导读:本文包含了属性散射中心论文开题报告文献综述及选题提纲参考文献，主要关键词:属性散射中心,参数估计,幅度相位分离,动态粒子群算法
属性散射中心论文文献综述
张华,张素莉,何树吉[1]（2019）在《基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计》一文中研究指出针对SAR图像属性散射中心估计问题,提出了基于幅相分离和动态粒子群算法的参数估计方法。首先利用传统的图像域分析方法对单个属性散射中心进行解耦。然后,利用位置参数仅仅与相位信息有关的特性,采取了幅度、相位分离进行参数优化的方法。同时,对幅度相位分离后得到的较为简洁的参数表达形式,利用运算量更小的动态粒子群算法(DPSO),进一步提高了参数优化的效率和精度。基于仿真数据对提出方法进行了测试,结果验证了其有效性。(本文来源于《中国电子科学研究院学报》期刊2019年09期）
张婷,蔡德饶[2]（2019）在《基于属性散射中心匹配的噪声稳健SAR目标识别方法》一文中研究指出提出基于属性散射中心匹配的合成孔径雷达(SAR)目标识别方法。首先采用稀疏表示方法提取SAR图像的目标属性散射中心。然后,基于Hungarian算法构建测试样本散射中心集与对应模板散射中心集的一一对应关系。通过评价匹配对的属性差异以及可能存在的虚警和漏警,得到两组属性散射中心集的相似度。最后,根据最大相似度的原则判定测试样本的目标类别。基于稀疏表示的属性散射中心提取方法对噪声具有很好的稳健性。同时,作为目标的局部描述子,属性散射中心可以有效感知噪声干扰带来的局部变化。因此,本文算法可以有效提高SAR目标识别算法对噪声干扰的稳健性。为了验证提出方法的有效性,基于MSTAR公开数据集进行了目标识别实验。(本文来源于《中国电子科学研究院学报》期刊2019年06期）
蒋文,李王哲[3]（2019）在《基于幅相分离的属性散射中心参数估计新方法》一文中研究指出利用属性散射中心(ASC)参数估计来识别目标上的散射结构是实现合成孔径雷达(SAR)自动目标体识别(ATR)的重要步骤。为提高属性散射中心参数估计的速度并抑制杂散影响,该文首先从图像中提取多个属性散射中心,然后分别估计各个属性散射中心的参数。为提高单个属性散射中心的参数估计速率,考虑到其幅度和相位相关参数可分离,该文提出幅度相位分离的属性散射中心参数估计思想,与传统方法相比,该思想使参数估计算法复杂度和参数估计时间降低了1个数量级。引入迭代半阈值(IHT)算法提高参数估计精度。根据各个属性散射中心的参数估计结果可识别目标上各种散射结构并确定其在目标上的位置分布。仿真数据、实测数据以及MSTAR数据集得到的参数估计的高效性和高准确性,验证了该文所提方法的有效性。(本文来源于《雷达学报》期刊2019年05期）
谢若晗,何思远,朱国强,张云华[4]（2019）在《基于目标属性散射中心模型的正向参数化建模》一文中研究指出针对雷达目标自动识别,对目标属性散射中心进行了参数化建模。建模前,基于实体部件分解的目标进行高精度几何建模,提出了一套含空间射线分集的射线追踪方法。基于此,发展了一套基于空间射线分集的目标散射中心参数化正向建模方法。在现有的提取面类散射源的基础上,增加了目标边缘强散射源的散射中心,同时推算出了其模型参数。将该方法所得的结果与现有高频方法的结果进行对比,验证了参数化模型的有效性。所提出的参数化建模的方法为雷达目标特征数据库的获取提供了一条新的辅助途径。(本文来源于《激光与光电子学进展》期刊2019年12期）
朱鹏博[5]（2017）在《基于属性散射中心模型的多雷达数据融合成像》一文中研究指出雷达是一种以电磁波为载体的微波遥感设备。电磁散射特征提取的工作是解译雷达图像的基础。从电磁散射机理出发,通过雷达参数建模方法,可以将散射中心特征提取的问题转化为电磁散射建模下的参数提取问题。雷达数据融合成像办法作为一种新型雷达成像技术,突破了单雷达、单视角分辨率的限制,可获得更高分辨率的成像结果。并结合属性散射中心建模方法,将雷达数据融合问题转换为信号的稀疏表示问题。准确提取出散射中心参数,在提高最终成像质量的同时,有利于后续的特征提取及分析。本文主要包括以下叁部分内容:第一部分主要介绍了目标电磁散射参数化模型的发展,基于数据融合的高分辨雷达成像的研究意义以及国内外研究现状。给出了几种经典散射中心模型之间的关系,并介绍稀疏信号表示理论的基本原理以及雷达成像的基本原理。第二部分研究了基于属性散射中心建模方式的参数提取办法。针对模型参数多,所构造字典维数大的问题,考虑利用联合估计方法降低计算复杂度,并采用了字典细化与交替优化方法对字典进行降维,降低对系统资源的需求。第叁部分介绍了基于多频段以及多视角的雷达数据融合技术,结合属性散射中心建模方法的雷达数据融合技术,在重构恢复全频段、全视角数据最终提高雷达成像分辨率的同时,考虑到成像物体主要部件的连续性及物理意义,利用更多的模型参数信息弥补了数据缺失情况下,目标特征信息量较小,无法分辨目标特性的缺陷。(本文来源于《南京理工大学》期刊2017-12-01）
冯艾茜,郭琨毅,盛新庆[6]（2015）在《无翼平底弹头的属性散射中心模型改进与参数估计》一文中研究指出针对传统属性散射中心模型在描述散射中心幅度随方位的变化存在不足,本文依据目标的逼真散射数据对属性散射模型中的方位依赖关系进行了修正,并通过图像匹配结合遗传算法对散射中心的各个参数进行了估计.为了验证模型的有效性,文中给出了修正模型的仿真结果与传统模型仿真结果以及全波法计算结果的比较.结果表明,相对于传统的属性散射中心模型,改进后的模型能更准确地描述真实散射中心的幅度随方位的变化关系.(本文来源于《北京理工大学学报》期刊2015年09期）
吴敏,张磊,段佳,邢孟道[7]（2014）在《基于属性散射中心模型的SAR超分辨成像算法》一文中研究指出基于属性散射中心模型,提出一种稳健而快速的SAR超分辨成像算法,在超分辨的同时能够考虑到目标的整体结构。首先利用改进的正交匹配追踪算法(OMP)对简化的属性散射中心模型进行参数估计,然后基于估计的模型参数在信号重构时进行二维频谱外推实现SAR超分辨成像。该算法具有较高的运算效率,相对于传统基于点散射模型超分辨算法,能够有效解决部件不连续的问题,并且初始指向角的利用可以取得良好的聚焦效果。仿真实验验证了该算法的优越性。(本文来源于《宇航学报》期刊2014年09期）
李飞,纠博,刘宏伟,王英华,张磊[8]（2014）在《基于稀疏表示的SAR图像属性散射中心参数估计算法》一文中研究指出考虑目标频率-方位2维观测数据在属性散射中心模型参数空间上的稀疏性,该文提出一种基于稀疏表示的属性散射中心提取与参数估计方法。由于模型参数维数较高,构造的高维联合字典将消耗较多系统资源。该算法通过分别构建包含位置信息与方位属性参数信息的两个低维字典代替高维的联合字典实现距离特性与方位特性的解耦合,以降低资源需求,并通过正交匹配追踪(OMP)-RELAX联合算法求解0l优化问题,从而实现在频率-方位角域上位置参数与方位属性参数的联合估计。根据提取的属性散射中心可以有效地估计目标或目标重要部件的几何尺寸。基于电磁计算数据和实测数据的实验结果验证了该算法的有效性。(本文来源于《电子与信息学报》期刊2014年04期）
段佳,邢孟道,张磊,王金伟,梁毅[9]（2014）在《联合属性散射中心的极化目标重构新方法》一文中研究指出传统极化目标分解方法将各个像素的散射机理分解为基本散射机理类型的线性加权和,难以反映部件整体结构的极化信息;对于低信噪比的人造复杂目标,直接分解难以反映目标真实的散射特性.通过引入全极化的属性散射中心模型,将目标信号分解为若干典型散射中心的组合以保留结构的整体性;联合极化对属性散射中心进行特征参数提取以降低噪声影响.提出了一种联合属性散射中心的极化目标重构新方法,该算法能很好地从低信噪比的极化数据中对目标信号进行恢复并保持目标典型结构的整体性,有效增强了极化图像的可视性.(本文来源于《西安电子科技大学学报》期刊2014年06期）
张亚军[10]（2014）在《基于属性散射中心模型的SAR自动目标识别》一文中研究指出随着合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术的飞速发展，SAR图像分辨率越来越高，使得基于SAR图像的自动目标识别有了更广阔的应用范围。SAR图像的自动目标识别需要从图像中提取目标的有关信息，属性散射中心模型与一般的点散射模型相比，包含了刻画散射中心长度以及与表面曲率有关的参数，因此含有关于目标的更加丰富的信息。本文主要对基于属性散射中心模型的SAR图像目标参数估计、特征提取与目标识别进行了研究。对SAR图像的属性散射中心的参数估计，本文分别介绍了基于图像域分割的参数估计方法和基于正交匹配追踪的参数估计方法，然后对这两种方法的估计结果进行了比较，并用地面目标的实测数据验证后一种算法的估计结果。对于目标的特征提取，本文研究了哪些属性散射中心参数可以用来鉴别海洋目标与海杂波；另外，在提取海洋目标长宽比特征方面，利用高分辨SAR图像的散射中心的位置去估计目标的长度和宽度，求得目标的长宽比；并且对不同分辨率的SAR图像的长宽比估计结果进行了分析。对于目标识别，在估计出SAR图像的散射中心位置后，采用Hausdorff距离与粒子群优化算法完成识别，并与基于均方误差的分类器的识别率进行了比较。(本文来源于《西安电子科技大学》期刊2014-03-01）
属性散射中心论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出基于属性散射中心匹配的合成孔径雷达(SAR)目标识别方法。首先采用稀疏表示方法提取SAR图像的目标属性散射中心。然后,基于Hungarian算法构建测试样本散射中心集与对应模板散射中心集的一一对应关系。通过评价匹配对的属性差异以及可能存在的虚警和漏警,得到两组属性散射中心集的相似度。最后,根据最大相似度的原则判定测试样本的目标类别。基于稀疏表示的属性散射中心提取方法对噪声具有很好的稳健性。同时,作为目标的局部描述子,属性散射中心可以有效感知噪声干扰带来的局部变化。因此,本文算法可以有效提高SAR目标识别算法对噪声干扰的稳健性。为了验证提出方法的有效性,基于MSTAR公开数据集进行了目标识别实验。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
属性散射中心论文参考文献
[1].张华,张素莉,何树吉.基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计[J].中国电子科学研究院学报.2019
[2].张婷,蔡德饶.基于属性散射中心匹配的噪声稳健SAR目标识别方法[J].中国电子科学研究院学报.2019
[3].蒋文,李王哲.基于幅相分离的属性散射中心参数估计新方法[J].雷达学报.2019
[4].谢若晗,何思远,朱国强,张云华.基于目标属性散射中心模型的正向参数化建模[J].激光与光电子学进展.2019
[5].朱鹏博.基于属性散射中心模型的多雷达数据融合成像[D].南京理工大学.2017
[6].冯艾茜,郭琨毅,盛新庆.无翼平底弹头的属性散射中心模型改进与参数估计[J].北京理工大学学报.2015
[7].吴敏,张磊,段佳,邢孟道.基于属性散射中心模型的SAR超分辨成像算法[J].宇航学报.2014
[8].李飞,纠博,刘宏伟,王英华,张磊.基于稀疏表示的SAR图像属性散射中心参数估计算法[J].电子与信息学报.2014
[9].段佳,邢孟道,张磊,王金伟,梁毅.联合属性散射中心的极化目标重构新方法[J].西安电子科技大学学报.2014
[10].张亚军.基于属性散射中心模型的SAR自动目标识别[D].西安电子科技大学.2014