[发明专利]基于ISAR图像和参数优化的卫星姿态和尺寸估计方法

权利要求书

1.一种基于ISAR图像和参数优化的卫星姿态和尺寸估计方法，其特征在于，包括如下步骤：

(1)获取ISAR图像序列：

(1a)设固定在地面的逆合成孔径雷达ISAR发射的线性调频信号为S_t(τ)，当卫星环绕地球旋转时，ISAR对S_t(τ)经过卫星反射的回波信号进行均匀采集，卫星每环绕一圈均匀采集M次，共采集N圈，得到回波信号集合其中，M≥100，N≥3，表示第n圈接收的回波信号子集合，表示第n圈接收的第m个回波信号，R_m表示接收时卫星与ISAR之间的距离，C表示光速，τ表示快时间；

(1b)采用距离-多普勒算法对回波信号进行距离维和方位维脉冲压缩，得到ISAR图像序列其中，Iⁿ表示对应的ISAR图像子序列，表示对应的ISAR图像；

(2)生成训练样本集和测试样本集：

将ISAR图像序列I中任意一个ISAR图像子序列作为测试样本集y，将其余的N-1个ISAR图像子序列作为训练数据集，并对训练数据集中的每幅ISAR图像中的太阳能帆板进行像素级标记后，然后对标记后的每幅带真实标签的ISAR图像进行上、下、左、右、左上、左下、右上和右下八个方向平移，得到(N-1)×M×8幅带真实标签的平移ISAR图像，再对每幅带真实标签的ISAR图像，以及每幅带真实标签的平移ISAR图像进行水平镜像、垂直镜像、左对角镜像和右对角镜像，得到(M+(N-1)×M×8)×4幅带真实标签的镜像ISAR图像，组成训练样本集x；

(3)构建深度学习网络Pix2pixGAN模型：

构建包含级联的生成器G和判别器D的深度学习网络Pix2pixGAN；生成器G包括依次层叠的编码器、解码器和预测层，编码器和解码器均包括多个卷积层，预测层包括1个卷积层；判别器D包括依次层叠的基础层和判别层，基础层包括多个卷积层，判别层包括1个卷积层；深度学习网络Pix2pixGAN的损失函数为L：

L＝arg min_G max_Dξ_tra(G,D)+λξ_L1(G)

ξ_tra(G,D)＝Ε[log D(x_p,y_p)]+

Ε[log(1-D(x_p,G(x_p,z))]

ξ_L1(G)＝Ε[‖y-G(x,z)‖₁]

其中，ξ_tra(G,D)是传统的损失函数，ξ_L1(G)是附加的损失函数，x_p为训练样本集x中第p幅带真实标签的ISAR图像，y_p为x_p的真实标签，z是随机噪声，G(x_p,z)为x_p的带随机噪声z的预测标签，D(x_p,y_p)是判别器的输出，Ε是数学期望，||·||₁表示1-范数，p＝1,2,…M；

(4)对深度学习网络Pix2pixGAN进行迭代训练：

(4a)初始化迭代次数为k，最大迭代次数为K，K≥150，初始化权值为正态分布、偏置为0的生成器G_k和判别器D_k，并令k＝0；

(4b)固定判别器D_k，训练生成器G_k：

将随机噪声z和从训练样本集x中随机选取的d幅带真实标签的ISAR图像x_j输入到生成器G_k对生成器G_k进行训练，得到d幅带预测标签的ISAR图像G_k(x_j,z)，将d幅带真实标签的ISAR图像中的每一幅ISAR图像y_j与其d幅带真实标签的ISAR图像x_j作为输入一，同时将d幅带真实标签的ISAR图像中的每一幅ISAR图像y_j与其d幅带预测标签的ISAR图像G_k(x_j,z)作为输入二，并将输入一和输入二作为判别器D_k的输入进行预测，得到2d个预测结果G_k(x_j,y_j)和D_k(x_j,G(x_j,z))，根据G_k(x_j,y_j)和D_k(x_j,G(x_j,z))计算深度学习网络Pix2pixGAN的损失函数L的值，并采用梯度下降法通过损失函数L的值对生成器G_k各层的参数进行更新，得到更新后的生成器G_k+1，其中，d≥5000，j＝1,2,…,d；

(4c)固定生成器G_k+1，训练判别器D_k：

将d幅带真实标签的ISAR图像x_j输入生成器G_k+1，得到d幅预测标签G_k+1(x_j)，将d幅带真实标签的ISAR图像中的每一幅ISAR图像y_j和其对应的真实标签拼接得到d幅拼接图像，此d幅拼接图像的标签均为1，将d幅带真实标签的ISAR图像x_j中的每一幅ISAR图像y_j和其对应的预测标签拼接得到d幅预测拼接图像，此d幅预测拼接图像的标签均为0，将d幅拼接图像和d幅预测拼接图像输入判别器D_k进行训练，得到2d个预测结果D_k(x_j,y_j)和D_k(x_j,G(x_j))，根据D_k(x_j,y_j)和D_k(x_j,G(x_j))计算深度学习网络Pix2pixGAN的损失函数L的值，并采用梯度下降法通过损失函数L的值对判别器D_k各层的参数进行更新，得到更新后的判别器D_k+1；

(4d)判断k＝K是否成立，若是，得到训练好的深度学习网络Pix2pixGAN，否则，令k＝k+1，并执行步骤(4b)；

(5)对测试样本集y中的每幅ISAR图像进行图像分割：

将测试样本集y作为训练好的深度学习网络Pix2pixGAN的输入，分割出y中每幅ISAR图像的太阳能帆板图像，得到包括M幅太阳能帆板ISAR图像的分割图像集其中，表示第m幅太阳能帆板ISAR图像；

(6)获取每幅太阳能帆板ISAR图像的位置矩阵：

(6a)初始化迭代次数为i，位置矩阵为迭代终止条件ε＝10^-4，初始化太阳能帆板ISAR图像并令i＝1，

(6b)搜索每幅太阳能帆板ISAR图像中幅度A_i最大的像素点并对与进行分离，得到和不包含的太阳能帆板ISAR图像

其中，(a_i,b_i)表示像素点的位置，W_i(·)表示第i次迭代的窗函数，⊙表示哈达玛积；

(6c)通过像素点对位置矩阵进行更新，得到更新后的位置矩阵

(6d)判断A_i＜ε是否成立，若是，得到分割图像集I^o对应的的位置矩阵否则，令i＝i+1，并执行步骤(6b)，其中，表示对应的位置矩阵，J为迭代的总次数；

(7)获取每个位置矩阵的特征值和特征向量：

(7a)对每个位置矩阵进行零均值化，得到零均值化后的位置矩阵其中，是{a₁,a₂,…,a_J}的均值，是{b₁,b₂,…,b_J}的均值；

(7b)采用主成分分析法PCA求取协方差矩阵并对协方差矩阵C_Q进行特征值分解，得到对应的特征值和特征向量其中，是对应的特征值，是对应的特征向量，是的第一个元素，是的第二个元素，是的第一个元素，是的第二个元素，[·]^T表示转置运算；

(8)获取卫星的姿态和尺寸：

(8a)通过特征值T和特征向量V定义优化函数Y(Q)：

其中，是位置矩阵真实的特征值，是位置矩阵真实的特征向量，是的第一个元素，是的第二个元素，是特征向量与的方位维方向f_a的夹角，是特征向量与的方位维方向f_a的夹角，Q＝(ξ,ψ,ζ,Λ₀,σ₀)是参数矢量，e₁和e₂是权系数，e₁+e₂＝1，u＝1,2；

(8b)基于参数优化求解优化函数Y(Q)的最优解：

(8b1)初始化迭代次数为κ，参数矢量Q_κ，海森矩阵A_κ-1，迭代终止条件α＝10^-3，并令κ＝1，Q_κ＝(0,0,0,0,0)，A_κ-1＝1；

(8b2)计算搜索方向d_κ和搜索步长μ_κ，并通过d_κ和μ_κ对Q_κ进行更新，得到更新后的参数矢量Q_κ+1：

d_κ＝A_κ-1ΔY_κ

Q_κ+1＝Q_κ+μ_κd_κ

其中，ΔY_κ是第κ次迭代的Y(Q_κ)的梯度；

(8b3)判断|Y(Q_κ+1)-Y(Q_κ)|＜α是否成立，若是，得到优化函数Y(Q)的最优解Q_κ＝(ξ,ψ,ζ,Λ₀,σ₀)，否则，令κ＝κ+1，并通过d_κ、μ_κ和ΔY_κ、ΔY_κ+1对海森矩阵A_κ-1进行更新，得到更新后的海森矩阵A_κ，并执行步骤(8b2)，其中，ΔY_κ+1是第κ+1次迭代的Y(Q_κ+1)的梯度；

(8c)获取卫星的姿态和尺寸：

根据最优解Q_κ＝(ξ,ψ,ζ,Λ₀,σ₀)，计算卫星的长边指向D_l和短边指向D_s得到卫星的姿态，计算卫星的长边尺寸L_l和短边尺寸L_s得到卫星的尺寸：

L_l＝2Λ₀,L_s＝2σ₀。