[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

本發明公開了一種基于深度ADMM網絡的逆合成孔徑雷達成像的方法，涉及雷達信號處理技術領域，該方法根據ADMM算法求解稀疏假設下壓縮感知CS?ISAR成像模型時采取的分裂變量的策略，構建深度網絡Deep?ADMM?Net。該網絡包含多級，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。重構層用于ISAR圖像重構；卷積層用于提取ISAR圖像的稀疏表示；非線性變換層用于獲取ISAR圖像的非線性特征；乘子更新層實現拉格朗日乘子的更新。Deep?ADMM?Net經過多級前向傳遞，最終重建出高質量的ISAR圖像。本發明基于Deep?ADMM?Net的欠采樣ISAR數據的成像結果，成像質量和計算效率都優于傳統壓縮感知成像結果。

技術領域

本發明涉及雷達信號處理技術領域，特別是一種基于深度ADMM網絡的逆合成孔徑雷達成像的方法。

背景技術

逆合成孔徑雷達是典型的成像雷達體制，主要用于獲取非合作運動目標的高分辨率圖像，是一種有效的目標識別手段。傳統的雷達成像方法是距離-多普勒(RangeDoppler,簡稱RD)類成像方法，利用相干積累時間(即相干處理時間，Coherent?ProcessingInterval,簡稱CPI)內的多普勒調制回波信號獲得方位向高分辨。

2007年Baraniuk教授等人把(Compressive?Sensing,簡稱CS)理論引入到雷達成像領域。此后，基于CS?ISAR成像方法受到國內外學者越來越多的關注?；贑S的ISAR成像方法能夠降低雷達系統復雜度，利用非常少的數據成像。由于CS?ISAR成像方法著重重建目標區域散射點，所以相應的成像結果具有對比度高，旁瓣少的優勢，有利于后續的圖像分析和目標識別。但同時CS?ISAR成像方法性能仍然受到稀疏表示不準確，重建方法效率低等問題的限制。

2012年以來，DL技術在一些應用領域已經突顯出強大的信息處理能力，例如計算機視覺領域。受此啟發，一些研究人員將DL技術引入到成像任務。

目前DL在成像任務中的應用主要集中在光學和醫學領域。在光學圖像重建任務中，Baraniuk等人提出的級聯自編碼器，DeepInverseNet，ReconNet和Dave等人提出的循環增強網絡都取得了矚目的圖像重建性能。在醫學圖像重建任務中，Han等人提出的深度殘差網絡，Kyong?Hwan?Jin等人提出的具有多級分結構的CNN，Schlemper等人提出的深度級聯的CNN以及Yang等人提出的ADMM網絡(Basic-ADMM-Net)都獲得了優于CS方法的成像結果。需要強調的是，Basic-ADMM-Net架構并不是由重復的卷積層或者全連接層構成，Basic-ADMM-Net中每一層都為ADMM算法迭代中的每一步改進而來。經過訓練后，Basic-ADMM-Net不僅具備了深度網絡神層特征提取和非線性映射的能力，還具備傳統凸優化算法的精確計算能力。

隨著研究人員不斷探索和深化DL在成像任務中的應用，基于DL的成像方法的優勢逐漸明朗，DL技術逐漸滲透到遙感成像任務中。研究人員借助深度網絡強大的學習能力，力圖進一步提升遙感成像質量。2017年西安電子科技大學李運松等人提出深度差分CNN模型，并利用該模型實現了高分辨率高光譜圖像重建。與傳統的高光譜圖像重建方法相比，能夠進一步增強空間信息并保留了光譜信息。2018年Nikonorov?Artem等人利用深度卷積神經網絡提高超光譜儀獲得的圖像的質量，對超光譜儀捕獲圖像中固有的失真進行補償。

目前DL在雷達成像中的應用并不多，美國倫斯勒理工學院Yazici教授最早將DL技術引入到雷達成像領域，實現了基于DL的無源雷達成像。與此同時，國內的國防科技大學秦玉亮等人率先將DNN應用于雷達成像中，利用復數的全連接層，復數的卷積層和復數的激活函數層構建了5層的復數DNN，實現了欠采樣的雷達回波數據成像。以上研究領域技術并不適用于ISAR領域，ISAR領域現階段還沒有公開發表的關于DL用于ISAR成像的相關研究。

發明內容