【技术实现步骤摘要】
本专利技术涉及mimo雷达成像，更具体的说是涉及一种基于深度学习的非正交波形mimo雷达成像方法。
技术介绍
1、与光学成像相比，雷达成像具有全天时、全天候探测能力，能够有效探测目标地物的空间形态特征，在军民用领域均有广泛的应用需求。多发多收(multiple-inputmultiple-output,mimo)雷达成像是一种新的雷达成像技术，通过发射相互正交信号并在接收端对信号进行分选，可以得到远多于实际收、发阵元数目的观测通道和自由度。相比传统的合成孔径雷达(synthetic aperture radar，sar)成像和逆合成孔径雷达(inverse synthetic aperture radar，isar)成像，mimo雷达成像具有采样数据率高、无需复杂运动补偿、易于实现三维成像等显著优势，近年来受到了国内外的广泛关注，在成像模型、成像方法、误差校正等方面均开展了较为深入地研究。
2、发射正交波形是发挥mimo雷达成像技术优势的基础。通过时间分集或频率分集的方式能够容易实现不同发射波形间的理想正交，但会降低mimo雷达成像的数据率和频谱利用率。而发射同时同频正交波形能够充分发挥mimo雷达体制优势，是当前mimo雷达正交波形设计的研究热点。但已有研究表明，理想的正交波形要求不同发射信号间频谱互不重叠，目前常见的同时同频波形均不满足上述要求。这将导致经过匹配滤波分离后，不同波形分量间存在互耦噪声、积分旁瓣过高，严重影响mimo雷达成像质量。
3、为解决这一问题，研究人员从波形设计角度，先后设计了多
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的非正交波形mimo雷达成像方法，通过训练好的深度网络模型对回波信号进行处理，能够有效抑制波形间的耦合干扰，并高效地获取目标高分辨图像。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于深度学习的非正交波形mimo雷达成像方法，包括以下步骤：
4、构建mimo雷达回波信号模型，获得整个成像场景下的目标回波信号；
5、在发射波形满足理想正交条件下，将所述目标回波信号中不同波形的信号进行分离，得到不同波形对应的波形矢量，并进行方位向压缩，得到mimo雷达的理想目标图像；
6、将mimo雷达回波信号模型中不同接收阵元处的频域回波信号和所述理想目标图像作为训练集，对构建的深度网络模型进行训练，得到训练好的深度网络模型；
7、利用训练好的深度网络模型对实际的目标回波信号进行目标成像。
8、进一步地，所述深度网络模型包括：回波变换模块和特征成像模块；
9、所述回波变换模块包括：匹配滤波网络和方位压缩网络；
10、所述匹配滤波网络，用于通过输入非正交发射波形集，以完成对目标回波信号的距离维压缩；
11、所述方位压缩网络，用于根据mimo雷达回波信号模型的结构，通过回波重排、方位压缩，以实现对目标回波信号的二维压缩；
12、所述特征成像模块利用卷积神经网络构建，用于在神经网络模型的编码和解码之间建立跳连接，以实现在目标图像重构过程中保留图像的细节信息。
13、进一步地，所述特征成像模块的构建方法，具体为：
14、每个卷积操作或反卷积操作后都连接有一个批归一化处理和一个relu激活函数；深度网络模型共包含5个卷积层，各层输入/输出通道的数量分别为：2/32、32/64、64/64、64/64、64/128；包含5个反卷积层，各层输入/输出通道的数量分别为：128/64、64/64、64/64、64/32、32/1；maxpool和maxunpool分别代表最大池化层和最大反池化层，池化或反池化窗口大小为2×2、窗口跨度为2，池化层和反池化层各4个。
15、进一步地，所述构建mimo雷达回波信号模型，获得整个成像场景下的目标回波信号，具体为：
16、mimo雷达回波信号模型包括：间距为nd的发射阵元，间距为d的接收阵元；u个散射点的目标；目标上第q个散射点q，散射点q与第m个发射阵元tm间的距离为tmq以及散射点q与第n个接收阵元rn间的距离为rnq；
17、第n个接收阵元接收到的回波信号的表达式为：
18、
19、上式中，τq,mn＝(tmq+rnq)/c，τq,mn的含义是电磁波由第m个发射阵元tm到第q个散射点q，再到第n个接收阵元rn的传播时延迟；n＝0,1，l，n-1，c是光速，σq代表散射点q的散射系数，λ为雷达工作波长；当目标视线角已知时，通过对包络的预补偿使不同收发通道的回波包络对齐，τq,mn不再随m，n变化，则公式(1)中τq,mn表示为τq；
20、对距离向成像区域进行离散化，设距离向成像范围为δr，则成像区域离散化单元的采样点数为：k＝2δr·fs/c，其中fs为距离向采样频率，利用fs对发射波形进行采样，得到发射波形矢量长度为l；
21、设散射点q位于第k个距离单元，k＝0,1，l，k-1，第k个距离网格的距离核矩阵为：
22、
23、上式中，0k×l代表一个k×l维的零矩阵；il×l代表一个l×l维的单位矩阵；0(k-k)×l代表一个(k-k)×l维的零矩阵；
24、则第n个接收阵元接收到的散射点q的回波信号的向量形式，表示为：
25、
26、其中：为rn处接收的第k个距离单元对应的目标复散射系数向量，目标复散射系数向量的维度为发射阵元数量m，s代表发射波形矩阵；
27、所述目标回波信号是目标上所有散射点q的回波信号的叠加，令t＝[t0,t1,…,tk-1]∈c(k+l)×lk，则第n个接收阵元rn处收到的整个成像场景的目标回波信号的表达式为：<本文档来自技高网...
【技术保护点】
1.一种基于深度学习的非正交波形MIMO雷达成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的非正交波形MIMO雷达成像方法，其特征在于，所述深度网络模型包括：回波变换模块和特征成像模块；
3.根据权利要求2所述的基于深度学习的非正交波形MIMO雷达成像方法，其特征在于，所述特征成像模块的构建方法，具体为：
4.根据权利要求1所述的基于深度学习的非正交波形MIMO雷达成像方法，其特征在于，所述构建MIMO雷达回波信号模型，获得整个成像场景下的目标回波信号，具体为：
5.根据权利要求1所述的基于深度学习的非正交波形MIMO雷达成像方法，其特征在于，将所述目标回波信号中不同波形的信号进行分离，得到不同波形对应的波形矢量，并进行方位向压缩，得到MIMO雷达的目标图像，具体为：
6.根据权利要求4所述的基于深度学习的非正交波形MIMO雷达成像方法，其特征在于，将MIMO雷达回波信号模型中不同接收阵元处的频域回波信号和所述理想目标图像作为训练集；其中，频域回波信号的获取方法包括：
7.根据权利
...【技术特征摘要】
1.一种基于深度学习的非正交波形mimo雷达成像方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的非正交波形mimo雷达成像方法，其特征在于，所述深度网络模型包括：回波变换模块和特征成像模块；
3.根据权利要求2所述的基于深度学习的非正交波形mimo雷达成像方法，其特征在于，所述特征成像模块的构建方法，具体为：
4.根据权利要求1所述的基于深度学习的非正交波形mimo雷达成像方法，其特征在于，所述构建mimo雷达回波信号模型，获得整个成像场景下的目标回波信号，具体为：
5.根据权利要求...
【专利技术属性】
技术研发人员：胡晓伟，郭艺夺，冯为可，李洪兵，冯存前，王宇晨，彭一凡，
申请(专利权)人：中国人民解放军空军工程大学，
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。