超分辨光学图像深度展开网络

提出了一种用于光学图像超分辨的深度展开网络。该网络将传统优化算法和深度学习算法相结合,使得最终的网络既具有可解释性,又拥有神经网络的强大拟合性。为了增强网络的目标图像多尺度特征提取能力,提出了多尺度空洞卷积注意力模块,该模块可以有效地提取目标图像的多尺度特征,并对重要特征赋予较大的权重,提高网络性能。实验表明,该网络能够有效恢复图像的细节信息,实现降质图像较好的超分辨重建效果。

光电卷积神经网络的光学实时训练算法

为了减少电子计算机中数字硬件的运算量,提升光电卷积神经网络(optronic convolutional neural network,OPCNN)在实际应用中的分类性能,提出了一种新型的光学反向传播算法,在光学平台上实现了OPCNN的实时训练,用于合成孔径雷达的目标分类。根据所提算法对OPCNN进行训练,在训练过程中,网络正向传播与反向传播的运算操作均可以通过光学计算的方式以近光速的处理速度实现。基于运动与静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)数据集的目标分类实验验证了所提光学实时训练算法的可行性。

基于光电协同的雷达实时信号处理技术

随着雷达系统在通道数量、带宽和分辨率上的不断提升,对于数据处理能力和处理速度提出更高的要求。在一些特定的应用场合,体积、功耗等也是数据处理机设计时需要考虑的重要因素。单纯依靠数字技术的雷达信号处理模式已经或者即将暴露出在运算能力、运算速度和功耗等方面的局限性。本文立足于新型信息处理理论和方法的研究,提出了光电协同信息处理技术。该技术将光学复杂运算与电子学逻辑控制相结合,利用空间光学信息处理完成高密度、海量数据的算术运算,利用电子学处理完成传输控制、逻辑运算等操作。光电协同处理具有高速并行的处理特点,而且处理主要依靠光学无源器件,功耗极低。最后给出了光电协同信息处理技术在合成孔径雷达成像处理和阵列雷达波束形成处理上应用的实例。

环视SAR成像处理中的几何失真校正方法

环视合成孔径雷达(SAR)工作于波束扫描模式,雷达天线以垂直地面方向为轴线作圆锥扫描,实现对载机周围360°范围内的聚焦成像。为了研究环视SAR成像处理中几何失真校正问题,通过波束扫描至空间不同位置处的成像几何关系,分析了成像过程中引起几何失真的机理,提出了一种基于子图像素实际地理坐标的几何失真校正方法。利用文中给出的方法对实测环视SAR数据进行处理,得到无几何失真的SAR图像,证明该方法有效。

基于GPU的SAR方位向信号分解的高效实现方法

提出了一种基于图形处理器(GPU)的SAR方位向信号分解的高效实现方法。SAR方位向信号可以通过四参数Chirplet分解方法来分解。此方法的关键难题是计算量过大,计算量主要由2部分组成:构建Chirp原子库,以及SAR方位向信号在过完备库上分解的计算量。与传统的CPU相比,GPU更加适用于密集型和大量数据并行化的计算。提出将算法的核心部分移植到GPU上进行并行计算,充分挖掘其运算潜能。结果表明:该方法与传统的基于CPU的算法相比有两位数以上的效率提升。

基于最大似然准则的L阵2D-DOA配对算法研究

针对L阵两维到达方向(2D-DOA)估计中方位角和俯仰角配对错误导致的模糊问题,对一种基于最大似然准则的配对算法进行了研究。根据建立的L阵信号模型,用超分辨算法获得在非相干源和相干源时的L阵两组线阵的一维DOA估计。由一个线阵接收数据和估计的一维DOA得出信源的最大似然估计,构造第一个信源协方差矩阵,其中目标的排列顺序与该线阵估计的一维DOA顺序对应;再用两个线阵接收数据的互相关矩阵估计第二个信源协方差矩阵。当两个线阵估得的一维DOA对应时两个信源协方差矩阵等价,可由两个矩阵中元素的位置关系实现配对,获得无模糊的方位角和俯仰角。仿真结果表明:所提算法在低信噪比、小快拍数下均具较高的鲁棒性,适用范围广,在无任何先验信息条件下能较准确地实现配对。