System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于相位质量加权卷积神经网络的干涉相位解缠方法,属于合成孔径雷达干涉测量。
技术介绍
1、干涉合成孔径雷达(interferometric sar,insar)技术在20世纪70年代逐步发展起来,将无线电干涉测量技术与合成孔径雷达(sar)技术结合,在获取二维sar图像的同时还能够提取地表的三维信息和变化信息。insar的工作原理是获取同一地面场景的复图像对,通过目标与两天线位置的路径差在复图像上形成的相位差与insar成像参数的几何关系,精确测量出图像上每一点的高程信息或者变化信息。该技术目前在地形测绘、地表形变监测、海洋研究、陆地覆盖分类等领域有着广泛的应用。除了民用方面的相关应用,该技术在军事领域同样成果显著,例如地面动目标检测、军事伪装目标识别等。相位解缠是insar技术中较为关键重要的一环,因此,深入研究相位解缠相关技术显得尤为重要。
2、由于三角函数的周期性,干涉相位被缠绕在之间,需要通过相位解缠将缠绕的相位恢复为与地形高程相对应的真实相位。较为经典的两种干涉相位解缠算法为路径跟踪法和最小范数法。其中路径跟踪算法可由枝切法或质量指导法实现,该方法可以将误差限制在噪声区域内,避免相位误差的全局传播。
3、近年来,随着人工智能技术的快速发展,基于现有的深度学习u-net(u型卷积神经网络)等神经网络模型,结合相位解缠的原理及相关算法,已有科研工作者将神经网络应用与干涉相位解缠相关领域,并做出了突出贡献。但现有的解缠方法存在模型训练时间长、鲁棒性差、解缠准确率低等弊端。因此,对于干
技术实现思路
1、本专利技术所要解决的技术问题是:提供一种基于相位质量加权卷积神经网络的干涉相位解缠方法,设计相位质量加权卷积神经网络,实现干涉相位高精度解缠,提升合成孔径雷达干涉测量精度。
2、本专利技术为解决上述技术问题采用以下技术方案:
3、一种基于相位质量加权卷积神经网络的干涉相位解缠方法,包括如下步骤:
4、步骤1,创建干涉相位图数据集,将干涉相位图数据集划分为训练数据集和测试数据集;
5、步骤2,构建相位质量加权卷积神经网络;
6、步骤3,设置相位质量加权卷积神经网络训练起始学习率、最大学习率、训练批量数和训练轮次数,利用训练数据集对步骤2构建的网络进行训练,得到训练好的网络;
7、步骤4,利用训练好的网络对测试数据集进行测试,获得干涉相位解缠结果。
8、作为本专利技术的一种优选方案,所述步骤1的具体过程如下:
9、步骤11,通过混合高斯噪声和添加沿垂直方向的斜坡创建任意的相位图,创建的相位图的数量为10000,每个相位图像素尺寸大小为,像素值在-65至65之间;
10、步骤12,对每个相位图进行像素相位缠绕,得到真实缠绕相位图数据集,缠绕相位计算公式如下:
11、,
12、其中,为求角度符号,exp为以自然常数e为底的指数函数,为干涉相位图的像素原始真实相位,为像素在干涉相位图中的空间坐标, j为虚数单位;
13、步骤13,对每个相位图随机赋予0db、1db、5db或7db的高斯加性噪声后,再进行像素相位缠绕,得到噪声缠绕相位图数据集;
14、步骤14,构建干涉相位图数据集,包括真实缠绕相位图数据集和噪声缠绕相位图数据集,将干涉相位图数据集划分为训练数据集和测试数据集。
15、作为本专利技术的一种优选方案,所述步骤2中,相位质量加权卷积神经网络具体包括:输入层、编码器网络、lstm模块、相位质量权值计算子网络、解码器网络、第九卷积层以及第一至第五连接层;其中,输入层的输出端连接编码器网络、相位质量权值计算子网络的输入端,编码器网络的输出端经lstm模块与解码器网络的输入端连接,解码器网络的输出端连接第九卷积层,相位质量权值计算子网络的输出端经第五连接层与第九卷积层连接;
16、编码器网络包括第一至第四卷积层以及第一至第四最大池化层,第一至第四卷积层依次串联,每个卷积层后面连接一个最大池化层,输入层的输出端连接第一卷积层,第四最大池化层输出至lstm模块;
17、解码器网络包括第五至第八卷积层以及第五至第八上采样层,第五至第八卷积层依次串联,每个卷积层后面连接一个上采样层,lstm模块的输出端连接第五卷积层的输入端,第八上采样层输出至第九卷积层;
18、第四卷积层通过第一连接层与第五卷积层连接,第三卷积层通过第二连接层与第六卷积层连接,第二卷积层通过第三连接层与第七卷积层连接,第一卷积层通过第四连接层与第八卷积层连接。
19、作为本专利技术的一种优选方案,所述相位质量权值计算子网络包括第十至第十二卷积层、第一至第二非线性激活函数层、一个反卷积层、一个池化层和一个激活函数层,第十卷积层、第一非线性激活函数层、池化层、第十一卷积层、第二非线性激活函数层、反卷积层、第十二卷积层和激活函数层依次串联;输入层的输出端连接第十卷积层的输入端,激活函数层的输出端经第五连接层与第九卷积层连接。
20、作为本专利技术的一种优选方案,第一卷积层、第二卷积层、第七卷积层和第八卷积层的结构相同,均包括第一至第三卷积块,第一卷积块由卷积层、归一化层和线性激活函数层依次串联而成,第二和第三卷积块均由卷积层和归一化层串联而成;第一、第二、第七或第八卷积层的输入经第三卷积块得到第一结果,第一、第二、第七或第八卷积层的输入依次经第一和第二卷积块后得到第二结果,第一结果与第二结果相加后再经过一个线性激活函数层,得到第一、第二、第七或第八卷积层的输出。
21、作为本专利技术的一种优选方案,第三卷积层、第四卷积层、第五卷积层和第六卷积层的结构相同,均包括第四至第七卷积块,第四和第五卷积块均由卷积层、归一化层和线性激活函数层依次串联而成,第六和第七均由卷积层和归一化层串联而成;第三、第四、第五或第六卷积层的输入经第七卷积块后得到第三结果,第三、第四、第五或第六卷积层的输入依次经第四、第五和第六卷积块后得到第四结果,第三结果和第四结果相加后再经过一个线性激活函数层,得到第三、第四、第五或第六卷积层的输出。
22、作为本专利技术的一种优选方案,所述步骤3的具体过程如下:
23、(1)设置相位质量加权卷积神经网络训练起始学习率、最大学习率、训练批量数和训练轮次数,利用训练数据集对构建的网络进行训练;
24、(2)采用k-means聚类算法迭代求解,通过l2范数正则化防止网络过拟合;
25、(3)使用adam梯度优化算法对网络训练进行优化,优化过程中使用的损失函数公式如下:
26、,
27、式中, l表示损失函数,为训练数据集样本真实值与网络训练估计值之差,本文档来自技高网...
【技术保护点】
1.一种基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,所述步骤1的具体过程如下:
3.根据权利要求1所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,所述步骤2中,相位质量加权卷积神经网络具体包括:输入层、编码器网络、LSTM模块、相位质量权值计算子网络、解码器网络、第九卷积层以及第一至第五连接层;其中,输入层的输出端连接编码器网络、相位质量权值计算子网络的输入端,编码器网络的输出端经LSTM模块与解码器网络的输入端连接,解码器网络的输出端连接第九卷积层,相位质量权值计算子网络的输出端经第五连接层与第九卷积层连接;
4.根据权利要求3所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,所述相位质量权值计算子网络包括第十至第十二卷积层、第一至第二非线性激活函数层、一个反卷积层、一个池化层和一个激活函数层,第十卷积层、第一非线性激活函数层、池化层、第十一卷积层、第二非线性激活函数层、反卷积层、第十二卷积层和
5.根据权利要求3所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,第一卷积层、第二卷积层、第七卷积层和第八卷积层的结构相同,均包括第一至第三卷积块,第一卷积块由卷积层、归一化层和线性激活函数层依次串联而成,第二和第三卷积块均由卷积层和归一化层串联而成;第一、第二、第七或第八卷积层的输入经第三卷积块得到第一结果,第一、第二、第七或第八卷积层的输入依次经第一和第二卷积块后得到第二结果,第一结果与第二结果相加后再经过一个线性激活函数层,得到第一、第二、第七或第八卷积层的输出。
6.根据权利要求3所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,第三卷积层、第四卷积层、第五卷积层和第六卷积层的结构相同,均包括第四至第七卷积块,第四和第五卷积块均由卷积层、归一化层和线性激活函数层依次串联而成,第六和第七均由卷积层和归一化层串联而成;第三、第四、第五或第六卷积层的输入经第七卷积块后得到第三结果,第三、第四、第五或第六卷积层的输入依次经第四、第五和第六卷积块后得到第四结果,第三结果和第四结果相加后再经过一个线性激活函数层,得到第三、第四、第五或第六卷积层的输出。
7.根据权利要求1所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,所述步骤3的具体过程如下:
8.一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于相位质量加权卷积神经网络的干涉相位解缠方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于相位质量加权卷积神经网络的干涉相位解缠方法的步骤。
...【技术特征摘要】
1.一种基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,所述步骤1的具体过程如下:
3.根据权利要求1所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,所述步骤2中,相位质量加权卷积神经网络具体包括:输入层、编码器网络、lstm模块、相位质量权值计算子网络、解码器网络、第九卷积层以及第一至第五连接层;其中,输入层的输出端连接编码器网络、相位质量权值计算子网络的输入端,编码器网络的输出端经lstm模块与解码器网络的输入端连接,解码器网络的输出端连接第九卷积层,相位质量权值计算子网络的输出端经第五连接层与第九卷积层连接;
4.根据权利要求3所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,所述相位质量权值计算子网络包括第十至第十二卷积层、第一至第二非线性激活函数层、一个反卷积层、一个池化层和一个激活函数层,第十卷积层、第一非线性激活函数层、池化层、第十一卷积层、第二非线性激活函数层、反卷积层、第十二卷积层和激活函数层依次串联;输入层的输出端连接第十卷积层的输入端,激活函数层的输出端经第五连接层与第九卷积层连接。
5.根据权利要求3所述的基于相位质量加权卷积神经网络的干涉相位解缠方法,其特征在于,第一卷积层、第二卷积层、第七卷积层和第八卷积层的结构相同,均包括第一至第三卷积块,第一卷积块由卷积层、归一化层和线性激活函数层依次串联而成,第二和第三...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。