【基于谐波小波的ISAR成像】基于谐波小波的ISAR成像目标识别研究（Matlab代码实现）

yyds_2201

于 2024-09-15 09:57:25 发布

阅读量401

点赞数 7

文章标签： matlab 人工智能开发语言

本文链接：https://blog.csdn.net/2201_75535220/article/details/142280519

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

📚2 运行结果

2.1 算例1

2.2 算例2

🎉3 参考文献

🌈4 Matlab代码、数据、文章下载

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

参考文献：

提出了一种新的方法来减少ISAR成像中涉及的计算，该方法使用谐波小波基于硬件的时频表示（TFR）。由于基于硬件的TFR属于非参数时频（T-F）分析工具，与自适应联合时频分析工具等参数T-F分析工具相比，它在计算上是高效的变换（AJTFT）、自适应小波变换（AWT）和进化AWT（EAWT）。此外，所提出的性能将ISAR成像方法与通过其他非参数T-F分析工具（如短时傅里叶变换）进行的ISAR成像进行比较变换（STFT）和Choi-Williams分布（CWD）。在ISAR成像中，使用基于硬件的TFR提供了类似/更好的与CWD相比，计算优势显著（92%）。由此获得的ISAR图像是使用基于神经网络的分类方案进行识别，该方案具有对平移、旋转和缩放不变的特征集。

逆合成孔径雷达（ISAR）是一种成像雷达该系统利用目标的俯仰、横滚和偏航运动在距离-多普勒平面中生成图像。首先傅里叶变换（FT）用于ISAR成像假设多普勒频率在整个范围内是恒定的成像持续时间[1，2]。然而，假设由于多普勒频率因非匀速运动而随时间变化，因此恒定的多普勒频率是不正确的目标因机动而改变位置。因此，基于傅里叶变换的方法在最终效果中，存在图像模糊的缺点输出。在过去的十年中，许多技术，如变换域方法、子孔径方法和超分辨率已经应用了多种方法来获得时变光谱，以期提高图像分辨率。然而，它们都没有完全解决模糊问题。为了获得聚焦的ISAR图像，Chen等人引入了时频（T-F）变换傅里叶变换。著名的傅里叶变换包括短时傅里叶变换（STFT）、维格纳-维尔分布（WVD）[1，2]，连续小波变换（CWT）[3]，自适应联合时频变换（AJTFT）[4]、自适应小波变换（AWT）[5]和进化AWT（EAWT）[6]。在这些T-F变换中，STFT、WVD、，CWT属于非参数T-F分析工具，而AJTFT、AWT和EAWT属于参数化T-F分析工具类别。STFT是最著名和最基本的T-F分析工具，但它很受影响从时间分辨率和频率分辨率之间的折衷。WVD [7, 8]在时间上提供了更好的分辨率除了频率，还有一个交叉项问题。CWT具有多分辨率特性，并且没有交叉项问题，但其T-F网格仍然是刚性的[2,6]。AWT提供比CWT更灵活的T-F网格。此外，它没有分辨率问题和交叉项问题，但由于使用二分搜索方法，其准确性有限以及用于参数提取的快速傅里叶变换（FFT）[5]。AJTFT使用迭代搜索方法获得自适应频谱图（ADS）[2，4]，进而用于提取特征集在不计算ISAR图像的情况下进行目标识别。这个EAWT使用进化编程进行T-F参数提取，而不是使用FFT和二分搜索方法用于传统的AWT[5]。由于所有参数化T-F分析工具[2，4–6]使用参数提取以及一个或者在获取ISAR图像的同时使用其他搜索方法所涉及的计算复杂性相当高，因此在实时应用中难以实现[6]。

结论：

为了减少ISAR成像中的计算量，提出了一种基于硬件的TFR的ISAR成像新方法成像。将所提出的方法的性能与CWD以及STFT的性能进行了比较以及计算复杂性。此外，拟议与CWD相比，该方法提供了类似/更好的结果，计算量显著减少（92%）。通过所提出的方法获得的ISAR图像是用于目标识别。对于目标识别，使用基于神经网络的ATI方案，该方案对以下情况不变平移、旋转和缩放。由于信噪比低ISAR图像分辨率差，区域生长技术使用基于边缘的技术来代替传统的基于边缘的技术，以提高质心计算的准确性。使用对平移、旋转和缩放不变的特征集，对于所有测试图案都获得了良好的识别结果。

📚2 运行结果

2.1 算例1

2.2 算例2

部分代码：

close all
clear all;

load B727r.mat;%% r -> Real B-727 data.Motion compensation & range processing has been applied to the data.

WN=4;%window length is assumed as even. (4)

X1=X(:,1:64);
% X1=X(1:2:64,1:32);
% X1=X(1:4:64,449:512);

[m,n]=size(X1);
w=hammwin(WN);%%Hamming Window is better for this.

Xf=fft(X1,[],2);%% Take FFT along Rowwise (2).
[row, len]=size(Xf);

xtemp=Xf;
Xf=zeros(len,len+WN);%% Pad zeros to the start as well as end, to reduce the effect
Xf(1:row,WN/2+1:len+WN/2)=xtemp;%% of neglecting last window length points.
[row, len]=size(Xf);

for i1=1:1:m;
xf=Xf(i1,:);
wx=isar_hwtmapf(xf,w,len);
[p,q]=size(wx);
p=p-WN;
V(p*(i1-1)+1:p*(i1-1)+p,1:q)=wx(1+WN/2:p+WN/2,1:q);
i1
end

V=fftshift(V,2);

[m,n]=size(V);
m2 = m/n;
m1 = n;

% figure
for i1=1:1:n
for k1=1:1:m2
temp(k1,:)=V(i1+(k1-1)*m1,:);
end
t3 = temp;
if i1<=9
if(i1==1)
s='B-727_frame-1t_HW.dat';