删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

一种GTD模型参数估计的改进2D-TLS-ESPRIT算法*

本站小编 Free考研考试/2021-12-25

在光学区,雷达目标的散射回波可为由有限个强散射中心相互叠加合成的结果[1]。作为雷达目标的典型电磁散射特性之一,散射中心在目标三维重构[2-3]、目标识别[4-6]、雷达散射截面(RCS)内插与外推[7-8]等军事领域有着广泛的应用。因此,散射中心特征提取成为当前国内外研究的热点问题。几何绕射理论(GTD)散射中心模型作为目前最为主要的散射中心模型形式之一,可有效地描述雷达目标的电磁散射特性。
从维度上来分析,GTD模型可分为一维GTD模型、二维GTD模型、三维GTD模型,随着维度的升高,模型对目标细节特征刻画的越来越精准,但数据计算的复杂度及参数估计的难度也随之增大。基于以上原因,对一维GTD模型及其参数提取方法的研究最为成熟,而对多维GTD模型的研究需要进一步深入。
目前,许多谱估计算法如MUSIC类算法[9-10]、ESPRIT类算法[11-13]等,均可应用于GTD模型参数估计与提取中,并取得了较好的估计结果。南京航空航天大学的王菁等[13]利用经典2D-ESPRIT算法对二维GTD散射中心模型进行提取估计,但该算法受噪声影响较大,低信噪比时参数估计精度较低;国防科技大学的贺治华等[10]基于经典MUSIC算法对GTD模型参数估计提取,但由于该算法需要进行谱峰搜索,因此,运算复杂度较高、运算时间较长。在运算量增加不大的前提下,本文提出了一种改进的2D-TLS-ESPRIT算法,有效地提高了算法的参数估计性能。改进算法通过将极化散射矩阵加入到二维GTD散射中心模型中,并构建目标原始回波数据的共轭矩阵,将目标的原始回波数据与其共轭信息结合起来,延长了目标的可利用数据的有效长度,有效削弱了噪声对算法参数估计性能的影响。仿真实验结果验证了改进2D-TLS-ESPRIT算法的有效性与先进性。
1 二维GTD模型及其近似表述 与一维GTD模型相比,二维GTD模型增加了对目标纵向距离yi的描述,将目标位置参数由一维拓展至二维,使得目标电磁散射信息更加精细化。纵向距离yi表征了散射中心对方位角的依赖关系。
二维GTD模型表达式为[14]
(1)

式中:Aiαixiyi分别为第i个散射中心强度、散射中心类型、散射中心横向距离、散射中心纵向距离;I为总的散射中心数目;fm=f0+mΔff0为初始雷达步进频率,Δf为雷达步进频率,m为频率序号;同理,θn=θ0+nΔθθ0为初始方位角,Δθ为步进角度,n为角度序号;c=3×108 m/s,代表电磁波传播速度;αi为0.5的整数倍,共有5种,分别为-1、-0.5、0、0.5、1,不同散射类型对应不同的值[15]w(fm, θn)为二维复高斯白噪声。
为了简化参数估计的复杂度,当nΔθ较小且Δf/f0?1时,可作式(2)近似:
(2)

将式(2)代入式(1),可得到
(3)

式中:
(4)

(5)

(6)

由式(5)、式(6)可求得散射中心的αixiyi,求解的数学表达式如式(7)~式(9)所示。
(7)

(8)

(9)

2 散射中心参数估计 基于经典2D-TLS-ESPRIT谱估计算法对二维GTD模型参数进行估计,针对经典2D-TLS-ESPRIT算法[13]噪声影响较大、信噪比较低时参数估计性能不高这一问题,提出了一种改进的2D-TLS-ESPRIT算法,显著改进了原有算法的参数估计性能。现对2种算法估计二维GTD模型参数的过程作以说明。
2.1 经典2D-TLS-ESPRIT算法 首先,基于二维GTD模型可得到目标的后向散射回波数据,进而构建如式(10)所示的二维增强矩阵束Ee,定义两矩阵束参数PQ,其中P∈[I+1, M-I+1],Q∈[I+1, N-I+1],MNI分别为频率总步进数、角度总步进数和散射中心数目[16]
(10)

式中:E(fm)为Q×(N-Q+1)维的矩阵,表达式为
(11)

在二维增强矩阵束Ee的基础上,可计算其自相关矩阵REeEe如下:
(12)

式中:US1REeEe的主特征值向量;ΣS1为信号特征值矩阵;UN1为噪声子空间矩阵;ΣN1为噪声特征值矩阵。
定义US1前(P-1)Q行构成的矩阵,US1后(P-1)Q行构成的矩阵,则可得
(13)

式中:“+”为共轭转置。
定义一实置换矩阵E1
(14)

式中:符号“?”表示克罗内克积;Ek, lQ×P代表第(k, l)个元素为1,其余元素均为0的矩阵,同理,El, kP×Q代表第(l, k)元素为1,其余元素为0的矩阵。
则可得到矩阵F2
(15)

式中:为矩阵E1US1去掉后Q行余下的矩阵;为矩阵E1US1去掉前Q行余下的矩阵;()+为矩阵的广义逆。
对矩阵F1F2作线性组合得到矩阵F,并对其进行特征值分解,即可得到特征向量矩阵T
(16)

(17)

式中:β为配对参数,取值范围为β∈(0, 1),其作用为避免F的特征值出现重复;D为特征值矩阵。
可由式(18)、式(19)求得特征值向量Λ1Λ2
(18)

(19)

Λ1Λ2主对角线上的元素分别对应为P1iP2i,将结果代到式(7)~式(9),即可求得αixiyi
在此基础上,利用最小二乘法可对散射强度参数进行估计提取。首先,重写式(1)得到的电磁散射回波数据并进行向量式排列,可得到如式(20)的电磁散射回波数据的向量形式。
(20)

式中:
(21)

(22)

(23)

式中:Ai为第i个散射中心的强度。则散射强度参数矩阵可由最小二乘法[17]求解,如下:
(24)

式中:
(25)

2.2 改进2D-TLS-ESPRIT算法 首先,在二维GTD散射中心模型中加入目标的极化散射矩阵,从而丰富了目标的极化特征信息;其次,构建新的包含原始回波共轭信息的矩阵Y,进而可提高目标回波信息的利用率,其具体改进步骤如下:
步骤1?将不同类型散射中心对应的极化散射信息加入到二维GTD散射中心模型中,可得
(26)

式中:Si, p为第i个散射中心,在p极化方式下的散射系数,典型散射结构对应的散射系数矩阵如表 1所示;p∈(hh, hv, vh, vv),共4种极化方式;wp(fm, θn)为p极化方式下的高斯白噪声。
表 1 典型目标的散射矩阵 Table 1 Scattering matrix of typical targets
散射系数矩阵S 目标类型
单次散射
二面角
圆柱体
双次反弹散射(ξ为反射角)
右旋极化,左旋极化


表选项






步骤2?定义一置换矩阵J,维度为PQ×(M-P+1)(N-Q+1),具体为
(27)

步骤3?基于含有极化散射信息的目标原始回波矩阵束Ee1(其构造过程与式(10)类似)及置换矩阵J,构造包含目标原始回波共轭信息的矩阵Y
(28)

式中:Ee1*代表Ee1的共轭转置矩阵。
步骤4?分别计算矩阵束Ee1Y的自相关协方差矩阵分别为
(29)

(30)

步骤5?对式(29)、式(30)求得的2个矩阵REe1Ee1RYY相加、取平均值,如下:
(31)

步骤6?将新协方差矩阵R代替经典2D-TLS-ESPRIT算法中的REe1Ee1,并基于新协方差矩阵R作式(12)~式(25)中的参数估计处理,可提取出二维GTD散射中心模型各参数信息。
3 仿真实验 3.1 参数均方差比较 为验证改进2D-TLS-ESPRIT算法的有效性,设置如下仿真实验。
设定目标的后向散射回波由4个散射中心构成,具体散射中心模型参数值见表 2。初始频率f0为10 GHz,步进频率Δf为10 MHz,频率总步进数M为40,θn=θ0+nΔθ,其中初始方位角θ0为90°,角度总步进数N为40,步进角度Δθ为0.01°。仿真实验加入信噪比为-10~20 dB的高斯白噪声,且每个信噪比对应200次蒙特卡罗实验。信噪比的具体定义表达式为
(32)

(33)

表 2 4个散射中心参数 Table 2 Parameters of four scattering centers
xi/m yi/m 类型αi 强度Ai/dB 散射系数矩阵Si
1.212 1.100 1.000 4.200
1.453 1.253 0.500 3.500
1.643 1.321 0 2.430
1.825 1.790 -0.5 1.357


表选项






式中:为信号部分;ω(m, n)为噪声部分。
为定量比较不同算法的参数估计性能,定义GTD散射中心模型参数的均方差(RMSE)如下:
(34)

式中:z为真实目标散射中心参数;zi为第i次仿真实验下估计的散射中心参数;K为总蒙特卡罗实验次数。
利用不同算法分别估计提取二维GTD散射中心模型参数信息,对比结果如图 1~图 4所示。
图 1 x1~x4的均方差比较 Fig. 1 RMSE comparison of x1-x4
图选项




图 2 y1~y4的均方差比较 Fig. 2 RMSE comparison of y1-y4
图选项




图 3 α1~α4的均方差比较 Fig. 3 RMSE comparison of α1-α4
图选项




图 4 A1~A4的均方差比较 Fig. 4 RMSE comparison of A1-A4
图选项




图 1~图 4可知,随着信噪比的升高,基于不同算法估计得到的参数的均方差总体趋势上均降低;且改进2D-TLS-ESPRIT算法参数估计性能要优于经典2D-TLS-ESPRIT算法与双向平滑2D-TLS-ESPRIT算法,而改进算法的参数估计性能比上述3种算法均要优越,这验证了改进算法的有效性与先进性。
分析原因可知:①改进算法首先将目标的极化信息加到二维GTD散射中心模型之中,从而更加有效地刻画了目标的极化散射特征并丰富了模型的目标散射信息;②改进算法将原始回波数据与其共轭信息结合并加以改进,有效地延长了目标可利用数据的长度。
3.2 RCS拟合外推精度比较 基于经典2D-ESPRIT算法、改进2D-TLS-ESPRIT算法估计的各模型参数与二维GTD散射中心模型、式(35)中远场条件下目标电场与RCS之间的关系式,即可对目标的RCS进行拟合并外推。
(35)

式中:EsEi分别为散射电场和入射电场;R为远场距离。
基于目标在频率为10~11 GHz的后向电磁散射数据,利用不同算法分别估计出二维GTD散射中心模型参数,再代入到式(1)、式(35),可对目标的RCS进行频率域拟合外推,仿真结果如图 5所示。
图 5 45°和60°方位角,RCS角域拟合外推精度比较 Fig. 5 Comparison of RCS angular domain fitting extrapolation accuracy at azimuth 45°and 60°
图选项




图 5(a)(b)分别为在45°、60°方位角下,目标RCS频域拟合外推结果。从图 5可看出,改进算法的RCS拟合精度要明显高于经典2D-ESPRIT算法的RCS拟合精度,尤其对目标RCS的尖峰特性描述的更为准确。RCS拟合外推实验进一步验证了改进2D-TLS-ESPRIT算法的参数估计性能要优于经典2D-ESPRIT算法。
4 结论 在经典2D-TLS-ESPRIT算法的基础上,提出了一种改进2D-TLS-ESPRIT算法。
1) 改进算法将目标的极化散射矩阵加入到二维GTD散射中心模型,从而丰富了目标的极化散射信息,使散射中心模型更贴切目标的实际散射特性。
2) 改进算法通过建立置换矩阵与求总协方差矩阵,将原始目标电磁散射数据与其共轭信息相结合,从而延长了可利用电磁散射数据的长度,有效地挖掘了目标电磁散射数据。
3) 仿真实验表明,改进算法的算法参数估计性能、噪声鲁棒性与RCS拟合外推精度均要优于其他同类已知算法。
由于改进算法增加了对目标极化信息的利用,因此相比于经典2D-ESPRIT算法、2D-TLS-ESPRIT算法,改进算法的计算量稍有增大,而如何有效降低算法的运算量则是下一步研究的重点内容。

参考文献
[1] 许小剑. 雷达目标散射特性测量与处理新技术[M]. 北京: 国防工业出版社, 2018.
XV X J. New techniques for radar target scattering signature measurement and processing[M]. Beijing: National Defense Industrial Press, 2018. (in Chinese)
[2] HE X Y, TONG N N, HU X W, et al. High-resolution imaging and 3D reconstruction of precision targets by exploiting sparse apertures[J]. IEEE Transactions on Aerospace and Electronic System, 2017, 53(3): 1212-1220. DOI:10.1109/TAES.2017.2668058
[3] FAN J H, ANDREW T. Target reconstruction based on attributed scattering centers with application to robust SAR ATR[J]. Remote Sensing, 2018, 10(4): 655-673. DOI:10.3390/rs10040655
[4] SUN Y G, DU L, WANG Y, et al. SAR automatic target recognition based on dictionary learning and joint dynamic sparse representation[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12): 1777-1781. DOI:10.1109/LGRS.2016.2608578
[5] DONG G G, KUANG G Y. SAR target recognition via representation of monogenic signal on Grassmann manifolds[J]. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 2016, 9(3): 1308-1319. DOI:10.1109/JSTARS.2015.2513481
[6] PEI J F, HUANG Y L, HUO W B, et al. SAR automatic target recognition based on multiview deep learning framework[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 56(4): 2196-2210. DOI:10.1109/TGRS.2017.2776357
[7] 郭琨毅, 王嘉欣, 张尊, 等. 基于散射中心方位特性的大角度成像数据缩减方法[J]. 电波科学学报, 2019, 34(1): 91-96.
GUO K Y, WANG J X, ZHANG Z, et al. Wide-angle imaging simplified method based on the scattering center aspect dependences[J]. Chinese Journal of Radio Science, 2019, 34(1): 91-96. (in Chinese)
[8] 郑舒予, 张小宽, 刘铭, 等. 基于一维散射中心模型的RCS频率全角度外推[J]. 空军工程大学(自然科学版), 2019, 20(6): 79-83.
ZHENG S Y, ZHANG X K, LIU M, et al. RCS frequency full extraction based on one-dimensional scattering center model[J]. Journal of Air Force Engineering University (Natural Science Edition), 2019, 20(6): 79-83. (in Chinese)
[9] 郑舒予, 张小宽, 宗彬锋. 基于改进MUSIC算法的散射中心参数提取及RCS重构[J]. 系统工程与电子技术, 2020, 42(1): 76-82.
ZHENG S Y, ZHANG X K, ZONG B F. Extraction of scattering center parameters and reconstruction of RCS based on improved MUSIC algorithm[J]. Systems Engineering and Electronics, 2020, 42(1): 76-82. (in Chinese)
[10] 贺治华, 黎湘, 张旭峰, 等. 基于MUSIC算法的GTD模型参数估计[J]. 系统工程与电子技术, 2005, 27(10): 1685-1688.
HE Z H, LI X, ZHANG X F, et al. MUSIC-based parametric estimation of GTD model[J]. Systems Engineering and Electronics, 2005, 27(10): 1685-1688. (in Chinese)
[11] CHEN X, WAN B Q, ZHAO T, et al. Parameter estimation of three-dimensional scattering centers based on state space and ESPRIT method[J]. Procedia Computer Science, 2019, 147: 435-440. DOI:10.1016/j.procs.2019.01.261
[12] ZHENG S Y, ZHANG X K, ZONG B F, et al.GTD model parameters estimation based on improved LS-ESPRIT algorithm[C]//2019 Photonics & Electromagnetics Research Symposium, 2019: 19534708.
[13] 王菁, 周建江, 汪飞. 基于GTD模型的目标二维散射中心提取[J]. 电子与信息学报, 2009, 31(4): 958-962.
WANG J, ZHOU J J, WANG F. 2D-scattering centers extraction of objects based on GTD model[J]. Journal of Electronics & Information Technology, 2009, 31(4): 958-962. (in Chinese)
[14] HUA Y B. Estimating two-dimensional frequencies by matrix enhancement and matrix pencil[J]. IEEE Transactions on Signal Processing, 1992, 40(9): 2267-2280. DOI:10.1109/78.157226
[15] POTTER L C, CHIANG D M, CARRIERE R. A GTD-based parametric model for radar scattering[J]. IEEE Transaction on Antennas and Propagation, 1995, 43(10): 1058-1066. DOI:10.1109/8.467641
[16] ROUQUETTE S, NAJIM M. Estimation of frequencies and damping factors by two-dimensional ESPRIT type methods[J]. IEEE Transactions on Signal Processing, 2001, 49(1): 237-245. DOI:10.1109/78.890367
[17] 张贤达. 现代信号处理[M]. 北京: 清华大学出版社, 2002: 56-60.
ZHANG X D. Modern signal processing[M]. Beijing: Tsinghua University Press, 2002: 56-60. (in Chinese)


相关话题/信息 数据 实验 矩阵 算法

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 面向个体人员特征的跨模态目标跟踪算法*
    个体人员的跨模态目标跟踪在视频智能分析、无人驾驶、自主系统导航等各个领域都有着广泛应用,特别是在公安视频监控信息深度挖掘分析方面。传统目标跟踪对象非常多样,包括动物、人、物品、车辆、飞机等一切可以移动的对象,而在实际应用或某一领域内,重点关注的往往是某一类别的对象,如交通领域关注的主要是机动车、物流 ...
    本站小编 Free考研考试 2021-12-25
  • 基于多目标灰狼算法的干扰资源多效能优化方法*
    执行作战任务,取得最佳的作战效能很重要,如何保存己方作战实力也同等重要。雷达与干扰机的对抗是相互的,如果雷达收到的干扰能力过大,雷达就能反用干扰机能量追踪干扰源发射反辐射武器,这就必须对干扰功率进行管控,同时,完成作战任务难免会出现毁伤的情况。针对这些问题,本文将就考虑射频隐身特性和减少作战损失情况 ...
    本站小编 Free考研考试 2021-12-25
  • 基于高置信局部特征的车辆重识别优化算法*
    随着监控系统智能化需求[1-2]的发展,重识别问题获得了越来越多的关注[3]。车辆重识别算法能够应用在车辆识别、追踪和定位等众多难点问题上,进一步提升公安监控系统的安全性和可靠性。车辆重识别所针对的问题是:如何在一个图片集合中快速、准确地找到与给定车辆图片中完全相同的车辆。车辆的角度、光照、环境、遮 ...
    本站小编 Free考研考试 2021-12-25
  • 基于道路特征信息的车道结构化解析*
    目前,道路执法的视觉监控系统中,从静态摄像头中抽取语义信息的自动化程度较高[1-6],能自动识别并记录违规违法行为;但是架设在执法车上的动态摄像头,其信息处理和自动化程度较低,无法自动识别违规违法行为,甚至无法准确解析道路结构。解析道路结构是自动化动态执法的基础和关键。尤其在高速道路上,识别出快车道 ...
    本站小编 Free考研考试 2021-12-25
  • 基于SM4算法的白盒密码视频数据共享系统*
    在公共视频监控领域的纵向多级网络中,存储有海量视频数据,根据数据的敏感程度,一部分数据需要加密存储,一部分数据是明文存储,但均存在跨级或跨域共享需求。对于加密数据,由于受限于密钥管理系统的跨域访问限制及解密密钥的安全传输问题,需要先解密成明文后,才能共享。为保证原有加密或非密数据的共享安全,需要采用 ...
    本站小编 Free考研考试 2021-12-25
  • 双光谱智能体温检测与健康大数据管理系统*
    公共安全视频监控是中国一项重要的基础设施建设,具有易于部署、信息捕获充分、接口和标准统一、可全时段运行等优点,对于建立社会治安防控体系具有重要意义,是维护国家安全和社会安定的重要手段[1]。近年来,面向图像分析和视频监控分析的深度学习技术和大数据挖掘技术取得了很多突破性进展,同时也推动了公共安全视频 ...
    本站小编 Free考研考试 2021-12-25
  • 一种基于区域划分的改进ORB算法*
    基于特征的图像匹配算法越来越受到人们的青睐,特别是在视觉SLAM(SimultaneousLocalizationandMapping)[1]和视频监控领域更是成为了一项关键技术。随着多媒体信息技术的发展,视频监控技术被用于公共区域的视频监控,以提高公共区域的管理和监控能力。在公共区域视频监控系统的 ...
    本站小编 Free考研考试 2021-12-25
  • 数据丢包和量化约束下的分布式滚动时域估计*
    计算机和通信技术的日趋成熟促进了网络化系统的快速发展。凭借其结构灵活、可扩展性强、运行成本低等优势,网络化系统被广泛应用于目标跟踪、组网导航、智能交通、工业控制等多个领域[1-4]。网络化系统在带来诸多便利的同时,也带来了新的问题和挑战:数据通过网络传输时,由于通信故障、网络拥塞等因素的存在,不可避 ...
    本站小编 Free考研考试 2021-12-25
  • 复杂管网系统未知信息调节阀的一种瞬变建模方法*
    由众多管道和调节设备组成的管网系统在供水[1-3]、气力输送[4-7]、液体推进系统[8-10]等工程领域中应用广泛,国内外对这类系统也已开展了诸多研究。由于这类系统一般构成复杂、组件众多,以目前的技术条件主要集中在系统层面开展数值仿真研究,重点关注系统的整体特性及单个部件在系统中的作用和对系统的影 ...
    本站小编 Free考研考试 2021-12-25
  • 基于改进MRNSD算法的电阻抗层析成像*
    碳纤维增强复合材料(CarbonFiberReinforcedPolymer,CFRP)因其高比模量、高比强度、耐腐蚀、抗疲劳等优点,被广泛应用于航空航天、国防军工、民用工业等领域,被公认为先进科学技术领域不可或缺的新材料[1-2]。然而,CFRP在制造和使用过程中可能造成结构损伤,损伤可能存在于纤 ...
    本站小编 Free考研考试 2021-12-25