一种适用于高轨差分层析SAR的耦合时空基线优选方法技术

本发明专利技术公开了一种适用于高轨差分层析SAR的耦合时空基线优选方法，该方法将GEO SAR时空基线优选建模为组合优化问题，基于GEO D

【技术实现步骤摘要】
一种适用于高轨差分层析SAR的耦合时空基线优选方法


[0001]本专利技术属于合成孔径雷达
，尤其涉及一种适用于高轨差分层析SAR的耦合时空基线优选方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)差分层析成像技术(Differential SAR Tomography,D
‑
TomoSAR)作为一种多基线、多时相SAR干涉测量技术，结合了差分干涉SAR和层析SAR各自优势，能够获取散射体的高程与平均形变速度信息，用于城市区域基础设施的三维结构重建和形变监测。目前用于差分层析成像处理的数据多由低轨SAR(Low Earth Orbit SAR,LEO SAR)获得，LEO SAR受轨道高度的限制，其可覆盖区域小、重轨观测周期长(几天到十几天)，要形成能够用于D
‑
TomoSAR成像所需的SAR图像集大部分需要一年左右的时间，过长的时间跨度会引入显著的目标和大气去相关效应，降低场景相关性，影响差分层析性能。地球同步轨道SAR(Geosynchronous SAR,GEO SAR)卫星运行在约36000km高度的轨道上，与LEO SAR相比重轨时间大幅缩短(仅1天)，覆盖范围广，可有效实现大范围、近连续性观测。
[0003]然而，运行高度不同，各摄动力对GEO SAR和LEO SAR卫星平台的影响也不同，导致二者的时空基线也表现出较大差异。LEO SAR空间基线跨度较小，时空基线分布随机；而GEO SAR的空间基线可达百公里量级，且时空基线关系有一定规律性，时空基线分布呈现耦合现象。时空基线分布几何制约着D
‑
TomoSAR成像精度，但现有的关于D
‑
TomoSAR的研究主要集中于基于低轨SAR数据集改进成像算法与复杂形变模型引入，并未对时空基线分布与选取问题给予关注。且GEO SAR能在短时间内获取充足观测数据，这些数据对于D
‑
TomoSAR成像来说，并不是所有的数据都是有效的，需要对现有数据进行选取。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种适用于高轨差分层析SAR的耦合时空基线优选方法，该方法将GEO SAR时空基线优选建模为组合优化问题，基于GEO D
‑
TomoSAR参数估计的克拉美罗界(Cram
é
r
‑
Rao lower bound,CRLB)与GEO SAR基线特点，以最小化时空相关系数、最大化不模糊高度为优化目标，在多重约束条件下，结合NSGA
‑
II算法在所有的时空基线数据中搜索出使得成像效果最佳的时空基线数据。
[0005]本专利技术的适用于高轨差分层析SAR的耦合时空基线优选方法。包括：
[0006]步骤1，获取SAR平台观测的所有时空基线数据。主要包括场景中心位置P
t
，SAR平台所有重轨位置S＝[S1,S2,
…
,S
N
]，SAR平台所有重轨时间D＝[D1,D2,
…
,D
N
]，其中P
t
和S
i
,i＝1,2,
…
N均表示三维坐标(坐标系采用地固系)，N是观测总数。
[0007]记孔径中心时刻SAR平台与场景间的斜距为R，R＝S
‑
P
t
；计算每次观测下目标处的入射角Φ，计算公式为
[0008][0009]其中，i＝1,2,
…
N，符号
·
表示两向量求内积，||||表示向量求模。
[0010]在信号带宽为BW，光速为c，波长为λ，计算第i次观测所对应的极限基线为
[0011][0012]步骤2，设置算法开始时的相关参数与种群初始化，具体操作如下：
[0013]步骤2
‑
1，算法初始参数设置主要包括：种群规模Np，最大迭代次数MaxGen，交叉概率P
c
，变异概率P
m
，交换概率P
e
，相关性判决执行标志G，信噪比SNR，最小不相关阈值T
h
，最大不相关数比例T
c
，高度估计的最大标准差阈值T
s
，形变速率估计的最大标准差阈值T
v
，成像所需的最少观测数N
s
，Pareto解集决策权值ω1和ω2。
[0014]步骤2
‑
2，以二进制编码方式随机生成长度为N的染色体，记为X＝[x1,x2,
…
,x
N
]，其中x
i
表示每条染色体上的基因，x
i
仅有0或1两种取值，x
i
＝1表示选取第i次观测，x
i
＝0表示不选取第i次观测。另外，每条染色体也代表一个个体，共生成Np个个体形成初始种群，每个个体都表示一种可能的基线选取方案，如图3所示。
[0015]步骤3，交叉、变异、种群合并。交叉操作采用均匀交叉策略，变异依据基本位变异策略，交叉、变异后形成的子代种群与父代种群合并，形成规模为2Np的新种群。为了保证合并后新种群中染色体的多样性，首先去除掉种群内重复的个体，再随机生成染色体加入，保证种群的规模仍为2Np。
[0016]步骤4，每迭代G次进行一次相关性判决。根据每条染色体上基因值为1所在的位置n表示依据选取策略选出的观测数，满足n≤N。从重轨位置S中选出相应元素构成新的重轨位置矩阵对应的新重轨时间矩阵以及对应的极限基线构建信噪比去相关和基线去相关下每个染色体所对应的相关系数矩阵Γ，用b
i,j
表示S
Ω
中第i个位置与第j个位置形成的空间垂直基线，其中i,j＝1,2,
…
,n，表示中第i个极限基线值。γ
i，j
表示Ω中第i个元素与第j个元素所对应的观测下的基线相关性，有
[0017][0018]在信噪比相关性近似为ρ＝(1+SNR
‑1)
‑1，构成的相关系数矩阵为
[0019][0020]用n
i
表示相关系数矩阵Γ中第i行元素小于T
h
的个数，可表示为n
i
＝∑
j
[P(Γ
ij
<T
h
]，其中j＝1,2,
…
,n，P(Γ
ij
<T
h
)表示条件判断，判断元素Γ
ij
是否小于T
h
，若是，则为1，否
则为0。r
i
＝n
i
/n则为第i行不符合要求的元素数所占的比例，需满足r
i
<T
c
，。若时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于高轨差分层析SAR的耦合时空基线优选方法，其特征在于，包括以下步骤：步骤1，获取SAR平台观测的所有时空基线数据；步骤2，设置算法开始时的相关参数与种群初始化；步骤3，交叉、变异、种群合并；步骤4，每迭代G次进行一次相关性判决；步骤5，函数值计算与新一代种群选取；步骤6，判断是否满足终止条件；步骤7，获取偏好解。2.如权利要求1所述的一种适用于高轨差分层析SAR的耦合时空基线优选方法，其特征在于所述步骤1中，获取的数据包括场景中心位置P
t
，SAR平台所有重轨位置S＝[S1，S2，
…
，S
N
]，SAR平台所有重轨时间D＝[D1，D2，
…
，D
N
]，其中P
t
和S
i
，i＝1，2，
…
N均表示三维坐标(坐标系采用地固系)，N是观测总数。3.如权利要求1所述的一种适用于高轨差分层析SAR的耦合时空基线优选方法，其特征在于所述步骤1中，记孔径中心时刻SAR平台与场景间的斜距为R，R＝S
‑
P
t
；计算每次观测下目标处的入射角Φ，计算公式为：其中，i＝1，2，
…
N，符号.表示两向量求内积，|| ||表示向量求模；在信号带宽为BW，光速为c，波长为λ，计算第i次观测所对应的极限基线为：4.如权利要求1所述的一种适用于高轨差分层析SAR的耦合时空基线优选方法，其特征在于所述步骤2中，算法初始参数设置包括：种群规模Np，最大迭代次数MaxGen，交叉概率P
c
，变异概率P
m
，交换概率P
e
，相关性判决执行标志G，信噪比SNR，最小不相关阈值T
h
，最大不相关数比例T
c
，高度估计的最大标准差阈值T
s
，形变速率估计的最大标准差阈值T
v
，成像所需的最少观测数N
s
，Pareto解集决策权值ω1和ω2。5.如权利要求1所述的一种适用于高轨差分层析SAR的耦合时空基线优选方法，其特征在于所述步骤2中，以二进制编码方式随机生成长度为N的染色体，记为X＝[x1，x2，
…
，x
N
]，其中x
i
表示每条染色体上的基因，x
i
仅有0或1两种取值，x
i
＝1表示选取第i次观测，x
i
＝0表示不选取第i次观测。6.如权利要求1所述的一种适用于...

【专利技术属性】
技术研发人员：董锡超，刘妍，陈志扬，李元昊，胡程，
申请(专利权)人：北京理工大学前沿技术研究院，
类型：发明
国别省市：