[发明专利]一种基于卷积神经网络的逆合成孔径雷达成像方法

权利要求书

1.一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，包括以下步骤：

S1，构造逆合成孔径雷达数据集；

S2，通过二维傅里叶变换获得初像；

S3，构建卷积神经网络；通过以下步骤实现：

S31，利用卷积层和最大池化层提取特征数据；

S32，利用批量归一化层和整流线性单元激活函数减少特征数据与输入数据的偏差；

S33，利用最大池化操作对特征数据进行降维；

S34，利用反卷积层重建特征数据；

S35，利用批量归一化层和整流线性单元激活函数减少重建的特征数据与降维的特征数据的偏差；

S36，利用残差学习减少深层网络的梯度消失；

S37，将初像和卷积神经网络重建的特征数据在网络输出端求和得到网络输出；

S4，构建卷积神经网络的训练集和验证集；

S5，采用监督学习的方法更新卷积神经网络的参数；

S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。

2.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S1具体操作是：针对逆合成孔径雷达的回波数据，方位向上设置不同的脉冲单元采样起始位置和脉冲抽取间隔，距离向上设置不同的随机偏移量，获得多组数据，构造逆合成孔径雷达数据集。

3.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S2具体操作是：对逆合成孔径雷达的每组数据在距离向和方位向降采样，获得将采样数据，对降采样数据二维傅里叶变换后得到初像。

4.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的训练集和验证集统称为训练样本，训练样本包含初像和标记图像，标记图像是通过距离多普勒算法得到的聚焦好、高质量的成像结果。

5.根据权利要求4所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的训练样本共有700个，600个是训练集，100个是验证集。

6.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S5通过给定训练策略和损失函数实现，训练策略采用反向传播和梯度下降算法，损失函数采用最小均方误差函数：

其中L({W})是重建的均方误差，i是第i个训练样本，共有T个训练样本，是第i个训练样本中的初像，σ_i是第i个样本的标记图像，{W}是卷积神经网络参数集合，是卷积神经网络输出的重建结果。

7.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S6中卷积神经网络的输入是初像，卷积神经网络的输出是最终的逆合成孔径雷达成像结果。