⚡ electrical engineering

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

本文提出了一个利用平面阵列进行移动目标合成孔径雷达（SAR）成像的通用框架，该框架将运动引起的横向偏移与目标高度估计统一到向量余数公式中，并通过一种基于多维中国剩余定理（MD-CRT）且具有针对实际噪声条件下鲁棒误差界限的多子阵列方法来解决歧义问题。

原作者： Guangpu Guo, Xiang-Gen Xia

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Guangpu Guo, Xiang-Gen Xia

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图用一台特殊的雷达相机拍摄一辆在崎岖、三维的山路上疾驰的汽车。这不仅仅是一张普通的照片；这是一张合成孔径雷达 (SAR) 图像，它的工作原理就像一把超级强大的手电筒，可以穿透云层和黑暗。

这里有一个问题：当汽车移动时，雷达会产生混乱。它会看到一个错误位置的汽车（“幽灵”图像），因为运动导致了信号偏移。此外，由于道路是崎岖的（三维地形），雷达很难准确判断汽车的高度。这就像是在同时尝试测量汽车的速度和高度，但你的尺子却是坏的。

这篇论文是两部分系列中的第一部分，它提出了一种巧妙的新方法来解决这种混乱，使用的是一种特定的雷达天线类型——平面阵列 (Planar Array)。你可以把平面阵列想象成不是单排的天线，而是一个二维网格（就像国际象棋棋盘一样的平面网格）的传感器。

以下是他们解决方案的简单拆解：

1. “折叠地图”问题

当雷达观察移动的汽车时，它会计算一个“偏移量”（汽车看起来偏离了多少）和“高度”。然而，雷达使用的数学逻辑就像一个圆形的时钟。如果汽车移动得太快或位置太高，测量结果就会在时钟面上“绕圈”。

类比： 想象一个只能显示 1 到 12 点的时钟。如果汽车实际上移动了 13 个小时，时钟仍然只会显示“1”。雷达看到了“1”，但不知道它是 1、13、25 还是 37。这被称为模糊性 (Ambiguity)。雷达拥有一个“折叠”的地图，真实的坐标被隐藏起来了。

2. “棋盘”优势

以往的方法使用线性阵列 (Linear Array)（即单排天线），这就像是用一把一维的尺子去解决一个三维谜题，它只能很好地测量一个方向。

创新之处： 本文使用了平面阵列 (Planar Array)（一个二维网格）。这就像拥有一个二维尺子，可以同时测量“偏移量”和“高度”。
数学技巧： 他们使用了一种叫做二维离散傅里叶变换 (2D-DFT) 的数学工具。你可以把它想象成一个特殊的透镜，能将杂乱的雷达信号转化为清晰的模式。然而，即使有了这个透镜，“时钟绕圈”（模糊性）的问题依然存在。

3. “中国剩余定理” (万能钥匙)

为了解决“时钟绕圈”问题，作者使用了一个数学概念——中国剩余定理 (Chinese Remainder Theorem, CRT)。

类比： 想象你有三个不同的时钟，但它们运行的速度不同，且每块表上的小时数也不同（例如，一个有 12 小时，另一个有 17 小时，还有一个有 19 小时）。
- 时钟 A 说：“现在是 3 点。”（可能是 3、15、27……）
- 时钟 B 说：“现在是 5 点。”（可能是 5、22、39……）
- 时钟 C 说：“现在是 7 点。”
- 通过结合这三个不同的“折叠”答案，你可以通过数学计算得出那个符合所有条件的真实时间，即使真实时间远超单个时钟的范围。

在本文中，他们使用了多个子阵列 (Sub-arrays)（具有不同网格模式的多个“时钟”）。每个子阵列都会给出一个略有不同的“折叠”答案。通过使用多维中国剩余定理 (MD-CRT) 将这些数据结合起来，他们可以重建汽车真实的运动速度和高度，即使汽车移动得非常快或处于非常高的位置。

4. 处理“噪声”与“舍入误差”

在现实世界中，雷达信号并不完美。它们会有静电噪声（Noise），而且数学计算涉及数字的取整（量化误差）。

挑战： 如果你把一个数字稍微算错了一点，然后尝试使用“万能钥匙”（CRT）来解开谜题，你可能会得到一个完全错误的答案。这就像如果其中一个时钟慢了几分钟，最终的时间计算可能会偏差好几个小时。
解决方案： 作者开发了一个鲁棒 (Robust) 版本。他们建立了一个安全网，能够考虑到这些微小的误差。他们在数学上证明了，只要误差不是太大，系统仍然可以找到正确的位置。他们还研究了在网格上布置天线的最佳方式，以使该系统对误差的抵抗力最强。

总结他们的核心主张

设置： 他们创建了一个使用平面天线网格对三维空间中的移动目标进行成像的框架。
方法： 他们利用二维数学变换和多维中国剩余定理，将来自多个天线网格的数据进行整合。
结果： 与仅使用单个网格或单排天线相比，该方法创造了一个更广阔的“无模糊量程”（即一个更大的、目标可以清晰呈现且不会产生混淆的区域）。
证明： 他们通过计算机模拟展示了，利用两个网格，他们可以准确定位一个会被单个网格误判的目标。

注：本文（第一部分）完全侧重于数学框架和理论。它为第二部分奠定了基础，第二部分可能会深入探讨具体的硬件设计和更复杂的模拟。本文并未声称已经制造出了实物设备，也没有讨论医疗或其他非雷达应用。它纯粹是为了解决雷达成像中的数学难题。

以下是关于论文《利用平面阵列和多维中国剩余定理（MD-CRT）进行移动目标 SAR 成像——第一部分：通用框架》的技术摘要。

问题陈述

针对三维地形（或空中）移动目标的合成孔径雷达（SAR）成像面临着双重估计挑战：即准确确定运动引起的横向位移（cross-range shift）和目标高度。虽然使用线性天线阵列的传统速度 SAR（VSAR）系统可以通过离散傅里叶变换（DFT）估计横向位移，但由于它们仅沿方位角方向进行空间采样，因此无法分辨目标高度。此外，当目标速度或高度较大时，DFT 处理中固有的相位缠绕会导致歧义，从而限制了无歧义估计范围。现有的解决歧义的方法（如多频或非均匀线性阵列）主要针对一维（1D）场景设计，无法直接解决 3D 环境中横向位移与高度估计之间耦合的二维性质。

方法论

本文提出了一个利用平面天线阵列和**多维中国剩余定理（MD-CRT）**来联合估计横向位移和目标高度的通用框架。

信号模型与 2D-DFT 公式化：
- 作者通过一个以恒定速度运动的平台和一个由矩阵 $M$ 生成的晶格排列的平面天线阵列（位于 $x-z$ 平面）来对 SAR 几何结构进行建模。
- 假设目标以 3D 速度矢量运动。
- 在经过标准 SAR 处理（包括二次相位补偿）后，平面阵列上的复数图像呈现出 2D 复指数结构。
- 运动引起的横向位移和目标高度被统一为一个 2D 参数矢量 $\mathbf{g}$ 。
- 在天线索引上应用 2D 离散傅里叶变换（2D-DFT）后，参数矢量 $\mathbf{g}$ 与通过特定整数矩阵 $N$ （即 2D-DFT 矩阵模数）得到的检测峰值呈矢量余数关系。具体而言， $\mathbf{g} \equiv \mathbf{r} \pmod{N}$ ，其中 $\mathbf{r}$ 是观测到的矢量余数。
最优矩阵模数构建：
- 不同于模数为标量的 1D 线性阵列，2D 设置涉及矩阵模数 $N$ 。 $N$ 的结构会影响矢量余数中的误差如何传播到估计的参数矢量。
- 本文推导了在固定阵列几何结构（ $M$ ）和固定天线单元数量（固定 $|\det(N)|$ ）下的 最优构建方法。
- 最优选择为 $N = \alpha \text{adj}(M^\top)$ ，它能最小化误差放大因子 $\|M^{-\top}N^{-1}\|_\infty$ ，确保余数误差在两个维度上保持平衡，而不是在某一方向上被放大。
多子阵列框架用于消除歧义：
- 如果真实的参数矢量位于由 $N$ 的基本平行多面体（FPD）定义的无歧义范围之外，单个平面阵列只能产生一个“折叠”后的估计值（即矢量余数）。
- 为了解决这一问题，作者提出了一个使用 $J$ 个子阵列的多子阵列框架，每个子阵列具有不同的晶格生成器 $M_j$ 和相应的模数 $N_j$ 。
- 这产生了一个矩阵同余方程组： $\mathbf{g} \equiv \beta_j \mathbf{r}_j \pmod{\beta_j N_j}$ 。
- 通过使用 MD-CRT 求解该方程组来恢复真实的参数矢量 $\mathbf{g}$ ，这有效地将无歧义范围扩大到了模数的最小公倍右倍数（LCRM）的 FPD。
处理实际误差的鲁棒恢复：
- 本文解决了频率矢量为非整数导致 2D-DFT 峰值检测出现量化误差的实际问题。
- 引入了一种近似 2D-DFT 峰值模型，通过将非整数频率矢量替换为附近的整数矢量，将问题映射回标准的整数矢量余数框架。
- 结合了 鲁棒 MD-CRT 来处理量化误差（无噪声情况）和加性信号噪声。
- 作者建立了鲁棒恢复的充分条件，并针对量化和加性噪声情况推导了显式的重建误差界限。这些界限取决于缩放因子 $\alpha_j$ 和噪声水平。

主要贡献

统一的 2D 公式化： 本文建立了利用平面阵列联合估计横向位移和目标高度的统一 2D 矢量余数公式，扩展了以往的 1D VSAR 概念。
矩阵模数优化： 提供了关于最小化误差传播的最优 2D-DFT 矩阵模数的理论推导，这是 2D 设置中特有的结构设计自由度。
用于 SAR 的 MD-CRT 框架： 将 MD-CRT 应用于 SAR 成像，展示了如何通过不同的晶格生成器使用多个平面子阵列来联合消除歧义，并将无歧义范围扩大到单阵列无法达到的范围。
鲁棒性分析： 该工作引入了针对非整数频率的近似峰值模型，并为在量化和加性噪声存在下的鲁棒恢复提供了严格的充分条件和误差界限。

结果

论文通过数值模拟验证了理论框架：

无歧义范围扩大： 一个包含两个互质平面子阵列的模拟表明，联合无歧义范围（由子阵列模数的 LCRM 定义）严格大于任何单个子阵列的范围。
定位精度： 在无噪声场景下，两子阵列框架成功恢复了道路上的目标位置。相比之下，使用单个子阵列会导致重建的目标位置因歧义而偏离真实路径。
误差界限： 推导出的误差界限证实，增加缩放因子 $\alpha$ （实际上是增加阵列规模或使用零填充）可以减少重建误差，从而提高精度。

意义与主张

作者声称这项工作为移动目标 SAR 成像中的平面阵列设计和性能分析提供了理论基础。

该框架允许联合估计 3D 运动参数（位移和高度），而这在传统的 1D 线性阵列中是无法实现的。
所提出的多子阵列方法提供了一种系统的方法，可以在不需要超出阵列几何结构之外的复杂硬件更改的情况下扩大无歧义范围。
论文明确指出，作为这两部分系列中的第二部分，其将研究特定的平面子阵列设计，并提供关于鲁棒性的更详细的模拟，这表明第一部分侧重于通用框架、数学公式化和理论界限。

其意义在于弥补了 1D VSAT 技术与更复杂的 3D 地形成像需求之间的差距，提供了一种在处理歧义消除和误差管理方面具有数学严谨性的方法。