地基双基地MIMO成像雷达空间分辨特性分析

地基MIMO(Multiple-Input Multiple-Output,多输入多输出)成像雷达是一种新体制雷达系统,相比于传统的地基合成孔径雷达具有便携性好、无需运动补偿及图像帧频高等优势,在滑坡等地质灾害预警方面具有广阔的应用前景。在利用多部MIMO雷达系统进行三维形变监测时,采用双基地MIMO雷达构型能够对传统单基地观测进行有效补充,可大大提高系统的整体观测自由度,但目前尚无有效的双基地MIMO成像雷达成像性能评估方法。针对这一问题,本文通过广义模糊函数对双基地MIMO成像雷达的空间分辨特性进行了分析。首先,根据系统的几何构型推导了地基双基地MIMO成像雷达的广义模糊函数表达式并分析了等效阵列特性,然后根据广义模糊函数对系统的旁瓣走向、两维分辨率和栅瓣位置进行了分析,给出了系统空间分辨率的计算公式,最后利用Matlab仿真验证了分析结论的正确性。

地基MIMO雷达快速成像算法研究

地基多输入多输出(Multiple-Input Multiple-Output,MIMO)成像雷达采用数字波束形成技术实现二维成像,具有成像速度快的技术优势。本文提出了一种适用于大景深、宽视角场景的地基MIMO雷达的快速二维成像算法。首先,根据MIMO雷达的阵列构型建立回波信号模型;其次,基于该模型补偿天线阵列近场空变性的相位中心近似(Phase Center Approximation,PCA)误差并进行数据重排,通过Kesytone变换校正距离徙动;然后,利用方位分块Dechirp处理实现方位向聚焦,实现MIMO雷达二维成像;最后利用MIMO雷达外场实验数据完成了算法验证。研究结果表明:在保证成像精度要求的情况下,该算法可以实现大景深、宽视角场景的高分辨快速成像,成像处理时间优于反向投影成像(Back Projection,BP)算法。

二维CZT的稀疏阵列MIMO雷达快速极坐标格式成像算法

由于极坐标格式算法(PFA)存在运算量大,且聚焦性能受插值精度影响等缺点。为解决该问题,提出一种基于二维Chirp-Z Translation(CZT)的稀疏阵列MIMO雷达快速成像算法,引入压缩感知原理,采用CZT变换代替插值运算,借助合适变换参数的选择,一步实现插值-重采样的处理过程。仿真验证表明,随着成像尺寸的变化,所提算法与经典PFA算法运算量的比值在0.22~0.4之间,有效地降低了运算量,同时保持了较低的图像熵,提高了聚焦性能。

阵元失效条件下MIMO雷达成像方法研究

为了提高天线阵元失效条件下非均匀采样MIMO雷达的成像性能,提出了一种基于失效阵元丢失数据重构的MIMO雷达成像方法。该方法先对失效阵元丢失的数据上叠加幅度微小的随机扰动量,利用矩阵填充技术恢复成均匀采样整体数据,并采用迭代加权lq方法获得低精度的目标场景向量估计值,然后根据该目标场景向量估计值和感知矩阵重构出失效阵元所丢失的回波数据,最后利用矩阵填充和迭代加权lq方法以获得更接近最佳稀疏度的目标场景向量估计值。仿真结果表明,该方法能有效降低天线阵元失效情况下MIMO雷达的目标场景向量估计误差,提高目标的三维成像质量。

采用二维CZT的MIMO雷达极坐标格式成像算法

经典极坐标格式算法(PFA)以极坐标格式录取数据,利用二维插值运算在波数域中完成坐标系转换,进而通过直接FFT运算实现成像,但插值处理存在运算量大、复杂度高等问题。提出一种二维CZT的MIMO雷达极坐标格式成像算法,即用对波数谱的二维Chirp-Z变换(CZT)替代插值运算,实现距离向和方位向的坐标转换。对MIMO雷达单次快拍成像的仿真结果表明,所提算法能在保证成像质量的同时有效地提高运算速度,从而有效解决插值运算带来的大运算量和高复杂度等问题,且算法具有对信噪比依赖小的优点。

模式耦合快速求逆稀疏贝叶斯MIMO雷达成像

MIMO雷达成像目标通常具有块稀疏特性,模式耦合稀疏贝叶斯算法能够较好的恢复块稀疏信号,但其主要的缺点是在每次迭代过程中都涉及复杂矩阵求逆。引入快速求逆稀疏贝叶斯算法,建立模式耦合快速求逆稀疏贝叶斯模型,将复杂矩阵求逆转化为对角矩阵求逆,实现MIMO雷达目标快速精确重构。通过仿真对比分析,所提算法较传统贝叶斯算法能大大减少雷达成像时间,且实现目标块区域信息高效恢复。

局部低秩提升法MIMO雷达成像

为了获得MIMO雷达高分辨目标图像,文中深入挖掘成像目标的块稀疏特性。通过引入局部低秩提升算法研究回波信号块局部结构平滑现象,将稀疏回波信号中的连续系数划分为多个2×2维矩阵。借助局部低秩提升函数和对数行列式函数,利用最小优化算法实现了对目标信号的稀疏重构,结合其低秩性高效重构出目标像。仿真实验表明,所提方法较传统算法可以得到更高质量的目标像。

基于U-Net网络的二维MIMO阵型稀疏成像

传统雷达成像算法在处理不规则阵型的MIMO雷达成像时存在着诸多挑战。这些传统算法通常计算复杂且耗时长,难以满足MIMO雷达对实时成像的要求。因此,迫切需要一种适用于任意阵型且具备实时成像能力的新型成像算法。考虑到神经网络具有自学习、自组织和自适应等特点,并已广泛应用于雷达成像领域,因此提出了一种基于神经网络的二维MIMO不规则阵型稀疏成像算法。神经网络的训练通常需要大量的数据集,而构建回波数据集的过程耗时较长。为了解决这一问题,选择了U-Net网络结构,该结构在少量数据集下也能进行有效训练。我们将神经网络算法得到的成像结果与传统的BP算法进行了对比。结果表明,在相同数据集的条件下,神经网络算法表现出更优异的成像性能和更短的成像时间,从而实现了二维MIMO不规则阵型的高分辨率实时成像。

MIMO RADAR IMAGING MODEL AND ALGORITHM

Based on the array architecture of multiple transmitting/receiving antennas, Multi-Input Multi-Output (MIMO) radar provides a new mechanism for radar imaging technology. In order to explore the processing approach to this imaging mechanism, the two dimensional (2D) imaging model of MIMO radar is established first, and the spatial sampling ability is analyzed from the concept of spatial convolution of the antenna elements. The target spatial spectral filling format of MIMO radar with monochromatic transmitting signal is described. High-resolution imaging capability of MIMO radar is analyzed according to spatial spectral coverage and the corresponding imaging algorithm is presented. Finally, field imaging experiment is used to demonstrate the superior imaging performance of MIMO radar.