一种基于深度学习的综合孔径辐射计误差校正方法技术

一种基于深度学习的综合孔径辐射计误差校正方法，为了校正天线以及通道的幅相误差以及吉布斯震荡，提高成像质量，根据实际应用场景的动态范围生成原始场景亮温图像；生成包含系统误差的可见度函数；原始场景亮温图像与可见度函数共同构建训练数据集与测试数据集；利用训练数据集训练深度学习网络；利用测试数据集验证网络校正效果。集验证网络校正效果。集验证网络校正效果。

【技术实现步骤摘要】
一种基于深度学习的综合孔径辐射计误差校正方法


[0001]本专利技术涉及一种基于深度学习的综合孔径辐射计误差校正方法，属于微波遥感及探测


技术介绍

[0002]综合孔径利用小口径天线等效合成大口径天线，可解决实孔径微波辐射计口径有限、机械扫描困难等问题，提高观测的空间分辨率。
[0003]但是相比于实孔径辐射计，综合孔径系统的误差种类繁多，系统误差会导致综合孔径微波辐射成像质量下降，目前所采用的多种误差校正方法(外部源定标法、噪声注入法等)无法完全校正系统天线误差、通道误差以及吉布斯震荡误差等。

技术实现思路

[0004]本专利技术解决的技术问题是：针对目前现有技术中，难以完全校正系统天线误差、通道误差以及吉布斯震荡误差的问题，提出了一种基于深度学习的综合孔径辐射计误差校正方法。
[0005]本专利技术解决上述技术问题是通过如下技术方案予以实现的：
[0006]一种基于深度学习的综合孔径辐射计误差校正方法，包括：
[0007]生成原始场景亮温图像；
[0008]通过待校正综合孔径微波辐射计系统观测外部源，获取误差信息；
[0009]构建可见度函数；
[0010]构建训练数据集及测试数据集；
[0011]构建深度学习网络并进行训练；
[0012]将训练数据集输入训练好的深度学习网络进行验证。
[0013]所述原始场景亮温图像根据待校正综合孔径微波辐射计系统的实际应用场景的动态范围确定，包括模拟的自然场景或实际观测的自然场景。
[0014]所述误差信息包括天线方向图误差、通道幅相误差、吉布斯震荡误差，通过归一化处理后输出。
[0015]所述可见度函数以原始场景亮温图像与误差信息为基础，通过综合孔径亮温仿真程序或者综合孔径系统实测生成。
[0016]所述综合孔径亮温仿真程序仿真获取的二维综合孔径可见度函数V具体为：
[0017][0018]式中，T(ξ,η)为场景亮温分布，(ξ,η)为方向余弦，(x,y)为天线位置坐标。
[0019]所述综合孔径系统实测生成的可见度函数V具体为：
[0020][0021]式中，G
ij
为幅度误差，β
ij
为相位误差。
[0022]根据原始场景亮温图像T与可见度函数V构建总数据集，随机选取90％的数据作为训练数据集，用于训练深度学习网络，剩余数据作为测试数据集，用于测试网络的亮温图像重建效果。
[0023]所述深度学习网络以可见度函数V输出的频谱数据为输入，以原始场景亮温图像Tb作为训练时的标签图像，进行深度学习网络训练，其中：
[0024]深度学习网络包括输入层、全链接层、二维卷积层、批量归一化层、ReLU激活函数层，通过全链接层将输入的频谱数据映射至二维卷积层上，将所得矩阵于二维卷积层上进行高阶特征提取、维度转换、图像重建，获取重建后的微波亮温图像，并通过批量归一化层的归一化处理及ReLU激活函数层的非线性处理。
[0025]所述深度学习网络中，各层网络参数权重通过深度学习网络输出的重建后的微波亮温图像与原始场景微波亮温图像的均方误差定义的损失函数实现，所述损失函数具体为：
[0026][0027]式中，m为训练样本的数量，使用标准的反向传播的随机梯度算法SGD最小化损失函数，f(U
k
；θ)为重建后的微波亮温图像，Y
k
为原始场景微波亮温图像。
[0028]所述深度学习网络通过损失函数进行指定次数迭代训练，当损失函数输出结果达到稳定标准，保存当前训练后的深度学习网络，通过测试数据集进行验证，获取当前输出的二维综合孔径微波亮温图像，并对网络重建图像进行空域和频域分析，验证训练效果；
[0029]所述训练后的深度学习网络通过验证后，用于对待校正综合孔径微波辐射计系统进行误差校正。
[0030]本专利技术与现有技术相比的优点在于：
[0031]本专利技术提供的一种基于深度学习的综合孔径辐射计误差校正方法，根据实际应用场景的动态范围生成原始场景亮温图像；生成包含系统误差的可见度函数；原始场景亮温图像与可见度函数共同构建训练数据集与测试数据集；利用训练数据集训练深度学习网络；利用测试数据集验证网络校正效果，能够解决传统方法校正系统天线误差、通道误差需要额外的定标网络，以及无法抑制吉布斯震荡误差的问题。达到简化系统硬件构成，提高探测精度的目的。
附图说明
[0032]图1为专利技术提供的综合孔径辐射计示意图；
[0033]图2为专利技术提供的信号接收示意图；
[0034]图3为专利技术提供的深度学习网络结构示意图；
[0035]图4为专利技术提供的基于深度学习的综合孔径辐射计误差校正方法流程图；
[0036]图5为专利技术提供的测试使用的24单元矩形阵示意图；
[0037]图6为专利技术提供的未校正的噪声源图像示意图；
[0038]图7为专利技术提供的校正后的噪声源图像示意图；
[0039]图8为专利技术提供的未校正的阶梯展源图像示意图；
[0040]图9为专利技术提供的示意图校正后的阶梯展源图像；
具体实施方式
[0041]一种基于深度学习的综合孔径辐射计误差校正方法，为了校正天线以及通道的幅相误差以及吉布斯震荡，提高成像质量，根据实际应用场景的动态范围生成原始场景亮温图像；生成包含系统误差的可见度函数；原始场景亮温图像与可见度函数共同构建训练数据集与测试数据集；利用训练数据集训练深度学习网络；利用测试数据集验证网络校正效果。
[0042]具体步骤如下：
[0043]生成原始场景亮温图像；
[0044]通过待校正综合孔径微波辐射计系统观测外部源，获取误差信息；
[0045]构建可见度函数；
[0046]构建训练数据集及测试数据集；
[0047]构建深度学习网络并进行训练；
[0048]将训练数据集输入训练好的深度学习网络进行验证。
[0049]原始场景亮温图像根据待校正综合孔径微波辐射计系统的实际应用场景的动态范围确定，包括模拟的自然场景或实际观测的自然场景；
[0050]误差信息包括天线方向图误差、通道幅相误差、吉布斯震荡误差，通过归一化处理后输出；
[0051]可见度函数以原始场景亮温图像与误差信息为基础，通过综合孔径亮温仿真程序或者综合孔径系统实测生成；
[0052]根据原始场景亮温图像T与可见度函数V构建总数据集，随机选取90％的数据作为训练数据集，用于训练深度学习网络，剩余数据作为测试数据集，用于测试网络的亮温图像重建效果；
[0053]深度学习网络以可见度函数V输出的频谱数据为输入，以原始场景亮温图像Tb作为训练时的标签图像，进行深度学习网络训练，其中：
[0054]深度学习网络包括输入层、全链接层、二维卷积层、批量归一化层、ReLU激活函数层，通过全链接层将输入的频谱数据映射至二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的综合孔径辐射计误差校正方法，其特征在于包括：生成原始场景亮温图像；通过待校正综合孔径微波辐射计系统观测外部源，获取误差信息；构建可见度函数；构建训练数据集及测试数据集；构建深度学习网络并进行训练；将训练数据集输入训练好的深度学习网络进行验证。2.根据权利要求1所述的一种基于深度学习的综合孔径辐射计误差校正方法，其特征在于：所述原始场景亮温图像根据待校正综合孔径微波辐射计系统的实际应用场景的动态范围确定，包括模拟的自然场景或实际观测的自然场景。3.根据权利要求2所述的一种基于深度学习的综合孔径辐射计误差校正方法，其特征在于：所述误差信息包括天线方向图误差、通道幅相误差、吉布斯震荡误差，通过归一化处理后输出。4.根据权利要求3所述的一种基于深度学习的综合孔径辐射计误差校正方法，其特征在于：所述可见度函数以原始场景亮温图像与误差信息为基础，通过综合孔径亮温仿真程序或者综合孔径系统实测生成。5.根据权利要求4所述的一种基于深度学习的综合孔径辐射计误差校正方法，其特征在于：所述综合孔径亮温仿真程序仿真获取的二维综合孔径可见度函数V具体为：式中，T(ξ,η)为场景亮温分布，(ξ,η)为方向余弦，(x,y)为天线位置坐标。6.根据权利要求5所述的一种基于深度学习的综合孔径辐射计误差校正方法，其特征在于：所述综合孔径系统实测生成的可见度函数V具体为：式中，G
ij
为幅度误差，β
ij
为相位误差。7.根据权利要求6所述的一种基于深度学习的综合孔径辐射计误差校正方法，其特征在于：根据原始场景亮温图像T与可见度函数V构建总数据集，随机选取90％的数据作为训...

【专利技术属性】
技术研发人员：窦昊锋，李浩，李一楠，吴袁超，宋广南，胡斐，姜任之，
申请(专利权)人：西安空间无线电技术研究所，
类型：发明
国别省市：