[发明专利]基于深度学习的穿墙雷达成像方法及系统

权利要求书

1.一种基于深度学习的穿墙雷达图像增强方法，其特征在于：包括以下步骤：

步骤1.获取仿真回波数据；

步骤2.对回波数据进行后向投影成像，作为神经网络训练时的输入图像；

步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；

步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；

步骤5.将训练好的网络模型应用于实测数据。

2.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤1中的获取仿真回波数据的具体过程如下：

按照预设分布设置雷达天线位置；

设置穿墙雷达的发射机和接收机位置；

所述发射机产生的信号如下所示：

s(t)＝a(t)exp(j2πf_ct) (1)

其中，a(t)是发射信号的波形，t是快时间，f_c是载波频率；

所述接收机获取的回波信号为：

s_r(t_m，t)＝a(t-t_m)exp[j2πf_c(t-t_m)] (2)

其中，t_m可以写成如下所示：

其中，

s_r(t_m，t)表示第m个接受机收到的回波信号；

t_m表示发射信号到达第m个接收机的时间，

c表示发射信号传播速度；

(x₀，y₀)为目标点的位置；

(x_m，y_m)是第m个接收机的位置；

(x_t，y_t)是发射机的位置。

3.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤2中的BP成像具体过程如下：

按照以下公式压缩回波信号距离：

s_rc(t_m，t)＝sinc[B(t-t_m)]exp(-j2πf_ct_m) (4)

其中，

s_rc(t_m，t)表示第m个接收机接收到的信号经过压缩后的形式，

sinc的定义为：

B是发射信号的带宽，

按照以下公式进行BP算法处理：

其中，I(x₀，y₀)表示经过BP算法后位置为(x₀，y₀)的点的强度。

4.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤3中的仿真训练生产参考图片具体过程如下：

仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第一种穿墙雷达图像；

这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；

仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第二种穿墙雷达图像；

这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片。

5.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤4中的训练过程如下：

设计神经网络架构

获取训练样本，同时生成测试集；

在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；

采用Adam方法对所有训练样本进行优化；

直到达到预设训练迭代次数；

完成网络模型的训练。