6篇关于合成孔径雷达的计算机毕业论文

今天分享的是关于合成孔径雷达的6篇计算机毕业论文范文, 如果你的论文涉及到合成孔径雷达等主题,本文能够帮助到你

合成孔径雷达成像及应用研究

这是一篇关于合成孔径雷达,目标识别,卷积神经网络,混合注意力机制模块,深度学习的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)的用途大多是在军事方面和民用方面,它不仅能够实时的获取遥感数据,而且有穿透力强、分辨率高和全天候等特点,因此SAR成像以及SAR图像目标识别的重要性与日俱增。SAR作为一种特殊的侦察方式,在军事领域里,SAR主要是完成对指定的目标进行检测和识别以及推动战场的现代化与信息化。随着半导体合成材料技术的迅速发展和低功耗高精度的毫米波芯片的不断问世,使得毫米波SAR相关产品得到广泛应用,比如安检领域和车载雷达领域。因此如何使SAR成像技术更加完善、快速和方便以及如何实现对得到的SAR图像进行识别分类具有重要的价值和和意义。本文利用MATLAB软件搭建了一个系统,用户可以在系统中完成对导轨的校准与数据的采集和成像,操作方便。同时,本文为了提高SAR图像目标识别的性能,应用深度学习进行目标特征提取和表征,开展了基于深度学习的SAR图像目标识别实验。主要研究内容如下:(1)针对SAR数据采集、处理以及成像等操作步骤的复杂性,使用AWR1843雷达和二维导轨搭建了一个硬平台,并开发了一个基于MATLAB软件平台的综合系统。该系统能够将上述步骤可视化和易操作化,最终可以获得多种成像算法的二维成像和三维SAR成像。并研究波形参数和毫米波雷达的空间位置是否影响成像的效果。该系统可以用于机场安检或者车载毫米波。(2)针对Res Net50不能对SAR图像目标进行高效识别,本文提出了一个基于Res Net50的改进网络,它引进了1×1短接分支和混合注意力机制模块(Convolutional Block Attention Module,CBAM)。该方法首先对MSTAR数据集在标准条件下的十类军事目标进行目标识别训练,得到了训练模型。然后再用训练模型对十类军事目标的验证集进行目标识别。实验结果表明,相对于几种经典的卷积神经网络(MFCNNS、DCNN、Res Net50)本文网络识别效果有显著提升。

基于SAR图像的舰船目标检测算法设计与开发

这是一篇关于合成孔径雷达,斑噪抑制,海陆分割,恒虚警,超像素分割,多核DSP的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)能够在不同的气候条件下,长时间、远距离地对目标区域进行探测,已被广泛应用在海洋监测、灾害监测、测绘和军事应用等领域。目前,基于SAR图像的舰船目标检测技术已成为海洋监测中重要的研究内容,具有极其重要的研究价值和意义。复杂海战场环境中出现的高海情、高海况导致SAR图像中干扰因素过多,影响舰船目标检测性能,传统检测算法存在目标特征提取准确性差、算法执行效率低等问题,针对上述问题,本文开展基于SAR图像的舰船目标检测技术研究,主要工作和创新点总结如下:1.对SAR图像预处理方法开展研究,包括斑噪抑制和海陆分割。首先研究SAR图像斑点噪声的产生机制和噪声模型,介绍了几种经典的基于统计模型的空间域噪声抑制算法和新兴的非局部均值算法,通过实测图像仿真验证各算法的斑噪抑制性能。然后进一步研究海陆分割中常用的最大类间方差算法,本文将二维最大类间方差算法用于无先验知识的自动海陆分割,仿真实验表明,该算法能够得到更纯净的海面区域。本文采用的SAR图像预处理方法可以有效提升图像质量,降低杂波干扰。2.对SAR图像舰船目标检测算法开展研究。首先介绍经典的恒虚警率(CFAR)算法、几种常见的杂波统计模型及对应的参数、阈值估计方法;然后针对传统CFAR检测算法在复杂环境下检测率低、实时性差的问题,研究了基于超像素的两级CFAR检测算法,分为全局检测和局部检测。本文在局部检测中,针对传统杂波窗口尺寸固定,无法自适应地选取杂波区域,造成选取杂波样本数量较大,影响算法运行效率的问题,采用超像素邻域窗口选取待检测目标超像素邻域范围内的超像素块,依据相似性特征分类,从而选取适量杂波样本,有效提升杂波样本的选取效率。仿真实验表明,本文改进的基于超像素的两级CFAR检测算法选取邻域范围内同质超像素单元,使得杂波模型参数估计更准确,有效提升算法检测率和运行效率。3.对基于多核DSP平台的SAR图像斑噪抑制、海陆分割、目标检测模块算法的多核并行实现展开研究。首先针对单核系统处理时间长,系统资源利用率低的问题,本文基于数据流模型,设计了一种多核、多任务并行处理的SAR图像目标检测方案;然后对SAR图像舰船目标检测算法进行任务分配,将其分配在不同内核运行;最后在TMS320C6678的芯片架构上规划并分配各算法占用的系统资源,结合核间同步机制、存储器优化等技术,在TMS320C6678开发板上验证了检测方案的正确性和可行性,与单核处理相比,本文多核处理方案能够有效提升程序运行效率。

地地导弹GPS/SAR/INS组合导航方法研究

这是一篇关于地地导弹,组合导航,惯性导航系统,合成孔径雷达,联邦卡尔曼滤波的论文, 主要内容为近年来,随着航天科技的不断进步,新型的导航技术使得地地导弹的导航精度得到了显著提高。本文对地地导弹末段弹道的GPS/SAR/INS组合导航方法进行研究,主要内容包括如下: 1.结合以往各种常用导航系统的优缺点,提出适用于地地导弹末制导的组合制导方案,即以惯性导航系统为主,分别以卫星导航和合成孔径雷达为辅的组合方式。具体研究工作是设计多传感器信息融合方式,包括INS/GPS子滤波器设计、INS/SAR子滤波器设计和INS/GPS/SAR主滤波器设计,其中两个子滤波器为Kalman滤波器,主滤波器为联邦滤波器。 2.根据美国“潘兴Ⅱ”类型导弹机动弹头末制导段的典型弹道设计了一条合适的地地导弹末段弹道。并且分别介绍了惯导系统的工作原理,捷联式惯导系统导航方程的解算方法;全球卫星导航系统的定位原理和测速方法;以及合成孔径雷达的定位模型和原理。 3.介绍了Kalman滤波与信息融合的基本理论,重点讨论了离散Kalman滤波器的基本方程和必要的技术处理;最后对多传感器信息融合理论进行简单的论述,针对本文所要研究的内容,对联邦卡尔曼滤波器的结构和算法思想进行了分析和研究。 4.对地地导弹末制导的不同组合模式的性能进行仿真计算与结果分析。对纯惯导系统,INS/GPS组合系统,INS/SAR组合系统以及INS/GPS/SAR组合系统的仿真结果表明:纯惯导系统误差随时间增长较快,最终导致发散,不能满足长时间定位精度的要求;INS/GPS和INS/SAR组合系统对位置、速度和姿态分别有较好的校正作用;INS/GPS/SAR组合导航系统对位置、速度和姿态具有良好的校正效果。

宽幅SAR图像大型舰船目标识别技术研究

这是一篇关于合成孔径雷达,宽测绘带,遥感云平台,运动仿真,复数信息,舰船目标识别的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时全天候的独特优势,在海洋监测方面发挥着重要作用。相比于条带和聚束SAR成像模式,以Top SAR和Scan SAR成像模式为代表的宽幅SAR可以实现更大范围的海洋场景观测,但其实现宽测绘带的同时降低了成像分辨率,给大范围海上舰船目标识别带来了极大的挑战。宽幅SAR图像大型舰船目标识别存在图像分辨率低、舰船目标样本难以高效获取和海上特定舰船目标样本稀少等问题。针对上述问题,本文的主要创新点和工作如下:1)针对宽幅SAR数据在下载、存储和处理上受到计算机性能和人力的约束,导致舰船目标样本难以高效获取的问题,本文提出了一种基于遥感云平台的宽幅SAR图像舰船目标检测方法,并结合舰船自动识别系统(Automatic Identification System,AIS)数据构建了宽幅SAR舰船目标样本集。首先利用遥感云平台在线对大范围海域的SAR图像进行处理应用,实现对宽幅SAR图像数据在线实时快速检测和舰船目标信息的快速获取,实验结果表明本文方法在整体检测时间上用时更短,检测速度更快;然后将舰船目标信息结合AIS数据构建了宽幅SAR舰船目标样本集,实现了宽幅SAR民船样本的高效获取。2)针对缺少宽幅SAR舰船目标识别数据,尤其是缺乏海上大型军事舰船目标样本的问题,本文构建了宽幅SAR海上大型运动舰船目标数据集,并对其进行了识别性能分析。首先通过先验知识辅助获取港口区域大型军事舰船目标样本;其次利用属性信息对Open SARShip数据集进行长度筛选获取大型民用舰船目标样本;最后在样本的距离-多普勒域添加二次相位误差进行运动仿真来模拟海上运动舰船目标的成像结果。实验上先对宽幅SAR海上大型运动舰船目标数据集在基础信息、聚类和相似度上进行了分析,再使用深度学习方法在其幅度图像上进行识别性能分析,探究了运动仿真对识别性能的影响。3)针对宽幅SAR图像中的舰船目标缺乏清晰的结构特征,可用于目标识别的特征较少,只使用幅度图像所含信息量少的问题,本文提出了基于改进Res Net网络的宽幅SAR复数图像舰船目标识别方法。在舰船目标识别应用中考虑到SAR图像的本质是复值的,首先通过组合SAR图像的实部、虚部和幅度三通道信息,隐式地提供了输入数据的复数信息表示;然后在Res Net18网络及其结构基础上引入通道注意力机制,使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息;最后引入标签平滑正则化,缓解了因复数数据集样本较少出现的过拟合现象。基于Open SARShip数据集和宽幅SAR海上大型运动舰船目标数据集复数图像的实验结果表明本文提出的方法可以较好利用SAR图像本身的复数信息,在一定程度上提升了基于神经网络的舰船目标识别效果。

基于多尺度特征融合的合成孔径雷达图像舰船检测算法研究

这是一篇关于合成孔径雷达,深度学习,舰船检测,特征金字塔,无锚框检测,多尺度舰船目标的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种安装在飞机、卫星、航天器和其他飞行平台上的主动式地球观测系统,用于全天候对地观测。随着Terra SARX、RADARSAT-2、Sentinel-1、高分3号和其他在轨合成孔径雷达卫星的成功运行,SAR图像已广泛用于军事侦察、灾害监测、环境调查和海事管理等应用场景。随着雷达技术的飞速发展,SAR图像的分辨率越来越高,这使得利用SAR图像高精度地检测和识别海洋目标成为可能。近年来,随着以深度学习为代表的人工智能技术得到了飞速发展。深度学习是一种构造深度网络以学习样本数据的内在规律和表示层次的算法。深度学习的蓬勃发展为SAR舰船目标检测提供了新的思路和方法。然而,由于微波成像机制的复杂性,SAR舰船目标检测当前仍然是一项具有挑战性的任务。本文利用深度学习技术在SAR舰船目标检测任务上进行了深入的研究,分析了目前SAR舰船目标检测任务中存在的难点及挑战,总结了现有方法的不足,针对仍存在的一些问题进行了改进。本文主要研究内容如下:(1)在SAR舰船图像中,近岸场景中的大部分区域都包含散射斑点和噪声,这些散射斑点和噪声极大地干扰了舰船目标的检测。此外,SAR舰船图像中包含不同大小的舰船目标,尤其是分布密集的小型舰船。小型舰船的显著特征较少,难以被发现。针对上述问题,提出了一种基于特征增强金字塔和浅层特征重建的SAR舰船检测方法。该方法设计了一个特征增强金字塔,它包括一个空间增强模块来增强空间位置信息并抑制背景噪声,以及一个特征对齐模块来解决特征融合过程中的特征错位问题。此外,为了解决SAR舰船图像中小型舰船检测难的问题,本文设计了一种浅层特征重建模块来获取小型舰船的语义信息。在两个公开可用的数据集SAR ship detection Dataset(SSDD)和High-Resolution SAR Images Dataset(HRSID)上的实验证明了所提出方法的有效性。实验结果表明,所提出的方法可以有效的提高SAR舰船检测任务中舰船检测精度。(2)目前,大多数SAR舰船检测方法需要预先设置锚框来作为先验知识。然而,SAR图像中舰船的稀疏分布意味着大多数的锚框是冗余的,严重降低了检测方法的检测效率。锚框的设置直接影响会检测方法的性能和泛化能力。此外,舰船尺度的差异和近岸背景的噪声干扰对SAR舰船检测方法的性能带来了重大挑战。为了解决上述问题,提出了一种基于无锚框的SAR舰船检测方法。该方法采用基于无锚框的检测策略来检测舰船目标,避免了基于锚框的检测方法的低效率。此外,设计了一种全局上下文引导的特征平衡金字塔,它通过平衡多层次语义信息和学习全局上下文信息来增强舰船特征的表达。考虑到大量散射噪声的干扰,设计了一种联合注意模块来增强舰船特征并抑制散射噪声。在SSDD和HRSID数据集上的实验结果表明,相比其他方法,所提方法实现了更优异的性能。