论文部分内容阅读
极化雷达引入极化信息,丰富了对目标电磁散射特性的认知,为目标信息全面解译提供了途径。相比传统单极化雷达,极化雷达具有多极化通道的信息优势,完备极化域信息联合处理的性能优势。本文从单脉冲前视成像出发,涵盖雷达波束内存在单目标、双目标以及群目标的成像情况,重点研究极化雷达对于单脉冲测角性能的提升以及极化信息对于目标识别的优势,最后研究了极化色彩信息对于地物分类识别的作用。首先针对雷达波束内存在单个目标的单脉冲前视成像进行仿真验证,然后提出一种基于Levenberg-Marquardt(LM)优化方法的单脉冲前视成像算法以解决波束内双目标无法分辨的情况。该算法的核心思想是求解基于LM优化的最大似然估计问题,以获得不可分辨双目标的DOA估计。结果表明:该算法可以精确地分辨和重新定位前视成像中雷达波束内的双目标,同时,通过与其他算法进行对比,该方法具有较高的DOA估计精度,较低的计算复杂度和较广的角度适应范围。针对基于极化敏感阵列的单脉冲前视成像,充分利用极化通道间的相关信息,采用虚拟极化匹配实现极化单脉冲测角,其测角精度和对回波极化状态的适应性均优于单极化雷达。将目标拓展为群目标后,提出了一种基于贝叶斯自适应直接搜索(BADS)的极化单脉冲前视成像算法。从最大似然估计出发,通过BADS解决非线性最优化问题,估计得到群目标的DOA和极化相位描述子,结合极化测量原理,进而得到极化散射矩阵。结果表明:该方法的DOA和极化相位描述子估计精度相比梯度法大幅提升,成像结果能准确反应目标的位置,同时该算法在较高信噪比条件下可以准确识别群内三目标,包括一个二面角和两个三面角目标。针对极化SAR地物分类问题,极化目标分解为极化数据的解译提供了色彩信息的表征,以此为基础提出了一种融合色彩信息的极化SAR地物分类方法,通过对图像生成超像素,将超像素作为一个整体进行分类。这样不仅提高了分类精度,同时获得了优良的抗噪声性能。最后,通过充分利用了极化SAR相位信息的复数卷积神经网络(CV-CNN)分类器可以进一步提升地物分类精度。