Estimation of tangential velocity effect on sar images and mtd algorithm disigning icon

Estimation of tangential velocity effect on sar images and mtd algorithm disigning


Смотрите также:
Topic of research Criminal Code of Russian Federation...
Http://im liveinternet ru/images/attach/b/3/3662/3662910 Bez Carya doc...
Programme module of the digital processing signal on base qtf information measuring system of...
Here we consider two fast low-complexity decoding algorithms...
Methods of simul ation at measurement of an impedance and estimation of depth of arrangement of...
Дипломная работа...
Реферат Задача поиска однозначных точек на изображениях...
Статьи Эпох Таймс о коммунистической партии Китая – Часть 6 Коммунистическая партия Китая...
Experimental verification of radar signals compensation processing using block compensation...
This set of learning tools-the story form, binary opposites and mediations...



Загрузка...
скачать

Обработка сигналов в радиотехнических системах




ESTIMATION OF TANGENTIAL VELOCITY EFFECT ON SAR IMAGES AND MTD ALGORITHM DISIGNING

Delektorsky A., Sosulin Yu.

Moscow Aviation Institute

The aim of this paper is to provide recommendation for choosing of the subaperture synthesizing interval length and to design moving target detection algorithm which is economical from the point of view of computational load.

To date a lot of methods of moving target detection (MTD) and estimation of full velocity vector have been proposed. The most precise methods need considerable changes in SAR hardware. For example, they might need using two or even more antennas spaced in along-track dimension [1] or using antenna arrays for implementation of monopulse method of moving target detection. However, in case of tight budget of SAR project, or in case of the need for functional improvements of already existing SAR systems or equipping unmanned aircraft there is a great interest in simple MTD algorithms which use information acquired by means of single antenna SAR of former generation. One of the possible solutions is based on using subaperture algorithm. This method was proposed about ten years ago and since then it has been developing very intensively (see [2], [3], etc). However, a lot of problems still need thorough consideration. In particular, there are questions concerning the length of the subaperture synthesizing interval and optimization of MTD algorithm in terms of reducing computational load.

The conducted research of target image defocusing effect against synthesizing interval length have had valuable results from the point of view of practical implementation of subaperture processing of SAR data. In particular it is noticed that there is a difference in laws of variation of azimuth resolution for static and moving objects. Thus, in case of static objects azimuth resolution is a monotone decreasing function of synthesizing interval, while corresponding dependence for moving objects consists of two parts: at first it is decreasing, and after achieving certain value (depends on velocity rate) it rapidly increases. It in turn affects the performance of the following identification algorithm because azimuth defocusing may lead to wrong target classification.

Therefore, when choosing the subaperture synthesizing interval length it is necessary to achieve a compromise between two decisions. The first one is an increase of the interval length in order to get focused image of static objects and the second is a shortening of this interval so that to focus moving object image.

A MTD algorithm is presented to optimize subaperture processing in terms of reducing computational load. It is based on coordinate-wise subtraction of one consecutive subaperture image from another. Taking into account a fact that both subaperture images depict the same surface region but in different moments of time the result of subtraction is compensation of static objects, i.e. static objects pixels have zero value. On the other hand, moving targets are not completely compensated and they present in the result image.

Computational load in proposed method depends on a number of pixels in subaperture images and does not depend on a number of moving targets to be detected.

Literature

  1. Friedlander, B. Porat B “VSAR: a High Resolution Radar System for Detection of Moving Targets”, IEE Proceedings - Radar, Sonar Navig., Vol. 144, №4, August 1997.

  2. Kirscht M “Detection and Velocity Estimation of Moving Objects in a Sequence of Single-Look SAR Images”, In Proceedings of the Internetional Geoscience and Remote Sensing Symposium IGARSS'96, Lincoln, Nebraska, USA, pp. 333-335, May 1996.

  3. Kirscht M “Estimation of Velocity, Shape and Position of Moving Objects with SAR”, 4th International Airborne Remote Sensing Conference and Exhibition / 21st Canadian Symposium on Remote Sensing, Ottawa, Ontario, Canada, 21 – 24 June 1999.




^ СЕГМЕНТАЦИЯ КУСОЧНО-ПОСТОЯННЫХ СЛУЧАЙНЫХ ПРОЦЕССОВ ПО СПЕКТРАЛЬНЫМ ХАРАКТЕРИСТИКАМ НА ОСНОВЕ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ И ВЕЙВЛЕТ-ТЕХНОЛОГИИ

Жукова Н.А., Орешко Н.И.

Научно-инженерный центр Санкт-Петербургского государственного электротехнического

университета

Введение. Во многих инженерных приложениях возникает необходимость обнаружения точек перехода в свойствах наблюдаемого процесса. Мы ограничиваемся кусочно-постоянной моделью, описывающей поведение наблюдаемого временного ряда, предполагая, что на каждом сегменте процесс является стационарным с некоторой спектральной плотностью. Для определения сегментов значительно отличающихся по спектральным характеристикам предлагается использовать выборочные значения оцененной спектральной плотности для проведения процедур сегментации и кластер-анализа. Отличительной особенностью предлагаемого подхода является активное использование вейвлет-технологии, что особенно актуально при значительных объемах данных. Для эффективной реализации предлагаемого подхода и максимального приближения к ситуации реального эксперимента (наличие аномальных данных и тренда) в статье описана технология сегментации и кластеризации, а также результаты ее апробации на модельных данных.

^ Удаление тренда. При наличии тренда в данных исходный стационарный процесс становится нестационарным по среднему и соответственно оценка спектральной плотности получается некорректной. Для удаления тренда из данных эффективно пользоваться декомпозирующим свойством вейвлет-преобразования, т.е. способностью вейвлет-преобразования декомпозировать сигнал на частотные полосы. Это позволяет целенаправленно удалять из сигнала определенные частотные диапазоны и, в частности, компоненту тренда.

^ Обнаружение и коррекция аномальных данных. В ряде современных теоретических исследований [2] было показано, что ортогональное вейвлет-преобразование является перспективным подходом к удалению шума. Предположим, что имеется выборка некоторой исходной функции на фоне шума:

(1), где ─ гауссовский белый шум. При таком предположении в [2] показано, что шум может быть успешно удален на основе 3-х этапной процедуры, а именно:

1) прямое вейвлет-преобразование;

2) пороговая обработка в вейвлет области;

3) обратное вейвлет-преобразование.

Основной принцип, лежащий в основе такого подхода, заключается в том, что ортогональное преобразование переводит Гауссовский белый шум в Гауссовский белый шум. Из этого, а также из предположения о том, что шум z является Гауссовским следует, что в области вейвлет-преобразования, все вейвлет-коэффициенты подвержены шуму с одним и тем же вероятностным распределением и, таким образом, возможна некоторая форма однородной обработки (т.е. пороговая обработка всех коэффициентов стандартным способом).

Теперь рассмотрим (1) в случаях, когда белый шум совсем не является Гауссовским. Примером такой постановки может служить сигнал, загрязненный импульсными помехами. В качестве модели для такого шума будем рассматривать как последовательность независимых одинаково распределенных случайных величин (НОРСВ) с распределением Коши.

При такой модели, типичная реализация шума содержит несколько крайне больших отсчетов: наибольший отсчет имеет значение порядка (в качестве сравнения, для Гауссовского шума наибольший отсчет имеет величину ). Более того, вейвлет-преобразование НОРСВ шума Коши не приводит ни к независимым, ни к одинаково распределенным вейвлет-коэффициентам. В действительности, коэффициенты на больших масштабах с большей вероятностью подвержены воздействию возмущающего влияния нескольких больших значений шума и, таким образом, имеют систематически большую дисперсию на больших масштабах. Такая крайне не Гауссовская ситуация страдает от недостатка ключевых количественных свойств, которые были использованы для удаления шума в Гауссовском случае.

Для робастизации такой процедуры целесообразно применить подход, который основан на отказе от линейных ортогональных преобразований и использовании вместо этого некоторого типа нелинейного вейвлет-преобразования называемого медианно-интерполирующим пирамидным преобразованием [1]. Предлагаемые нелинейные преобразования сочетают идеи теории робастного оценивания [3] и идеи из вейвлетов и теории интерполяции подразбиений. Прямое преобразование основано на использовании медианы в пирамиде мультиразрешения, что дает метод анализа, который очень устойчив к экстремальным измерениям. Преобразование само по себе основано на вычислении «блочных медиан» на триадических ячейках и записи блочных медиан в «резюме-элемент» массив. Обратное преобразование основано на использовании медианной интерполяции в виде мультиразрешения.

^ Вычисление спектральной плотности с использованием вейвлетов. В ряде статей была доказана полезность применения вейвлетов для оценки спектральной плотности [6]. Для целей кластеризации и обнаружения моментов перехода по результатам экспериментального исследования выявлено, что более эффективным методом вейвлет-оценки спектральной плотности является использование иерархических байесовских статистических моделей (BAMS) [3]. Правила усечения вейвлет-коэффициентов в этом методе являются более реалистичными, т.е. описывают данные более точно для целей кластеризации и способны учитывать доступную априорную информацию о гладкости функции представленную в ее вейвлет-коэффициентах.

Традиционная статистика, используемая для оценки спектральной плотности это периодограмма. Периодограмма , основанная на выборочных значениях определяется в виде , где это Фурье частоты,j=[-T/2]+1,…,-1,0,1,…, [T/2]. В силу симметрии будем использовать только неотрицательные Фурье частоты , j = 0,1,…,[T/2]. Для любого множества Фурье частот таких, что , является асимптотически независимой экспоненциальной случайной величиной со средними и дисперсиями , где g - спектральная плотность. Следовательно, периодограмма не является состоятельной оценкой .



Рис. 1.

Сглаживание периодограммы не только поможет визуально извлечь важные частотные составляющие, но и получить состоятельную оценку для g. Для работы с выборкой произвольного объема, а не только кратного степени 2, данная процедура была модифицирована с использованием эффективного вариант недецицимированных вейвлет-преобразований [4]. На рис. 1 приведен пример сглаживания периодограммы процесса авторегрессии 2-го порядка (более светлая линия – сглаженное значение).

^ Сегментация на основе нечеткой кластеризации. Кластеризация входит в список основных направлений Data Mining. Задача кластеризации заключается в обнаружении и описании областей сгущения в пространстве анализируемых данных, то есть определении кластеров данных в пространстве таким образом, чтобы различие между экземплярами одного кластера было минимальным, и при этом различие между экземплярами разных кластеров было максимальным. Кластеризация позволяет автоматически обнаруживать для каждого входного вектора класс, к которому он принадлежит.

Основными требованиями к алгоритму кластерного анализа при решении задачи сегментации сигналов являются: высокая скорость работы, поскольку данные имеют большой объем; автоматическое определение числа кластеров в процессе работы алгоритма, что связано со сложностью структуры анализируемых сигналов и невозможностью определить точное значение числа кластеров на основе графического представления сигнала, а также правильный выбор анализируемых сегментов. В предлагаемой технологии за основу взят и адаптирован метод нечеткой кластеризации [5]. При жесткой кластеризации требуется, чтобы рассматриваемый объект принадлежал только к одному кластеру. При нечеткой кластеризации рассматриваемому объекту разрешается принадлежать к нескольким кластерам одновременно.

Сегментация. При таком подходе мы для каждого сегмента получаем дополнительную информацию о вероятности его принадлежности к каждому из кластеров. Это позволяет обнаруживать границы кластеров на уровне заданного сегментного разбиения и соответственно уточнять его, вводя новое подразбиение. При анализе исходного сигнала выбранное сегментное разбиение оказывает существенное влияние на качество конечного результата. Если мы используем равномерное сегментное разбиение, т.е. при постоянной длине разведочного сегмента (окна), то выбор длины окна может осуществляться на основе расчета индекса разбиения (Partition Index, SC). Индекс разбиения представляет собой отношение степени компактности представления кластеров к степени разделенности кластеров. Критерий представляет собой сумму оценок по всем с кластерам, нормализованную делением на мощность нечеткой составляющей каждого кластера. Индекс разбиения вычисляется как: , где - вектор исходных данных; – число векторов данных в i кластере; - степень принадлежности вектора j кластеру i; - вектор средних значений признаков для кластера i; m - экспоненциальный вес, определяющий нечеткость кластеров.

Расчет SC эффективно применять в тех случаях, когда требуется сравнить различные разбиения для одинакового числа кластеров.

Поиск лучшей длины окна осуществляется в два шага: на первом шаге рассчитывается критерий для различных значений длины окна, на втором шаге выбирается длина окна, разбиение при котором позволяет минимизировать значение критерия разбиения.

Оценка числа кластеров. Оценка числа кластеров производится на основе коэффициента разбиения (Partition Coeffcient, PC), определяющего степень перекрытия кластеров: .

^ Результаты эксперимента. Для проверки эффективности предложенной схемы был сгенерирован сигнал с 6-ю чередующимися сегментами одинаковой длины из 512 точек 3-х типов моделей: авторегрессии порядков 5, 4 и 2 соответственно с существенно отличающимися спектральными плотностями. Так как в данной постановке не ставилась задача поиска фактического числа кластеров, то в процедуре АВП использовалось истинное число кластеров, т.е. 3.





Рис. 2.

Рис.3.

Оценка спектральной плотности получалась или на основе периодограммы, или на основе BAMS. Для всех полученных реализаций было получено существенное превосходство предложенной технологии.

На рис. 2 и рис. 3 приведена типичная выборка из результатов экспериментов.

Заключение. В статье представлен численно эффективный метод и реализующая его технология для сегментации и кластеризации случайного процесса с кусочно-постоянными спектральными характеристиками. Приведенные результаты моделирования подтверждают эффективность описанной концепции.

Литература

1. D.L. Donoho. Interpolating wavelet transform. Technical Report 408, Department of Statistics, Stanford University. - 1992.

2. D.L. Donoho. De-noising by soft-thresholding. // IEEE Trans, on Information Theory. - 1995. - Vol. 41, No 3. – P. 613-27.

3. M Pensky, B Vidakovic. Bayesian decision theoretic scale-adaptive estimation of log-spectral density. // Georgia Inst Techn. Technical Report - No 1. - 2003. http://www.isye.gatech. edu/ ~brani/isyestat/

4. Percival D.B, Walden A.T. Wavelet methods for Time Series Analysis. Cambridge University Press, Cambridge, UK. - 2000.

5. Abonyi J., Feil B. cluster analysis for Data Mining and System Identification. Birkhauser, 2007

6. Орешко Н.И., Тихонов Д.В. Оценивание спектральной плотности на основе вейвлет-технологии при обработке телеметрических измерений. // Известия СПбГЭТУ "ЛЭТИ". Серия "Управление, информатика и вычислительная техника".- СПб.:СПбГЭТУ. - 2002.- No 1. - С.31-33.

7. Хьюбер П. Робастность в статистике: Пер. с англ. - М.: Мир. - 1984.




^ SEGMENTATION OF PIECEWISE CONSTANT RANDOM PROCESSES ON THE BASE OF SPECTRAL CHARACTERISTICS BY USING FUZZY CLUSTER ANALYSIS AND WAVELET TECHNOLOGY

Zhukova N., Oreshko N.

Research center of Saint-Petersburg Electrotechnical university

In many engineering applications there is a need in detection of properties change-points location in the observed process. We are limited by a piecewise constant model that describes the behavior of time series, assuming, that in each segment we have a stationary process with some spectral density. For defining segments that differ much by spectral characteristics it is offered to use samples of estimated spectral density in segmentation and clustering procedures. Distinctive feature of the offered approach is an active use of wavelet technology that is especially actual when working with large amounts of data. An effective technology of segmentation and clusterization that maximally considers real data features (presence of abnormal data and a trend) is described below. Results of technology approbation on model data is described.

Estimation of spectral density by using wavelets. Wavelet methods have been earlier successfully applied to an estimation of spectral density from positions of classical point of view. It is shown on the base of experimental results that for clusterization and change points detection purposes, method of wavelet spectral density estimation that is based on using hierarchical bayesian statistical models is more effective. Shrinkage rules of wavelet coefficients in this method are more realistic, they describe data more accurately for the purpose of clusterization and are capable of incorporating the available prior information on smoothness of function by their wavelet coefficients.

Segmentation on the base of fuzzy cluster analysis. Cluster analysis is included into a list of basic Data Mining directions. The problem of clusterization is to find and describe areas of condensation in space of analyzed data, that means to define clusters of data so that distinction between vectors of one cluster is minimal, and thus distinction between objects from different clusters is maximal. Clusterization allows to find out automatically for each entrance vector a class to which it belongs.

Basic requirements to an algorithm of cluster analysis when solving a signals segmentation problem are: high speed because of a great amount of data; automatic definition of cluster number that is connected with analyzed signal structure complexity and impossibility of defining exact value of cluster numbers on the basis of signal graphic representation and correct definition of analyzed segments. In the suggested technology а method of fuzzy clustering is taken as a basis and adapted.

In the suggested approach we receive additional information about each segment accessory probability to each of the clusters. It allows to find out cluster borders when receiving segment splitting and to specify it accordingly by entering new subsplitting. The quality of the segmentation result is influenced much by the chosen segment splitting of the initial signal. If we use uniform segment splitting the choice of the window length can be carried out on the basis of calculation of a splitting index that is the ratio of the sum of compactness and separation of the clusters. The estimation of cluster number is made on the basis of index that measures the amount of "overlapping" between clusters.

^ Results of experiments Given modeling results confirm efficiency of the described method.




Методика обработки лидарного сигнала при зондировании аэрозольных образований в атмосфере с помощью Тi-сапфир-лазера

Грязных И.В., Николаев А.Н., Лысов П.В.

ФГУП «НИИ прецизионного приборостроения»

Контроль распределения Аэрозоля по территории промышленного города необходим для оценок вредного воздействия на экологию. Наблюдение за аэрозольными образованиями ведется с помощью лазерного зондирования атмосферы с последующей обработкой отраженного (лидарного) сигнала. Мощность лидарных сигналов определяется с помощью лидарного уравнения. Для моностатической лидарной системы в режиме одночастотного зондирования уравнение принимает вид: ,

где - мощность обратного импульса от объема, удаленного на расстояние R; ΔR = сt0/2 – длина объема, из которого приходит обратный сигнал или предельно возможное пространственное разрешение при приеме сигналов в токовом режиме, t0 – длительность импульса, с – скорость света, К - коэффициент потерь в оптике; А - площадь апертуры приемного телескопа; G(R) - геометрический фактор; P0, - мощность лазерного импульса на выходе лидарной системы; Т(R) - функция пропускания атмосферы; α(R), - объемные коэффициенты поглощения и обратного рассеяния, соответственно. Величины α(R), определяются суммой вкладов молекул и частиц аэрозоля.

И
з многообразия методов восстановления распределённого значения коэффициента ослабления аэрозоля вдоль трассы зондирования по ожидаемой погрешности восстановления и объему требуемой для получения решения лидарного уравнения дополнительной информации являются модификации метода интегрального накопления. Использование различных модификаций метода интегрального накопления на различных участках трассы зондирования дает возможность упростить требования к априорной информации. Необходимое для полного решения значение коэффициента ослабления в фиксированной точке может определяться на ближней границе области зондирования, что может быть произведено с достаточной точностью методом логарифмической производной.

Данные для измерений аэрозоля получены с помощью лидара, разработанного в ФГУП «НИИ ПП». Зондирование производилось одиночным импульсом на длине волны 355 нм. В момент излучения лазерного импульса регистрировался сигнал P0, пропорциональный начальной энергии лазерного импульса. Отражённый лидарный сигнал с выхода ФЭУ подавался на вход ФНЧ с частотой среза 7 МГц, затем на АЦП, где он дискретизировался, начиная с удаления 200м от лидара (время запаздывания начала регистрации относительно времени испускания импульса 0,67мкс). Далее отчеты сигнала поступали на ЭВМ. Методика цифровой обработки лидарного сигнала при зондировании аэрозольных образований в атмосфере следующая. Производится нормировка цифровых значений лидарного сигнала: .

Определяется значение S-функции в первых Nточках интервалах дискретизации: ,
k = 0,….,Nточек, где, Rk = 300 + kΔR. ΔR=сτ/2=20м (τ = 20нс – постоянная времени ФЭУ)

По виду S-функции определяется положение (номер интервала дискретизации k = kпер) передней и задней (k = kзад) границ аномального аэрозольного образования. По формуле (1) определяются соответствующие Rпер и Rзад.

Определяется коэффициент ослабления аэрозоля αk в интервале от k= 0 до k = kпер. Это производится путем прохождения сигнала логарифма S-функции через цифровой дифференцирующий фильтр.

Определяется коэффициент ослабления аэрозоля αk в интервале от k = kпер +1 до k= kзад:

.

Для проверки действия алгоритма обработки лидарного сигнала была разработана модель сигнала, поступающего от ФЭУ на вход АЦП (рис. 1). Эта модель предполагает наличие аэрозольной аномалии на расстоянии примерно 580 – 710 м от лидара с содержанием аэрозоля в 10 раз больше, чем в естественной атмосфере.

Модельный сигнал оцифровывается с частотой дискретизации 15 МГц. В качестве дифференцирующего фильтра был выбран фильтр с импульсной характеристикой вида: , (1), где ― интервал дискретизации.



Рис. 1. Модель лидарного сигнала.

Нормированная импульсная характеристика дифференцирующего фильтра показана на рис. 2.



Рис. 2. Нормированная импульсная характеристика дифференцирующего фильтра

При таком выборе дифференцирующего фильтра и частоты дискретизации методика обработки даёт следующие результаты:

- значение коэффициента ослабления на участке до передней границы аномалии: (при типичных значениях порядка 0,0005).

- значения профиля коэффициента ослабления в пределах аномалии приведены на рис. 3.



Рис. 3. Профиль коэффициента ослабления аэрозоля.

Полученное значение коэффициента ослабления на участке до передней границы аномалии весьма сильно отличается от типичных значений. Это объясняется неточностью реализации операции дифференцирования в цифровом фильтре (конечным порядком фильтра) и недостатком числа отчётов на участке до передней границы аномалии. Перечисленные недостатки методики можно устранить с помощью:

  • Применения взвешивающего окна в цифровом фильтре.

  • Увеличения частоты дискретизации.

  • Увеличения порядка цифрового фильтра.

  • Применения алгоритмов передискретизации при обработке сигнала.

Литература

  1. Сергиенко А. Б. Цифровая обработка сигналов. ― СПб.: Питер, 2002. ― 608 с.

  2. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. ― М.: Мир, 1978. ― 848 с.

  3. Лайонс Р. Цифровая обработка сигналов. ― М.: Бином, 2006. ― 656 с.

  4. Зуев В.Е. и др. Лазерное зондирование индустриальных аэрозолейю1986. Новосибирск:Наука.188с.


^ LIDAR SIGNAL PROCESSING TECHNIQUE FOR AEROSOL FORMATIONS SOUNDING IN ATMOSPHERE

Grjaznyh I., Lysov P. Nikolaev A.

Science Research Institute of Precision Device Engineering

This work is devoted to digital processing of lidar signals, in particular, to processing of the signal scattered by aerosol formations. The purpose of a lidar signal processing is the definition of an aerosol extinction coefficient distribution along a line of sounding. A signal from the distributed in the atmospheric air aerosol particles is weak and it is essentially distorted by noises caused by fluctuations of background radiation, fluctuations of optical characteristics of a turbulent atmosphere, and noise of reception system. Therefore definition of the aerosol extinction coefficient distribution on the base of known algorithms demands application of corresponding digital processing methods. The analysis of numerical methods of the lidar equation solution with application to aerosol sounding is done using a digital filtration of lidar signals. Results of numerical experiment on restoration of the aerosol extinction coefficient profile along a line of sounding passing through atmospheric aerosol cloud are presented.




^ ВОССТАНОВЛЕНИЕ ИЗОБРАЖЕНИЙ НА БАЗЕ БОРТОВЫХ РЛС И РТЛС

Клочко В.К., Куколев А.А.

1Рязанский государственный радиотехнический университет,

2Московский НИИ радиостроения - корпорация “Фазотрон-НИИР”

В докладе представлены методы и алгоритмы восстановления радиоизображений (РИ) в многоканальных бортовых радиолокационных и радиотеплолокационных станциях (РЛС и РТЛС) миллиметрового диапазона, позволяющие повысить точность и скорость восстановления за счет увеличения числа измерительных каналов и выполнения операций в матричной форме.

В РТЛС рассматривается модель измерений вида

, (1), где − результат измерения амплитуды приемного сигнала в q,k-м измерительном канале при i,j-м положении антенны, сканирующей по азимуту (по j) и углу места (по i) на величину элемента дискретизации; − нормированные коэффициенты диаграммы направленности антенны (ДНА) q,k-го канала размера 2m+1)x(2n+1) элементов дискретизации, характеризующие интенсивность прихода сигнала с i1,j1-го углового направления относительно i,j-го положения антенны; − искомые параметры поля излучения (искомое РИ), характеризующие интенсивность излучения в i1,j1-х элементах дискретизации; − гауссовские помехи q,k-го канала, включающие в себя ошибки формирования модели (1) и шумы первичной обработки принимаемого сигнала.

Совокупность i,j-х измерений (1), , полученных при построчном сканировании зоны обзора, в q,k-х каналах () представляется в векторно-матричной форме: , (2)

где − IJQK-вектор измерений ; А− IJQKx(I+2m)(J+2n)-матрица коэффициентов ДНА сложной многоленточной структуры, описывающая смазывание РИ по и во всех каналах; − (I+2m)(J+2n)-вектор искомых параметров поля излучения ; − IJQK-вектор помех .

В описании (2) задача восстановления РИ заключается в нахождении вектора оптимальных оценок по методу наименьших квадратов (МНК): , (3), при этом оценки имеют стандартный вид , (4), где δ − параметр регуляризации [1], необходимый для обращения матрицы ; T − символ транспонирования; E – единичная матрица; H – матрица весовых коэффициентов.

Для увеличения быстродействия бортовой вычислительной системы предлагается аппроксимировать коэффициенты ДНА функцией с разделенными переменными: .

Тогда двойная сумма (1) записывается в виде повторной суммы

, (5), а совокупность i,j-х измерений для каждого q,k-го канала представляется в матричной форме: , , (6)

где − IxJ-матрица измерений q,k-го канала; − Ix(I+2m)-матрица одноленточного типа коэффициентов ДНА , описывающая смазывание изображения по i в одном канале; − (I+2m)x(J+2n)-матрица искомых параметров поля излучения ; − (J+2n)xJ-матрица одноленточного типа коэффициентов ДНА , описывающая смазывание изображения по j в одном канале; − IxJ-матрица помех . Помещая матрицы модели (6) в соответствующие блочные матрицы Y, A, B, P, получаем следующую матрично-блочную модель измерений: (7)

Оптимальная МНК-оценка матрицы X находится минимизацией следа матрицы F:

, (8), где матричная функция F характеризует отклонение измерений Y относительно их оценок . След Tr[F] матрицы F представляет сумму квадратов отклонения измерений всех каналов от их восстановленных значений.

Решение задачи (8) сводится к стандартной процедуре дифференцирования:



= и приводит к следующему двухэтапному алгоритму восстановления РИ:



, (9),

, .

1. Вначале восстанавливается РИ вдоль строк матрицы изображения:

, (10)

2. Затем восстанавливается РИ вдоль столбцов: .(11)

Матрицы весовых коэффициентов могут вычисляться заранее. РИ выводится на экран индикатора. Моделирование алгоритма (10), (11) и оценка его быстродействия показывают, что предложенные матричная модель и метод двухэтапного восстановления РИ позволяют существенно уменьшить количество вычислительных операций при формировании и обращении матриц, а также вычислении оценок по сравнению с векторной моделью (2), (4).

На рис. 1 - 3 иллюстрируются: рис.1 − исходное РИ поверхности; рис.2 − сжатое РИ по строкам и столбцам в 7 раз − имитация сканирования 7x7-ДНА зоны обзора со смещением на ширину ДНА; рис.3 − восстановленное РИ двухэтапным алгоритмом (10) - (11) по данным одного измерительного канала (Q=1, K=1) при поэлементном сканировании ДНА зоны обзора.



Рис.1 Рис.2 Рис.3


В РЛС модель измерений (1) в момент времени t принимает общую комплексную форму:

, (12), где − комплексная огибающая отраженного сигнала; − полезная составляющая сигнала в элементах дискретизации, подлежащая оцениванию.

Модель (12) за счет селекции по дальности (по времени t) позволяет синтезировать алгоритмы формирования трехмерных РИ [2]. Методика оценивания параметров поля отражения , критерий оптимальности и алгоритм по форме аналогичны (2) – (4). Вместо операции транспонирования используется операция комплексного сопряжения и транспонирования. Модули найденных оценок представляют восстановленное РИ в зоне обзора РЛС.

Если коэффициенты ДНА допускают аппроксимацию , то получаются аналогичные (5) – (11) блочно-матричные модели, преимущество которых в быстродействии по сравнению с векторно-матричными моделями сохраняется.

Учет времени t в последовательности периодов обзора приводит к динамической постановке задачи восстановления РИ. Радиолокационное трехмерное изображение усредняется в последовательности кадров РИ, совмещенных с учетом движения объекта-носителя [3] с целью улучшения качества изображения.

Для РТЛС обработка последовательности кадров с учетом движения носителя помимо усреднения позволяет измерить дальность до поверхности.

Полученные результаты могут быть использованы в бортовых сканирующих РЛС и РТЛС маловысотного полета с целью повышения их разрешающей способности по угловым координатам для навигации в сложных метеоусловиях и при отсутствии оптической видимости [4].

Литература

1. Василенко Г.И., Тараторин А.М. Восстановление изображений. М.: Радио и связь, 1986. 304 с.

2. Клочко В.К. Восстановление радиоизображений на базе многоканальной РЛС // Известия вузов России. Радиоэлектроника. 2007. Вып. 4. С. 51- 61.

3. Клочко В.К. Пространственно-временная обработка информации при получении трехмерных изображений поверхности // Радиотехника. 2004. № 6. C. 3 – 11.

4. Патент RU 2292060 C1. Способ наблюдения за воздушными объектами и поверхностью на базе бортовой РЛС / В.К. Клочко. МПК: G01S 13/02. Приоритет 28.06.2005. Опубл.: 20.01. 2007. Бюл. № 2.




^ RECONSTRUCTION OF IMAGES ON THE BASE OF BOARD RLS AND RTLS

Klochko V., Kukolev A.

1Ryazan state radio-technical university,

2Moscow research institute of radio-construction − corporation “Fazotron-NIIR”

Methods and algorithms of radio-images (RI) reconstruction for multi-channels board radio-location and radio-thermal-location stations (RLS and RTLS) are represented. These methods permit to increase precision and velocity of reconstruction by increasing the number of measure channels and making operations in matrix form. In RTLS measure model is , (1), where − normalized coefficients of (2m+1)x(2n+1)-antenna direction diagram (ADD) at q,k-channel, which characterize signal intensity from i1,j1-angle direction relatively i,j-antenna position and have division property of variables i1,j1; − the searching parameters, characterizing signal amplitudes in i1,j1-discrete elements of radiation field; − q,k-channel noise. Set of i,j-measures (1) is represented in following matrix form: , , (2), where − IxJ-matrix of q,k measure channels; − Ix(I+2m)-tape-matrix of ADD-coefficients for summing x(i,j) along column; − (I+2m)x(J+2n)-matrix of the searching field parameters ; − (J+2n)xJ-tape-matrix of ADD-coefficients for summing x(i,j) along line; − IxJ-matrix of noise; T – symbol of transposition. Putting matrix of model (2) into block-matrix Y, A, B, P, we get the block-matrix measure model: . The task is the getting of optimum matrix X reconstruction (the searching of it’ estimations) by minimization of matrix F trace , which represents summary square of measure deflections from it reconstructed values. Optimal estimations are: (3)

, ,

At first RI is being reconstructed along lines of image matrix: .

Then RI is being reconstructed along columns: .

For matrixes , inversion the parameter of regularization is being used.

Matrix model (2) and method (3) of two stages RI-reconstruction allow considerably decrease the number of calculation operations as compared with vector models.

In RLS measure model at time moment t is analogous to (1) and all it’ components are represented in complex form. This complex model allows synthesize algorithms for three dimension RI reconstruction by distance selection (in time t). Time t is being taken into account in accordance with space-time RI processing during RLS scanning, and also it is being done in sequence of images for the best combination of neighboring RI increasing the RI quality in RLS and RTLS. Results of the work may be used for increasing the ability resolving by angle coordinates of board RLS and RTLS.






Цифровая обработка сигналов и ее применение

Digital signal processing and its applications




Скачать 193.43 Kb.
оставить комментарий
Дата18.09.2011
Размер193.43 Kb.
ТипДокументы, Образовательные материалы
Добавить документ в свой блог или на сайт

Ваша оценка этого документа будет первой.
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Загрузка...
Документы

Рейтинг@Mail.ru
наверх