[發(fā)明專利]一種結(jié)合門單元和遷移學(xué)習(xí)的逆合成孔徑雷達成像方法

在審

• 申請?zhí)枺?/td>: 202111067939.6
• 申請日: 2021-09-13
• 公開（公告）號: CN113985408A
• 公開（公告）日: 2022-01-28
• 發(fā)明（設(shè)計）人: 汪玲;胡長雨
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G01S13/90
• 分類號: G01S13/90;G06N3/04
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 朱小兵

本發(fā)明提出了一種結(jié)合門單元和遷移學(xué)習(xí)的逆合成孔徑雷達成像方法，首先利用常規(guī)的卷積層，激活函數(shù)層，批歸一化層和最大化池化層等構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)FCNN，在FCNN中利用跳躍連接SKs來建立了多條路徑用來將網(wǎng)絡(luò)淺層特征表示OFRs直接傳遞到網(wǎng)絡(luò)重建層。其次在FCNN中進一步引入門單元構(gòu)成G?FCNN，并采用遷移學(xué)習(xí)策略TL來保證G?FCNN的性能達到最優(yōu)。接著利用電磁仿真軟件構(gòu)建大規(guī)模雷達訓(xùn)練數(shù)據(jù)用于預(yù)訓(xùn)練G?FCNN，再利用小規(guī)模的實測雷達數(shù)據(jù)對預(yù)訓(xùn)練好的G?FCNN中的網(wǎng)絡(luò)層參數(shù)微調(diào)，獲得面向目標(biāo)成像任務(wù)而言最優(yōu)的網(wǎng)絡(luò)參數(shù)。本發(fā)明優(yōu)于現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的ISAR成像方法。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達信號處理技術(shù)領(lǐng)域，是一種用于稀疏ISAR成像的方法。

背景技術(shù)

ISAR(Inverse synthetic aperture radar,逆合成孔徑雷達)可以在全天候全天時條件下獲得運動目標(biāo)的高分辨率圖像，是非合作目標(biāo)監(jiān)視和識別的重要工具。傳統(tǒng)的RD(Range doppler,距離多普勒)方法利用FFT實現(xiàn)目標(biāo)方位向成像。RD成像方法成像效率高，但其成像結(jié)果易受到旁瓣干擾。稀疏ISAR成像方法能夠利用極少的測量值重建出旁瓣干擾小，圖像對比度高的目標(biāo)圖像。然而，稀疏ISAR成像方法的成像質(zhì)量和效率分別受到稀疏表示不準(zhǔn)確和迭代重建過程耗時的限制。

學(xué)習(xí)好的CNNs(convolutional neural networks，卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng))能夠自動地找到未知雷達數(shù)據(jù)的最優(yōu)特征表示。但這些CNNs都只有單一的特征前向傳遞路徑，缺乏將OFRs(Original feature representations,網(wǎng)絡(luò)淺層特征表示)直接傳遞到網(wǎng)絡(luò)重建層的路徑。由于OFRs對于目標(biāo)細節(jié)重建很有效，而在這些CNNs中OFRs并未得到充分的利用，這限制了目標(biāo)細節(jié)重建的質(zhì)量。FCNN(Fully convolutional neural network,全卷積神經(jīng)網(wǎng)絡(luò))引入SKs(Skip connections，跳躍連接)來建立額外的路徑，將OFRs直接地傳遞到網(wǎng)絡(luò)重建層。然而，SKs傳遞的OFRs不可避免地包含了虛假散射點的特征信息，這使得最終重建的目標(biāo)圖像中容易出現(xiàn)虛假散射點。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：針對背景技術(shù)的缺陷，在FCNN中引入GU(GateUnit，門單元)，形成改進后的FCNN稱為G-FCNN，對G-FCNN應(yīng)用TL(Transfer learning,遷移學(xué)習(xí))策略進行訓(xùn)練，基于訓(xùn)練好的G-FCNN，提出一種基于G-FCNN的ISAR稀疏成像方法，輸入低質(zhì)量的ISAR目標(biāo)初始圖像，輸出聚焦較好的成像結(jié)果。。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

本發(fā)明提出一種結(jié)合門單元和遷移學(xué)習(xí)的逆合成孔徑雷達成像方法，包括以下步驟：

S1、構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)FCNN：利用卷積層、最大化池化層、BN層、激活函數(shù)層、反卷積層和跳躍連接SK鏈接構(gòu)建逆合成孔徑雷達ISAR降采樣數(shù)據(jù)成像的FCNN；

S2、構(gòu)建G-FCNN：在FCNN的基礎(chǔ)上，引入門單元GU，構(gòu)建G-FCNN；G-FCNN輸入為ISAR降采樣數(shù)據(jù)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(jié)果；

S3、利用電磁仿真軟件構(gòu)建雷達照射目標(biāo)的電磁仿真環(huán)境和設(shè)置相應(yīng)的雷達參數(shù)，計算得到仿真的雷達回波，構(gòu)建大規(guī)模的ISAR仿真訓(xùn)練數(shù)據(jù)集；

S4、基于步驟S3生成的大規(guī)模ISAR仿真訓(xùn)練數(shù)據(jù)集，在給定損失函數(shù)形式后，結(jié)合反向傳播和梯度下降算法，對G-FCNN進行預(yù)訓(xùn)練；

S5、利用小規(guī)模ISAR實測訓(xùn)練數(shù)據(jù)集，對步驟S4預(yù)訓(xùn)練好的G-FCNN中的參數(shù)進行微調(diào)，獲得參數(shù)最優(yōu)的G-FCNN；