Трекинг-формирование векторных радиоизображений

Цели. Целью статьи является исследование особенностей формирования векторных радиоизображений малоразмерных объектов (МРО) при помощи цифрового векторного анализатора цепей (ВАЦ) с управляемыми полосой и шагом перестройки частоты трекинг-генератора.

Методы. Работа основана на комплексном применении следующих методов: анализ радиоволновых процессов в контексте радиовидения, теория N -полюсников, численные методы статистической радиотехники и компьютерное моделирование (включая электродинамическое и функционально-блочное).

Результаты. Разработан новый метод векторного трекинг-формирования сигнальных радиоизображений МРО. Его принципиальное отличие от традиционных импульсных методов ближнего радиовидения заключается в использовании S -параметрической модели пространственного N -полюсника для описания неоднородной среды вместо подходов, основанных на скалярном сигнальном преобразовании. Для анализа точности метода предложено операторное Ψ-преобразование, позволяющее оценить проекционные искажения векторных радиоизображений сигнатур МРО. Верификация метода осуществлена на созданном программно-аппаратном комплексе на базе ВАЦ R&S ZNLE6 (производитель Rohde & Schwarz, Германия). Комплекс обеспечивает согласованную обработку и верификацию сигнальных радиоизображений МРО, регистрируемых в условиях воздействия нефлуктуационных помех, а также аддитивного белого гауссовского шума.

Выводы. В ходе исследования предложен метод векторного трекинг-формирования радиоизображений со спектрально-временной разверткой функции спектральной плотности мощности, свободный от ограничений импульсных аналогов, который может быть использован в качестве одного из решений верификации МРО в ближнем радиовидении. Основой предложенного метода может служить модель неоднородной среды как пространственно-ориентированной системы связанных N -полюсников, описываемой S -параметрами. Практическая эффективность подтверждена экспериментально: вероятность верификации МРО достигает не менее 0.95 (критерий Неймана Пирсона) при отношении сигнал/шум ≥15 дБ и отношении сигнал/помеха ≥9 дБ. Результаты представляют практическую ценность для развития технологий ближнего радиовидения.

1. Шадинов С.С. Метод сканирующей спектрально-временной развертки для получения радиоизображений. Оборонный комплекс научно-техническому прогрессу России . 2024;4(164):57–60. https://elibrary.ru/bmhwsc

2. Шадинов С.С., Костин С.С., Коняшкин Г.В., Корчагин А.С., Романовский М.Ю., Гусейн-заде Н.Г. Векторный S -параметрический анализ сигнальных фазодинамических радиоизображений. Доклады Российской академии наук. Физика, технические науки. 2023;512(1):78–86. https://doi.org/10.31857/S2686740023050115

3. Шадинов С.С., Коняшкин Г.В. Программа захвата и распознавания векторных радиоизображений : Свидетельство о государственной регистрации программы для ЭВМ 2025614644 РФ; опубл. 25.02.2025.

4. Костин М.С., Бойков К.А. Цифровые технологии сигнального радиовидения и радиомониторинга. Russian Technological Journal . 2024;12(4):59–69. https://doi.org/10.32362/2500-316X-2024-12-4-59-69

5. Song S., Lu J., Xing S., et al . Near Field 3D Millimeter-Wave SAR Image Enhancement and Detection with Application of Antenna Pattern Compensation. Sensors . 2022;22(1):4509. https://doi.org/10.3390/s22124509

6. Xie Q., Quan X., He B. A Remote Sensing and Meteorological Data-Based Methodology for Wildfire Danger Assessment for China. In: IGARSS 2020 2020 IEEE International Geoscience and Remote Sensing Symposium . 2020. P. 6798–6801. https://doi.org/10.1109/IGARSS39084.2020.9324063

7. Li X., Li D., Liu H., Wan J., Chen Z., Liu Q. A-BFPN: An Attention-Guided Balanced Feature Pyramid Network for SAR Ship Detection. Remote Sens. 2022;14(15):3829–3847. https://doi.org/10.3390/rs14153829

8. Papadopoulos K., Jelali M. A Comparative Study on Recent Progress of Machine Learning-Based Human Activity Recognition with Radar. Appl. Sci . 2023;13(23):12728–12761. https://doi.org/10.3390/app132312728

9. Куликов Г.В., Данг С.Х. Влияние разбаланса квадратурного преобразования на помехоустойчивость приема сигналов с амплитудно-фазовой манипуляцией. Russian Technological Journal . 2024;12(1):59–68. https://doi.org/10.32362/2500316X-2024-12-1-59-68

10. Yanik M.E., Wang D., Torlak M. Development and Demonstration of MIMO-SAR mmWave Imaging Testbeds. IEEE Access . 2020;8:126019–126038. https://doi.org/10.1109/ACCESS.2020.3007877

11. Chen H., Long Z., Niu L., et al . Millimeter-wave SFCW SAR imaging system based on in-phase signal measurement with simplified transceiver. Opt. Express. 2020;28(2):1526–1538. https://doi.org/10.1364/oe.380266

12. Kim S., Krieger G., Villano M. Volume Structure Retrieval Using Drone-Based SAR Interferometry with Wide Fractional Bandwidth. Remote Sens. 2024;16(8):1352. https://doi.org/10.3390/rs16081352

13. Manzoni M., Tebaldini S., Monti-Guarnieri A.V., et al. Automotive SAR imaging: potentials, challenges, and performances. Int. J. Microwave Wireless Technol . 2023;16(1):3–12. https://doi.org/10.1017/S1759078723000326

14. Bolkhovskaya O., Maltsev A., Sergeev V. The wavefront estimation and signal detection in multi-element antenna arrays at low SNR. In: Proceedings 2018 2nd European Conference on Electrical Engineering and Computer Science ( EECS ). 2018. Р. 497–501. https://doi.org/10.1109/EECS.2018.00097

15. Болховская О.В., Мальцев А.А., Сергеев В.А. Система пассивного обнаружения и измерения расстояния до источника на основе оценки волнового фронта сигнала. Радиотехника . 2022;86(9):98–112. https://doi.org/10.18127/j00338486202209-11