GEO星-机多基SAR拓扑结构设计方法与流程

本发明属于雷达技术领域，尤其涉及一种geo星-机多基sar拓扑结构设计方法。

背景技术：

合成孔径雷达(sar)是一种全天时、全天候的高分辨率成像系统，通过发射大时宽积的线性调频信号，接收时经匹配滤波得到脉冲压缩信号，以获得距离向高分辨率，利用合成孔径技术实现方位向的高分辨率。成像质量不受天气条件(云层、光照)等影响，具有对远距离目标进行检测和定位的特点。sar典型的应用领域包括灾害监测、资源勘探、地质测绘、军事侦察等。

多基sar的多个接收平台接收同一目标区域的散射信息能增加获取的信息量，因此，可以给先进的遥感应用带来优势，比如，场景分类、层析sar、高分辨大场景成像以及分辨率增强。

geo星-机多基sar由geo照射源和多个机载接收站组成。其中每一个接收站和geo照射源组成一个双基sar系统。由于收发分离，机载接收平台仅包含接收以及同步装置，因此，接收系统具有小型化和低成本的特点。同时，相比于低轨sar照射源，geosar卫星可以实现对目标区域长时间，高重访的照射。因此，在遥感应用中geo星-机多基sar具有使用灵活、方便的优势。

多基sar的一个重要优势是由多个接收平台得到的成像结果可以进行融合来提高分辨率。但是，融合后的空间分辨率严重依赖于多基的拓扑结构。如果采用了不合适的多基拓扑结构，融合后的空间分辨率不能得到极大的改善甚至于恶化。为了得到能实现最优分辨率的多基拓扑结构，现有技术分析了多基拓扑对-3db分辨单元面积的影响并提出了一种最优的传感器位置配置方法，但该方法仅考虑了固定接收站或发射站的构型并且该方法假定收发平台均位于地平面。

技术实现要素：

本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种geo星-机多基sar拓扑结构设计方法。

本发明的技术方案是：一种geo星-机多基sar拓扑结构设计方法，包括以下步骤：

a、建立geo星-机多基sar的空间分辨率模型；

b、根据步骤a中空间分辨率模型得到分辨单元面积和分辨率不均衡因子，构造拓扑结构设计模型；

c、将步骤b中拓扑结构设计模型转换为多目标优化模型；

d、采用多目标优化方法对步骤c中多目标优化模型进行迭代求解，对得到的解集进行非支配排序，选择最优解作为最优拓扑结构。

进一步地，所述步骤a中geo星-机多基sar的空间分辨率模型具体表示为：

其中，χmul(r)表示多基sar广义模糊函数，|·|表示取模，[·]^t表示转置，p(·)和ma(·)分别表示距离信号经匹配滤波器的输出以及归一化接收信号幅度的逆傅里叶变换，n为接收站个数，r表示目标点与临近目标点的任意点之间的距离，c表示光速，λ表示波长，ma表示方位信号经匹配滤波器的输出以及归一化接收信号幅度的逆傅里叶变换，uta和分别表示由发射站和接收站nth指向目标点的单位向量，ωta和分别表示发射站和接收站nth的角速度。

进一步地，所述步骤b中拓扑结构设计模型具体表示为：

其中，f1(x)表示拓扑设计的第一个目标函数，scell(x)表示分辨单元面积，γ(x)表示分辨率不均衡因子，ρmax和ρmin分别表示最差和最优分辨率。

进一步地，所述步骤c将拓扑结构设计模型转换为多目标优化模型具体表示为：

其中，f2(x)表示拓扑设计的第一个目标函数。

进一步地，所述步骤d采用多目标优化方法对步骤c中多目标优化模型进行迭代求解，对得到的解集进行非支配排序，选择最优解作为最优拓扑结构，具体包括以下分步骤：

d1、初始化多目标优化方法的的参数，所述参数包括种群大小m、最大迭代次数gmax、交叉概率pc、变异概率pm、竞赛规模t、交叉因子ic、变异因子im；

d2、设定遗传代数为1，在决策空间中随机生成多个个体组成初始种群，计算种群中每个个体的适应度值，得到目标函数值；

d3、判断遗传代数是否大于设定的最大遗传代数；若是，则对得到的解集进行非支配排序，选择最优解作为最优拓扑结构；若否，则进行下一步骤；

d4、采用竞赛选择算子得到两个母代个体，再采用模拟二进制交叉算子生成子代个体，组成子代种群；

d5、采用多项式变异算子对子代种群内个体进行变异操作；

d6、计算变异后子代种群中每个个体的目标函数值，将母代种群与子代种群合并形成新的种群，按照分解策略将新的种群划分为多个不同的非支配解集；

d7、采用选择算子从新的种群中选择多个最优解，得到下一代种群，对遗传代数加1进行更新，返回步骤d3。

本发明的有益效果是：本发明通过建立geo星-机多基sar的空间分辨率模型，构造拓扑结构设计模型，转换为多目标优化模型，再采用多目标优化方法进行迭代求解，从而得到最优多基拓扑结构，能够使多基融合后的空间分辨率达到最优，显著提高遥感图像的空间分辨率。

附图说明

图1是本发明的geo星-机多基sar拓扑结构设计方法的流程示意图。

图2是本发明的geo星-机多基sar的几何结构示意图。

图3是本发明实施例中融合前双基sar图像1示意图。

图4是本发明实施例中融合前双基sar图像2示意图。

图5是本发明实施例中融合后双基sar图像示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

为了方便描述本发明的内容，首先对以下术语进行解释：

术语1：双基sar(syntheticapertureradar，合成孔径雷达)

双基sar是指系统发射站和接收站分置于不同平台上的sar系统，其中至少有一个平台为运动平台，在概念上属于双基地雷达。

术语2：geosar(geosynchronoussar，地球同步轨道合成孔径雷达)

geosar为地球同步轨道合成孔径雷达卫星，运行在具有一定倾角的地球同步轨道上，运行周期与地球自转周期相同。

如图1所示，为本发明的geo星-机多基sar拓扑结构设计方法的流程示意图。一种geo星-机多基sar拓扑结构设计方法，包括以下步骤：

a、建立geo星-机多基sar的空间分辨率模型；

b、根据步骤a中空间分辨率模型得到分辨单元面积和分辨率不均衡因子，构造拓扑结构设计模型；

c、将步骤b中拓扑结构设计模型转换为多目标优化模型；

d、采用多目标优化方法对步骤c中多目标优化模型进行迭代求解，对得到的解集进行非支配排序，选择最优解作为最优拓扑结构。

在本发明的一个可选实施例中，如图2所示，为本发明的geo星-机多基sar的几何结构示意图。上述步骤a中双基sar系统在地面上的两维分辨能力可以由广义模糊函数表示，对n个双基模糊函数采用非相干叠加获得的多基广义模糊函数表示，从而建立geo星-机多基sar的空间分辨率模型，具体表示为：

其中，χmul(r)表示多基sar广义模糊函数，|·|表示取模，[·]^t表示转置，p(·)和ma(·)分别表示距离信号经匹配滤波器的输出以及归一化接收信号幅度的逆傅里叶变换，n为接收站个数，r表示目标点与临近目标点的任意点之间的距离，c表示光速，λ表示波长，ma表示方位信号经匹配滤波器的输出以及归一化接收信号幅度的逆傅里叶变换，uta和分别表示由发射站和接收站nth指向目标点的单位向量，ωta和分别表示发射站和接收站nth的角速度，nth表示第nth个接收站，和的下标n表示对应的接收站，表示为

其中，rt和分别表示发射站和接收站nth的位置；

其中，为接收站nth的高度，为接收站nth的入射角，为接收站nth的方位角；

ωta和分别表示发射站和接收站nth的角速度，表示为

其中，i为单位矩阵，vt为geo发射站速度矢量，为接收站nth速度矢量并表示为：

其中，为接收站nth速度的大小，为接收站nth的速度夹角；

geo星-机多基sar的空间分辨率模型的-3db切面为多基sar系统的分辨单元。在分辨单元任意方向φ上的分辨率ρφ由下式得到

其中，rφ＝ρφ·[cosφ,sinφ,0]^t。

当ρφ满足上式时，在φ方向上的分辨率为ρφ。

除了系统参数，geo星-机多基sar的分辨率跟多基sar的拓扑紧密相关。由于轨道的限制，在成像场景和轨道时间选定的条件下，geo发射站的位置和速度是确定的。因此，geo星-机多基sar的广义模糊函数与n个接收站的位置和速度相关。出于简便性考虑，接收站的速度和高度的大小假设固定，因此给定接收站的入射角方位角速度夹角geo星-机多基sar的分辨椭圆就确定了。

分辨椭圆的特征可以由ρmax与ρmin表示并表示为

其中ρmax表示椭圆的长轴并代表了最差的分辨率，ρmin表示椭圆的短轴并代表了最优的分辨率，和分别表示在分辨椭圆上的分辨率的最大值和最小值。同时，它们跟多基sar的相关。分辨单元的面积表示为

其中表示对应的多基拓扑结构。

在本发明的一个可选实施例中，上述步骤b中geo星-机多基sar的空间分辨率特性由分辨单元面积表征，为了找到能实现最优分辨单元面积的多基sar拓扑结构，将拓扑设计的第一个目标函数表示为

minf1(x)＝scell(x)

此外，在实际应用中，所有方向的空间分辨率应尽量相同，从而在各个方向上获得同等的目标信息，这有利于后期的目标识别。因此，采用分辨率不均衡因子γ(x)被用来衡量ρmax与ρmin之间的不均衡性，表示为

从而构造拓扑结构设计模型，具体表示为：

其中，f1(x)表示拓扑设计的第一个目标函数，scell(x)表示分辨单元面积，γ(x)表示分辨率不均衡因子，ρmax和ρmin分别表示最差和最优分辨率。

在本发明的一个可选实施例中，上述步骤c将获得最优空间分辨率的多基拓扑设计问题转换为由两个目标函数组成的多目标优化问题，即将拓扑结构设计模型转换为多目标优化模型具体表示为：

其中，f2(x)表示拓扑设计的第一个目标函数。

在本发明的一个可选实施例中，上述步骤d采用多目标优化方法(ngsa-ii算法)对步骤c中多目标优化模型进行迭代求解，具体包括以下分步骤：

d1、初始化多目标优化方法的的参数，所述参数包括种群大小m、最大迭代次数gmax、交叉概率pc、变异概率pm、竞赛规模t、交叉因子ic、变异因子im；

d2、设定遗传代数为1，在决策空间中随机生成多个个体组成初始种群，计算种群中每个个体的适应度值，得到目标函数值；

在本发明的一个可选实施例中，上述步骤d2首先初始化种群p1，即令遗传代数g＝1，在决策空间d中随机生成m个个体组成初始种群p1。令xi,g＝(x1,i,g,x2,i,g,x3,i,g,…,xdim,i,g)表示第g代种群中第i个个体，dim表示决策空间维数，也就是多目标优化问题中的自变量个数。因此，随机初始化过程表示为

xj,i,1＝xj,min+randij[0,1]×(xj,max-xj,min)

其中，xj,i,1表示第一代种群中第i个个体的第j个变量的值，xj,min和xj,max分别为决策空间d所限定的第j个自变量的最小值和最大值。randij[0,1]为0到1之间均匀分布的随机数。因此上述初始化过程为在自变量最大值和最小值之间按照均匀分布随机生成一个值赋给对应个体。

在初始化m个个体并得到初始种群p1后，计算种群中每个个体的适应度值，也就是目标函数值。

d3、判断遗传代数是否大于设定的最大遗传代数；若是，则对得到的解集进行非支配排序，选择最优解作为最优拓扑结构；若否，则进行下一步骤；

在本发明的一个可选实施例中，上述步骤d3若遗传代数大于设定的最大遗传代数，则说明迭代过程结束，得到了最后一代种群pg，对pg中的所有个体进行非支配排序，并选出在第一非支配解集f1中的解作为最优解集。应用非支配排序原则，根据环境的约束条件，从中选择出最优解得到求解出的多基拓扑。

d4、采用竞赛选择算子得到两个母代个体，再采用模拟二进制交叉算子生成子代个体，组成子代种群；

在本发明的一个可选实施例中，上述步骤d4首先采用竞赛选择算子得到两个母代个体。从当前种群中随机选择q个个体，比较其目标函数值的优劣，选择目标函数值最优的个体作为一个母代个体；另一个母代个体以同样的方式得到。在得到两个母代个体后，采用模拟二进制交叉算子生成子代个体。

若在[0,1]之间随机生成数p1，满足p1＜pc，则对上述两个母代个体x1,g和x2,g进行如下操作。对第i个决策变量，在[0,1]之间随机生成数ui，计算分散因子βqi。

其中，βi表示第i个决策变量的分散因子，ηc表示交叉因子，ui表示对i个决策变量生成的[0,1]之间的随机数；

则子代个体的第i个变量通过下式得到

xi，1，g+1＝0.5[(1+βqi)xi，1，g+(1-βqi)xi，2，g]

xi，2，g+1＝0.5[(1-βqi)xi，1，g+(1+βqi)xi，2，g]

对x1，g和x2，g的每一个变量进行上述操作即可得到两个子代个体x1，g+1和x2，g+1。

若p1≥pc，则直接将母代个体传递给子代个体。

按照上述方式生成m个子代个体并组成子代种群og。

d5、采用多项式变异算子对子代种群内个体进行变异操作；

在本发明的一个可选实施例中，上述步骤d5在生成子代种群og后，采用多项式变异算子对种群内个体进行变异操作。

对于子代种群og中的每个个体，生成随机数p2∈[0，1]，若p2＜pm，则对该个体的每一个变量进行变异操作。变异后的子代个体通过如下方式产生：

yi，j，g+1＝xi，j，g+1+o(xi，max-xi，min)

其中，yi，j，g+1表示第g+1代的第j个个体的i各变量变异后的结果。δ由下式给出，ri为[0，1]之间的随机数：

其中，δ1和δ2由下式给出：

对og中每个进行变异操作后，将变异后产生的子代种群记为og。

d6、计算变异后子代种群中每个个体的目标函数值，将母代种群与子代种群合并形成新的种群，按照分解策略将新的种群划分为多个不同的非支配解集；

在本发明的一个可选实施例中，上述步骤d6计算变异后子代群体og中每个个体的目标函数值。将母代种群与子代种群合并形成规模为2m的种群：ug＝xg∪og，|ug|＝2m，其中|ug|为ug中的个数，对合并后的种群ug中的2m个个体进行快速非支配排序。

对于ug中的每个个体xi,g计算两个参数ni和si；其中ni表示在种群中支配当前个体xi,g的个体数量，si表示被个体xi,g支配的个体的集合。

首先，找到种群中所有ni＝0的个体，将他们存入第一非支配等级f1中，ni＝0表示在ug中没有支配xi,g的解。

然后，对于当前非支配解集f1中的每个个体j考察其所支配的个体集合sj。将集合sj中的每个个体k的nk减去1，若nk-1＝0，则将该个体k存入第二非支配解集f2。nk-1＝0表示除去已经分配到f1中的解，在ug内剩下的解中，该个体处于非支配地位，因此将其放入第二非支配解集f2中。

继续上述分级策略直到所有的解都完成划分，此时将ug中的解分为f1,f2,f3,...等多个不同的非支配解集，等级越靠前的解集中的解的非支配排序越高，也即他们的目标函数值越好，因此在选择算子时进入下一代的可能性就越大。

d7、采用选择算子从新的种群中选择多个最优解，得到下一代种群，对遗传代数加1进行更新，返回步骤d3。

在本发明的一个可选实施例中，上述步骤d7将ug中的解分为不同的非支配解集后，选择算子将从ug中选择出l个最优秀的解进入下一代进化过程。

选择策略如下：

从第一非支配解集f1开始选择，如果f1中的解多于m个，则对f1中的解进行拥挤度排序。首先计算f1中每个解的拥挤度，然后根据他们的拥挤度进行排序。

拥挤度计算方法如下：

首先，对f1中的解的按照每一个目标函数大小顺序进行从大到小的排序。然后将目标函数值最大和最小的个体的拥挤距离都设为∞。第i个个体的拥挤距离设定为第i+1个和第i-1个个体的所有目标函数值差的归一化的求和，该过程表示为：

其中，dis(i)表示第i个个体的拥挤距离，fl(i)表示第i个个体的第1个目标函数值，l为目标函数个数。max(fl)表示当前种群中第1个目标函数fl的最大值。

在得到f1中所有个体的拥挤距离之后，根据他们的拥挤距离由大到小排列，选择拥挤距离最大的前m个解进入下一代种群pg+1，选择完成。

如果f1中的解不足m个，则把f1中的解全部包括进下一代种群pg+1，剩余的解继续在后面的非支配解集中获得。如果f1和f2中的解总数超过了m，则在f2中采用拥挤距离排序并选出部分拥挤距离最大的解进入pg+1组成m个解。若f1和f2中的解仍然不够m个，则继续在f3中寻找，直到填满pg+1。

在完成选择算子之后，就得到了下一代种群pg+1。此时，更新遗传代数g＝g+1并返回步骤d3。

如图3所示，为本发明实施例中融合前双基sar图像1示意图。如图4所示，为本发明实施例中融合前双基sar图像2示意图。如图5所示，为本发明实施例中融合后双基sar图像示意图。从图中可以看出，本发明能够使多基融合后的空间分辨率达到最优，显著提高遥感图像的空间分辨率。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。