[發明專利]一種基于深度ADMM網絡的逆合成孔徑雷達成像的方法

有效

• 申請號: 201811567428.9
• 申請日: 2018-12-20
• 公開（公告）號: CN109683161B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 汪玲;李澤;胡長雨
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01S13/90
• 分類號: G01S13/90;G06N3/084;G06N3/0464
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱楨榮

1.一種基于深度ADMM網絡的逆合成孔徑雷達成像的方法，其特征在于，包括以下步驟：

步驟S1、構造訓練深度交替方向乘子法網絡Deep-ADMM-Net的ISAR數據訓練樣本集；

步驟S2、利用重構層、卷積層、非線性變換層、乘子更新層構成ISAR欠采樣數據成像的Deep-ADMM-Net；

步驟S3、基于步驟S1生成的ISAR數據訓練樣本集，在給定損失函數形式后，結合反向傳播和梯度下降算法，學習Deep-ADMM-Net的參數；當深度交替方向乘子法網絡的梯度不再下降時，則停止深度交替方向乘子法網絡的參數更新，Deep-ADMM-Net訓練完成，此時獲得滿足預設任務要求的Deep-ADMM-Net；

步驟S4、利用訓練好的Deep-ADMM-Net實現ISAR欠采樣數據成像；

步驟S2中構成ISAR欠采樣數據成像的Deep-ADMM-Net的具體步驟如下：

Deep-ADMM-Net簡稱為網絡，網絡的輸入為欠采樣的ISAR數據，網絡的輸出為成像結果；首先利用ADMM算法求解稀疏約束下的壓縮感知CS?ISAR成像模型，再將迭代求解過程映射為一個多級的Deep-ADMM-Net；該網絡包含三級、第四重構層和損失率計算層，每級包含4個隱層，分別是重構層、卷積層、非線性變換層和乘子更新層；

Deep-ADMM-Net的第一級中的第一層為初始重構層R₁，該層輸入的是欠采樣的ISAR回波數據，首先對R₁執行參數初始化，進而通過R₁將欠采樣的ISAR數據重建為ISAR初始圖像；該層的重構運算公式為：

其中，F為傅里葉變換矩陣，上標^T'為轉置，為感知矩陣，表示的是復數域空間的大小為M×N矩陣，表示的復數域空間中的N維向量，表示的是復數域空間的M維向量，ρ_l⁽¹⁾表示第一級中的第l個懲罰系數，H_l⁽¹⁾表示第一級中的第l個可學習的變換矩陣，G為0，表示在網絡第一級中初始重構層生成的ISAR圖像在第l個字典D_l下的稀疏表示，l∈{1,2,…,L}表示稀疏表示字典的索引，L表示稀疏表示字典的總數,表示在網絡第一級中的拉格朗日乘子，在初始重構層R₁中，設置和為零，在后續的重構層中，σ⁽¹⁾為初始的ISAR圖像；

Deep-ADMM-Net共含有12個隱層，其中第三隱層為非線性變化層N₁，在第三隱層中，利用可學習的非線性映射函數，對第二層C₁輸出的稀疏表示進行逐像素的非線性映射，得到ISAR圖像的非線性特征表示；給定輸入c_l⁽¹⁾和輸出為：

其中，c_l⁽¹⁾為初始ISAR圖像在D_l下的稀疏表示，為網絡在第一層中的拉格朗日乘子；

函數S(·)是由控制點確定的閾值函數，為預設定的均勻分布在[-1,1]之間的位置索引，為第一級結構中待學習的非線性映射函數值。

2.根據權利要求1所述的一種基于深度ADMM網絡的逆合成孔徑雷達成像的方法，其特征在于，步驟S1具體如下：

通過選擇不同的回波脈沖起始位置和脈沖抽取間隔，構造ISAR數據集；

對ISAR數據集中的ISAR回波數據矩陣進行脈沖壓縮和運動補償操作后，在距離向和方位向隨機降采樣，得到欠采樣后的ISAR數據；

同時每一個回波數據矩陣經過RD算法得到的聚焦好的ISAR圖像作為目標圖像；

獲得的欠采樣的ISAR數據和該欠采樣的ISAR數據相對應的目標圖像，構成Deep-ADMM-Net的ISAR數據訓練樣本集。

3.根據權利要求2所述的一種基于深度ADMM網絡的逆合成孔徑雷達成像的方法，其特征在于，步驟S1中，對ISAR回波數據在距離向上設定256個距離門，方位向上設置不同的回波脈沖起始位置和脈沖采樣間隔，采集256個回波脈沖，得到大小為256×256的ISAR回波數據矩陣。