[发明专利]一种基于ALISTA的SAR成像方法

说明书

本发明涉及一种基于ALISTA的SAR成像方法，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。上述方案中，将观测矩阵生成的初始雷达信号输入深度学习网络，在深度学习网络引入ALISTA算法，来进一步降低系统复杂度的同时提升成像效果，之后将稀疏雷达信号进行训练，生成输出图像，最后采用NMSE算法进行评估。

技术领域

本发明涉及深度学习领域，更具体地，涉及一种基于ALISTA的SAR成像方法。

背景技术

稀疏微波信号处理作为一种最新的微波技术，其将稀疏信号处理引入微波技术中，相较于传统微波技术，具有更低的数据率和系统复杂度，使其成为了近几年微波技术中的研究热点。

ISTA(Iterative Shrinkage Threshold Algorithm)是一种经典的稀疏信号处理算法，主要解决的是最小化L2范数的问题,但ISTA需要在测试过程中不断的人为调节参数，以及不同的回波信号就要设置不同的参数，工作量大，需要进行不断的调节。于是在ISTA的基础上出现了LISTA(Learned iterative shrinkage threshold algorithm)就是应用深度学习来训练ISTA中应该人为设定的参数，但对于雷达信号而言，LISTA需要训练的矩阵过于庞大，对硬件的需求成本高，不太好应用于SAR稀疏成像算法方面。ALISTA就是在LISTA的基础上将权重矩阵进行固定的最新研究，其极大的降低了需要训练参数的数目和系统复杂度。但该算法提出之初，仅仅对该算法进行了一些初步的验证，并没有深入该算法的应用领域。

现有的技术中，中国发明专利CN108375769A公开了“一种结合SAR成像和ISAR成像的雷达成像方法”，公开日为2018年08月07日，包括：成像准备，确定各次SAR成像和ISAR成像的相关参数；成像测试，按照确定的参数进行测试；结合成像，以各次SAR成像测试结果为基础，结合SAR成像和ISAR成像，获取满足要求的雷达成像结果；该发明中，综合SAR成像便于进行目标-背景分离、ISAR成像孔径角较大的优势，使得在一般外场条件下可以获取目标高分辨力雷达图像，并可以在避免固定位置的干扰目标对成像结果造成影响，同时获得高于普通SAR成像的分辨率，但是无法分析迭代，无法利用深度学习来学习权重矩阵。

发明内容

本发明为解决现有的传统稀疏成像算法系统复杂度较高，成像速度较慢；普通ISTA算法需要人为设置参数，调试过程复杂，人力成本大；LISTA算法虽然可以利用深度学习来学习权重矩阵，但只适用于小型矩阵，并不适用于SAR成像的技术缺陷，提供了一种基于ALISTA的SAR成像方法。

为实现以上发明目的，采用的技术方案是：

一种基于ALISTA的SAR成像方法，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。

上述方案中，将观测矩阵生成的初始雷达信号输入深度学习网络，在深度学习网络引入ALISTA算法，来进一步降低系统复杂度的同时提升成像效果，之后将稀疏雷达信号进行训练，生成输出图像，最后采用NMSE算法进行评估。