CN112099008A - 基于cv-admmn的sa-isar成像与自聚焦方法 - Google Patents
基于cv-admmn的sa-isar成像与自聚焦方法 Download PDFInfo
- Publication number
- CN112099008A CN112099008A CN202010975711.6A CN202010975711A CN112099008A CN 112099008 A CN112099008 A CN 112099008A CN 202010975711 A CN202010975711 A CN 202010975711A CN 112099008 A CN112099008 A CN 112099008A
- Authority
- CN
- China
- Prior art keywords
- matrix
- representing
- admmn
- vector
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 72
- 239000013598 vector Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008707 rearrangement Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达成像领域,具体涉及一种基于CV‑ADMMN的SA‑ISAR成像与自聚焦方法,包括以下步骤:S1对运动目标一维距离像序列进行建模;S2对运动目标稀疏孔径ISAR成像场景进行建模;S3建立运动目标稀疏孔径ISAR成像问题的ADMM重构模型;S4建立CV‑ADMMN网络结构模型;S5利用CV‑ADMMN网络结构对稀疏孔径ISAR成像问题进行求解;本发明取得的有益效果为:通过本发明可实现运动目标稀疏孔径ISAR成像与自聚焦,在稀疏孔径条件下,可快速重构完整雷达图像,并实现相位误差补偿。算法性能对参数选取依赖性弱,进而获得更佳的重构性能。对于数据缺失条件下稀疏孔径ISAR成像、自聚焦有重要的工程应用价值。
Description
技术领域
本发明属于雷达成像领域,具体涉及一种基于复数域交替方向乘子法网络(Complex-valued ADMM-Net,CV-ADMMN)的目标稀疏孔径逆合成孔径雷达(Sparseaperture inverse synthetic aperture radar,SA-ISAR)成像与自聚焦方法。
背景技术
逆合成孔径雷达(ISAR)成像技术可以用于对目标进行高分辨率成像,具有全天时全天 候的特性,在民用与军事领域应用广泛。
SA-ISAR成像是指利用稀疏孔径雷达回波对目标进行成像。稀疏孔径回波是指雷达接收 到的不完整回波。通常来讲,环境与雷达接收机噪声、多功能雷达的“宽-窄”交替模式、压 缩感知雷达的随机采样方式、多通道雷达的目标切换模式等都将导致稀疏孔径回波。在稀疏 孔径条件下,由于回波之间的相关性被严重破坏,传统快速傅里叶变换(FastFourier transform, FFT)方法无法对方位向单元进行成像。此时,一般可以利用凸优化方法通过雷达图像的稀 疏性先验迭代求解成像结果。凸优化方法往往对模型参数选取具有敏感性,不同参数的选取 往往会对算法效果造成巨大影响。在实际应用中需要对参数进行手工微调,为工程应用带来 不便。
自聚焦可以对运动目标的平动所产生的相位误差进行补偿,从而实现精细的平动补偿。 在稀疏孔径条件下,由于数据缺失,传统自聚焦方法难以得到良好的效果,导致图像散焦。 因此在稀疏孔径条件下,对运动目标进行高效地成像与自聚焦具有重要的工程应用价值。
发明内容
本发明要解决的技术问题是在稀疏孔径条件下,传统运动目标ISAR成像方法对参数敏 感性强,传统自聚焦方法效果不佳,难以满足工程应用需求。
本发明的思路是针对稀疏孔径条件下,成像算法对参数选取敏感性强,以及传统自聚焦 方法效果不佳的问题,提出一种基于CV-ADMMN的SA-ISAR成像与自聚焦方法。该方法基 于深度学习网络模型,利用深度展开的方式,将传统交替方向乘子法(Alternatingdirection method of multipliers,ADMM)应用于SA-ISAR问题,并将其建模为深度网络模型。将该网 络在数据集上训练,从而自适应地调整算法参数。为改善稀疏孔径条件下的自聚焦效果,本 发明在已有的网络结构中嵌入了基于最小熵的自聚焦模块,从而构成完整CV-ADMMN结构。 该结构通过网络前向传播可以从稀疏孔径一维距离向序列重构出原始雷达图像。
本发明解决其技术问题所采取的技术方案是:一种基于CV-ADMMN的SA-ISAR成像与 自聚焦方法,包括以下步骤:
S1对运动目标一维距离像序列进行建模:
平动补偿是ISAR成像的首要环节,经过几十年发展,其技术路线已相对成熟(保铮,邢 孟道,王彤.雷达成像技术[M].北京:电子工业出版社,2005),因此,本发明假设对目标的平 动补偿已经完成。雷达发射线性调频(Linear frequency modulation,LFM)信号,针对运动 目标接收到的二维回波可被建模为:
其中,t分别表示快时间与全时间,而tm表示慢时间。σi与Ri分别代表第i个 散射中心的反射系数与相对雷达的瞬时转动距离,fc、c、γ分别表示雷达信号中心频率、 真空光速、信号调频率。由于ISAR成像累积时间较短,因此在回波建模时,目标在一个脉 冲时间内的运动可被忽略。
式(1)所示二维信号经过解线调频后得到的信号表达式如下:
S2对运动目标稀疏孔径ISAR成像场景进行建模:
在稀疏孔径条件下,雷达***对运动目标的观测可用如下降采样模型进行表示:
y=Φx+n=dfx+n (3)
其中,代表雷达图像列向量,该向量由图像矩阵沿列重排得到,表示 MN维复列向量,表示M×N维复矩阵,M代表雷达图像方位向单元个数,N代表距离 向单元个数;代表接收到的雷达一维距离像向量,该向量由一维距离像矩阵沿列重排得到,L代表降采样后一维距离像的个数,L<<M;代表降采样矩阵, 代表沿列重排的高斯白噪声向量;代表分块傅里叶变换矩阵,可表示为 其中IN代表N×N维单位矩阵,F代表M×M维傅里叶变换矩阵。代 表分块降采样矩阵,可表示为其中D代表L×M维降采样矩阵,元素由0和1 构成。令V代表被采样的距离像索引,则有则对于矩阵D中的第l行m列 元素Dl,m,当向量V的第l个元素Vl=m时,有Dl,m=1,l=1,2,…,L,m=1,2,…,M。
式(3)给出的降采样模型,将稀疏孔径成像建模为线性欠定逆问题的求解,可利用压缩感 知(Compressive sensing,CS)方法(D.L.Donoho,”Compressed sensing,”IEEETransactions on Information Theory,vol.52,no.4,pp.1289-1306,2006.)进行求解;
S3建立运动目标稀疏孔径ISAR成像问题的ADMM重构模型:
对于式(3)给出的降采样模型,利用传统ADMM对其进行求解:
S3.1构建如下优化模型:
其中,z为引入的中间变量。
S3.2针对式(4)优化模型,得到增广拉格朗日函数:
式(5)中,α代表拉格朗日乘子,ρ代表惩罚因子,||·||2表示向量l2范数,||·||1表示向量或 矩阵的l1范数。
S3.3利用式(5),将式(4)的优化问题转化为如下子问题进行迭代求解:
k表示迭代次数;将式(5)代入式(6),可以得到x(k)和z(k)的解析表达式,并最终得到完整 的迭代步骤如下:
S4建立CV-ADMMN网络结构模型:
式(7)中每一步迭代包含x(k)、z(k)、α(k)三个计算步骤,将其对应为三种不同的网络层: x(k)称为第k个重构层,z(k)称为第k个降噪层,α(k)称为第k个拉格朗日乘子更新层。将x(k)、 z(k)、α(k)依次连接,可以得到第k级结构体,将该结构体重复级联,可以得到CV-ADMMN模型。
为了在实际应用中减小运算量,将式(7)中向量表达式重排为矩阵形式,可以得到如下 CV-ADMMN前向传播表达式:
其中,分别代表第k个降噪层的参数ρ、第k个降噪层的参数λ、第k 个拉格朗日乘子更新层的参数ρ、第k个重构层的参数ρ。上述参数均为独立可调整参数。 Mask代表M×N维稀疏采样掩码矩阵,元素由0和1构成,原始信号中被采样保留的位置为1,否则为0。1M×N代表大小为M×N的全1矩阵。Z(k)和A(k)分别代表中间变量z(k)与拉格朗 日乘子α(k)重排后得到的矩阵,表示傅里叶变换矩阵,表示降采样后的一维距离像矩阵,矩阵的每一行表示一组一维距离像。Y为网络输入。
S5利用CV-ADMMN对稀疏孔径ISAR成像问题进行求解:
S5.1对CV-ADMMN进行训练:
S5.1.1构建与实际应用场景近似的数据集。数据集中包含多组“距离像-标签”数据对 其中代表第q组稀疏孔径一维距离像矩阵,代表第q组图 像标签。将数据集中的数据依次输入S4生成的CV-ADMMN模型,对CV-ADMMN进行训 练。
S5.1.2定义两种损失函数如下:
其中,表示输入Yq时网络输出得到的重构图像,ξ代表惩罚系数,||·||F表示矩阵 的F范数,Q表示数据集包含数据的总个数,abs(·)表示矩阵或向量逐元素取模得到的矩阵 或向量。L1损失函数表示标签图像与重构图像的均方根误差(Root meansquare error,RMSE), L2损失函数表示标签图像与重构图像的RMSE叠加l1范数正则项。损失函数L2在低信噪比条 件下往往能获得更优的效果,而损失函数L1往往适用于高信噪比条件。
S5.1.3利用复数域反向传播(Back propogation,BP)和梯度下降算法(G.M.Georgiou and C.Koutsougeras,”Complex domain backpropagation,”in IEEETransactions on Circuits and Systems II:Analog and Digital SignalProcessing,vol.39,no.5,pp.330-334,May 1992)更新网络 参数。采用的复数导数遵循如下定义:
其中,o表示某一实数,O表示复数矩阵或向量。Re{·}和Im{·}分别代表复数向量的实部和 虚部。
反向传播过程需要求解损失函数对每个网络层及其参数的偏导数。为表示方便,本部分 公式推导均采用未重排为矩阵的向量形式,在实际应用中,CV-ADMMN依旧通过矩阵形式 实现。
S5.1.3.2CV-ADMMN中损失函数对每一层的偏导数均可通过后向对应的网络层导数进 行表示。求得输出层的偏导数后,可进一步通过链式法则求解每一层的偏导数,具体链式法 则表达式如下:
其中,L代指损失函数L1或L2。
S5.1.3.3利用式(12)得到损失函数对第(k+1)个重构层x(k+1)、第(k+1)个降噪层z(k+1)、第(k+1) 个拉格朗日乘子更新层α(k+1)的偏导数后,可进一步计算每一层中待求参数的梯度,具体表达 式以矩阵形式表示如下:
其中,sum(·)表示对矩阵的所有元素求和。
S5.1.3.4训练过程中利用梯度下降法对参数进行更新。对于第k级结构体中的网络参数, 其更新表达式如下
S5.1.3.5当参数更新至梯度近似为0时,停止训练,得到参数固定的CV-ADMMN模型。
S5.2嵌入基于最小熵的自聚焦模块:
S5.2.1构建包含相位误差的稀疏孔径观测场景:
y=edfx+n (15)
S5.2.2上述模型中,E为未知的相位误差矩阵,为实现自聚焦功能,本发明通过最小熵 方法对E进行估计。对于公式(8)中任意重构层输出X(k),相位误差矩阵E的估计结果由下式 给出:
其中,φ=[φ1,φ2,...,φL],e(X(k)(φ))表示矩阵X(k)(φ)的熵,表达式如下:
其中,l=1,2,...,L,最终可求解向量φ的值。
将式(8)中X(k)解析表达式代入式(18),可以得到φl的解析表达式:
其中,Y.l表示矩阵Y的第l列。0表示元素全0的矩阵。利用估计得到的相位误差,可实现 自聚焦功能。
S5.2.3利用式(19)解析表达式,将自聚焦模块嵌入CV-ADMMN结构,可以得到具有自聚 焦功能的的CV-ADMMN前向传播表达式:
利用式(20),可以构建出具有自聚焦功能的CV-ADMMN模型。式(20)中的未知参数 通过S5.1的训练步骤得到。相较于式(8)的模型,式(20)构建出的模型可自适 应补偿雷达信号中的初相,具有更广泛的应用场景。
S5.3利用嵌入自聚焦模块的CV-ADMMN进行稀疏孔径成像与自聚焦
S5.3.1获取实际观测稀疏孔径回波,通过快时间FFT得到稀疏孔径一维距离像序列。利 用互相关法对一维距离像序列进行平动粗补偿。(保铮,邢孟道,王彤.雷达成像技术[M].北 京:电子工业出版社,2005)
S5.3.2将粗补偿后的一维距离像序列Y输入CV-ADMMN,通过网络前向传播得到高质量 的ISAR图像X。
本发明取得的有益效果为:通过本发明可实现运动目标稀疏孔径ISAR成像与自聚焦, 在稀疏孔径条件下,可快速重构完整雷达图像,并实现相位误差补偿。算法性能对参数选取 依赖性弱,进而获得更佳的重构性能。对于数据缺失条件下稀疏孔径ISAR成像、自聚焦有 重要的工程应用价值。
附图说明
图1本发明的实施流程图;
图2CV-ADMMN结构图;
图3嵌入自聚焦模块的CV-ADMMN结构图;
图4全孔径条件下的:(a)目标一维距离像序列;(b)目标ISAR图像;
图5稀疏度为25%的稀疏孔径条件下且存在相位误差时:(a)目标一维距离像序列;(b) 距离-多普勒方法所得目标ISAR图像;(c)本发明利用L1损失函数训练所得ISAR图像;(d) 本发明利用L2损失函数训练所得ISAR图像;
图6考虑包含相位误差的原始数据,并从中随机抽取64个脉冲,以模拟稀疏度为25%的稀疏孔径数据:(a)目标一维距离向;(b)传统RD方法成像结果;(c)由L1损失函数训 练的嵌入自聚焦模块的CV-ADMMN成像结果;(d)由L2损失函数训练的嵌入自聚焦模块的 CV-ADMMN成像结果。
具体实施方式
下面结合附图对本发明进行进一步说明:
图1为本发明的实施流程图。
图2与图3分别为CV-ADMMN结构与嵌入自聚焦模块的CV-ADMMN结构。本发明提 出一种基于复数域ADMM-Net的目标SA-ISAR成像与自聚焦方法,包括以下步骤:
S1对运动目标一维距离像序列进行建模;
S2对运动目标稀疏孔径ISAR成像场景进行建模;
S3建立运动目标稀疏孔径ISAR成像问题的ADMM重构模型;
S4建立CV-ADMMN网络结构模型;
S5利用CV-ADMMN网络结构对稀疏孔径ISAR成像问题进行求解;
图4(a)、图4(b)为雷达实测目标全孔径条件下的目标一维距离像序列与ISAR图像。 雷达发射信号参数如下:中心频率为5.52GHz,带宽为400MHz,脉宽为25.6μs。全孔径数据包含256个脉冲,每个脉冲包含256个采样点。
从无相位误差的全孔径数据中随机抽取64个脉冲,以模拟稀疏度为25%的稀疏孔径数 据。此时,目标一维距离向如图5(a)所示。进一步采用传统距离-多普勒(Range-Doppler, RD)方法和本发明对该稀疏孔径数据进行成像。所得ISAR图像分别为图5(b)、(c)、(d) 所示。其中,本发明采用了两种不同的损失函数进行训练,得到两种不同的网络结构,图5 (c)、(d)分别对应由L1、L2损失函数训练后得到的成像结果。由图5(b)可知,由于稀疏 孔径效应,脉冲之间的相关性被严重破坏,RD算法难以得到聚焦效果好的图像。而由图5(c) 和(d)可知,本发明所得ISAR图像聚焦效果良好。
进一步,考虑包含相位误差的原始数据,并从中随机抽取64个脉冲,以模拟稀疏度为 25%的稀疏孔径数据。此时,目标一维距离向如图6(a)所示。采用传统无自聚焦的RD方法与本发明进行对比。传统RD方法成像结果如图6(b)所示。此时,不仅脉冲间相关性被 破坏,回波数据上还叠加了相位误差,传统RD方法无法自适应补偿相位误差,因此无法完 成成像。图6(c)、(d)分别表示由L1、L2损失函数训练的嵌入自聚焦模块的CV-ADMMN 成像结果。由图6(c)、(d)可知,本发明不仅克服了回波脉冲间相关性的缺失,同时能够 正确地补偿相位误差。
综上所述,本发明可以有效实现稀疏孔径条件下运动目标成像与自聚焦功能,对于25% 稀疏度的稀疏孔径数据具有良好的效果,有较高工程应用价值。
Claims (1)
1.一种基于CV-ADMMN的SA-ISAR成像与自聚焦方法,其特征在于,包括以下步骤:
S1对运动目标一维距离像序列进行建模:
雷达发射线性调频信号,针对运动目标接收到的二维回波可被建模为:
其中,t分别表示快时间与全时间,而tm表示慢时间;σi与Ri分别代表第i个散射中心的反射系数与相对雷达的瞬时转动距离,fc、c、γ分别表示雷达信号中心频率、真空光速、信号调频率;由于ISAR成像累积时间较短,因此在回波建模时,目标在一个脉冲时间内的运动可被忽略;
式(1)所示二维信号经过解线调频后得到的信号表达式如下:
S2对运动目标稀疏孔径ISAR成像场景进行建模:
在稀疏孔径条件下,雷达***对运动目标的观测可用如下降采样模型进行表示:
y=Φx+n=dfx+n (3)
其中,代表雷达图像列向量,该向量由图像矩阵沿列重排得到,表示MN维复列向量,表示M×N维复矩阵,M代表雷达图像方位向单元个数,N代表距离向单元个数;代表接收到的雷达一维距离像向量,该向量由一维距离像矩阵沿列重排得到,L代表降采样后一维距离像的个数,L<<M;代表降采样矩阵,代表沿列重排的高斯白噪声向量;代表分块傅里叶变换矩阵,可表示为其中IN代表N×N维单位矩阵,F代表M×M维傅里叶变换矩阵;代表分块降采样矩阵,可表示为其中D代表L×M维降采样矩阵,元素由0和1构成;令V代表被采样的距离像索引,则有则对于矩阵D中的第l行m列元素Dl,m,当向量V的第l个元素Vl=m时,有Dl,m=1,l=1,2,…,L,m=1,2,…,M;
式(3)给出的降采样模型,将稀疏孔径成像建模为线性欠定逆问题的求解,可利用压缩感知方法进行求解;
S3建立运动目标稀疏孔径ISAR成像问题的ADMM重构模型:
对于式(3)给出的降采样模型,利用传统ADMM对其进行求解:
S3.1构建如下优化模型:
其中,z为引入的中间变量;
S3.2针对式(4)优化模型,得到增广拉格朗日函数:
式(5)中,α代表拉格朗日乘子,ρ代表惩罚因子,||·||2表示向量l2范数,||·||1表示向量或矩阵的l1范数;
S3.3利用式(5),将式(4)的优化问题转化为如下子问题进行迭代求解:
k表示迭代次数;将式(5)代入式(6),可以得到x(k)和z(k)的解析表达式,并最终得到完整的迭代步骤如下:
S4建立CV-ADMMN网络结构模型:
式(7)中每一步迭代包含x(k)、z(k)、α(k)三个计算步骤,将其对应为三种不同的网络层:x(k)称为第k个重构层,z(k)称为第k个降噪层,α(k)称为第k个拉格朗日乘子更新层;将x(k)、z(k)、α(k)依次连接,可以得到第k级结构体,将该结构体重复级联,可以得到CV-ADMMN模型;
为了在实际应用中减小运算量,将式(7)中向量表达式重排为矩阵形式,可以得到如下CV-ADMMN前向传播表达式:
其中,分别代表第k个降噪层的参数ρ、第k个降噪层的参数λ、第k个拉格朗日乘子更新层的参数ρ、第k个重构层的参数ρ,上述参数均为独立可调整参数;Mask代表M×N维稀疏采样掩码矩阵,元素由0和1构成,原始信号中被采样保留的位置为1,否则为0;1M×N代表大小为M×N的全1矩阵;Z(k)和A(k)分别代表中间变量z(k)与拉格朗日乘子α(k)重排后得到的矩阵,表示傅里叶变换矩阵,表示降采样后的一维距离像矩阵,矩阵的每一行表示一组一维距离像,Y为网络输入;
S5利用CV-ADMMN对稀疏孔径ISAR成像问题进行求解:
S5.1对CV-ADMMN进行训练:
S5.1.1构建与实际应用场景近似的数据集:数据集中包含多组“距离像-标签”数据对其中代表第q组稀疏孔径一维距离像矩阵,代表第q组图像标签;将数据集中的数据依次输入S4生成的CV-ADMMN模型,对CV-ADMMN进行训练;
S5.1.2定义两种损失函数如下:
其中,表示输入Yq时网络输出得到的重构图像,ξ代表惩罚系数,||·||F表示矩阵的F范数,Q表示数据集包含数据的总个数,abs(·)表示矩阵或向量逐元素取模得到的矩阵或向量;L1损失函数表示标签图像与重构图像的均方根误差,L2损失函数表示标签图像与重构图像的RMSE叠加l1范数正则项;损失函数L2在低信噪比条件下往往能获得更优的效果,而损失函数L1往往适用于高信噪比条件;
S5.1.3利用复数域反向传播和梯度下降算法更新网络参数,采用的复数导数遵循如下定义:
其中,o表示某一实数,O表示复数矩阵或向量,Re{·}和Im{·}分别代表复数向量的实部和虚部;
反向传播过程需要求解损失函数对每个网络层及其参数的偏导数;为表示方便,本部分公式推导均采用未重排为矩阵的向量形式,在实际应用中,CV-ADMMN依旧通过矩阵形式实现:
S5.1.3.2 CV-ADMMN中损失函数对每一层的偏导数均可通过后向对应的网络层导数进行表示,求得输出层的偏导数后,可进一步通过链式法则求解每一层的偏导数,具体链式法则表达式如下:
其中,L代指损失函数L1或L2;
S5.1.3.3利用式(12)得到损失函数对第(k+1)个重构层x(k+1)、第(k+1)个降噪层z(k+1)、第(k+1)个拉格朗日乘子更新层α(k+1)的偏导数后,可进一步计算每一层中待求参数的梯度,具体表达式以矩阵形式表示如下:
其中,sum(·)表示对矩阵的所有元素求和。
S5.1.3.4训练过程中利用梯度下降法对参数进行更新;对于第k级结构体中的网络参数,其更新表达式如下
S5.1.3.5当参数更新至梯度近似为0时,停止训练,得到参数固定的CV-ADMMN模型;
S5.2嵌入基于最小熵的自聚焦模块:
S5.2.1构建包含相位误差的稀疏孔径观测场景:
y=edfx+n (15)
S5.2.2上述模型中,E为未知的相位误差矩阵,为实现自聚焦功能,本发明通过最小熵方法对E进行估计;对于公式(8)中任意重构层输出X(k),相位误差矩阵E的估计结果由下式给出:
其中,φ=[φ1,φ2,...,φL],e(X(k)(φ))表示矩阵X(k)(φ)的熵,表达式如下:
其中,l=1,2,...,L,最终可求解向量φ的值;
将式(8)中X(k)解析表达式代入式(18),可以得到φl的解析表达式:
其中,Y.l表示矩阵Y的第l列,0表示元素全0的矩阵,利用估计得到的相位误差,可实现自聚焦功能;
S5.2.3利用式(19)解析表达式,将自聚焦模块嵌入CV-ADMMN结构,可以得到具有自聚焦功能的的CV-ADMMN前向传播表达式:
S5.3利用嵌入自聚焦模块的CV-ADMMN进行稀疏孔径成像与自聚焦:
S5.3.1获取实际观测稀疏孔径回波,通过快时间FFT得到稀疏孔径一维距离像序列,利用互相关法对一维距离像序列进行平动粗补偿;
S5.3.2将粗补偿后的一维距离像序列Y输入CV-ADMMN,通过网络前向传播得到高质量的ISAR图像X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975711.6A CN112099008B (zh) | 2020-09-16 | 2020-09-16 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975711.6A CN112099008B (zh) | 2020-09-16 | 2020-09-16 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112099008A true CN112099008A (zh) | 2020-12-18 |
CN112099008B CN112099008B (zh) | 2022-05-27 |
Family
ID=73760292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010975711.6A Active CN112099008B (zh) | 2020-09-16 | 2020-09-16 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112099008B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946644A (zh) * | 2021-01-28 | 2021-06-11 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN112965064A (zh) * | 2021-01-19 | 2021-06-15 | 中国人民解放军国防科技大学 | 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法 |
CN113253269A (zh) * | 2021-06-03 | 2021-08-13 | 中南大学 | 一种基于图像分类的sar自聚焦方法 |
CN113253272A (zh) * | 2021-07-15 | 2021-08-13 | 中国人民解放军国防科技大学 | 基于sar距离压缩域图像的目标检测方法及装置 |
CN113640795A (zh) * | 2021-07-27 | 2021-11-12 | 北京理工大学 | 一种基于生成对抗网络的sar智能参数化自聚焦方法 |
CN114114260A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 一种基于深度学习的机动目标isar自聚焦成像方法 |
CN114140325A (zh) * | 2021-12-02 | 2022-03-04 | 中国人民解放军国防科技大学 | 基于c-admmn的结构化稀疏孔径isar成像方法 |
CN115421115A (zh) * | 2022-05-23 | 2022-12-02 | 中国人民解放军空军预警学院 | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 |
CN117148347A (zh) * | 2023-06-13 | 2023-12-01 | 中国人民解放军空军预警学院 | 一种基于深度学习网络的二维联合成像与自聚焦方法 |
CN118068290A (zh) * | 2024-04-25 | 2024-05-24 | 西安电子科技大学 | 一种宽带雷达高速目标长时间相参积累方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150260839A1 (en) * | 2014-03-17 | 2015-09-17 | Raytheon Company | High-availability isar image formation |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
CN109100718A (zh) * | 2018-07-10 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 |
CN110244303A (zh) * | 2019-07-12 | 2019-09-17 | 中国人民解放军国防科技大学 | 基于sbl-admm的稀疏孔径isar成像方法 |
CN110275166A (zh) * | 2019-07-12 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
CN111610522A (zh) * | 2020-06-04 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于低秩与稀疏联合约束的带微动部件目标sa-isar成像方法 |
-
2020
- 2020-09-16 CN CN202010975711.6A patent/CN112099008B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150260839A1 (en) * | 2014-03-17 | 2015-09-17 | Raytheon Company | High-availability isar image formation |
CN109100718A (zh) * | 2018-07-10 | 2018-12-28 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 |
CN109085589A (zh) * | 2018-10-16 | 2018-12-25 | 中国人民解放军国防科技大学 | 基于图像质量引导的稀疏孔径isar成像相位自聚焦方法 |
CN110244303A (zh) * | 2019-07-12 | 2019-09-17 | 中国人民解放军国防科技大学 | 基于sbl-admm的稀疏孔径isar成像方法 |
CN110275166A (zh) * | 2019-07-12 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
CN111610522A (zh) * | 2020-06-04 | 2020-09-01 | 中国人民解放军国防科技大学 | 基于低秩与稀疏联合约束的带微动部件目标sa-isar成像方法 |
Non-Patent Citations (3)
Title |
---|
SHUANGHUI ZHANG ET AL.: "Fast Sparse Aperture ISAR Autofocusing and imaging via ADMM based Sparse Bayesian Learning", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
朱晓秀等: "双基地角时变下的ISAR稀疏孔径自聚焦成像", 《航空学报》 * |
杨磊等: "稳健高效通用SAR图像稀疏特征增强算法", 《电子与信息学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965064A (zh) * | 2021-01-19 | 2021-06-15 | 中国人民解放军国防科技大学 | 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法 |
CN112946644B (zh) * | 2021-01-28 | 2022-04-19 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN112946644A (zh) * | 2021-01-28 | 2021-06-11 | 中国人民解放军国防科技大学 | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 |
CN113253269A (zh) * | 2021-06-03 | 2021-08-13 | 中南大学 | 一种基于图像分类的sar自聚焦方法 |
CN113253269B (zh) * | 2021-06-03 | 2021-10-15 | 中南大学 | 一种基于图像分类的sar自聚焦方法 |
CN113253272A (zh) * | 2021-07-15 | 2021-08-13 | 中国人民解放军国防科技大学 | 基于sar距离压缩域图像的目标检测方法及装置 |
CN113253272B (zh) * | 2021-07-15 | 2021-10-29 | 中国人民解放军国防科技大学 | 基于sar距离压缩域图像的目标检测方法及装置 |
CN113640795B (zh) * | 2021-07-27 | 2024-02-13 | 北京理工大学 | 一种基于生成对抗网络的sar智能参数化自聚焦方法 |
CN113640795A (zh) * | 2021-07-27 | 2021-11-12 | 北京理工大学 | 一种基于生成对抗网络的sar智能参数化自聚焦方法 |
CN114114260A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 一种基于深度学习的机动目标isar自聚焦成像方法 |
CN114114260B (zh) * | 2021-11-25 | 2024-06-25 | 哈尔滨工业大学 | 一种基于深度学习的机动目标isar自聚焦成像方法 |
CN114140325A (zh) * | 2021-12-02 | 2022-03-04 | 中国人民解放军国防科技大学 | 基于c-admmn的结构化稀疏孔径isar成像方法 |
CN114140325B (zh) * | 2021-12-02 | 2024-04-09 | 中国人民解放军国防科技大学 | 基于c-admmn的结构化稀疏孔径isar成像方法 |
CN115421115A (zh) * | 2022-05-23 | 2022-12-02 | 中国人民解放军空军预警学院 | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 |
CN115421115B (zh) * | 2022-05-23 | 2024-06-11 | 中国人民解放军空军预警学院 | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 |
CN117148347A (zh) * | 2023-06-13 | 2023-12-01 | 中国人民解放军空军预警学院 | 一种基于深度学习网络的二维联合成像与自聚焦方法 |
CN118068290A (zh) * | 2024-04-25 | 2024-05-24 | 西安电子科技大学 | 一种宽带雷达高速目标长时间相参积累方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112099008B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112099008B (zh) | 基于cv-admmn的sa-isar成像与自聚焦方法 | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN103698763B (zh) | 基于硬阈值正交匹配追踪的线阵sar稀疏成像方法 | |
CN107193003B (zh) | 一种稀疏奇异值分解扫描雷达前视成像方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN113567985B (zh) | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 | |
CN109507666A (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN105652271B (zh) | 一种增广拉格朗日实波束雷达角超分辨处理方法 | |
CN114442092A (zh) | 一种分布式无人机sar深度学习三维成像方法 | |
CN111538007A (zh) | 一种基于两步加速的稀疏超分辨成像方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
Mao et al. | Target fast reconstruction of real aperture radar using data extrapolation-based parallel iterative adaptive approach | |
CN111781598A (zh) | 基于dsn的高分辨二维isar成像方法 | |
CN109188436B (zh) | 适用于任意平台轨迹的高效双基sar回波生成方法 | |
CN113608218A (zh) | 一种基于后向投影原理的频域干涉相位稀疏重构方法 | |
CN112346058B (zh) | 基于连续脉冲编码提升高速sar平台信噪比的成像方法 | |
CN113900099A (zh) | 稀疏孔径isar机动目标成像与定标方法 | |
CN112965064B (zh) | 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法 | |
CN112946644B (zh) | 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法 | |
CN108931770B (zh) | 基于多维贝塔过程线性回归的isar成像方法 | |
CN114895305B (zh) | 一种基于l1范数正则化的稀疏sar自聚焦成像方法及装置 | |
CN116027293A (zh) | 一种扫描雷达快速稀疏角超分辨方法 | |
CN113421281A (zh) | 一种基于分割理论的行人微动部位分离方法 | |
Jiang et al. | Translational Motion Compensation Method for ISAR Imaging of Air Maneuvering Weak Targets Based on CV-GRUNet | |
CN114879188B (zh) | 模型自适应的深度学习sar三维成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |