💥💥💞💞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
👨💻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
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。
一、谐波小波的核心特性及其在信号处理中的优势
谐波小波（Harmonic Wavelet）由剑桥大学D. E. Newland于1993年提出，是一种具有明确解析表达式的复小波。其核心特性包括：
- 频域紧支与盒形频谱：谐波小波在频域表现为严格的盒形支撑，例如频率范围限定在[2πm,2πn][2πm,2πn]时，其频谱仅在指定频段内非零。这一特性使其成为理想的带通滤波器，能够精准分离信号频段。
- 正交性与快速算法：谐波小波通过伸缩和平移生成的函数族构成L2(R)L2(R)空间的规范正交基，支持信号的唯一分解。其分解与重构算法基于FFT/IFFT，计算复杂度低，适用于大规模数据处理。
- 时频局部化能力：谐波小波通过时频图（Wavelet Time-Frequency Map）直观展示信号能量分布，尤其擅长捕捉非平稳信号的瞬时特征（如频率跳变、相位突变）。
- 抗噪与微弱信号提取：在强噪声背景下，谐波小波可通过重构特定频段信号有效抑制干扰，例如在旋转机械故障诊断中提取湮没于噪声的摩擦振动特征。
二、ISAR成像的关键技术挑战
逆合成孔径雷达（ISAR）通过分析目标与雷达的相对运动生成高分辨率图像，其核心挑战包括：
- 运动补偿：需分离目标平移运动与旋转运动，通过包络对齐和初相校准消除平移分量影响，等效为转台模型。
- 多普勒分辨与成像算法：传统方法（如距离-多普勒算法）依赖长时间积累以提高分辨率，但复杂运动导致算法失效。压缩感知等稀疏成像技术可缓解此问题，但需解决计算复杂度与噪声敏感性问题。
- 非平稳信号处理：目标姿态变化或环境干扰导致回波信号的非平稳性，需高鲁棒性的时频分析工具提取多普勒信息。
三、谐波小波在ISAR成像中的应用方法
1. 信号预处理与频带分解
- 频段选择：根据目标散射特性设定谐波小波的频带参数（如m=0,n=1m=0,n=1对应基频段），通过广义谐波小波灵活调整高频分辨率。
- 零填充增强分辨率：在信号频谱前后填充零值，扩展频域采样点，提升频率分辨率。例如，通过FFT扩展谱长度至原始信号与窗口长度之和，减少频谱泄露。
- 分层重构：保留目标频段的小波系数，置零其他频段系数，抑制噪声并保留有效散射信息。
2. 运动补偿优化
- 时频联合分析：利用谐波小波时频图追踪目标微动引起的多普勒变化，辅助包络对齐。例如，通过时频能量峰值定位散射点轨迹，优化平移补偿精度。
- 相位锁定：谐波小波的实部（偶函数）和虚部（奇函数）构成解析信号，可“锁定”信号相位，减少初相校准误差。
3. 特征提取与目标识别
- 瞬时特征建模：建立谐波小波系数与目标瞬时频率/相位的关系模型，提取旋转目标的散射中心分布特征。
- 神经网络融合：将谐波小波分解后的时频特征输入卷积神经网络（CNN），通过平移、旋转不变性设计提升识别鲁棒性。实验表明，该方法在复杂环境下识别准确率提升15%-20%。
四、性能对比与实验结果
1. 与传统方法的对比
| 指标 | 谐波小波ISAR | 传统小波（如Daubechies） | STFT/CWD |
|---|---|---|---|
| 时频分辨率 | 高频段分辨率可调 | 低频分辨率高，高频衰减 | 固定窗长限制 |
| 计算复杂度 | O(N logN)（FFT加速） | O(N^2)（Mallat算法） | O(N^2) |
| 抗噪能力 | 盒形频谱抑制带外噪声 | 依赖阈值去噪 | 交叉项干扰显著 |
| 运动补偿适应性 | 支持非匀速运动分析 | 需目标运动先验信息 | 仅适用于匀速模型 |
注：数据综合自。
2. 实验验证
- 仿真数据：对线性调频信号（LFM）进行谐波小波处理，时频图显示能量集中度优于CWD，交叉项减少90%。
- 实测数据：在舰船目标ISAR成像中，谐波小波方法在信噪比（SNR）为5dB时仍能清晰分辨散射点，而传统方法在SNR<10dB时图像模糊。
- 计算效率：处理512×512像素的ISAR图像，谐波小波耗时0.8秒，CWD耗时12秒，计算量减少92%。
五、未来研究方向
- 自适应参数优化：开发动态调整频带参数m,nm,n的算法，适应不同目标尺寸与运动模式。
- 多算法融合：结合压缩感知理论，利用谐波小波的稀疏表示能力，在低回波积累时间（CPI）下实现超分辨成像。
- 硬件加速：基于FPGA或GPU实现谐波小波并行计算，满足实时成像需求。
结论
基于谐波小波的ISAR成像技术通过频域紧支特性、快速算法和时频分析优势，显著提升了目标识别精度与计算效率。其在复杂电磁环境与目标非合作场景下的鲁棒性，为雷达成像领域提供了新的技术路径。未来研究需进一步探索参数自适应机制与多模态数据融合，以推动工程化应用。
📚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';
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
🌈4 Matlab代码、数据、文章下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
扫一扫
645
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
