【技术实现步骤摘要】
本专利技术涉及一种基于深度学习的分布式综合孔径图像反演方法，属于微波遥感及探测。
技术介绍
1、分布式综合孔径辐射计将多个微波辐射计按照弱约束规则组成一个超大口径的综合孔径微波辐射计，通过干涉测量获得超长基线，为高分辨率微波辐射测量提供了一种有效的途径。
2、但是由于分布式综合孔径辐射计系统的天线阵列排布为非规则排布，其对应的采样点呈非均匀分布，使得反演的图像存在旁瓣过高的问题，常规非规则天线阵列反演方法无法解决此问题。并且为了避免卫星发生碰撞，星间距离要求在百米量级，使得低频存在部分稀疏、中等频率以及高频存在严重稀疏的问题，从而导致图像反演质量较差。
技术实现思路
1、本专利技术解决的技术问题是：针对目前现有技术中，分布式综合孔径辐射计系统的天线阵列排布为稀疏非规则排布，其对应的采样点呈非均匀分布，使得反演的图像存在旁瓣过高且常规的非规则天线阵列反演方法无法解决的问题，提出了一种基于深度学习的分布式综合孔径图像反演方法。
2、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：
3、一种基于深度学习的分布式综合孔径图像反演方法，包括：
4、进行天线阵列的非规则排布；
5、获取自然场景初始图像；
6、基于非规则排布的天线阵列获取对应的最优相关矩阵；
7、以最优相关矩阵为数据输入，以自然场景初始图像为测试标签，构建深度学习网络并进行训练；
8、对训练后网络进行测试，将测试结果与测试标签
9、所述天线阵列的非规则排布的具体方法为：
10、建立排布优化准则；
11、根据排布优化准则建立天线阵列优化模型；
12、选取优化算法，利用天线阵列优化模型完成天线阵列非规则排布设计。
13、所述排布优化准则包括最小星间距离准则、最大采样点覆盖准则、最少阵元数准则，具体为：
14、最小星间距离准则，相邻卫星间距大于预设范围；
15、最大采样点覆盖准则，对卫星的空间频域采样点覆盖范围进行网格划分，各网格内都包含不少于预设数量的采样点；
16、最少阵元数准则，当同时满足最小星间距离准则、最大采样点覆盖准则条件下，卫星数以及天线单元数最少。
17、所述天线阵列优化模型具体为：
18、
19、式中，n表示天线数目，d表示最小星间距离，lu(s)、lv(s)和lw(s)分别表示天线阵列排布s对应的二维镜像综合孔径阵列在空间频率域中u、v、w轴上的最大基线覆盖范围。umax、vmax和wmax分别表示在空间频率域中u、v、w轴上的最大可能值。
20、所述优化算法采用群智能算法或组合数学方法或旋转法。
21、所述自然场景初始图像的获取方法为：
22、仿真模拟自然场景生成a类初始图像，利用浮标或探空气球或其他辅助手段探测自然场景生成b类初始图像，将a类初始图像、b类初始图像结合获取自然场景初始图像。
23、所述相关矩阵的获取方法为：
24、利用分布式综合孔径反演程序对非规则阵列进行仿真，获取分布式综合孔径相关矩阵，同时通过实际观测获取实际场景相关矩阵，将分布式综合孔径相关矩阵、实际场景相关矩阵结合获取最优相关矩阵。
25、于自然场景初始图像中随机选取90％的图像数据作为训练数据集，用于训练深度学习网络，将剩余的10％的图像数据作为测试数据集，用于测试训练后网络的图像反演效果。
26、所述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、输出层，训练深度学习网络的具体步骤为：
27、输入层将最优相关矩阵作为数据输入，将最优相关矩阵的实部和虚部分开并获取两个n×n的矩阵；
28、将所得n×n的矩阵分别全连接到n2×1的两个全连接层上，由双曲正切函数激活；
29、将全连接层输出重排列为n×n的矩阵作为二维卷积层卷积处理输入；
30、利用整流非线性激活的二维卷积层分别对最优相关矩阵的实部和虚部进行特征信息提取；
31、其中，各层网络的二维卷积层输出的特征信息均经过批量归一化层进行归一化处理及relu激活函数层的非线性处理；将实部、虚部中提取的特征信息拼接后由二维卷积层进行亮温图像反演，获取反演的微波亮温图像；
32、根据所得微波亮温图像与测试标签进行对比验证，根据对比结果调整深度学习网络参数直至深度学习网络有效性最佳为止。
33、所述二维卷积层数量根据相关矩阵的大小以及初始图像的大小确定，包括conv1～conv4层、conv5～conv8层、conv9～conv12层，各卷积层分别包含预设数量的步长为1的5×5卷积核，其中：
34、conv1～conv4层负责从相关矩阵中提取实部的特征信息，conv5～conv8层负责从相关矩阵中提取虚部的特征信息，分别获得实部的特征信息和虚部的特征信息后，将两部分数据拼接起来用于进行图像反演；
35、conv9～conv12层进行拼接后数据的维度转换及图像反演，获取微波亮温图像，根据对比结果调整整个二维卷积层的参数进行训练迭代，当网络输出的图像与初始图像的对比差值逐渐变小且趋于稳定时，有效性最佳，保存当前网络参数，确定训练后网络。
36、本专利技术与现有技术相比的优点在于：
37、本专利技术提供的一种基于深度学习的分布式综合孔径图像反演方法，根据弱约束规则生成非规则阵列排布；由实测与仿真生成初始图像；由非规则阵列生成相关矩阵；由初始图像与相关矩阵构建数据集；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反演效果，对验证后有效性最佳的训练后网络，以自然场景初始图像的点源场景辐射信号的相关函数作为输入，获取反演图像能够解决采样点非均匀分布导致的旁瓣过高的问题，同时解决频率稀疏导致的图像质量下降问题，该方法可以使卫星间距由当前要求的2m降低到100m，大幅降低卫星姿轨控的要求，避免卫星发生碰撞。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的分布式综合孔径图像反演方法，其特征在于包括：
2.根据权利要求1所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
3.根据权利要求2所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
4.根据权利要求2所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
5.根据权利要求2所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
6.根据权利要求1所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
7.根据权利要求1所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
8.根据权利要求1所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
9.根据权利要求1所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
10.根据权利要求9所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
【技术特征摘要】
1.一种基于深度学习的分布式综合孔径图像反演方法，其特征在于包括：
2.根据权利要求1所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
3.根据权利要求2所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
4.根据权利要求2所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
5.根据权利要求2所述的一种基于深度学习的分布式综合孔径图像反演方法，其特征在于：
6...
【专利技术属性】
技术研发人员：窦昊锋，李浩，李一楠，吕容川，姜任之，文丹丹，费新卓，
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：
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。