/虚部两个通道的结构张量,能适应SAR复成像数据特征并解析推导得到其近端算子,进而简化求解问题的模型复杂度。同时,将CV-STV正则优化算法引入稀疏驱动先验,借助交替方向多乘子法(alternating direction method of multipliers,ADMM)多任务优化框架实现目标散射点多特征的联合表征与增强。实验部分分别应用SAR仿真与实测数据对所提CV-STV正则优化算法进行有效性验证;同时利用相变分析实验对比传统特征增强算法,验证了所提算法的优越性。

多任务协同优化学习高分辨SAR稀疏自聚焦成像算法

针对传统高分辨合成孔径雷达(SAR)稀疏自聚焦成像算法难以有效平衡稀疏与聚焦特征的问题,该文提出一种基于交替方向多乘子方法(ADMM)的多任务协同优化学习稀疏自聚焦(MtL-SA)算法。该算法通过引入熵范数表征SAR成像结果聚焦特征,在ADMM优化框架下,利用近端算法求解聚焦特征解析解。针对原熵范数正则优化目标函数的非凸问题,该文合理设计代价函数,从而保证熵范数近端算子的闭合解析解。同时,应用`1范数表征成像结果稀疏特征,并建立面向复数SAR成像数据的复数软阈值近端算子。该文所提MtL-SA成像算法可实现对目标场景后向散射场对应稀疏特征和聚焦特征的解析求解,并有效提升自聚焦算法的可靠性和稳健性。两种特征增强处理相互调和,保证了算法运行过程中有效降低误差传播,进而保证联合特征增强精度。仿真及实测机载SAR成像数据实验,验证了算法的有效性和实用性,同时应用相变分析方法分别定量和定性地分析了该文所提算法相比其他传统算法的优越性。

高分辨SAR目标成像方向性结构特征增强

针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation, DTSV)正则子进行结构先验表征,实现对成像目标复杂结构特征任意梯度变化的拟合,进而实现对结构特征的高精度正则优化处理。首先,在交替方向多乘子方法(alternating direction method of multipliers, ADMM)的协同优化框架下实现DTSV正则优化求解(DTSV-ADMM),利用该框架提供的对偶上升思想可有效提升迭代优化算法的收敛性能。其次,基于ADMM框架提供的多变量"分解-调和"机理,通过建立分裂变量组可以实现多个正则项的协同优化增强。然后,进一步引入?;范数对成像目标稀疏特征进行表征,并在协同优化框架下实现对方向性结构特征和稀疏特征的稳健计算,有效减小多特征优化存在的"误差传播"问题。最后,通过近端算子对特征进行解析计算,获得对应特征的闭合解析解,进一步提升算法运算稳健性和计算效率。实验证明了所提算法相比传统方法的优越性。

气相色谱法测定甲醛中的甲醇含量

利用气相色谱法对甲醛中的甲醇进行定量分析,该方法采用氮气为载气、INNOWAX柱、FID检测器.甲醇具有良好的线性关系（R2 =0.9992）,回收率为99.5％ ～102.5％.该方法快速准确,具有良好重现性.