[發明專利]基于PCSBL-GAMP-Net的塊稀疏孔徑ISAR成像方法

有效

• 申請號: 202110071369.1
• 申請日: 2021-01-19
• 公開（公告）號: CN112965064B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 張雙輝;李瑞澤;劉永祥;張新禹;盧哲俊;霍凱;張文鵬;黎湘
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G01S13/90
• 分類號: G01S13/90
• 代理公司: 湖南企企衛知識產權代理有限公司 43257
• 代理人: 任合明

1.一種基于PCSBL-GAMP-Net的塊稀疏孔徑ISAR成像方法，其特征在于，該方法包括以下步驟：

S1對目標一維距離像序列進行建模：

雷達系統對目標進行觀測，接收到的二維回波可建模為：

其中，t_m分別表示快時間與慢時間，m＝1,2,…,M，M表示全孔徑雷達回波包含的脈沖個數；σ_i表示目標第i個散射中心的反射系數，R_i(t_m)表示目標第i個散射中心相對雷達的瞬時轉動距離，f_c、c、γ分別表示雷達信號中心頻率、真空光速、信號調頻率；

式(1)所示二維信號經過解線調頻后可得到如下回波表達式：

對于目標第i個散射中心，其相對雷達的瞬時轉動距離R_i(t_m)可表示為：

R_i(t_m)＝x_isin(ωt_m)+y_icos(ωt_m)≈x_iωt_m+y_i (3)

其中，(x_i,y_i)表示目標第i個散射中心在參考坐標系下的坐標，ω表示目標轉動角速度，由于目標轉動角較小，因此有sin(ωt_m)≈ωt_m、cos(ωt_m)≈1；

將式(3)帶入式(2)可得雷達近似二維回波將數字化后關于快時間進行FFT得到目標一維距離像序列s′(f,t_m)；

雷達信號在慢時間t_m內包含M個脈沖，快時間內包含N個采樣點，降采樣后的信號包含L個脈沖，顯然有L＜＜M；對稀疏孔徑條件下一維距離像序列s′(f,t_m)建立如下降采樣模型：

Y＝AX+W (2)

其中表示降采樣后的一維距離像序列、表示觀測矩陣、表示ISAR圖像矩陣、表示高斯白噪聲矩陣，表示L×N維復數矩陣，其它予以類推；

S2構建PCSBL-GAMP-Net網絡前向傳播模型：

PCSBL-GAMP-Net由K個結構相同的子網絡級聯構成，每個子網絡由GAMP網絡與參數估計網絡兩部分依次級聯構成；其中，GAMP網絡由4層網絡層依次級聯構成，分別為輸出線性層、輸出非線性層、輸入線性層、輸入非線性層；第k個子網絡中，GAMP網絡的輸入非線性層包含待學習的卷積核參數β_G(k)，參數估計網絡包含待學習的卷積核參數β_M(k)，k＝0,1,...,K，卷積核參數為3×3維的實數矩陣；

對于第k個子網絡，輸入數據為降采樣后一維距離像矩陣Y，圖像矩陣X的后驗分布均值矩陣的估計值后驗分布方差矩陣的估計值先驗分布方差倒數矩陣的估計值以及噪聲先驗分布方差倒數的估計值輸出數據為μ^X(k+1)、φ^X(k+1)、α(k+1)、γ(k+1)；當k＝0時，輸入數據初始值設置為μ^X(0)＝1_M×N、φ^X(0)＝1_M×N、α(0)＝1_M×N、γ(0)＝10^-6；

第k個子網絡的前向傳播模型如下：

S2.1 GAMP網絡前向傳播模型：

S2.1.1利用輸入數據φ^X(k)與μ^X(k)，GAMP網絡的輸出線性層前向傳播表達式如式(5)所示：

其中，l＝1,2,...,L，n＝1,2,...,N；表示矩陣第l行第n列元素，表示變量AX均值的估計值；表示矩陣τ^P(k)第l行第n列元素，τ^P(k)表示變量AX方差的估計值；A_l,i表示觀測矩陣第l行第i列元素；表示矩陣φ^X(k)第i行第n列元素，表示矩陣μ^X(k)的第i行第n列元素；

S2.1.2 GAMP網絡的輸出非線性層前向傳播表達式如式(6)所示：

其中，表示矩陣第l行第n列元素，表示變量Y后驗分布均值的估計值；表示矩陣τ^S(k)第l行第n列元素，τ^S(k)表示變量Y后驗分布方差的估計值；g_out可用下式表示：

S2.1.3 GAMP網絡的輸入線性層前向傳播表達式如式(8)所示：

其中，m＝1,2,...,M；表示矩陣第m行第n列元素，表示變量X均值的估計值；表示矩陣τ^R(k)第m行第n列元素，τ^R(k)表示變量X方差的估計值；

S2.1.4 GAMP網絡的輸入非線性層前向傳播表達式如式(9)所示：

其中，g_in可用下式表示：

而變量δ(k)可表示為：

δ(k)＝β_G(k)*α(k)； (11)

S2.2參數估計網絡前向傳播模型：

參數估計網絡前向傳播表達式如式(12)所示：

其中，a、b、c、d為預先設定的超參數，1_L×N表示L×N維全1矩陣，符號||·||_F表示對矩陣取F范數，運算符⊙表示兩矩陣逐元素相乘，運算符表示兩矩陣逐元素相除；式(12)中ω(k+1)可用下式得到：

S3利用PCSBL-GAMP-Net對稀疏孔徑ISAR成像問題進行求解：

S3.1對PCSBL-GAMP-Net進行訓練：

利用電磁計算軟件仿真方法構建與實際應用場景相近的數據集，對參數β_G(k)與β_M(k)進行學習；數據集中包含C組稀疏孔徑距離像數據Y_c，c＝1,2,...,C；每一組稀疏孔徑距離像數據對應一組標簽圖像數據

對于上述數據集，定義如下損失函數：

其中，表示網絡利用Y_c進行成像得到的結果；利用式(15)損失函數，應用復數域反向傳播算法計算出損失函數關于網絡中任意參數β_G(k)、β_M(k)的導數求解得到導數后，利用式(15)進行參數更新：

其中ε表示學習率；

網絡參數通過梯度下降法進行更新，當更新步驟收斂時，即且時，訓練完成；

S3.2利用訓練后的PCSBL-GAMP-Net重構ISAR圖像：

獲取實際觀測稀疏孔徑回波，通過快時間FFT得到稀疏孔徑一維距離像序列；利用互相關法對一維距離像序列進行平動粗補償，得到粗補償后的一維距離像矩陣Y；

將Y與初始化參數輸入PCSBL-GAMP-Net，通過網絡前向傳播，可計算得到輸出變量μ^X(K)，即為待求解的ISAR圖像X。