[發明專利]一種結合門單元和遷移學習的逆合成孔徑雷達成像方法

在審

• 申請號: 202111067939.6
• 申請日: 2021-09-13
• 公開（公告）號: CN113985408A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 汪玲;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;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

1.一種結合門單元和遷移學習的逆合成孔徑雷達成像方法，其特征在于，包括以下步驟：

S1、構建全卷積神經網絡FCNN：利用卷積層、最大化池化層、BN層、激活函數層、反卷積層和跳躍連接SK鏈接構建逆合成孔徑雷達ISAR降采樣數據成像的FCNN；

S2、構建G-FCNN：在FCNN的基礎上，引入門單元GU，構建G-FCNN；G-FCNN輸入為ISAR降采樣數據通過兩維快速傅里葉變換FFT獲得的初始圖像，輸出為最終的ISAR成像結果；

S3、利用電磁仿真軟件構建雷達照射目標的電磁仿真環境和設置相應的雷達參數，計算得到仿真的雷達回波，構建大規模的ISAR仿真訓練數據集；

S4、基于步驟S3生成的大規模ISAR仿真訓練數據集，在給定損失函數形式后，結合反向傳播和梯度下降算法，對G-FCNN進行預訓練；

S5、利用小規模ISAR實測訓練數據集，對步驟S4預訓練好的G-FCNN中的參數進行微調，獲得參數最優的G-FCNN；

S6、利用G-FCNN實現未知ISAR降采樣數據成像，ISAR降采樣數據兩維FFT得到初始圖像作為微調好的G-FCNN的輸入，G-FCNN的輸出為最終的成像結果。

2.根據權利要求1所述的方法，其特征在于，步驟S1中構造FCNN，具體包括：

首先，利用3×3的卷積核提取多個特征數據，并且利用BN層和激活函數層減少特征數據與輸入數據的偏差，利用運算核為2×2的最大化池化層對特征數據降維；

其次，在特征數據重建的流程中，利用反卷積層重建特征數據，反卷積核大小為2×2，同時利用BN層和ReLU激活函數減少重建的特征數據與降維的特征數據的誤差；

FCNN中具有三級結構，每一級中都采用SK建立網絡淺層和網絡深層的映射，在網絡的最后一層也加入SK，將初始圖像與網絡重建的特征數據求和。

3.根據權利要求1所述的方法，其特征在于，步驟S2中構建G-FCNN，具體如下：

在FCNN的基礎上，采用1×1卷積層實現門單元機制：

其中，B_s表示FPs層中級聯的網絡淺層特征表示OFRs，其中s＝1,2,3表示級數，表示卷積核為1×1門函數，表示卷積操作的權重參數，表示偏差，權重參數控制在s級中可以進一步向前傳遞的OFRs數量，表示的是在s級中通過門單元的OFRs。

4.根據權利要求1所述的方法，其特征在于，步驟S3中構建大規模ISAR仿真訓練數據集，具體如下：

利用電磁仿真軟件FEKO中的CADFEKO，設計與實測Yak-42目標相似的三維模型，仿真模型尺度與實測目標尺度一致，仿真目標的材質設置為理想的電導體，

在FEKO中，將仿真模型至于全局坐標系OXYZ中，設置雷達參數，對仿真模型表面劃分網格后，設置目標散射回波計算方法，計算得到仿真的雷達回波。

5.根據權利要求4所述的方法，其特征在于，利用兩種方式計算接收的回波：

第一種方式是對反射回波直接進行兩維的FFT，得到仿真目標的圖像，將這種方式的目標圖像稱為標簽圖像；

第二種方式是對反射回波在距離向和方位向隨機降采樣，對降采樣的數據執行兩維FFT得到仿真目標的圖像，這種方式得到的目標圖像稱為初始圖像；

一副初始圖像和一副標簽圖像構成ISAR仿真訓練數據集中的一個訓練樣本，將所有仿真訓練樣本劃分為訓練集和驗證集，用于G-FCNN的預訓練。

6.根據權利要求1所述的方法，其特征在于，步驟S4中，是以最小均方誤差函數作為損失函數，在設置好損失函數后，結合批量的梯度下降和反向傳播算法，更新G-FCNN參數，對G-FCNN進行預訓練。

7.根據權利要求6所述的方法，其特征在于，步驟S4中，以最小均方誤差函數作為損失函數，具體為：

其中，i表示第i個訓練樣本，是網絡輸出的重建結果，表示第i個訓練樣本中的初像，{W}表示網絡參數集合，f(·)表示CNN網絡描述的函數，σ_i表示第i個樣本的標記圖像，L({W})表示的是重建的均方誤差。