[发明专利]一种用于大阵列近场聚焦中的假目标清扫方法

说明书

本发明属于信号与信息处理技术领域，涉及一种用于大阵列近场聚焦中的假目标清扫方法。本发明首先利用深度学习算法估计目标个数，然后将其作为清扫算法的迭代次数。在进行近场距离‑方位维聚焦成像后，迭代开始，每次寻找当前图像中峰值最大的点并重构位于该点处目标的成像结果，然后从图像域中去掉计算出来的结果得到新的图像。迭代结束后最终得到的图像就是清扫后的结果。本发明联合基于深度学习的目标个数估计对假目标清扫算法建立门限判定准则，避免了每次迭代计算门限的繁琐步骤，提高了计算精度，解决了传统优化布阵所无法解决的大阵列近场聚焦成像上由于随机阵高旁瓣造成的假目标问题。

技术领域

本发明属于信号与信息处理技术领域，涉及一种用于大阵列近场聚焦中的假目标清扫方法。

背景技术

在微波成像领域中，大阵列由于具有较高的角度分辨力而得到了广泛的关注。为了防止阵列方向图出现栅瓣，大阵列往往采用随机阵的方式。然而，随机阵平均旁瓣电平和峰值旁瓣电平都比较高，在多目标情况下，考虑基于距离-方向维的近场聚焦，由于方向维上的高旁瓣影响将很可能无法区分目标与旁瓣，从而导致出现许多“假目标”，严重影响成像结果。因此，如何解决假目标问题，即如何抑制旁瓣是一个需要重点研究的问题。

现有的抑制旁瓣方法的主流方法是采用优化布阵的方式，即找出某种阵元的规律，使目标阵旁瓣水平最低，例如利用遗传算法或粒子群算法等方法对随机阵列进行优化。但该方法只能将旁瓣电平降低到一定程度，当目标较多时还是可能会产生假目标，并且在实际应用中必须保证很高的阵元位置精度，因此很难达到理论上的优化效果。

发明内容

本发明的目的是为了解决大阵列近场聚焦成像上由于随机阵的高旁瓣造成的假目标问题，并针对现有的大阵列距离-方位维旁瓣抑制方面存在的缺点与不足，提出了一种应用于大阵列近场聚焦中的假目标清扫技术。假目标清扫是基于迭代的思想来不断消除每个目标的旁瓣影响，从而得到一幅较为“干净”的图像，然后重构图像。本发明结合深度学习算法发展了一种应用于大阵列近场距离-方位维的假目标清扫技术，利用深度学习算法估计目标个数并作为假目标清扫算法的迭代次数。该方法可以作为优化布阵后的进一步优化，对近场聚焦得到的距离-方位维目标图像具有良好的旁瓣抑制效果，

本发明的技术方案是：

一种应用在大阵列近场聚焦中的假目标清扫技术，其特征在于基于迭代的思想消除目标旁瓣影响，并结合深度学习算法进行门限判定。其具体步骤如下：

步骤1：阵列接收目标回波信号。

设阵列接收信号为

X＝[x₁(t) x₂(t) … x_N(^t)]

步骤2：根据阵列接收信号估计协方差矩阵，对协方差矩阵做特征分解得到N个特征值,并对特征值做归一化。

设快拍数为L，则阵列协方差矩阵R可表示为：

对R进行特征分解得到N个特征值：

λ₁,λ₂,…,λ_N

对特征值做归一化，则第i个归一化特征值可以表示为：

步骤3：以归一化后的特征值作为输入，目标个数的one-hot编码作为输出(标签)产生海量样本训练深度神经网络模型，将上一步骤得到的N个特征值输入该模型得到目标个数估计结果M’。

设神经网络的输出为k₁,k₂,…,k_m

取k_i的最大值作为估计的目标个数M’: