System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于微波,更进一步涉及综合孔径微波辐射测量中的基于稀疏贝叶斯学习算法的综合孔径辐射计sair(synthetic aperture interferometricradiometer)射频干扰源稀疏估计方法。本专利技术可用于对射频干扰源实现超分辨估计。
技术介绍
1、随着人类信息活动的日益频繁以及无线通信手段的日新月异,海量的信息交流难以避免地产生了大量的射频干扰源rfi(radio frequency interference)。在地球遥感应用中,由于微波辐射计所测量的大气和地表的信号本身就比较微弱,使得其所观测信息受到严重的rfi污染,通常是人为因素,会淹没原始微波信号,从而导致难以反演出精确的遥感信息。综合孔径辐射计的宽视场以及有限空间频率采样导致成像结果的吉布斯gibbs效应,射频干扰源对其性能影响更为显著。针对当前综合孔径微波辐射测量应用中面临的严重射频干扰源问题,其中一种途径是实现高分辨射频干扰源定位,由各国无线电频谱管理部门强制关闭这些非法rfi源。在射频干扰源无法关闭的情况下,则需要从原始数据域对射频干扰源进行缓解与抑制,获得比可见度函数域和图像域干扰抑制算法更优的性能,而这依赖于阵列综合技术对射频干扰源位置和能量的准确估计。
2、华中科技大学在其所申请的专利文献“一种基于广义增广协方差矩阵重构的射频干扰源定位方法”(申请号:202111353176.1,申请公布号:cn 114200394 a)中提出了一种基于广义增广协方差矩阵重构的射频干扰源定位方法,该方法的实现步骤如下:首先对多传感器
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足,提出一种基于稀疏贝叶斯学习sbl(sparse bayesian learning)算法的综合孔径辐射计sair射频干扰源稀疏估计方法。用以解决综合孔径辐射计射频干扰源在稀疏阵列中计算量大,实现步骤复杂、低信噪比、单快拍条件下成像性能恶化、rfi定位估计精度低等问题。
2、本专利技术的技术方案是:通过天线阵列相关干涉的方式获取视场内辐射亮温分布的空间频率域信息,其测量样本称为可见度函数,根据空间中rfi干扰数量远小于整个空域的划分间隔数量,满足空间稀疏特性,可视为对空域角度间隔的欠采样,利用稀疏贝叶斯学习算法从可见度数据中恢复出原始信号,进行亮温重构,完成rfi稀疏估计,获取rfi位置信息。由于本专利技术采用稀疏贝叶斯学习算法,利用相关干涉的探测数据来识别干扰,其只依赖于可见度域信息,克服了现有技术对稀疏阵列进行虚拟扩展所带来步骤繁琐、运算量大的问题,避免了对可见度数据或稀疏阵列做进一步的处理,使得本专利技术大大减小了算法的计算量和系统复杂度,更适用于工程应用。由于本专利技术使用了稀疏贝叶斯学习算法,可以处理单快拍数据,在信噪比比较低的时候,依然有着良好的分辨力和稳定性,克服了现有技术的子空间类算法只能处理非相干源、需要多快拍数据、在未知rfi个数时出现欠估计或过估计的问题,在低信噪比条件下出现更大拖尾的缺陷;使得本专利技术对综合孔径辐射计的射频干扰源参数估计的更准确、稳定性更强。
3、本专利技术的实现步骤包括如下:
4、步骤1,将综合孔径干涉测量矢量复数模型转换为实数模型;
5、步骤2,使用稀疏贝叶斯学习算法恢复亮温数据;
6、步骤2.1,利用可见度数据计算亮温的均值和协方差;
7、步骤2.2,利用可见度数据更新超参数和噪声方差;
8、步骤2.3,判断当前迭代的均方根误差是否满足收敛条件或达到最大迭代次数,若是,执行步骤2.1,否则,得到亮温的最终恢复后执行步骤3;
9、步骤3,利用恢复后的亮温获得rfi的定位信息。
10、本专利技术与现有技术相比具有如下优点:
11、第一,由于本专利技术采用稀疏贝叶斯学习算法,利用相关干涉的探测数据来识别射频干扰,其只依赖于可见度域信息,规避了现有技术对稀疏阵列进行虚拟扩展所带来步骤繁琐、运算量大的问题,避免了对可见度数据或稀疏阵列做进一步的处理,使得本专利技术大大减小了算法的计算量和系统复杂度,更适用于工程应用。
12、第二,由于本专利技术使用了稀疏贝叶斯学习算法,可以处理单快拍数据,在信噪比较低的时候,依然有着良好的分辨力和稳定性,克服了现有技术的子空间类算法只能处理非相干源、需要多快拍数据、在未知rfi个数时出现欠估计或过估计,导致在低信噪比条件下出现更大拖尾的缺陷;使得本专利技术对综合孔径辐射计的射频干扰源参数估计的更准确、稳定性更强。
本文档来自技高网...【技术保护点】
1.一种基于稀疏贝叶斯学习算法的SAIR射频干扰源稀疏估计方法,其特征在于,将综合孔径干涉测量矢量复数模型转换为实数模型,利用可见度数据更新稀疏贝叶斯学习算法中的协方差、均值、超参数和噪声方差;该估计方法的步骤包括如下:
2.根据权利要求1所述基于稀疏贝叶斯学习算法的SAMR射频干扰源稀疏估计方法,其特征在于,步骤1中所述的综合孔径辐射计干涉测量模型如下:
3.根据权利要求2所述基于稀疏贝叶斯学习算法的SAMR射频干扰源稀疏估计方法,其特征在于,所述的测量矩阵如下:
4.根据权利要求2所述基于稀疏贝叶斯学习算法的SAIR射频干扰源稀疏估计方法,其特征在于,步骤1中所述的综合孔径干涉测量复数模型转变为实数模型如下:
5.根据权利要求4所述基于稀疏贝叶斯学习算法的SAIR射频干扰源稀疏估计方法,其特征在于,步骤2.1中所述估计亮温的协方差和均值是由下式得到的:
6.根据权利要求4所述基于稀疏贝叶斯学习算法的SAIR射频干扰源稀疏估计方法,其特征在于,步骤2.2中所述更新超参数和噪声方差是由下式得到的:
7.根据权
8.根据权利要求4所述基于稀疏贝叶斯学习算法的SAIR射频干扰源稀疏估计方法,其特征在于,步骤2.3中亮温的最终恢复表示如下:
9.根据权利要求1所述基于稀疏贝叶斯学习算法的SAIR射频干扰源稀疏估计方法,其特征在于,步骤3中所述的定位信息是从恢复后的亮温中得到最大亮温点对应的位置,将该位置作为射频干扰源的位置。
...【技术特征摘要】
1.一种基于稀疏贝叶斯学习算法的sair射频干扰源稀疏估计方法,其特征在于,将综合孔径干涉测量矢量复数模型转换为实数模型,利用可见度数据更新稀疏贝叶斯学习算法中的协方差、均值、超参数和噪声方差;该估计方法的步骤包括如下:
2.根据权利要求1所述基于稀疏贝叶斯学习算法的samr射频干扰源稀疏估计方法,其特征在于,步骤1中所述的综合孔径辐射计干涉测量模型如下:
3.根据权利要求2所述基于稀疏贝叶斯学习算法的samr射频干扰源稀疏估计方法,其特征在于,所述的测量矩阵如下:
4.根据权利要求2所述基于稀疏贝叶斯学习算法的sair射频干扰源稀疏估计方法,其特征在于,步骤1中所述的综合孔径干涉测量复数模型转变为实数模型如下:
5.根据权利要求4所述基于稀疏贝叶斯学习算法的sair射频干扰源稀疏估计方法,其特征在于,步骤2.1中所述估计亮温的协方差和均值...
【专利技术属性】
技术研发人员:张娟,庄乐慧,李一楠,李浩,窦昊锋,杨小娇,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。