[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

说明书

本发明公开了一种基于卷积神经网络的逆合成孔径雷达成像方法，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；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。本发明的卷积神经网络可以提取更多特征信息，并且能够有效的避免梯度弥散现象，从而重建较高质量的逆合成孔径雷达图像。

技术领域

本发明属于雷达信号处理技术领域，是一种基于卷积神经网络的逆合成孔径雷达成像方法。

背景技术

逆合成孔径雷达是典型的成像雷达体制，主要用于获取非合作运动目标的高分辨率图像，是一种有效的目标识别手段。传统的雷达成像方法是距离-多普勒(RangeDoppler,RD)类成像方法，该类方法利用脉冲压缩技术获得距离向高分辨，利用相干积累时间(即相干处理时间，Coherent Processing Interval,CPI)内的多普勒调制回波信号获得方位向高分辨。但是RD成像方法通常需要对回波信号、成像场景和成像配置等进行一些假设，如小孔径、小场景等，当假设成立时，这种方法成像效率较高，当假设不成立时，需要在成像算法中考虑额外的信号处理，硬件设计和运算复杂度也随之增加。

压缩感知(Compressive Sensing,CS)是利用信号稀疏性或可压缩性的信号采集与处理理论。基于CS理论的逆合成孔径雷达成像技术是近十年来逆合成孔径雷达领域的一个较新的研究热点，由于在逆合成孔径雷达成像中，观测场景中的目标相对于场景具有一定的稀疏性，所以采用稀疏采样信号对目标信息进行恢复具有物理依据。

CS逆合成孔径雷达成像方法能够减少提取脉冲响应和刻画目标散射机制所需的测量数据量，得到对比度高的图像，同时CS也可以用于雷达图像的后处理，减少斑点噪声，实现特征增强，有利于后续的图像分析和目标识别。但CS逆合成孔径雷达成像方法仍然面临以下几点问题：一，稀疏表示；对逆合成孔径雷达成像而言，一般采用预先设定的一些图像变换(如小波变换)来找到稀疏表示，由于稀疏表示并非最优，所以限制了CS成像方法成像的质量。二，随机的测量矩阵构造；测量矩阵必须满足限制等距条件，或者与稀疏基不相干，测量矩阵的确定影响着所需的采样数据以及最终能否准确的重建出目标场景。三，重建方法效率过低，难以实用化；CS重建算法基本都是针对L1范数最小化提出的一系列凸优化方法或迭代贪婪算法。这种迭代优化类成像算法计算效率不高，需要较多的存储资源，难以满足实时处理要求。

2012年以来，以深度学习(Deep Learning，DL)为核心技术的智能信息处理技术在一些应用领域已经突显出强大的信息处理能力，在成像方面，基于DL的图像重建集中于光学和医学领域。由于DL与CS在利用待重建量内部结构信息方面有相似处，因此DL在成像方面的研究主要集中在欠采样条件下信号和图像的重建。最早将DL技术引入到雷达成像领域并提及利用DL实现雷达成像的是美国伦斯勒理工学院Yazici教授。Yazici教授在2017年的雷达会议上分析了正则化迭代重建方法展开形式与深度神经网络(Deep Neural Network,DNN)多层结构的相似性，给出实现合成孔径雷达(Synthetic Aperture Radar,SAR)成像DNN框图，随后又具体的给出了DL在雷达成像领域的应用方向。

到目前为止，国内还很少涉及到基于DL的雷达成像研究，2017年，国内的国防科技大学秦玉亮等人率先将DNN应用于雷达成像中，利用复数的全连接层，复数的卷积层和复数的激活函数层构建了5层的复数DNN，实现了欠采样的雷达回波数据成像。基于上述分析，重点研究基于DL的雷达成像，以DL技术来解决雷达成像所面临的瓶颈和问题，提升雷达成像技术水平，具有重要的意义。

发明内容

本发明提出了一种基于卷积神经网络的逆合成孔径雷达成像方法，利用DL中的卷积神经网络来实现逆合成孔径雷达高质量成像，本发明采用的卷积神经网络参数数量较少，可以获得更丰富的特征信息，可以消除层数过多而引发的梯度弥散现象。