基于自监督学习的少样本空间目标ISAR散焦补偿方法技术

本发明专利技术公开了一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，属于雷达信号处理与雷达目标探测技术领域。首先获取不区分散焦和未散焦的雷达回波和ISAR雷达图像数据；针对雷达回波通过聚类算法分类，并根据图像熵区分雷达回波是否散焦；根据ISAR雷达图像数据的目标成像方位倾角，构建第一样本数据，对散焦补偿网络进行自监督训练；补偿时，获取所需补偿卫星类型的雷达回波，构建第二样本数据，对预训练模型进行有监督训练，获得训练好的散焦补偿网络，对所述卫星类型的雷达回波的散焦补偿。本发明专利技术解决了针对空间目标雷达回波数据获取困难、较少的数据量与较高的标注成本阻碍散焦补偿效果提升的问题。焦补偿效果提升的问题。焦补偿效果提升的问题。

【技术实现步骤摘要】
基于自监督学习的少样本空间目标ISAR散焦补偿方法


[0001]本专利技术属于雷达信号处理与雷达目标探测
，具体涉及一种基于自监督学习的少样本空间目标ISAR散焦补偿方法。

技术介绍

[0002]与光学探测设备相比，逆合成孔径雷达（Inverse Synthetic Aperture Radar, ISAR）受气象条件影响较小，具备全天时、全天候、高精度、远距离探测的优势，在空间目标探测识别、战场态势侦察等领域发挥重要作用。
[0003]雷达技术人员多使用较大的带宽信号获取高分辨率的ISAR像，然而过大的目标尺寸与较长的观测时间可能导致成像结果发生越距离单元徙动（Migration Through Resolutions Cells，MTRC），导致目标图像散焦。散焦后的目标与真实目标的形状和结构差异较大，很大程度上妨碍了ISAR空间目标识别准确度的提升。
[0004]传统算法散焦补偿效果局限于操作人员的经验与能力，采用人工设计参数补偿等方式处理散焦后的目标雷达回波，不同散焦条件下算法的鲁棒性不足，难以保证较高的可靠性与时效性。
[0005]人工智能领域的深度学习算法一经出现，凭借其较强的数据建模与特征提取能力，便得到各领域研究人员的广泛关注。深度学习算法利用卷积神经网络进行数据分析，能够较好改善传统ISAR空间目标散焦补偿算法的复杂度高、鲁棒性差等不足。然而，多数深度学习算法需要大量的标签样本训练网络模型，才能保证模型具有较高的泛化能力。由于空间目标雷达回波数据保密性要求，以及数据获取数量上的局限性，少样本标注条件下难以支撑大规模的网络训练，可能导致收敛速度慢、过拟合等问题。此外，雷达回波中还存在大量利于散焦补偿与目标识别的信息，例如类内差异、类间相似性度量等，上述特征尚未得到有效利用。
[0006]综上，现有的ISAR图像散焦补偿方法存在不足主要有以下几点：（1）传统算法依赖技术人员能力、依靠专家经验设定阈值，或通过大量实验选定参数，用于不同类别的目标难以取得较好的散焦补偿效果，泛化能力不足；（2）为取得较好的散焦补偿效果，现有算法需要大量的标注样本训练模型。由于空间目标雷达回波数据的获取具有一定局限性，获取大量的空间目标回波数据较为困难，此外，标签数据集的制作需耗费较多人力与时间成本；（3）现有少样本问题以迁移学习为主要解决方案，算法在其他类别大量标注样本上训练模型后，将模型权重迁移到少样本任务中，再利用已有少量标注数据进行模型参数微调。但由于空间目标ISAR数据与其他领域标注数据间的特征差异，直接迁移不同领域的训练模型可能无法取得较好的效果；（4）雷达复数回波中目标数据特征挖掘不足，难以充分利用数据特征实现模态融合；融合阈值的确定往往需要多轮测试手动调优，迭代阈值的选取耗时较大；此外，针对空间目标散焦补偿任务设计的特征提取网络较少，少样本标注条件更是增大了散焦补偿任务
的难度。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，解决了针对空间目标雷达回波数据获取困难、较少的数据量与较高的标注成本阻碍散焦补偿效果提升的问题。
[0008]当目标徙动导致ISAR像散焦、识别准确度较低时，本专利技术可较好提取雷达回波中的目标特征，可实现高分辨的空间目标ISAR散焦补偿。
[0009]为了解决上述技术问题，本专利技术是这样实现的。
[0010]一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，包括：步骤一、获取不区分散焦和未散焦的雷达回波和ISAR雷达图像数据；步骤二、针对雷达回波，通过聚类算法分成两类数据簇；计算两类数据簇的图像熵，将图像熵大的数据簇确定为散焦回波数据，图像熵小的数据簇确定为未散焦回波数据；针对ISAR雷达图像数据，利用图像处理算法获得目标成像方位倾角；将目标成像方位倾角一致的散焦回波数据和未散焦回波数据组建成一个第一样本数据，未散焦回波数据作为伪标签；步骤三、利用第一样本数据对构建的散焦补偿网络进行第一阶段的自监督训练，获得预训练模型；步骤四、针对所需散焦补偿的卫星类型，获取该类型卫星的雷达回波，并给予散焦或未散焦的标签，构成有标注条件下的第二样本数据；对所述预训练模型进行第二阶段的有监督训练，获得训练好的散焦补偿网络；步骤五、利用所述训练好的散焦补偿网络进行所述卫星类型的雷达回波的散焦补偿。
[0011]优选地，所述聚类算法为K均值算法；所述利用图像处理算法获得目标成像方位倾角为：利用Canny算子进行边缘检测和利用霍夫变换计算目标成像方位倾角。
[0012]优选地，所述散焦补偿网络包括实数域卷积处理分支、复数域卷积处理分支和融合单元；所述融合单元包括至少1个交叉增强融合模块、双模态特征融合模块、至少1个第一加权融合模块和至少1个第二加权融合模块；所述实数域卷积处理分支，处理雷达回波的幅值相位特征；该分支包括针对实数的N层下采样模块SD1~SD
N
、第一语义特征提取模块和N层上采样模块SU1~SU
N
；其中，不同分辨率的下采样模块SD
n
与上采样模块SU
m
的输出在第一加权融合模块中进行融合，融合结果作为下一级上采样模块SU
m+1
的部分输入；n≠m，n和m的取值范围为1至N，N为大于或等于2的正整数；所述复数域卷积处理分支，处理复数形式的雷达回波信号；该分支包括针对复数的N层下采样模块FD1~FD
N
、第二语义特征提取模块和N层上采样模块FU1~FU
N
；其中，不同分辨率的下采样模块FD
n
与上采样模块FD
m
的输出在第二加权融合模块中进行融合，融合结果作为下一级上采样模块FU
m+1
的部分输入；交叉增强融合模块在上采样部分实现实数域卷积处理分支与复数域卷积处理分支所得特征图的融合，并反馈到实数域卷积处理分支；
双模态特征融合模块实现两个分支最后一级所提取特征的融合。
[0013]优选地，所述交叉增强融合模块为P个，P<N，对应P个连续的上采样模块；针对两个分支中相同分辨率的上采样模块SU
p
和FU
p
，一个交叉增强融合模块负责将SU
p
和FU
p
输出的特征图进行融合，融合特征与上采样模块SU
p
的输出结合后作为下一级上采样模块SU
p+1
的输入。
[0014]优选地，所述实数域卷积处理分支包括6个下采样模块SD1~SD6、6个上采样模块SU1~SU6、3个第一加权融合模块SM1~SM3：下采样模块SD3与上采样模块SU5的输出在第一加权融合模块SM1中进行融合，融合结果作为上采样模块SU6的部分输入；下采样模块SD4与上采样模块SU4的输出在第一加权融合模块SM2中进行融合，融合结果作为上采样模块SU5的部分输入；下采样模块SD5与上采样模块SU3的输出在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，其特征在于，包括：步骤一、获取不区分散焦和未散焦的雷达回波和ISAR雷达图像数据；步骤二、针对雷达回波，通过聚类算法分成两类数据簇；计算两类数据簇的图像熵，将图像熵大的数据簇确定为散焦回波数据，图像熵小的数据簇确定为未散焦回波数据；针对ISAR雷达图像数据，利用图像处理算法获得目标成像方位倾角；将目标成像方位倾角一致的散焦回波数据和未散焦回波数据组建成一个第一样本数据，未散焦回波数据作为伪标签；步骤三、利用第一样本数据对构建的散焦补偿网络进行第一阶段的自监督训练，获得预训练模型；步骤四、针对所需散焦补偿的卫星类型，获取该类型卫星的雷达回波，并给予散焦或未散焦的标签，构成有标注条件下的第二样本数据；对所述预训练模型进行第二阶段的有监督训练，获得训练好的散焦补偿网络；步骤五、利用所述训练好的散焦补偿网络进行所述卫星类型的雷达回波的散焦补偿。2.如权利要求1所述的散焦补偿方法，其特征在于，所述聚类算法为K均值算法；所述利用图像处理算法获得目标成像方位倾角为：利用Canny算子进行边缘检测和利用霍夫变换计算目标成像方位倾角。3.如权利要求1所述的散焦补偿方法，其特征在于，所述散焦补偿网络包括实数域卷积处理分支、复数域卷积处理分支和融合单元；所述融合单元包括至少1个交叉增强融合模块、双模态特征融合模块、至少1个第一加权融合模块和至少1个第二加权融合模块；所述实数域卷积处理分支，处理雷达回波的幅值相位特征；该分支包括针对实数的N层下采样模块SD1~SD
N
、第一语义特征提取模块和N层上采样模块SU1~SU
N
；其中，不同分辨率的下采样模块SD
n
与上采样模块SU
m
的输出在第一加权融合模块中进行融合，融合结果作为下一级上采样模块SU
m+1
的部分输入；n≠m，n和m的取值范围为1至N，N为大于或等于2的正整数；所述复数域卷积处理分支，处理复数形式的雷达回波信号；该分支包括针对复数的N层下采样模块FD1~FD
N
、第二语义特征提取模块和N层上采样模块FU1~FU
N
；其中，不同分辨率的下采样模块FD
n
与上采样模块FD
m
的输出在第二加权融合模块中进行融合，融合结果作为下一级上采样模块FU
m+1
的部分输入；交叉增强融合模块在上采样部分实现实数域卷积处理分支与复数域卷积处理分支所得特征图的融合，并反馈到实数域卷积处理分支；双模态特征融合模块实现两个分支最后一级所提取特征的融合。4.如权利要求3所述的散焦补偿方法，其特征在于，所述交叉增强融合模块为P个，P<N，对应P个连续的上采样模块；针对两个分支中相同分辨率的上采样模块SU
p
和FU
p
，一个交叉增强融合模块负责将SU
p
和FU
p
输出的特征图进行融合，融合特征与上采样模块SU
p
的输出结合后作为下一级上采样模块SU
p+1
的输入。5.如权利要求4所述的散焦补偿方法，其特征在于，所述实数域卷积处理分支包括6个下采样模块SD1~SD6、6个上采样模块SU1~SU6、3个第一加权融合模块SM1~SM3：下采样模块SD3与上采样模块SU5的输出在第一加权融合模块SM1中进行融合，融合结果作为上采样模块SU6的部分输入；
下采样模块SD4与上采样模块SU4的输出在第一加权融合模块SM2中进行融合，融合结果作为上采样模块SU5的部分输入；下采样模块SD5与上采样模块SU3的输出在第一加权融合模块SM3中进行融合，融合结果作为上采样模块SU4的部分输入；复数域卷积处理分支包括6个下采样模块FD1~FD6、6个上采样模块FU1~FU6、3个第二加权融合模块FM1~FM3：下采样模块FD3与上采样模块FD5的输出在第二加权融合模块FM1中进行融合，融合结果作为上采样模块FU6的部分输入；下采样模块FD4与上采样模块FD4的输出在第二加权融合模块FM2中进行融合，融合结果作为上采样模块FU5的部分输入；下采样模块FD5与上采样模块FD3的输出在第二加权融合模块FM3中进行融合，融合结果作为上采样模块FU4的部分输入；所述交叉增强融合模块为4个，对应上采样模块SU2~ SU5和FU2~ FU5。6.如权利要求3~5任意一项所述的散焦补偿方法，其特征在于，在实...

【专利技术属性】
技术研发人员：朱卫纲，李晨瑄，李永刚，朱霸坤，杨君，曲卫，邱磊，何永华，王鹏飞，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：