A Method Based on Equivalent Measurement of Radiation Fields for CAI With System Errors 论文阅读

1. 论文的研究目标与实际意义

1.1 研究目标

论文旨在解决编码孔径成像（Coded-Aperture Imaging, CAI）中由系统误差（如调制误差、离格误差、成像距离误差等）导致的辐射场建模失准问题，并提出一种数据驱动方法，通过辐射场等效测量和人工神经网络（ANN-EMRF）实现高分辨率、高效率的成像。核心目标是：

1. 推导含系统误差的成像模型，分析误差对辐射场分布的影响；
2. 提出低复杂度、高精度的辐射场建模方法；
3. 设计基于神经网络的快速成像算法，提升实时性。

1.2 实际问题与产业意义

CAI技术广泛应用于精确制导、智能驾驶、非合作安检等领域，但实际系统中多种误差会导致成像模型失配，传统方法（如稀疏贝叶斯学习、正交匹配追踪）需大量迭代计算，效率低下。论文提出的方法可显著提升成像鲁棒性与效率，推动CAI在高频段（如太赫兹）三维成像和运动目标成像中的实用化。

---

2. 论文提出的新方法、模型与公式

2.1 新思路与方法

2.1.1 含系统误差的成像模型推导

论文首先建立了包含系统误差的CAI模型。关键公式包括：

• 参考信号矩阵的修正表达式（公式1）：
  S ~ ( t m , n ) = ∑ q = 1 Q A t m , q a t m , q ′ exp ⁡ [ j 2 π ( f c ( t m − Δ d T x , q , n , R x c ) + K 2 ( t m − Δ d T x , q , n , R x c ) 2 ) ] × exp ⁡ ( j φ t m , q ) exp ⁡ ( j φ t m , q ′ ) \begin{align*} \widetilde{S}\left(t_{m}, n\right)=&\sum_{q=1}^{Q} A_{t_{m}, q} a_{t_{m}, q}^{\prime}\exp\left[j 2\pi\left(f_{c}\left(t_{m}-\frac{\Delta d_{Tx, q, n, Rx}}{c}\right)+\frac{K}{2}\left(t_{m}-\frac{\Delta d_{Tx, q, n, Rx}}{c}\right)^{2}\right)\right]\\ &\times\exp\left(j\varphi_{t_{m}, q}\right)\exp\left(j\varphi_{t_{m}, q}^{\prime}\right) \end{align*} S (tm​,n)=​q=1∑Q​Atm​,q​atm</