bp投影算法实验报告

创

新

实

验

姓名：**** 班级：***********学号：**********

雷达的后向投影算法

一，实验目的

学习matlab的基本用法和基本代码。用此软件画出雷达工作时的模拟图像。

学习基本的雷达知识和一些关于电磁波的基本概念和算法。

熟悉基本的雷达工作原理，学习BP成像算法，用matlab仿真出BP算法。了解合成孔径雷达成像的原理。

二，实验内容。

雷达：雷达，是英文Radar的音译，源于radiodetectionandranging的缩写，

意思为"无线电探测和测距"，即用无线电的方法发现目标并测定它们的空间位置。因此，雷达也被称为“无线电定位”。雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率（径向速度）、方位、高度等信息。

雷达方程：

利用已知的平台轨迹信息，计算成像空间中各散射点距离运动平台的距离历史，然后利用该距离历史在数据空间中提取包含该散射点散射系数信息的复数值，补偿该散射点的多普勒相位并相干累加，从而重

BP算法：也称误差反向传播（ErrorBackPropagation,BP）算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。后向投影算法（BackProjectionAlgorithm）是一种对时域回波数据进行成像处理的算法

BP算法的基本思路：利用已知的平台轨迹信息，计算成像空间中各散射点距离运动平台的距离历史，然后利用该距离历史在数据空间中提取包含该散射点散射系数信息的复数值，补偿该散射点的多普勒相位并相干累加，从而重建该散射点信息。

合成孔径概念；合成孔径雷达是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达，也称综合孔径雷达。合成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。所得到的高方位分辨力相当于一个大孔径天线所能提供的方位分辨力。真实孔径的小天线相对于目标运动，使得雷达天线能在等间隔的位置上发射、接收相干脉冲信号，对来自同一目标单元的回波信号进行叠加，从而获得窄波束。从效果来看，它等效于等间隔的天线阵元在空间上合成了一个长的实孔径天线，因而可以获得高分辨力。实际上是以时间为代价换的方位分辨力的提高。

BP算法

程序如下：

clearall;

closeall;

%%参数设置

nt=5000;%时间采样的点数

c=3*10^8;%电磁波的传播速度

target_pos_x=3;%目标的位置

target_pos_y=2;%目标的位置

TR_pos_num=24;%空间采样数

T_pos_x=linspace(0,4.6,TR_pos_num);%发射天线的位置，都位于X轴上

R_pos_x=linspace(0.2,4.8,TR_pos_num);%接收天线的位置，都位于X轴上

%%回波信号

%fori=1:TR_pos_num

%delay_t_T(i)=sqrt((T_pos_x(i)-target_pos_x)^2+target_pos_y^2);

%delay_t_R(i)=sqrt((R_pos_x(i)-target_pos_x)^2+target_pos_y^2);

%delay_t(i)=delay_t_T(i)+delay_t_R(i);

%end

delay_T=sqrt((T_pos_x-target_pos_x).^2+target_pos_y^2);%目标到发射天线的距离

delay_R=sqrt((R_pos_x-target_pos_x).^2+target_pos_y^2);%目标到接收天线的距离

delay_t=(delay_T+delay_R)/c;%目标的双程回波延时

t=linspace(0,10*10^(-8),nt);

sinc=sin(10^9.5*t)./(10^9.5*t);%发射信号

forTR_pos_num_i=1:TR_pos_num

echo(TR_pos_num_i,:)=sin(10^9.5*(t-delay_t(TR_pos_num_i)))./(10^9.5*( t-delay_t(TR_pos_num_i)));

end%不同空间采样点接收的回波信号

figure(1);

plot(t,echo(15,:));

title('第15个空间采样点的回波信号');

xlabel('时间');ylabel('幅度');

%%成像

nx_num=256;

ny_num=256;

x=linspace(0,5,nx_num);

y=linspace(0,5,ny_num);

scene=zeros(nx_num,ny_num);%成像区域5m*5m，划分为256*256个像素点temp=zeros(nx_num,ny_num);

forTR_pos_num_i=1:TR_pos_num

form=1:nx_num

forn=1:ny_num

r1=sqrt((T_pos_x(TR_pos_num_i)-x(m))^2+y(n)^2);

r2=sqrt((x(m)-R_pos_x(TR_pos_num_i))^2+y(n)^2);

tao=(r1+r2)/c;%每个像素点到空间采样点的双程延时

nn=round(tao*nt/(10*10^(-8)));

scene(m,n)=scene(m,n)+echo(TR_pos_num_i,nn);

temp(m,n)=temp(m,n)+echo(TR_pos_num_i,nn);

end

end

temp=abs(temp)/max(max(abs(temp)));

figure;

imagesc(x,y,abs(temp.'));

title(['第',num2str(TR_pos_num_i),'个空间采样点的图像']);

xlabel('x/m');ylabel('y/m');

axisxy;axisequal;axistight;

colormap;colorbar;