基于时频分析的SAR目标微波视觉特性智能感知方法与应用

合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。

基于时频分析和改进差分进化的多点泄漏定位方法

当管道同时发生多个泄漏点时,多个泄漏点的声波信号出现混叠,从而影响泄漏声信号的传播和衰减规律。在多点泄漏声波信号混叠的情况下,传统的泄漏定位方法无法对多个泄漏点进行有效定位。为此,提出了一种基于时频分析和改进差分进化的多点泄漏定位方法。由于变分模态分解(variational mode decomposing,VMD)的分解模态个数对特征提取有影响,因此采用能量函数估计分解模态个数,从而对VMD改进。然后采用改进VMD对多点泄漏声波信号进行处理。另外,通过时频分析(time-frequency analysis,TFA)估计多个泄漏点数量,从而得到多点泄漏的定位函数。差分进化(differential evolution,DE)算法易陷入局部最优,在进化后期收敛速度较慢,采用粒子群优化(particle swarm optimization,PSO)算法提高DE的全局收敛速度,并通过改进的差分进化算法估计多个泄漏点的位置。在管道现场进行多点泄漏的模拟试验,试验结果表明该方法能够准确地估计多点泄漏位置,泄漏定位的最小误差为18 m。

用于跳频分量选取的修正适应度距离比粒子群算法

跳频信号参数估计是跳频信号截获、干扰的前提,而传统Cohen类时频分析方法存在核函数选择的瓶颈。结合匹配追踪和智能计算的思想,将多峰函数粒子群优化算法引入跳频信号时频分析领域。在分析粒子适应度和粒子间距2个影响粒子搜索行为的关键因素的基础上,提出了基于改进的适应度-距离比测度的多峰函数粒子群优化算法,并应用于跳频分量自适应选取。该方法不需要跳频信号的任何先验知识和粒子群小生境参数的人为设置。理论分析和仿真结果表明,与基于环形拓扑结构、单一共享适应度信息的粒子群优化算法相比,算法成功率和参数估计精度进一步改善,该方法的邻域搜索机制和跳频分量选取具有可行性和有效性。