[发明专利]一种基于生成对抗网络的逆合成孔径雷达成像方法

权利要求书

1.一种基于生成对抗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：

步骤S1、构造训练GAN的逆合成孔径雷达ISAR数据集；

步骤S2、利用卷积层，反卷积层，批量归一化BN层，激活函数层以及特征拼接、残差连接策略构建GAN的生成器网络；利用卷积层，BN层，激活函数层，平坦层和全连接层构建GAN的判别器网络；

步骤S3、基于步骤S1生成的训练GAN的逆合成孔径雷达ISAR数据集，在给定损失函数形式后，结合反向传播和Adam算法，学习GAN的参数；当GAN的训练损失足够小，并趋于稳定，则停止网络参数更新，此时获得满足任务要求的GAN；

步骤S4、利用GAN的生成器网络实现ISAR欠采样数据成像；

步骤S2中，

生成器网络用于从输入初像提取最优特征表示并重建出成像结果，该网络由收缩部分和扩展部分构成；收缩部分利用卷积层和残差网络模块对输入初像提取特征数据，并进行降维操作；扩展部分利用反卷积进行特征表示重建；在扩展部分中，对收缩、扩展过程中同尺寸的特征表示进行级联，并利用残差网络模块和卷积对级联后的特征表示进行特征提取；在网络的最后一层加入残差学习机制，将初像与网络重建的特征数据在网络最后求和，得到最终的ISAR成像结果；

判别器网络用于对GAN的生成器网络输出的生成图像进行真伪鉴别，即判断生成图像是否接近目标图像；利用卷积以及残差网络模块对输入样本进行特征数据提取，并进行降维操作；最后将二维特征数据通过Flatten层进行一维化，并通过两层的全连接层对卷积提取的所有局部特征进行整合后经Sigmoid激活函数输出判别结果。

2.根据权利要求1所述的一种基于生成对抗网络的逆合成孔径雷达成像方法，其特征在于，步骤S1具体如下：对ISAR回波数据在距离向上设定256个距离门，方位向上设置不同的回波脉冲起始位置和脉冲采样间隔，采集256个回波脉冲，得到大小为256×256的ISAR回波数据矩阵；在此基础上，通过数据矩阵的距离向随机移动策略，得到多组数据；

在GAN训练过程中，结合反向传播策略和Adam算法更新GAN参数；对每组数据的距离向和方位向上随机降采样并直接进行成像，获得初像；将初像作为GAN的输入数据，将每组数据经过RD算法得到的聚焦好、图像质量高的成像结果作为期望输出，即作为目标图像；初像和目标图像构成一个训练样本；通过该方法构建得多个训练样本，多个训练样本即为训练GAN的逆合成孔径雷达ISAR数据集。

3.根据权利要求1所述的一种基于生成对抗网络的逆合成孔径雷达成像方法，其特征在于，步骤S3中损失函数分为生成器网络的损失函数和判别器网络的损失函数两部分；

生成器网络的损失函数包括基于特征空间的图像生成损失函数和对抗损失函数；图像生成损失函数为均方差损失函数形式l_MSE，用来计算生成ISAR图像与标签ISAR图像之间的重建误差，如式(1)所示；对抗损失函数l_LS为最小二乘损失函数，用于在判别器中计算生成图像判定的标签与真实图像标签的误差，如式(2)所示；两部分损失函数分别乘以加权系数，再相加构成生成器损失函数L_G，如式(3)所示；

L_G＝0.5l_MSE+0.5l_LS (3)

其中，i表示第i个训练样本，n为批量随机梯度下降操作中一个批次的样本数；表示第i个训练样本中的初像，σ_i表示第i个样本的目标图像，G(·)表示GAN的生成器网络输出，D(·)表示判别器网络输出；

判别器网络的损失函数L_D由两部分最小二乘损失函数构成，如式(4)所示；第一部分用于计算判别器对生成图像判定的标签与虚假图像标签的误差；第二部分用于对目标图像判定的标签与真实图像标签的误差：

在反向传播策略中采用Adam算法更新GAN参数；采用交替更新方式训练生成器网络和判别器网络，即，更新一方网络参数时，固定另一方网络参数不变；当GAN训练损失足够小且稳定，则GAN训练完成，得到满足任务要求的网络。

4.根据权利要求1所述的一种基于生成对抗网络的逆合成孔径雷达成像方法，其特征在于，步骤S4中，利用GAN的生成器网络实现ISAR欠采样数据成像，是对ISAR数据在距离向和方位向上进行采样率为原来的25％的随机降采样，并对二维随机降采样的ISAR回波数据采用距离-多普勒RD方法成像得到低质量图像，称为初像；将初像作为训练完成的GAN的生成器网络的输入，生成器网络的输出为最终的成像结果。