⚡ electrical engineering

Moving Target SAR Imaging Using Planar Arrays And Multidimensional Chinese Remainder Theorem (MD-CRT)--Part I: A General Framework

यह शोध पत्र प्लेनर एरेज़ का उपयोग करके मूविंग टारगेट SAR इमेजिंग के लिए एक सामान्य ढांचे को प्रस्तुत करता है जो मोशन-इंड्यूस्ड क्रॉस-रेंज शिफ्ट और टारगेट हाइट एस्टीमेशन को एक वेक्टर रिमाइंडर फॉर्मूलेशन में एकीकृत करता है, जो मल्टी-डायमेंशनल चाइनीज रिमाइंडर थ्योरम (MD-CRT) पर आधारित एक मल्टी-सब-एरे दृष्टिकोण के माध्यम से अस्पष्टता को हल करता है जिसमें व्यावहारिक शोर वाली स्थितियों के लिए मजबूत त्रुटि सीमाएं शामिल हैं।

मूल लेखक: Guangpu Guo, Xiang-Gen Xia

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Guangpu Guo, Xiang-Gen Xia

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशेष रडार कैमरे का उपयोग करके एक ऊबड़-खाबड़, त्रि-आयामी (3D) पहाड़ी सड़क पर चलती हुई एक तेज़ रफ्तार कार की तस्वीर लेने की कोशिश कर रहे हैं। यह केवल एक सामान्य फोटो नहीं है; यह एक सिंथेटिक अपर्चर रडार (SAR) छवि है, जो एक सुपर-पावर्ड टॉर्च की तरह काम करती है जो बादलों और अंधेरे के पार भी देख सकती है।

यहाँ समस्या यह है कि जब कार चलती है, तो रडार भ्रमित हो जाता है। वह कार को गलत स्थान पर देखता है (एक "भूतिया" या 'घोस्ट' इमेज), क्योंकि गति सिग्नल को बदल देती है। इसके अलावा, क्योंकि सड़क ऊबड़-खाबड़ है (3D टेरेन), रडार यह समझने में भी संघर्ष करता है कि कार वास्तव में कितनी ऊँची है। यह बिल्कुल वैसा ही है जैसे आप कार की गति और उसकी ऊंचाई, दोनों का एक साथ अनुमान लगाने की कोशिश कर रहे हों, लेकिन आपका पैमाना (रूलर) टूटा हुआ हो।

यह शोध पत्र, जो दो-भागों वाली श्रृंखला का भाग I है, एक विशेष प्रकार के रडार एंटीना जिसका नाम प्लानर एरे (Planar Array) है, का उपयोग करके इस भ्रम को दूर करने का एक चतुर तरीका प्रस्तावित करता है। एक प्लानर एरे को एक साधारण रेखा के रूप में नहीं, बल्कि एक समतल, 2D ग्रिड (जैसे शतरंज का बोर्ड) के रूप में समझें जिसमें सेंसरों का जाल बिछा हो।

इस समाधान का विवरण, सरल भाषा में यहाँ दिया गया है:

1. "फोल्डेड मैप" (मुड़ा हुआ मानचित्र) की समस्या

जब रडार चलती हुई कार को देखता है, तो वह एक "शिफ्ट" (कितनी दूरी तक कार गलत दिख रही है) और एक "ऊंचाई" की गणना करता है। हालाँकि, रडार जिस गणित का उपयोग करता है, वह एक गोलाकार घड़ी की तरह है। यदि कार बहुत तेज़ चलती है या बहुत ऊँची होती है, तो माप "घड़ी के चेहरे के चारों ओर घूम" (wrap around) जाता है।

उपमा: कल्पना कीजिए कि एक ऐसी घड़ी है जो केवल 1 से 12 तक चलती है। यदि कार वास्तव में 13 घंटे आगे निकल गई, तो घड़ी अभी भी केवल "1" ही दिखाएगी। रडार "1" देखता है, लेकिन उसे यह नहीं पता होता कि वह 1 है, 13 है, 25 है, या 37 है। इसे एम्बिग्युटी (Ambiguity/अस्पष्टता) कहा जाता है। रडार का एक "फोल्डेड" मैप है जहाँ वास्तविक स्थान छिपा हुआ है।

2. "चेसबोर्ड" (शतरंज के बोर्ड) का लाभ

पिछले तरीकों में एक लीनियर एरे (Linear Array) का उपयोग किया जाता था (एंटीना की एक एकल रेखा), जो एक 1D रूलर के साथ 3D पहेली को हल करने जैसा है। यह केवल एक दिशा को अच्छी तरह से माप सकता है।

नवाचार: यह शोध पत्र एक प्लानर एरे (Planar Array) (एक 2D ग्रिड) का उपयोग करता है। यह एक 2D रूलर होने जैसा है जो "शिफ्ट" और "ऊंचाई" दोनों को एक साथ माप सकता है।
गणितीय ट्रिक: वे एक गणितीय उपकरण का उपयोग करते हैं जिसे 2D डिस्क्रीट फूरियर ट्रांसफॉर्म (2D-DFT) कहा जाता है। इसे एक विशेष लेंस के रूप में समझें जो बिखरे हुए रडार सिग्नल्स को एक स्पष्ट पैटर्न में बदल देता है। हालाँकि, इस लेंस के साथ भी, "घड़ी के चारों ओर घूमने" (एम्बिग्युटी) की समस्या बनी रहती है।

3. "चाइनीज रिमाइंडर थ्योरम" (मास्टर की/मुख्य कुंजी)

"घड़ी के चारों ओर घूमने" की समस्या को ठीक करने के लिए, लेखक एक गणितीय अवधारणा का उपयोग करते हैं जिसे चाइनीज रिमाइंडर थ्योरम (CRT) कहा जाता है।

उपमा: कल्पना कीजिए कि आपके पास तीन अलग-अलग घड़ियाँ हैं, लेकिन वे सभी अलग-अलग गति से चलती हैं और उनमें घंटों की संख्या भी अलग-अलग है (उदाहरण के लिए, एक में 12 घंटे हैं, दूसरी में 17, और तीसरी में 19)।
- घड़ी A कहती है: "3 बजे हैं।" (यह 3, 15, 27... हो सकता है।)
- घड़ी B कहती है: "5 बजे हैं।" (यह 5, 22, 39... हो सकता है।)
- घड़ी C कहती है: "7 बजे हैं।"
- इन तीन अलग-अलग "फोल्डेड" उत्तरों को जोड़कर, आप गणितीय रूप से उस एक सही समय का पता लगा सकते हैं जो उन सभी पर फिट बैठता है, भले ही वास्तविक समय एक एकल घड़ी की सीमा से बहुत बाहर क्यों न हो।

इस शोध पत्र में, वे मल्टीपल सब-एरेज़ (Multiple Sub-arrays) (विभिन्न ग्रिड पैटर्न वाले कई "घड़ियों") का उपयोग करते हैं। प्रत्येक सब-एरे एक थोड़ा अलग "फोल्डेड" उत्तर देता है। मल्टीडायमेंशनल चाइनीज रिमाइंडर थ्योरम (MD-CRT) का उपयोग करके उन्हें जोड़ने से, वे कार की वास्तविक गति और ऊंचाई को फिर से बना सकते हैं, भले ही वह बहुत तेज़ चल रही हो या बहुत ऊँची हो।

4. "शोर" (Noise) और "राउंडिंग एरर" (गणना त्रुटियों) से निपटना

वास्तविक दुनिया में, रडार सिग्नल आदर्श नहीं होते। उनमें स्टेटिक (शोर) होता है और गणित में संख्याओं को राउंड (rounding) करना शामिल होता है।

चुनौती: यदि आप किसी संख्या को थोड़ा गलत राउंड करते हैं, और फिर "मास्टर की" (CRT) का उपयोग करके पहेली को हल करने की कोशिश करते हैं, तो आप पूरी तरह से गलत उत्तर प्राप्त कर सकते हैं। यह ऐसा है जैसे यदि आपकी एक घड़ी कुछ मिनट पीछे या आगे हो, तो अंतिम समय की गणना घंटों गलत हो सकती है।
समाधान: लेखकों ने एक रोबस्ट (Robust/मजबूत) संस्करण विकसित किया है। उन्होंने एक सुरक्षा जाल बनाया है जो इन छोटी त्रुटियों को ध्यान में रखता है। उन्होंने गणितीय रूप से सिद्ध किया है कि जब तक त्रुटियां बहुत अधिक नहीं हैं, तब तक सिस्टम सही स्थान पा सकता है। उन्होंने यह भी पता लगाया है कि इस सिस्टम को त्रुटियों के प्रति जितना संभव हो सके उतना प्रतिरोधी बनाने के लिए ग्रिड पर एंटीना को व्यवस्थित करने का सबसे अच्छा तरीका क्या है।

सारांश जो वे दावा करते हैं

सेटअप: उन्होंने 3D स्पेस में चलती हुई वस्तुओं की इमेजिंग करने के लिए एंटीना के एक फ्लैट ग्रिड का एक ढांचा तैयार किया है।
विधि: वे 2D गणितीय ट्रांसफॉर्म और मल्टीडायमेंशनल चाइनीज रिमाइंडर थ्योरम का उपयोग करके कई एंटीना ग्रिड से प्राप्त डेटा को मिलाते हैं।
परिणाम: यह विधि केवल एक ग्रिड या एकल रेखा के एंटीना का उपयोग करने की तुलना में बहुत बड़ा "अनएम्बिग्युअस रेंज" (एक बड़ा क्षेत्र जहाँ रडार बिना भ्रमित हुए लक्ष्य को स्पष्ट रूप से देख सकता है) बनाती है।
प्रमाण: उन्होंने कंप्यूटर सिमुलेशन चलाकर दिखाया कि दो ग्रिडों के साथ, वे एक ऐसे लक्ष्य का सही स्थान बता सकते थे जिसे एक एकल ग्रिड गलत पहचान लेता।

नोट: यह शोध पत्र (भाग I) पूरी तरह से गणितीय ढांचे और सिद्धांत पर केंद्रित है। यह भाग II के लिए आधार तैयार करता है, जो संभवतः विशिष्ट हार्डवेयर डिजाइन और अधिक जटिल सिमुलेशन में गहराई से जाएगा। यह शोध पत्र किसी भौतिक उपकरण के निर्माण का दावा नहीं करता है, और न ही यह चिकित्सा या अन्य गैर-रडार अनुप्रयोगों के बारे में चर्चा करता है। यह पूरी तरह से रडार इमेजिंग की गणितीय पहेली को हल करने के बारे में है।

यहाँ शोध पत्र "Moving Target SAR Imaging Using Planar Arrays and Multidimensional Chinese Remainder Theorem (MD-CRT)–Part I: A General Framework" का विस्तृत तकनीकी सारांश दिया गया है।

समस्या विवरण (Problem Statement)

तीन-आयामी (3D) भूभाग (या हवा) में चलते हुए लक्ष्यों का सिंथेटिक अपर्चर रडार (SAR) इमेजिंग एक दोहरी अनुमान चुनौती प्रस्तुत करता है: क्रॉस-रेंज शिफ्ट और लक्ष्य की ऊँचाई दोनों का सटीक निर्धारण करना। पारंपरिक वेलोसिटी SAR (VSAR) सिस्टम, जो रैखिक एंटीना एरे (linear antenna arrays) का उपयोग करते हैं, डिस्क्रीट फूरियर ट्रांसफॉर्म (DFT) के माध्यम से क्रॉस-रेंज शिफ्ट का अनुमान लगा सकते हैं, लेकिन वे लक्ष्य की ऊँचाई को हल करने में विफल रहते हैं क्योंकि वे केवल अज़ीमुथ दिशा में स्थानिक रूप से नमूने (sample) लेते हैं। इसके अलावा, जब लक्ष्य का वेग या ऊँचाई अधिक होती है, तो DFT प्रोसेसिंग में निहित फेज रैपिंग (phase wrapping) अस्पष्टता (ambiguity) उत्पन्न करती है, जिससे अनुमान की निर्विवाद सीमा (unambiguous range) सीमित हो जाती है। अस्पष्टता को हल करने वाली मौजूदा विधियाँ, जैसे कि मल्टी-फ्रीक्वेंसी या नॉन-यूनिफॉर्म लीनियर एरे, मुख्य रूप से एक-आयामी (1D) परिदृश्यों के लिए डिज़ाइन की गई हैं और वे 3D वातावरण में क्रॉस-रेंज शिफ्ट और ऊँचाई अनुमान की युग्मित (coupled) 2D प्रकृति को सीधे संबोधित नहीं करती हैं।

कार्यप्रणाली (Methodology)

यह शोध पत्र प्लेनर एंटीना एरे (planar antenna arrays) और मल्टीडायमेंशनल चाइनीज रिमाइंडर थ्योरम (MD-CRT) का उपयोग करके क्रॉस-रेंज शिफ्ट और लक्ष्य की ऊँचाई का संयुक्त अनुमान लगाने के लिए एक सामान्य ढांचा प्रस्तावित करता है।

सिग्नल मॉडल और 2D-DFT सूत्रीकरण:
- लेखक एक स्थिर वेग से चलते हुए प्लेटफॉर्म और एक प्लेनर एंटीना एरे (जो $x-z$ प्लेन में स्थित है) के साथ SAR ज्यामिति को मॉडल करते हैं, जहाँ तत्व एक मैट्रिक्स $M$ द्वारा जनरेट किए गए लैटिस (lattice) पर व्यवस्थित होते हैं।
- यह माना गया है कि लक्ष्य 3D वेग वेक्टर के साथ गति कर रहा है।
- मानक SAR प्रोसेसिंग (जिसमें क्वाड्रेटिक फेज कंपनसेशन शामिल है) के बाद, प्लेनर एरे के माध्यम से जटिल इमेज (complex image) एक 2D कॉम्प्लेक्स एक्सपोनेंशियल संरचना प्रदर्शित करती है।
- मोशन-प्रेरित क्रॉस-रेंज शिफ्ट और लक्ष्य की ऊँचाई को एक एकल 2D पैरामीटर वेक्टर $\mathbf{g}$ में एकीकृत किया जाता है।
- एंटीना इंडेक्स के माध्यम से 2D डिस्क्रीट फूरियर ट्रांसफॉर्म (2D-DFT) लागू करने पर, पैरामीटर वेक्टर $\mathbf{g}$ एक विशिष्ट पूर्णांक मैट्रिक्स $N$ (2D-DFT मैट्रिक्स मोडुलस) के मॉड्यूल के तहत एक वेक्टर रिमाइंडर फॉर्मुलेशन के रूप में प्रकट होता है। विशेष रूप से, $\mathbf{g} \equiv \mathbf{r} \pmod{N}$ , जहाँ $\mathbf{r}$ प्रेक्षित वेक्टर रिमाइंडर है।
इष्टतम मैट्रिक्स मोडुलस निर्माण (Optimal Matrix Modulus Construction):
- 1D लीनियर एरे के विपरीत जहाँ मोडुलस एक स्केलर होता है, 2D सेटिंग में एक मैट्रिक्स मोडुलस $N$ शामिल होता है। $N$ की संरचना यह निर्धारित करती है कि वेक्टर रिमाइंडर में त्रुटियाँ अनुमानित पैरामीटर वेक्टर तक कैसे प्रसारित होती हैं।
- यह शोध पत्र एक निश्चित एंटीना ज्यामिति ( $M$ ) और निश्चित संख्या में एंटीना तत्वों (निश्चित $|\det(N)|$ ) के तहत $N$ के लिए एक इष्टतम निर्माण (optimal construction) व्युत्पन्न करता है।
- इष्टतम चयन $N = \alpha \text{adj}(M^\top)$ है, जो एरर एम्प्लीफिकेशन फैक्टर $\|M^{-\top}N^{-1}\|_\infty$ को कम करता है, जिससे यह सुनिश्चित होता है कि रिमाइंडर त्रुटियाँ एक दिशा में बढ़ने के बजाय दोनों आयामों में संतुलित रहें।
मल्टी-सब-एरे फ्रेमवर्क (Multi-Subarray Framework):
- एक एकल प्लेनर एरे केवल एक "फोल्डेड" अनुमान (वेक्टर रिमाइंडर) प्रदान करता है यदि वास्तविक पैरामीटर वेक्टर फंडामेंटल पैरेललिपिपेड (FPD) द्वारा परिभाषित निर्विवाद सीमा के बाहर स्थित हो।
- इसे हल करने के लिए, लेखक $J$ सब-एरे का उपयोग करते हुए एक मल्टी-सब-एरे फ्रेमवर्क प्रस्तावित करते हैं, जिनमें से प्रत्येक में एक अलग लैटिस जनरेटर $M_j$ और संबंधित मोडुलस $N_j$ होता है।
- यह मैट्रिक्स कॉंग्रुएंस (congruences) की एक प्रणाली उत्पन्न करता है: $\mathbf{g} \equiv \beta_j \mathbf{r}_j \pmod{\beta_j N_j}$ ।
- वास्तविक पैरामीटर वेक्टर $\mathbf{g}$ को MD-CRT का उपयोग करके इस प्रणाली को हल करके प्राप्त किया जाता है, जो प्रभावी रूप से मोडुलि के लीस्ट कॉमन राइट मल्टीपल (LCRM) के FPD तक निर्विवाद सीमा को बढ़ाता है।
व्यावहारिक त्रुटियों के साथ सुदृढ़ रिकवरी (Robust Recovery with Practical Errors):
- शोध पत्र उन व्यावहारिक मुद्दों को संबोधित करता है जहाँ फ्रीक्वेंसी वेक्टर गैर-पूर्णांक (non-integer) होता है, जिससे 2D-DFT पीक डिटेक्शन में क्वांटाइजेशन त्रुटियां आती हैं।
- एक अनुमानित 2D-DFT पीक मॉडल पेश किया गया है, जो गैर-पूर्णांक फ्रीक्वेंसी वेक्टर्स को निकटतम पूर्णांक वेक्टर्स से बदलकर समस्या को मानक पूर्णांक वेक्टर रिमाइंडर फ्रेमवर्क में मैप करता है।
- क्वांटाइजेशन त्रुटियों (शोर रहित मामले में) और एडिटिव सिग्नल नॉइज़ दोनों को संभालने के लिए रोबस्ट MD-CRT को शामिल किया गया है।
- लेखक सुदृढ़ रिकवरी के लिए पर्याप्त स्थितियाँ (sufficient conditions) स्थापित करते हैं और शोर रहित एवं शोर युक्त दोनों सेटिंग्स के लिए स्पष्ट पुनर्निर्माण त्रुटि सीमाएं (reconstruction error bounds) व्युत्पन्न करते हैं। ये सीमाएं स्केलिंग फैक्टर $\alpha_j$ और शोर के स्तरों पर निर्भर करती हैं।

मुख्य योगदान (Key Contributions)

एकीकृत 2D सूत्रीकरण: यह शोध पत्र प्लेनर एरे का उपयोग करके क्रॉस-रेंज शिफ्ट और लक्ष्य की ऊँचाई के संयुक्त अनुमान के लिए एक एकीकृत 2D वेक्टर रिमाइंडर फॉर्मुलेशन स्थापित करता है, जो पिछले 1D VSAR अवधारणाओं का विस्तार करता है।
मैट्रिक्स मोडुलस ऑप्टिमाइजेशन: यह एरर प्रोपेगेशन को कम करने के लिए एक इष्टतम 2D-DFT मैट्रिक्स मोडुलस का सैद्धांतिक व्युत्पन्न प्रदान करता है, जो 2D सेटिंग में एक अद्वितीय संरचनात्मक डिजाइन स्वतंत्रता है।
SAR के लिए MD-CRT फ्रेमवर्क: यह MD-CRT को SAR इमेजिंग के अनुकूल बनाता है, यह प्रदर्शित करते हुए कि कैसे विभिन्न लैटिस जनरेटर वाले कई प्लेनर सब-एरे मिलकर अस्पष्टता को हल कर सकते हैं और निर्विवाद सीमा को बढ़ा सकते हैं।
सुदृढ़ता विश्लेषण (Robustness Analysis): यह कार्य एक अनुमानित पीक मॉडल पेश करता है और क्वांटाइजेशन और एडिटिव नॉइज़ की उपस्थिति में सुदृढ़ रिकवरी के लिए कठोर पर्याप्त स्थितियाँ और त्रुटि सीमाएँ प्रदान करता है।

परिणाम (Results)

सैद्धांतिक ढांचे को मान्य करने के लिए शोध पत्र संख्यात्मक सिमुलेशन प्रस्तुत करता है:

निर्विवाद सीमा का विस्तार: दो को-प्राइम (co-prime) प्लेनर सब-एरे के साथ एक सिमुलेशन प्रदर्शित करता है कि संयुक्त निर्विवाद सीमा (जो सब-एरे मोडुलि के LCRM द्वारा परिभाषित है) किसी भी एकल सब-एरे की तुलना में काफी बड़ी है।
लोकलाइजेशन सटीकता (Localization Accuracy): शोर रहित परिदृश्य में, दो-सब-एरे फ्रेमवर्क सड़क पर लक्ष्य के स्थान को सफलतापूर्वक पुनः प्राप्त करता है। इसके विपरीत, एकल सब-एरे का उपयोग करने पर, अस्पष्टता के कारण पुनर्गठित लक्ष्य का स्थान वास्तविक पथ से हटकर प्राप्त होता है।
त्रुटि सीमाएं: व्युत्पन्न त्रुटि सीमाएं पुष्टि करती हैं कि स्केलिंग फैक्टर $\alpha$ को बढ़ाने से (प्रभावी रूप से एरे के आकार को बढ़ाना या ज़ीरो-पैडिंग का उपयोग करना) पुनर्निर्माण त्रुटि कम हो जाती है, जिससे सटीकता में सुधार होता है।

महत्व और दावे (Significance and Claims)

लेखक दावा करते हैं कि यह कार्य मूविंग टारगेट SAR इमेजिंग में प्लेनर एरे डिजाइन और प्रदर्शन विश्लेषण के लिए सैद्धांतिक आधार प्रदान करता है।

यह ढांचा 3D मोशन मापदंडों (शिफ्ट और ऊँचाई) के संयुक्त अनुमान की अनुमति देता है जो पारंपरिक 1D लीनियर एरे के साथ संभव नहीं है।
प्रस्तावित मल्टी-सब-एरे दृष्टिकोण हार्डवेयर में जटिल बदलावों के बिना निर्विवाद सीमा को बढ़ाने के लिए एक व्यवस्थित तरीका प्रदान करता है।
शोध पत्र स्पष्ट रूप से बताता है कि इस दो-भागों वाली श्रृंखला का Part II विशिष्ट प्लेनर सब-एरे डिजाइनों की जांच करेगा और सुदृढ़ता पर अधिक विस्तृत सिमुलेशन प्रदान करेगा, जो यह दर्शाता है कि Part I का ध्यान सामान्य ढांचे, गणितीय सूत्रीकरण और सैद्धांतिक सीमाओं पर केंद्रित है।

इसका महत्व 1D VSAR तकनीकों और 3D टेरेन इमेजिंग की अधिक जटिल आवश्यकताओं के बीच के अंतर को पाटने में निहित है, जो SAR सिस्टम में अस्पष्टता समाधान और त्रुटि प्रबंधन के लिए एक गणितीय रूप से कठोर दृष्टिकोण प्रदान करता है।