CN109270525B - 基于深度学习的穿墙雷达成像方法及系统 - Google Patents

基于深度学习的穿墙雷达成像方法及系统 Download PDF

Info

Publication number
CN109270525B
CN109270525B CN201811496175.0A CN201811496175A CN109270525B CN 109270525 B CN109270525 B CN 109270525B CN 201811496175 A CN201811496175 A CN 201811496175A CN 109270525 B CN109270525 B CN 109270525B
Authority
CN
China
Prior art keywords
training
wall radar
neural network
radar image
data
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.)
Active
Application number
CN201811496175.0A
Other languages
English (en)
Other versions
CN109270525A (zh
Inventor
钱江
黄少寅
王开民
张自文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811496175.0A priority Critical patent/CN109270525B/zh
Publication of CN109270525A publication Critical patent/CN109270525A/zh
Application granted granted Critical
Publication of CN109270525B publication Critical patent/CN109270525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
    • G01S13/888—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons through wall detection
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了基于深度学习的穿墙雷达成像方法，首先获取仿真回波数据；对回波数据进行BP成像，作为神经网络训练时的输入图像；然后仿真训练生成参考图片，作为神经网络训练时的参考图片；应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；最后将训练好的网络模型应用于实测数据。本发明提供的方法提高了穿墙雷达成像的分辨率；降低穿墙雷达图像中的旁瓣。

Description

基于深度学习的穿墙雷达成像方法及系统
技术领域
本发明涉及雷达图像处理技术领域，特别是基于深度学习的穿墙雷达成像方法。
背景技术
传统的穿墙雷达成像多采用后向投影算法(BP)，但是成像分辨率有待提高。根据穿墙雷达成像原理，图像方位向分辨率取决于天线的长度，长度越长分辨率越高。但穿墙雷达受限于尺寸要求，天线一般都比较短，所以图像方位向分辨率较低。
发明内容
本发明的目的之一是提出基于深度学习的穿墙雷达成像方法；目的之二是提出基于深度学习的穿墙雷达成像系统；本方法利用深度学习来提高穿墙雷达图像分辨率。
本发明的目的是通过以下技术方案来实现的：
本发明提供的基于深度学习的穿墙雷达成像方法，包括以下步骤：
步骤1.获取仿真回波数据；
步骤2.对回波数据进行BP成像，作为神经网络训练时的输入图像；
步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；
步骤5.将训练好的网络模型应用于实测数据。
进一步，所述步骤1中的获取仿真回波数据的具体过程如下：
按照预设分布设置雷达天线位置；
设置穿墙雷达的发射机和接收机位置；
所述发射机产生的信号如下所示：
s(t)＝a(t)exp(j2πfct) (1)
其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；
所述接收机获取的回波信号为：
sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)] (2)
其中，tm可以写成如下所示：
Figure BDA0001896939770000021
其中，
sr(tm,t)表示第m个接受机收到的回波信号；
tm表示发射信号到达第m个接收机的时间，
c表示发射信号传播速度；
(x0，y0)为目标点的位置；
(xm，ym)是第m个接收机的位置；
(xt，yt)是发射机的位置。
进一步，所述步骤2中的BP成像具体过程如下：
按照以下公式压缩回波信号距离：
src(tm，t)＝sinc[B(t-tm)]exp(-j2πfctm) (4)
其中，
src(tm，t)表示第m个接收机接收到的信号经过压缩后的形式
sinc的定义为：
Figure BDA0001896939770000022
B是发射信号的带宽，
按照以下公式进行BP算法处理：
Figure BDA0001896939770000023
其中，I(x0,y0)表示经过BP算法后位置为(x0,y0)的点的强度。
；(5)进一步，所述步骤3中的仿真训练生产参考图片具体过程如下：
仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第一种穿墙雷达图像；
这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；
仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第二种穿墙雷达图像；
这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片。
进一步，所述步骤4中的训练过程如下：
设计神经网络架构
获取训练样本，同时生成测试集；
在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；
采用Adam方法对所有训练样本进行优化；
直到达到预设训练迭代次数；
完成网络模型的训练。
进一步，所述步骤5中的将训练好的模型应用于实测数据：
之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；
得到增强后的穿墙雷达图像。
本发明的目的之二是通过以下技术方案来实现的：
本发明提供的基于深度学习的穿墙雷达成像系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
步骤1.获取仿真回波数据；
步骤2.对回波数据进行BP成像，作为神经网络训练时的输入图像；
步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；
步骤5.将训练好的网络模型应用于实测数据。
进一步，所述步骤1中的获取仿真回波数据的具体过程如下：
按照预设分布设置雷达天线位置；
设置穿墙雷达的发射机和接收机位置；
所述发射机产生的信号如下所示：
s(t)＝a(t)exp(j2πfct) (1)
其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；
所述接收机获取的回波信号为：
sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)] (2)
其中，tm可以写成如下所示：
Figure BDA0001896939770000041
其中，
sr(tm,t)表示第m个接受机收到的回波信号；
tm表示发射信号到达第m个接收机的时间，
c表示发射信号传播速度；
(x0，y0)为目标点的位置；
(xm，ym)是第m个接收机的位置；
(xt，yt)是发射机的位置。
进一步，所述步骤2中的BP成像具体过程如下：
按照以下公式压缩回波信号距离：
src(tm，t)＝sinc[B(t-tm)]exp(-j2πfctm) (4)
其中，src(tm,t)表示第m个接收机接收到的信号经过压缩后的形式；
sinc的定义为：
Figure BDA0001896939770000042
B是发射信号的带宽，
按照以下公式进行BP算法处理：
Figure BDA0001896939770000043
其中，I(x0,y0)表示经过BP算法后位置为(x0,y0)的点的强度。
；(5)进一步，所述步骤3中的仿真训练生产参考图片具体过程如下：
仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第一种穿墙雷达图像；
这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；
仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第二种穿墙雷达图像；
这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片；
所述步骤4中的训练过程如下：
设计神经网络架构
获取训练样本，同时生成测试集；
在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；
采用Adam方法对所有训练样本进行优化；
直到达到预设训练迭代次数；
完成网络模型的训练；
所述步骤5中的将训练好的模型应用于实测数据：
之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；
得到增强后的穿墙雷达图像。
由于采用了上述技术方案，本发明具有如下的优点：
本发明提供的基于深度学习的穿墙雷达成像方法，首先获取仿真回波数据；对回波数据进行BP成像；然后仿真训练生成参考图片；应用tensorflow搭建神经网络对训练数据进行训练，并生成网络模型；最后将训练好的网络模型应用于实测数据；本发明提供的方法提高了穿墙雷达成像的分辨率；降低穿墙雷达图像中的旁瓣。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的雷达天线几何布局示意图。
图2为本发明的BP成像结果示意图。
图3为本发明的参考图片示意图。
图4为本发明的深度学习网络架构示意图。
图5为本发明的网络预测结果示意图。
图6为本发明的实测数据BP成像结果示意图。
图7为本发明的实测数据经过深度学习网络后的结果示意图。
图8为本发明的基于深度学习的穿墙雷达成像方法的流程示意图。
图9为本发明的穿墙雷达原始回波信号产生的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图所示，本实施例提供的基于深度学习的穿墙雷达成像方法，包括以下步骤：
步骤1.仿真原始回波数据：
如图1所示的雷达天线几何布局示意图，建立穿墙雷达信号成像模型，本实施例提供的穿墙雷达的发射机有1个，接收机有N个，其中，T表示发射机，Ri(i＝1,2，…，N)是第i个接收机，发射机产生的信号如下所示：
s(t)＝a(t)exp(j2πfct) (1)
其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；
最后的回波信号为：
sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)] (2)
其中，
s(t)表示发射机发射的信号；
sr(tm,t)表示第m个接收机接收到的信号；
a(t-tm)表示接收机接收到的信号波形；
tm可以写成如下所示：
Figure BDA0001896939770000061
其中，其中，tm表示发射信号到达第m个接收机的时间，
(x0，y0)为目标点的位置，
(xm,ym)是第m个接收机的位置，
(xt，yt)是发射机的位置。
步骤2.对回波数据进行BP成像，所述BP成像具体如下：
回波信号距离压缩之后，得：
src(tm,t)＝sinc[B(t-tm)]exp(-j2πfctm) (4)
其中，
src(tm，t)表示第m个接收机接收到的信号；
sinc的定义为：
Figure BDA0001896939770000071
表示；B是发射信号的带宽，
tm可以写成如下所示：
Figure BDA0001896939770000072
其中，其中，tm表示发射信号到达第m个接收机的时间，
(x0,y0)为目标点的位置，
(xm，ym)是第m个接收机的位置，
(xt,yt)是发射机的位置。
用BP算法进行处理，BP算法的公式如下所示：
Figure BDA0001896939770000073
其中，I(x0，y0)表示经过BP算法后位置为(x0，y0)的点的强度。
经过BP算法后的结果如图2所示。
步骤3.仿真训练生产参考图片：
首先，仿真产生只有8个接受机的雷达回波数据，并且对这些数据进行BP成像，生成分辨率较低的穿墙雷达图像，这些图像将会作为神经网路的输入数据，其BP成像结果如图2所示，同时，仿真产生拥有80个接收机的雷达回波数据，并且对这些数据进行BP成像，生成较高分辨率的图像，这些图像将会作为神经网络训练时的参考图片，其BP成像的结果如图3所示。
步骤4.应用深度学习工具tensorflow搭建神经网络对训练数据进行训练：
搭建了如图4所示的网络模型，用于深度学习的网络架构包括原始信号单元、
短时傅里叶变换单元、卷积核大小25*25*1*6激活函数ReLU单元、卷积核大小15*15*6*24激活函数ReLU单元、卷积核大小5*5*24*24激活函数ReLU单元、卷积核大小3*3*24*1激活函数ReLU单元和输出图像单元；
具体过程如下：本实施例生成了1000个数据作为训练样本，同时生成10个数据作为测试集，在训练过程中，采用均方差作为损失函数，设置学习速率为0.0001，批大小为50，同时采用Adam方法进行优化，也就是说一次性输入50张图片到网络中训练，直到把1000张图片都输入到网络中训练一遍，这样的一个过程称为1次迭代，整个训练过程经历了5次迭代。当模型训练完成时，把测试数据输入到网络中进行预测，其预测结果如图5所示。
步骤5.将训练好的模型应用于实测数据：
当网络模型训练完成后，将实测数据如图6所示输入到训练好的网络中，得到的雷达图像分辨率得到了提高，其结果如图7所示。
实施例2
如图所示，本实施例提供的基于深度学习的穿墙雷达成像系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
步骤1.获取仿真回波数据；
步骤2.对回波数据进行BP成像，作为神经网络训练时的输入图像；
步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；
步骤5.将训练好的网络模型应用于实测数据。
所述步骤1中的获取仿真回波数据的具体过程如下：
按照预设分布设置雷达天线位置；
设置穿墙雷达的发射机和接收机位置；
所述发射机产生的信号如下所示：
s(t)＝a(t)exp(j2πfct) (1)
其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；
所述接收机获取的回波信号为：
sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)] (2)
其中，tm可以写成如下所示：
Figure BDA0001896939770000081
其中，
sr(tm，t)表示第m个接受机收到的回波信号；
tm表示发射信号到达第m个接收机的时间，
c表示发射信号传播速度；
(x0,y0)为目标点的位置；
(xm,ym)是第m个接收机的位置；
(xt,yt)是发射机的位置。
所述步骤2中的BP成像具体过程如下：
按照以下公式压缩回波信号距离：
src(tm,t)＝sinc[B(t-tm)]exp(-j2πfctm) (4)
其中，
src(tm,t)表示第m个接收机接收到的信号；
sinc的定义为：
Figure BDA0001896939770000091
；B是发射信号的带宽，
按照以下公式进行BP算法处理：
Figure BDA0001896939770000092
其中，I(x0,y0)表示经过BP算法后位置为(x0,y0)的点的强度。
所述步骤3中的仿真训练生产参考图片具体过程如下：
仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第一种穿墙雷达图像；
这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；
仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第二种穿墙雷达图像；
这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片；
所述步骤4中的训练过程如下：
设计神经网络架构
获取训练样本，同时生成测试集；
在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；
采用Adam方法对所有训练样本进行优化；
直到达到预设训练迭代次数；
完成网络模型的训练；
所述步骤5中的将训练好的模型应用于实测数据：
之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；
得到增强后的穿墙雷达图像。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (10)

1.一种基于深度学习的穿墙雷达图像增强方法，其特征在于：包括以下步骤：
步骤1.获取仿真回波数据；
步骤2.对回波数据进行后向投影成像，作为神经网络训练时的输入图像；
步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；
步骤5.将训练好的网络模型应用于实测数据。
2.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤1中的获取仿真回波数据的具体过程如下：
按照预设分布设置雷达天线位置；
设置穿墙雷达的发射机和接收机位置；
所述发射机产生的信号如下所示：
s(t)＝a(t)exp(j2πfct) (1)
其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；
所述接收机获取的回波信号为：
sr(tm，t)＝a(t-tm)exp[j2πfc(t-tm)] (2)
其中，tm可以写成如下所示：
Figure FDA0002458248390000011
其中，
sr(tm，t)表示第m个接受机收到的回波信号；
tm表示发射信号到达第m个接收机的时间，
c表示发射信号传播速度；
(x0，y0)为目标点的位置；
(xm，ym)是第m个接收机的位置；
(xt，yt)是发射机的位置。
3.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤2中的BP成像具体过程如下：
按照以下公式压缩回波信号距离：
src(tm，t)＝sinc[B(t-tm)]exp(-j2πfctm) (4)
其中，
src(tm，t)表示第m个接收机接收到的信号经过压缩后的形式，
sinc的定义为：
Figure FDA0002458248390000021
B是发射信号的带宽，
按照以下公式进行BP算法处理：
Figure FDA0002458248390000022
其中，I(x0，y0)表示经过BP算法后位置为(x0，y0)的点的强度。
4.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤3中的仿真训练生产参考图片具体过程如下：
仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第一种穿墙雷达图像；
这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；
仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第二种穿墙雷达图像；
这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片。
5.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤4中的训练过程如下：
设计神经网络架构
获取训练样本，同时生成测试集；
在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；
采用Adam方法对所有训练样本进行优化；
直到达到预设训练迭代次数；
完成网络模型的训练。
6.如权利要求1所述的基于深度学习的穿墙雷达图像增强方法，其特征在于：所述步骤5中的将训练好的模型应用于实测数据：
之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；
得到增强后的穿墙雷达图像。
7.基于深度学习的穿墙雷达图像增强系统，包括存储器、处理器及存储在存储器上并可在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程序时实现以下步骤：
步骤1.获取仿真回波数据；
步骤2.对回波数据进行后向投影成像，作为神经网络训练时的输入图像；
步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；
步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；
步骤5.将训练好的网络模型应用于实测数据。
8.如权利要求7所述的基于深度学习的穿墙雷达图像增强系统，其特征在于：所述步骤1中的获取仿真回波数据的具体过程如下：
按照预设分布设置雷达天线位置；
设置穿墙雷达的发射机和接收机位置；
所述发射机产生的信号如下所示：
s(t)＝a(t)exp(j2πfct) (1)
其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；
所述接收机获取的回波信号为：
sr(tm，t)＝a(t-tm)exp[j2πfc(t-tm)] (2)
其中，tm可以写成如下所示：
Figure FDA0002458248390000031
其中，
sr(tm，t)表示第m个接受机收到的回波信号；
tm表示发射信号到达第m个接收机的时间，
c表示发射信号传播速度；
(x0，y0)为目标点的位置；
(xm，ym)是第m个接收机的位置；
(xt，yt)是发射机的位置。
9.如权利要求7所述的基于深度学习的穿墙雷达图像增强系统，其特征在于：所述步骤2中的BP成像具体过程如下：
按照以下公式压缩回波信号距离：
src(tm，t)＝sinc[B(t-tm)]exp(-j2πfctm) (4)
其中，
src(tm，t)表示第m个接收机接收到的信号经过压缩后的形式；
sinc的定义为：
Figure FDA0002458248390000041
B是发射信号的带宽，
按照以下公式进行BP算法处理：
Figure FDA0002458248390000042
其中，I(x0，y0)表示经过BP算法后位置为(x0，y0)的点的强度。
10.如权利要求7所述的基于深度学习的穿墙雷达图像增强系统，其特征在于：所述步骤3中的仿真训练生产参考图片具体过程如下：
仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第一种穿墙雷达图像；
这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；
仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行BP成像，生成第二种穿墙雷达图像；
这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片；
所述步骤4中的训练过程如下：
设计神经网络架构
获取训练样本，同时生成测试集；
在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；
采用Adam方法对所有训练样本进行优化；
直到达到预设训练迭代次数；
完成网络模型的训练；
所述步骤5中的将训练好的模型应用于实测数据：
之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；
得到增强后的穿墙雷达图像。
CN201811496175.0A 2018-12-07 2018-12-07 基于深度学习的穿墙雷达成像方法及系统 Active CN109270525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811496175.0A CN109270525B (zh) 2018-12-07 2018-12-07 基于深度学习的穿墙雷达成像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811496175.0A CN109270525B (zh) 2018-12-07 2018-12-07 基于深度学习的穿墙雷达成像方法及系统

Publications (2)

Publication Number Publication Date
CN109270525A CN109270525A (zh) 2019-01-25
CN109270525B true CN109270525B (zh) 2020-06-30

Family

ID=65187447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811496175.0A Active CN109270525B (zh) 2018-12-07 2018-12-07 基于深度学习的穿墙雷达成像方法及系统

Country Status (1)

Country Link
CN (1) CN109270525B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11009591B2 (en) * 2019-02-01 2021-05-18 GM Global Technology Operations LLC Deep learning for de-aliasing and configuring a radar system
CN110133645B (zh) * 2019-04-23 2022-03-15 南京邮电大学 一种基于支持向量机的墙体参数预测方法
CN111007496B (zh) * 2019-11-28 2022-11-04 成都微址通信技术有限公司 基于神经网络关联雷达的穿墙透视方法
CN111239731A (zh) * 2020-01-06 2020-06-05 南京航空航天大学 基于神经网络的合成孔径雷达快速成像方法及装置
CN111537996A (zh) * 2020-06-02 2020-08-14 西安石油大学 一种基于卷积神经网络的穿墙雷达成像方法
CN112986950A (zh) * 2020-12-25 2021-06-18 南京理工大学 基于深度学习的单脉冲激光雷达回波特征提取方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MXPA02009278A (es) * 2000-03-22 2004-09-06 Hot Shot Radar Inspections Llc Metodo y sistema para la identificacion de objetos subterraneos.
US20060018524A1 (en) * 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
CN101858975A (zh) * 2009-08-14 2010-10-13 电子科技大学 一种基于穿墙雷达成像的目标定位方法
CN101697006B (zh) * 2009-09-18 2011-11-16 北京航空航天大学 基于机载雷达和红外成像传感器数据融合的目标识别方法
CN106355151B (zh) * 2016-08-30 2019-10-01 电子科技大学 一种基于深度置信网络的三维sar图像目标识别方法
CN108229404B (zh) * 2018-01-09 2022-03-08 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108731736B (zh) * 2018-06-04 2019-06-14 山东大学 用于桥隧结构病害无损检测诊断的自动爬墙式雷达光电机器人系统

Also Published As

Publication number Publication date
CN109270525A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109270525B (zh) 基于深度学习的穿墙雷达成像方法及系统
US11486963B2 (en) Multiple input multiple output (MIMO) target emulation system and method for testing MMWAVE radar sensor
CN106021637B (zh) 互质阵列中基于迭代稀疏重构的doa估计方法
CN109343060B (zh) 基于深度学习时频分析的isar成像方法及系统
CN112526451B (zh) 基于麦克风阵列成像的压缩波束形成及系统
US10275707B2 (en) Systems and methods for training multipath filtering systems
CN109633538B (zh) 非均匀采样系统的最大似然时差估计方法
US10571408B2 (en) System and method for determining structure of material
CN110346794B (zh) 一种资源优化配置的分布式雷达成像方法
CN110208760B (zh) 一种基于时域上采样的雷达回波仿真方法
CN109375227B (zh) 一种解卷积波束形成三维声成像方法
CN108107428B (zh) 用于mimo阵列的相移偏移成像方法及装置
CN109521401A (zh) 一种合成孔径成像的快速波束形成方法
WO2018064917A1 (zh) 基于gpu的人体微波回波模拟方法及系统
CN108181624B (zh) 一种差分计算成像装置及方法
CN110554393B (zh) 基于深度学习的高对比度最小方差成像方法
CN116634358A (zh) 终端定位方法、装置及非易失性存储介质
CN110988869A (zh) 基于mimo阵列的成像方法及装置
CN113721191B (zh) 自适应栅格化提升矩阵补全性能的信号源定位方法和系统
CN106291126B (zh) 基于变采样率的复杂电磁环境时域信号模拟方法
KR101702581B1 (ko) 레이다 스캔 영상 처리 장치 및 그 처리 방법
US10107900B1 (en) System for calculating displacement of a sonar array
CN116609742B (zh) 基于实时地图反演sar回波模拟与干扰评估方法及系统
CN113466838B (zh) 一种迭代补偿的目标辐射噪声数据模拟方法及系统
Qu et al. Cross validation based distributed greedy sparse recovery for multiview through-the-wall radar imaging

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