一种基于卷积神经网络的逆合成孔径雷达成像方法技术

本发明专利技术公开了一种基于卷积神经网络的逆合成孔径雷达成像方法，包括以下步骤：S1，构造逆合成孔径雷达数据集；S2，通过二维傅里叶变换获得初像；S3，构建卷积神经网络；S4，构建卷积神经网络的训练集和验证集；S5，采用监督学习的方法更新卷积神经网络的参数；S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。本发明专利技术的卷积神经网络可以提取更多特征信息，并且能够有效的避免梯度弥散现象，从而重建较高质量的逆合成孔径雷达图像。

【技术实现步骤摘要】
一种基于卷积神经网络的逆合成孔径雷达成像方法
本专利技术属于雷达信号处理
，是一种基于卷积神经网络的逆合成孔径雷达成像方法。
技术介绍
逆合成孔径雷达是典型的成像雷达体制，主要用于获取非合作运动目标的高分辨率图像，是一种有效的目标识别手段。传统的雷达成像方法是距离-多普勒(RangeDoppler,RD)类成像方法，该类方法利用脉冲压缩技术获得距离向高分辨，利用相干积累时间(即相干处理时间，CoherentProcessingInterval,CPI)内的多普勒调制回波信号获得方位向高分辨。但是RD成像方法通常需要对回波信号、成像场景和成像配置等进行一些假设，如小孔径、小场景等，当假设成立时，这种方法成像效率较高，当假设不成立时，需要在成像算法中考虑额外的信号处理，硬件设计和运算复杂度也随之增加。压缩感知(CompressiveSensing,CS)是利用信号稀疏性或可压缩性的信号采集与处理理论。基于CS理论的逆合成孔径雷达成像技术是近十年来逆合成孔径雷达领域的一个较新的研究热点，由于在逆合成孔径雷达成像中，观测场景中的目标相对于场景具有一定的稀疏性，所以采用稀疏采样信号对目标信息进行恢复具有物理依据。CS逆合成孔径雷达成像方法能够减少提取脉冲响应和刻画目标散射机制所需的测量数据量，得到对比度高的图像，同时CS也可以用于雷达图像的后处理，减少斑点噪声，实现特征增强，有利于后续的图像分析和目标识别。但CS逆合成孔径雷达成像方法仍然面临以下几点问题：一，稀疏表示；对逆合成孔径雷达成像而言，一般采用预先设定的一些图像变换(如小波变换)来找到稀疏表示，由于稀疏表示并非最优，所以限制了CS成像方法成像的质量。二，随机的测量矩阵构造；测量矩阵必须满足限制等距条件，或者与稀疏基不相干，测量矩阵的确定影响着所需的采样数据以及最终能否准确的重建出目标场景。三，重建方法效率过低，难以实用化；CS重建算法基本都是针对L1范数最小化提出的一系列凸优化方法或迭代贪婪算法。这种迭代优化类成像算法计算效率不高，需要较多的存储资源，难以满足实时处理要求。2012年以来，以深度学习(DeepLearning，DL)为核心技术的智能信息处理技术在一些应用领域已经突显出强大的信息处理能力，在成像方面，基于DL的图像重建集中于光学和医学领域。由于DL与CS在利用待重建量内部结构信息方面有相似处，因此DL在成像方面的研究主要集中在欠采样条件下信号和图像的重建。最早将DL技术引入到雷达成像领域并提及利用DL实现雷达成像的是美国伦斯勒理工学院Yazici教授。Yazici教授在2017年的雷达会议上分析了正则化迭代重建方法展开形式与深度神经网络(DeepNeuralNetwork,DNN)多层结构的相似性，给出实现合成孔径雷达(SyntheticApertureRadar,SAR)成像DNN框图，随后又具体的给出了DL在雷达成像领域的应用方向。到目前为止，国内还很少涉及到基于DL的雷达成像研究，2017年，国内的国防科技大学秦玉亮等人率先将DNN应用于雷达成像中，利用复数的全连接层，复数的卷积层和复数的激活函数层构建了5层的复数DNN，实现了欠采样的雷达回波数据成像。基于上述分析，重点研究基于DL的雷达成像，以DL技术来解决雷达成像所面临的瓶颈和问题，提升雷达成像技术水平，具有重要的意义。
技术实现思路
本专利技术提出了一种基于卷积神经网络的逆合成孔径雷达成像方法，利用DL中的卷积神经网络来实现逆合成孔径雷达高质量成像，本专利技术采用的卷积神经网络参数数量较少，可以获得更丰富的特征信息，可以消除层数过多而引发的梯度弥散现象。为了实现上述效果，本专利技术采用了如下技术手段：一种基于卷积神经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：S1，构造逆合成孔径雷达数据集；S2，通过二维傅里叶变换获得初像；S3，构建卷积神经网络；S4，构建卷积神经网络的训练集和验证集；S5，采用监督学习的方法更新卷积神经网络的参数；S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。所述的步骤S1具体操作是：针对逆合成孔径雷达的回波数据，方位向上设置不同的脉冲单元采样起始位置和脉冲抽取间隔，采集256个脉冲单元，距离向设计256个距离门，得到大小为256×256的数据矩阵，距离向上设置不同的随机偏移量，利用距离向随机移动策略，得到多组数据，构造逆合成孔径雷达数据集。所述的步骤S2具体操作是：对逆合成孔径雷达的回波数据运动补偿后，每组数据在距离向和方位向降采样，获得将采样数据，对降采样数据二维傅里叶变换后得到初像。所述的步骤S3具体通过以下步骤实现：S31，利用卷积核为3×3的卷积层和运算核为2×2最大池化层提取特征数据；S32，利用批量归一化(BatchNormalization,BN)层和整流线性单元(RectifiedLinearUnit,ReLU)激活函数减少特征数据与输入数据的偏差；S33，利用运算核为2×2最大池化操作对特征数据进行降维；S34，利用反卷积核大小为2×2的反卷积层重建特征数据；S35，利用批量归一化层和ReLU激活函数减少重建的特征数据与降维的特征数据的偏差；S36，利用残差学习减少深层网络的梯度消失；S37，将初像和卷积神经网络重建的特征数据在网络输出端求和得到网络输出。所述的训练集和验证集统称为训练样本，训练样本包含初像和标记图像，标记图像是通过距离多普勒算法得到的聚焦好、高质量的成像结果。所述的训练样本共有700个，600个是训练集，100个是验证集。所述的步骤S5通过给定训练策略和损失函数实现，训练策略采用反向传播和梯度下降算法，损失函数采用最小均方误差函数：其中L({W})是重建的均方误差，i是第i个训练样本，共有T个训练样本，是第i个训练样本中的初像，σi是第i个样本的标记图像，{W}是卷积神经网络参数集合，是卷积神经网络输出的重建结果。在训练学习阶段，基准学习率为1e-5，学习率不发生变化，训练样本600个，验证样本100个，迭代150万次。当卷积神经网络的训练损失和测试损失都足够小且稳定，则卷积神经网络训练完成，得到了满足任务要求的网络。所述的步骤S6利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像，对脉冲压缩和运动补偿后的逆合成孔径雷达数据进行距离向和方位向的降采样，得到采样率为25％的降采样数据，降采样数据二维傅里叶变换后，得到初像。初像作为卷积神经网络的输入，卷积神经网络的输出为最终的逆合成孔径雷达成像结果通过上述技术手段，可以获得以下优势：本专利技术提出的卷积神经网络具有三点优势，首先，卷积神经网络中没有引入全连接层，减少了卷积神经网络的参数数量；其次，卷积神经网络中引入了多级分解和多尺度卷积，能获得更丰富的特征信息；最后，本专利技术的卷积神经网络的卷积层数更多，且引入了残差学习来避免层数过多而引发的梯度弥散现象。通过构建具有多个隐层的卷积神经网络模型和生成包含大量同类型逆合成孔径雷达目标图像的训练数据集，来学习卷积神经网络各层的参数。经过监督学习后的卷积神经网络模型能够建立输入的低质量目标初像与高质量目标图像之间的映射关系，本专利技术能够重建较高质量的逆合成孔径雷达图像。附图说明图1是基于卷积神经网络的本文档来自技高网...

【技术保护点】
1.一种基于卷积神经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：S1，构造逆合成孔径雷达数据集；S2，通过二维傅里叶变换获得初像；S3，构建卷积神经网络；S4，构建卷积神经网络的训练集和验证集；S5，采用监督学习的方法更新卷积神经网络的参数；S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。

【技术特征摘要】
1.一种基于卷积神经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：S1，构造逆合成孔径雷达数据集；S2，通过二维傅里叶变换获得初像；S3，构建卷积神经网络；S4，构建卷积神经网络的训练集和验证集；S5，采用监督学习的方法更新卷积神经网络的参数；S6，利用训练好的卷积神经网络实现逆合成孔径雷达降采样数据成像。2.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S1具体操作是：针对逆合成孔径雷达的回波数据，方位向上设置不同的脉冲单元采样起始位置和脉冲抽取间隔，距离向上设置不同的随机偏移量，获得多组数据，构造逆合成孔径雷达数据集。3.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S2具体操作是：对逆合成孔径雷达的每组数据在距离向和方位向降采样，获得将采样数据，对降采样数据二维傅里叶变换后得到初像。4.根据权利要求1所述的一种基于卷积神经网络的逆合成孔径雷达成像方法，其特征在于，所述的步骤S3具体通过以下步骤实现：S31，利用卷积层和最大池化层提取特征数据；S32，利用批量归一化层和整流线性单元激活函数减少特征数据与输入数据的偏差；S33，利用最大池化操作对特征数据进行降维；S34，利用反卷积层重建特征数据；...

【专利技术属性】
技术研发人员：胡长雨，汪玲，李泽，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32