一种基于复数域长短期记忆网络的雷达成像平动补偿方法技术

本发明专利技术提供一种基于复数域长短期记忆网络的雷达成像平动补偿方法，设计了用于雷达成像平动补偿的复数域长短期记忆网络CDACNet，并结合CDACNet的时序性以及强大的特征提取、强大的时序关联性与参数优化能力，提取雷达回波慢时间维的时序信息，并基于复数数据能够兼顾包络和相位的信息特点，将复数整体作为CDACNet的输入进行特征提取，然后利用迭代运算与梯度更新自适应进行平动补偿，得到兼顾包络和相位补偿的平动补偿后的雷达复数信号，最后利用传统成像方法对平动补偿后的雷达复数信号进行成像；实验结果表明，CDACNet时序特征提取能力较强，可实现雷达信号时序特征提取和恢复，较好的保留雷达特征，针对机载、星载ISAR成像，机载、星载SAR成像都具有一定的适用性。星载SAR成像都具有一定的适用性。星载SAR成像都具有一定的适用性。

【技术实现步骤摘要】
一种基于复数域长短期记忆网络的雷达成像平动补偿方法


[0001]本专利技术属于雷达信号处理与雷达智能成像
，尤其涉及一种基于复数域长短期记忆网络的雷达成像平动补偿方法。

技术介绍

[0002]随着世界各国对空间领域关注度提升，雷达对空间目标成像技术快速发展。由于雷达探测系统具有全天时、全天候的优势，不受天气、光照等因素的影响，现有的雷达成像技术包括SAR(Synthetic aperture radar, SAR)成像技术和ISAR(Inverse synthetic aperture radar, ISAR)成像技术，被广泛应用在军事和民用领域。现有的成像方式大都分为平动补偿和转动补偿两部分，然而由于观测场景复杂，非合作目标多次变轨相对运动比较复杂，雷达系统接收到的回波平动补偿后容易出现图像分辨率低，散焦和拖尾等问题。传统平动补偿算法是采用分别补偿包络和相位的方法进行平动补偿，这是因为包络和相位的补偿精度要求并不相同，相位的补偿精度要求一般远高于包络的补偿精度要求，传统的运动补偿算法难以同时兼顾包络和相位的补偿。现有的雷达成像的深度学习网络模型大都针对转动补偿部分，而针对于平动补偿的深度学习网络目前很少有相应研究。
[0003]现有的雷达成像平动补偿方法存在不足主要表现在以下几点：（1）针对雷达信号平动补偿任务，传统的雷达信号平动补偿方法对于高速运行目标需要人工估算物体相对运动速度，算法效果局限于技术人员经验与能力，估算效果不准确。
[0004]（2）传统算法是采用分别补偿包络和相位的方法进行平动补偿的，包络补偿是利用包络之间的相关性并计算出包络偏移量再对齐到某个基准上，或者通过求解包络优化函数进行包络补偿；然后再补偿相位，主要利用自聚焦算法补偿相位，传统的运动补偿算法难以同时兼顾包络和相位的补偿。
[0005]（3）现有的基于深度学习的雷达成像方法大都针对雷达信号的转动补偿，往往忽略了雷达成像过程中的平动补偿。
[0006]（4）现有基于深度学习的雷达成像方法大都采用传统卷积神经网络的方法，未考虑雷达信号回波数据的复数关联特征和回波之间的连续性。

技术实现思路

[0007]为解决非合作目标运动导致的成像分辨率低、散焦和拖尾的问题，本专利技术提供一种基于复数域长短期记忆网络的雷达成像平动补偿方法，有效利用雷达复数信号的特点，提取雷达回波慢时间维的时序信息进行平动补偿，能够优化雷达成像结果。
[0008]一种基于复数域长短期记忆网络的雷达成像平动补偿方法，采用训练好的复数域长短期记忆网络CDACNet对采集到的雷达复数信号进行平动补偿，再基于平动补偿后的雷达复数信号进行成像，CDACNet的训练方法为：S1：通过电磁仿真或实际雷达设备测试的方式获取目标的未发生平动的雷达复数
信号和已发生平动的雷达复数信号；S2：将已发生平动的雷达复数信号作输入CDACNet进行特征提取，并由CDACNet根据提取到的雷达复数信号的慢时间维时序特征得到CDACNet预测的雷达复数信号预测值；S3：基于雷达复数信号预测值与未发生平动的雷达复数信号之间的差值构建均方损失函数，并判断基于雷达复数信号预测值进行成像而得到的图像质量是否满足设定要求或者训练是否达到最大迭代次数，若满足其一，则当前的CDACNet为最终的CDACNet，若均不满足，则基于均方损失函数调节CDACNet的梯度与权重，并基于调节后的CDACNet重新执行步骤S2~S3，直到获取最终的CDACNet。
[0009]进一步地，所述CDACNet由顺次级联的五个C
‑
LSTM模块、一个C
‑
Linear模块以及五个LC
‑
LSTM模块组成；已发生平动的雷达复数信号依次进入五个级联的C
‑
LSTM模块进行五次下采样操作，第五次下采样操作后得到的第五下采样特征进入C
‑
Linear模块进行复数特征提取，得到复数特征；复数特征再依次进入五个级联的LC
‑
LSTM模块进行五次上采样操作，其中，第四个C
‑
LSTM模块输出的第四下采样特征与第二个LC
‑
LSTM模块输出的第二上采样特征进行特征拼接后再进入第三个LC
‑
LSTM模块进行第三次上采样操作，第三个C
‑
LSTM模块输出的第三下采样特征与第三个LC
‑
LSTM模块输出的第三上采样特征进行特征拼接后再进入第四个LC
‑
LSTM模块进行第四次上采样操作，并将第五个LC
‑
LSTM模块输出的第五下采样特征作为雷达复数信号预测值。
[0010]进一步地，所述C
‑
LSTM模块由seq个级联的C
‑
LSTMcell细胞组成，其中，已发生平动的雷达复数信号为N行seq列的二维矩阵，同时，seq和N分别为已发生平动的雷达复数信号在慢时间维和快时间维上的维度；各C
‑
LSTMcell细胞对t时刻输入的已发生平动的雷达复数信号的特征提取过程为：根据上一级C
‑
LSTMcell细胞输出的t
‑
1时刻的隐藏状态h
t
‑1和t
‑
1时刻的记忆状态获取本级C
‑
LSTMcell细胞的t时刻的隐藏状态h
t
和t时刻的记忆状态c
t
如下：其中，为Hadamard乘积，为t时刻的复数输入门因子、为t时刻的复数遗忘门因子、为t时刻的复数单元门因子、为t时刻的复数输出门因子，且t时刻的复数输入门因子、复数遗忘门因子、复数单元门因子和复数输出门因子的构建方法如下：
其中，为复数sigmoid函数，h
t
‑1为雷达复数信号在t
‑
1时刻的隐藏状态，a为实部，b为虚部，W
ii
为输入门状态i到输入门状态i的权值，W
if
为输入门状态i到遗忘门状态f的权值，W
ig
为输入门状态i到单元门状态g的权值，W
io
为输入门状态i到输出门状态o的权值，W
hi
为隐藏状态h到输入门状态i的权值，W
hf
为隐藏状态h到遗忘门状态f的权值，W
hg
为隐藏状态h到单元门状态g的权值，W
ho
为隐藏状态h到输出门状态o的权值，b
ii
为输入门状态i到输入门状态i的偏置量，b
if
为输入门状态i到遗忘门状态f的偏置量，b
ig
为输入门状态i到单元门状态g的偏置量，b
io
为输入门状态i到输出门状态o的偏置量，b
hi
为隐藏状态h到输入门状态i偏置量，b
hf
为隐藏状态h到遗忘门状态f的偏置量，b
hg
为隐藏状态h到单元门状态g的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复数域长短期记忆网络的雷达成像平动补偿方法，其特征在于，采用训练好的复数域长短期记忆网络CDACNet对采集到的雷达复数信号进行平动补偿，再基于平动补偿后的雷达复数信号进行成像，CDACNet的训练方法为：S1：通过电磁仿真或实际雷达设备测试的方式获取目标的未发生平动的雷达复数信号和已发生平动的雷达复数信号；S2：将已发生平动的雷达复数信号作输入CDACNet进行特征提取，并由CDACNet根据提取到的雷达复数信号的慢时间维时序特征得到CDACNet预测的雷达复数信号预测值；S3：基于雷达复数信号预测值与未发生平动的雷达复数信号之间的差值构建均方损失函数，并判断基于雷达复数信号预测值进行成像而得到的图像质量是否满足设定要求或者训练是否达到最大迭代次数，若满足其一，则当前的CDACNet为最终的CDACNet，若均不满足，则基于均方损失函数调节CDACNet的梯度与权重，并基于调节后的CDACNet重新执行步骤S2~S3，直到获取最终的CDACNet。2.如权利要求1所述的一种基于复数域长短期记忆网络的雷达成像平动补偿方法，其特征在于，所述CDACNet由顺次级联的五个C
‑
LSTM模块、一个C
‑
Linear模块以及五个LC
‑
LSTM模块组成；已发生平动的雷达复数信号依次进入五个级联的C
‑
LSTM模块进行五次下采样操作，第五次下采样操作后得到的第五下采样特征进入C
‑
Linear模块进行复数特征提取，得到复数特征；复数特征再依次进入五个级联的LC
‑
LSTM模块进行五次上采样操作，其中，第四个C
‑
LSTM模块输出的第四下采样特征与第二个LC
‑
LSTM模块输出的第二上采样特征进行特征拼接后再进入第三个LC
‑
LSTM模块进行第三次上采样操作，第三个C
‑
LSTM模块输出的第三下采样特征与第三个LC
‑
LSTM模块输出的第三上采样特征进行特征拼接后再进入第四个LC
‑
LSTM模块进行第四次上采样操作，并将第五个LC
‑
LSTM模块输出的第五下采样特征作为雷达复数信号预测值。3.如权利要求2所述的一种基于复数域长短期记忆网络的雷达成像平动补偿方法，其特征在于，所述C
‑
LSTM模块由seq个级联的C
‑
LSTMcell细胞组成，其中，已发生平动的雷达复数信号为N行seq列的二维矩阵，同时，seq和N分别为已发生平动的雷达复数信号在慢时间维和快时间维上的维度；各C
‑
LSTMcell细胞对t时刻输入的已发生平动的雷达复数信号的特征提取过程为：根据上一级C
‑
LSTMcell细胞输出的t
‑
1时刻的隐藏状态h
t
‑1和t
‑
1时刻的记忆状态获取本级C
‑
LSTMcell细胞的t时刻的隐藏状态h
t
和t时刻的记忆状态c

【专利技术属性】
技术研发人员：朱卫纲，李永刚，周泳靖，邱磊，曲卫，杨君，何永华，李晨瑄，延金海，
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：