[发明专利]一种基于ALISTA的SAR成像方法

权利要求书

1.一种基于ALISTA的SAR成像方法，其特征在于，包括以下步骤：

S1：根据数据集生成观测矩阵；

S2：根据观测矩阵生成初始雷达信号；

S3：引入ALISTA算法构建深度学习网络，将初始雷达信号进行预处理，输入深度学习网络的训练集进行训练；

S4：对初始雷达信号进行预处理，然后输入训练好的深度学习网络的测试集；

S5：采用NMSE算法来评估测试集的初始雷达信号输出的图像结果。

2.根据权利要求1所述的一种基于ALISTA的SAR成像方法，其特征在于，在步骤S1中，采用MSTAR数据集的图像数据，根据雷达信号的特性，将图像展开，生成一个具有方位向和距离向的观测矩阵。

3.根据权利要求2所述的一种基于ALISTA的SAR成像方法，其特征在于，采用MSTAR数据集的T72图像数据，其图像数据的大小为(128，128)，根据雷达数据的特性，将图像展开为(128*128，1)的数据，生成一个方位向采样点数为401，距离向采样点数为126的观测矩阵。

4.根据权利要求3所述的一种基于ALISTA的SAR成像方法，其特征在于，所述MSTAR数据集的图像数据为T72图像数据。

5.根据权利要求4所述的一种基于ALISTA的SAR成像方法，其特征在于，在步骤S2中，所述观测矩阵的大小为(401*126，128*128)，利用该观测矩阵，生成大小为(401*126，1)的初始雷达信号。

6.根据权利要求5所述的一种基于ALISTA的SAR成像方法，其特征在于，在步骤S3中，所述深度学习网络的表达式为损失函数为loss＝||X_pred-X_label||₂，学习率为0.01。

7.根据权利要求6所述的一种基于ALISTA的SAR成像方法，其特征在于，所述深度学习网络的表达式通过ALISTA算法改写：

将ALISTA算法引入SAR成像，将SAR成像看作矩阵形式的模型：S＝ΨX+n，Ψ为观测矩阵，S再通过稀疏矩阵Θ稀疏后的SAR信号变成：S^*＝ΘS+N₀＝ΘΨX+N₀，其归类为最优化问题：令Φ＝ΘΨ，ALISTA算法改写成

8.根据权利要求6所述的一种基于ALISTA的SAR成像方法，其特征在于，所述深度学习网络利用Python的Tensorflow框架构建。

9.根据权利要求6所述的一种基于ALISTA的SAR成像方法，其特征在于，所述深度学习网络的层数为N∈(1,14)。

10.根据权利要求9所述的一种基于ALISTA的SAR成像方法，其特征在于，在步骤S5中，所述NMSE算法为表示测试集输出的成像结果，x^*表示测试集图像真实值，E表示求期望。