ابوالحسن رزمی نیا

در مورد فرایند تشکیل تصویر رادرا روزنه مصنوعی (1) (SAR)، الگوریتم مقیاس بندی چیرپ (2) (CSA) اساساً بخاطر توانایی فوق العاده در متمرکز سازی هدف، گام های پردازشی بهینه و پیاده سازی آسان توجه زیادی کسب کرده است. در این مبحث الگویتم جدید مقیاس بندی چیرپ کسری (FrCSA) (3) به صورت ریاضی و از نقطه نظر تصویربرداری با رزولوشن بالا آنالیز شده است. هدف این کار بهبود کاربرد تبدیل فوریه کسری (4) به منظور تسهیل در پیاده سازی CSA در پردازش SAR است. مبنای FrCSA بر استفاده از تبدیل فوریه کسری در الگوریتم مقیاس بندی چیرپ (CSA) می باشد. عملکرد FrCSA با CSA کلاسیک که بر اساس فوریه سریع (FFT) است، مقایسه شده است. نتایج شبیه سازی برای سیستم های airbone SAR نشان می دهد که FrCSA سیگنال به نویز (SNR) (5) بهبود یافته، قابلیت تمرکز فوق العاده و نسبت کاهش لوب جانبی بزرگ تر (SLRR) (6) را در مقایسه با CSA ارائه می دهد. در این پایان نامه از تبدیل فوریه کسری به عنوان ابزاری قوی در تحلیل طیف سیگنال های غیر ایستان برای پردازش داپلر و به تبع آن تشکیل تصویر استفاده شده است. هدف از پیاده سازی CSA بهبود یافته یا FrCSA، بهبود نسبت قله گلبرگ اصلی به لوب جانبی (PSLR)، کاهش پهنای پاسخ ضربه به هدف و تضعیف گلبرگ های فرعی می باشد. برای تنظیم مرتبه بهینه FrFT، معیار حداقل آنتروپی پیشنهاد می گردد. جستجوی مرتبه بهینه، با استفاده از الگوریتم بهینه سازی فاخته (7) (COA) و روش بهینه سازی محلی (LOP) صورت می گیرد. با مقایسه نتایج حاصل از اجرای FrCSA با الگوریتم COA، در مقایسه با CSA نتایج بهبود یافته ای حاصل می شود. ارجاعات: 1) Synthetic Aperture Radar 2) Chirp Scaling Algorithm 3) Scaling Fractional Chirp 4) Fractional Fourier Transform 5) Signal-to-Noise-Ratio 6) Sidelobe Reduction Ratio 7) Cucko Optimization Algorithm