CN109884625B - 基于卷积神经网络的雷达关联成像方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的雷达关联成像方法。该方法包括：生成训练集和验证集；卷积神经网络的架构设计及参数设定；对卷积神经网络进行训练以优化权值系数；输入回波获取高精度重构结果。本发明的基于卷积神经网络的雷达关联成像方法，基于训练后的卷积神经网络，对雷达关联成像体制下的初始目标重构结果进行多层卷积处理，以得到逼近真实目标信息的高精度重构结果；训练后的滤波模型计算效率和重构精度高，无需反复迭代寻优；能有效地解决在较低信噪比和相对不精确参考信号矩阵情况下，重构目标存在伪散射点和颗粒状背景噪声的问题。

Description

基于卷积神经网络的雷达关联成像方法

技术领域

本发明涉及雷达成像技术领域，具体涉及一种基于卷积神经网络的雷达关联成像方法。

背景技术

随着社会的发展，雷达高分辨率成像在确保国家战略安全和促进国民经济发展方面扮演着越来越重要的角色。在现有的雷达成像技术中，光学雷达可前视成像，波长短、分辨率高和成像速度快，但是依赖于目标辐射，对烟、尘、雾和障碍物等穿透能力差，易受环境因素影响；微波雷达可主动探测，穿透能力强，但是由于微波频率低、波长长和角分辨率低，且由于成像原理的限制，需要成像积累时间，无法实现前视高帧频和高分辨成像；合成孔径雷达(SAR)和逆合成孔径雷达(ISAR)成像虽然能够通过合成孔径获得横向上的高分辨率，但是二者都依赖于雷达与目标的相对运动，无法前视成像；实孔径阵列雷达与相控阵雷达由于需要使用的阵元数量多，结构复杂，建设与维护成本高昂；微波关联成像技术能够实现前视、凝视条件下的高分辨成像，其通过构造时间不相关和空间相互正交的阵列信号作为发射信号，然后通过计算推演得到目标所在区域的探测信号，并通过探测信号与目标回波信号之间的关联处理获得目标信息，但是微波关联成像技术需要在发射端构造较大规模的天线阵列，且难以实现有效实时的波束指向调控。

雷达关联成像可通过阵列编码孔径对电磁波束的实时调制实现复杂多样的空间波调制。具体地，通过阵列编码孔径对电磁波束进行实时编码调制，从而形成时-空二维随机分布的辐射场，最后利用探测回波和辐射场参考信号矩阵通过矩阵方程求解的方式实现高分辨、前视和凝视成像，弥补了合成孔径高分辨成像依赖目标运动的不足。但是，目前的雷达关联成像在低信噪比和参考信号矩阵不精确的条件下，重构出的目标信息较易重构出伪散射点和颗粒状背景噪声，只能通过提高目标重构算法复杂度等方法使目标重构信息尽量精确。

发明内容

为解决上述现有技术中存在的技术问题，本发明提供一种基于卷积神经网络的雷达关联成像方法，该方法能有效滤除重构目标中的伪散射点和颗粒背景噪声。

为此，本发明公开了一种基于卷积神经网络的雷达关联成像方法。该方法包括：

生成训练集和验证集：确定雷达关联成像雷达系统参数，根据所述雷达关联成像雷达系统参数分别产生训练集和验证集；

卷积神经网络的架构设计及参数设定：设计确定卷积神经网络结构，基于所述卷积神经网络，对所述卷积神经网络的参数进行设定；

对所述卷积神经网络进行训练以优化权值系数：采用随机梯度下降法对所述卷积神经网络进行训练学习，并根据所述训练集和所述验证集，运用前向传播和反向传播对所述卷积神经网络的所述权值系数进行修正优化；

输入回波获取高精度重构结果：所述卷积神经网络训练完成后，向所述卷积神经网络输入成像目标回波，获取高精度重构结果。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，Nx＝Nx_t+Nx_v，50000≤Nx≤100000；

其中，Nx_t表示所述训练集的目标个数，Nx_v表示所述验证集的目标个数，Nx表示所述训练集和所述验证集的目标个数之和。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，所述卷积神经网络的结构为多个卷积层逐级连接结构型式，所述卷积层的个数为L个，3≤L≤6。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，所述卷积神经网络的所述参数包括每个所述卷积层的卷积核大小Nc×Nc和权值系数，以及所述卷积神经网络的梯度下降系数η₁、学习率η₂、训练周期和每批训练样本个数，所述权值系数包括权重系数W和偏置系数b。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，所述卷积层包括非输出层和输出层，第一个卷积层至第L-1个卷积层均为所述非输出层，第L个卷积层为所述输出层。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，所述输出层为多输入单输出卷积层。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，所述非输出层的输入x^l-1与输出x^l的关系为：

x^l＝f(u^l) (公式1)

u^l＝W^lx^l-1+b^l (公式2)

其中，x^l-1表示当前所述非输出层的输入，x^l表示当前所述非输出层的输出，u^l表示当前所述非输出层的特征图谱，W^l表示当前所述非输出层的权重系数，b^l表示当前所述非输出层的偏置系数，f(·)表示所述非输出层的激活函数Relu(·)，

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，所述输出层的输入x^L-1与输出x^L的关系为：

x^L＝u^L＝W^Lx^L-1+b^L (公式4)

其中，x^L-1表示所述输出层的输入，x^L表示所述输出层的输出，u^L表示所述输出层的特征图谱，W^L表示所述输出层的权重系数，b^L表示所述输出层的偏置系数。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，运用所述反向传播对所述卷积神经网络的所述权值系数进行修正优化，包括：

设定所述卷积神经网络的代价函数；

计算所述代价函数对应于所述卷积神经网络的每个所述卷积层的权值系数的偏导数；

利用所述偏导数和所述随机梯度下降法对所述权值系数迭代更新；

利用所述验证集观察验证所述代价函数的收敛情况。

进一步地，在所述基于卷积神经网络的雷达关联成像方法中，所述代价函数为平方损失函数。

本发明技术方案的主要优点如下：

本发明的基于卷积神经网络的雷达关联成像方法，基于训练后的卷积神经网络，对雷达关联成像体制下的初始目标重构结果进行多层卷积处理，以得到逼近真实目标信息的高精度重构结果；通过将卷积神经网络与雷达关联成像相结合，有效地学习拟合雷达关联成像体制下的滤波模型，且训练后的滤波模型计算效率和重构精度高，无需反复迭代寻优；能有效地解决在较低信噪比和相对不精确参考信号矩阵情况下，重构目标存在伪散射点和颗粒状背景噪声的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例提供的基于卷积神经网络的雷达关联成像方法的流程图；

图2为本发明一个实施例提供的基于卷积神经网络的雷达关联成像方法的结构原理示意图；

图3为本发明一个实施例提供的卷积神经网络中非输出层对应的单个卷积层的结构示意图；

图4为本发明一个实施例提供的卷积神经网络的训练过程中代价函数的收敛趋势示意图；

图5为本发明一个实施例提供的“N”形目标重构结果比较图；

图6为本发明一个实施例提供的“U”形目标重构结果比较图；

图7为本发明一个实施例提供的“D”形目标重构结果比较图；

图8为本发明一个实施例提供的“T”形目标重构结果比较图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合附图，详细说明本发明实施例提供的技术方案。

如附图1所示，本发明实施例提供了一种基于卷积神经网络的雷达关联成像方法，该方法包括以下步骤：

生成训练集和验证集：确定雷达关联成像雷达系统参数，根据雷达关联成像雷达系统参数分别产生训练集和验证集；

卷积神经网络的架构设计及参数设定：设计确定卷积神经网络结构，基于卷积神经网络，对卷积神经网络的参数进行设定；

对卷积神经网络进行训练以优化权值系数：采用随机梯度下降法对卷积神经网络进行训练学习，并根据训练集和验证集，运用前向传播和反向传播对卷积神经网络的权值系数进行修正优化；

输入回波获取高精度重构结果：卷积神经网络训练完成后，向卷积神经网络输入成像目标回波，获取高精度重构结果。

其中，训练集和验证集的目标个数满足下述条件：Nx＝Nx_t+Nx_v，50000≤Nx≤100000；

Nx_t表示训练集的目标个数，Nx_v表示验证集的目标个数，Nx表示训练集和验证集的目标个数之和。

由于卷积层的层数过多会增加网络复杂度，一方面较易出现过拟合现象，另一方面会提高训练难度；层数过少时无法达到学习效果，成像效果差。本发明实施例中，卷积神经网络的结构为多个卷积层逐级连接结构型式，且卷积层的个数为L个，3≤L≤6。

本发明实施例中，卷积神经网络的参数包括每个卷积层的卷积核大小Nc×Nc和权值系数，以及卷积神经网络的梯度下降系数η₁、学习率η₂、训练周期和每批训练样本个数，权值系数包括权重系数W和偏置系数b。

进一步地，卷积层包括非输出层和输出层，具体地，L个卷积层包括L-1个非输出层和1个输出层，第一个卷积层至第L-1个卷积层均为非输出层，第L个卷积层为输出层。

其中，输出层为多输入单输出卷积层。

进一步地，在本发明实施例中，非输出层的输入x^l-1与输出x^l的关系为：

x^l＝f(u^l) (公式1)

u^l＝W^lx^l-1+b^l (公式2)

其中，x^l-1表示当前非输出层的输入，x^l表示当前非输出层的输出，u^l表示当前非输出层的特征图谱，W^l表示当前非输出层的权重系数，b^l表示当前非输出层的偏置系数，f(·)表示非输出层的激活函数Relu(·)，

输出层的输入x^L-1与输出x^L的关系为：

x^L＝u^L＝W^Lx^L-1+b^L (公式4)

其中，x^L-1表示输出层的输入，x^L表示输出层的输出，u^L表示输出层的特征图谱，W^L表示输出层的权重系数，b^L表示输出层的偏置系数。

本发明实施例中，在对卷积神经网络进行训练以优化权值系数的步骤中，运用反向传播对卷积神经网络的权值系数进行修正优化的过程包括：

设定卷积神经网络的代价函数；

计算代价函数对应于卷积神经网络的每个卷积层的权值系数的偏导数；

利用偏导数和随机梯度下降法对权值系数迭代更新；

利用验证集观察验证代价函数的收敛情况。

其中，代价函数为平方损失函数。

以下结合具体实施例对本发明提供的基于卷积神经网络的雷达关联成像方法进行具体说明。

图2为本发明一个实施例提供的基于卷积神经网络的雷达关联成像方法的结构原理示意图。如附图2所示，图中：A表示回波信号，B表示初始目标重构层，C表示卷积神经网络，D表示最终重构结果，卷积神经网络C包括三个卷积层C1、C2和C3。回波信号A经过初始目标重构层B重构出初始目标，再依次经过卷积神经网络C的三个卷积层C1、C2和C3，得到高精度的最终重构结果D。

利用本发明提供的基于卷积神经网络的雷达关联成像方法的具体步骤如下：

1)生成训练集和验证集。

首先确定雷达关联成像雷达系统参数，如雷达发射波形、带宽、编码孔径天线阵列尺寸及阵元规模、以及雷达作用距离等；然后在目标成像平面处设置Nx个目标，Nx＝Nx_t+Nx_v，Nx_t表示训练集的目标个数，Nx_v表示验证集的目标个数，通常50000≤Nx≤100000，

训练集用于对卷积神经网络进行训练，验证集用于验证卷积神经网络代价函数收敛趋势。

具体地，在目标成像平面处设置Nx个目标的方法包括：在一定范围内随机产生单个目标的散射点个数，然后再随机产生每个散射点的散射系数，根据雷达系统参数和Nx个目标，可以产生Nx个回波向量，将Nx_t个回波向量用作训练集，Nx_v个回波向量用作验证集。

2)卷积神经网络的架构设计及参数设定。

首先对卷积神经网络进行架构设计，确定卷积神经网络的卷积层个数L，如附图2所示，本发明实施例提供的卷积神经网络中卷积层个数为3个，即L＝3，其中，第一个和第二个卷积层为非输出层，第三个卷积层为输出层。如附图3所示，图中，E表示卷积层的输入，H表示卷积层的输出；本发明实施例提供的卷积层C1为单输入四输出卷积层，包括四个可训练的卷积核，输入E通过四个卷积核和可加偏置进行卷积，卷积后在卷积层C1产生四个特征图谱，四个特征图谱通过卷积层C1内的激活函数后，得到输出H。卷积层C2和C3的结构可以根据实际情况及参照卷积层C1进行设置，当然，卷积层也可以采用其他结构形式。其中，卷积层为输出层时不含有激活函数，即卷积层C3不含有激活函数。

而后对卷积神经网络的参数进行设定，包括对每个卷积层的卷积核大小Nc×Nc、权重系数W和偏置系数b，以及卷积神经网络的梯度下降系数η₁、学习率η₂、训练周期和每批训练样本个数进行设定；其中，卷积核大小Nc×Nc根据卷积层的输入进行设定，可以为3×3、5×5或7×7，权重系数W和偏置系数b赋给[0,1]内的随机数。

则根据上述设定的卷积层结构和卷积神经网络的参数，非输出层对应的卷积层的输入通过卷积核和可加偏置进行卷积后的特征图谱可表示为：u^l＝W^lx^l-1+b^l (公式2)

非输出层对应的卷积层的输入与输出的关系可表示为：x^l＝f(u^l) (公式1)

上述公式1和公式2中，x^l-1为当前非输出层的输入，x^l为当前非输出层的输出，u^l为当前非输出层的特征图谱，W^l为当前非输出层的权重系数，b^l为当前非输出层的偏置系数，f(·)为非输出层的激活函数Relu(·)，

输出层对应的卷积层的输入通过卷积核和可加偏置进行卷积后的特征图谱可表示为：u^L＝W^Lx^L-1+b^L (公式5)

输出层对应的卷积层的输入与输出的关系可表示为：x^L＝u^L＝W^Lx^L-1+b^L (公式4)

上述公式4和公式5中，x^L-1为输出层的输入，x^L为输出层的输出，u^L为输出层的特征图谱，W^L为输出层的权重系数，b^L为输出层的偏置系数。

3)对卷积神经网络进行训练以优化权值系数。

采用随机梯度下降法对卷积神经网络进行训练学习，并根据训练集和验证集，运用前向传播和反向传播对卷积神经网络的权值系数进行修正优化。

前向传播表示初始目标重构结果输入到每个卷积层，然后输出的过程。

反向传播表示通过输出的目标函数对卷积神经网络的权重系数和偏置系数进行修正优化的过程。

本发明实施例提供的对卷积神经网络进行训练以优化权值系数的过程包括：

设定卷积神经网络的代价函数；

计算代价函数对应于卷积神经网络的每个卷积层的权值系数的偏导数；

利用偏导数和随机梯度下降法对权值系数迭代更新；

利用验证集观察验证代价函数的收敛情况。

具体地，设定平方损失函数为本发明实施例的代价函数，假定经过卷积神经网络的输出和训练集中的真实目标分别为y和t，则代价函数可表示为：

根据每个样本的输出误差来反向调节每一个卷积层的权值系数，具体为计算该代价函数对于卷积神经网络中卷积层的权重系数W和偏置系数b的偏导数。

设定代价函数对于卷积层的特征图谱的偏导数

为卷积层的灵敏度，则对于非输出层，第l层卷积层的灵敏度可表示为：δ^l＝(W^l+1)^Tδ^l+1·f'(u^l)(公式7)，对于输出层,第L层卷积层的灵敏度可表示为：δ^L＝f'(u^L)·(y-t)(公式8)。

则，第l层卷积层的权重系数W^l和偏置系数b^l的偏导数可表示为：

根据随机梯度下降法和上述公式，非输出层的第l层卷积层的权重系数和偏置系数的优化公式可表示为：

根据设定的每批训练样本个数和训练周期数，即可对卷积神经网络进行学习和训练。同时，在训练过程中，每个训练周期结束后输入验证集，观察代价函数的收敛情况。

同理，也可以对输出层的卷积层的权重系数和偏置系数进行更新优化。

4)输入回波获取高精度重构结果。

在卷积神经网络训练完成后，向卷积神经网络输入成像目标回波，获取高精度重构结果。

以下通过具体实施例来对本发明提供的基于卷积神经网络的雷达关联成像方法进行更具体地阐述。

试验参数控制如下：采用线性调频信号的带宽为20GHz，载频为340GHz；编码孔径天线阵列规模为25×25，尺寸为0.5m×0.5m；成像距离3m，二维成像平面划分为30×30个网格，单个网格单元的尺寸为2.5mm×2.5mm。依据上述参数生成80000训练集，20000验证集，卷积神经网络的卷积层层数设置为4，学习率为0.02，梯度下降系数为0.0005，20个训练周期，每次训练样本数20。附图4所示为20个训练周期过程中，代价函数的收敛情况，其中，实线表示训练集的代价函数，虚线表示验证集的代价函数。可以发现不论是训练集还是验证集的代价函数都逐渐收敛并趋向于零。

附图5至附图8分别为采用本发明实施例提供的基于卷积神经网络的雷达关联成像方法的“N”形目标、“U”形目标、“D”形目标和“T”形目标的重构结果与原始目标及初始目标重构结果的比较图，其中，附图5至附图8中，从左到右均依次为初始目标重构结果、原始目标和采用本发明实施例提供的方法的重构结果。观察附图5至附图8，可知，本发明实施例提供的基于卷积神经网络的雷达关联成像方法能有效地滤除伪散射点和颗粒状背景噪声。

可见，本发明实施例提供的基于卷积神经网络的雷达关联成像方法，基于训练后的卷积神经网络，对雷达关联成像体制下的初始目标重构结果进行多层卷积处理，以得到逼近真实目标信息的高精度重构结果；通过将卷积神经网络与雷达关联成像相结合，有效地学习拟合雷达关联成像体制下的滤波模型，且训练后的滤波模型计算效率和重构精度高，无需反复迭代寻优；能有效地解决在较低信噪比和相对不精确参考信号矩阵情况下，重构目标存在伪散射点和颗粒状背景噪声的问题。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。

最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于卷积神经网络的雷达关联成像方法，其特征在于，所述方法包括：

生成训练集和验证集：确定雷达关联成像雷达系统参数，根据所述雷达关联成像雷达系统参数分别产生训练集和验证集；

卷积神经网络的架构设计及参数设定：设计确定卷积神经网络结构，基于所述卷积神经网络，对所述卷积神经网络的参数进行设定；

对所述卷积神经网络进行训练以优化权值系数：采用随机梯度下降法对所述卷积神经网络进行训练学习，并根据所述训练集和所述验证集，运用前向传播和反向传播对所述卷积神经网络的所述权值系数进行修正优化；

输入回波获取高精度重构结果：所述卷积神经网络训练完成后，向所述卷积神经网络输入成像目标回波，获取高精度重构结果；

其中，所述确定雷达关联成像雷达系统参数，根据所述雷达关联成像雷达系统参数分别产生训练集和验证集，包括：

确定所述雷达关联成像雷达系统参数，在目标成像平面处设置Nx个目标，在设定范围内随机产生单个所述目标的散射点个数，再随机产生每个所述散射点的散射系数，根据所述雷达系统参数和Nx个所述目标，产生Nx个回波向量，将Nx_t个所述回波向量用作训练集，将Nx_v个所述回波向量用于验证集；

Nx＝Nx_t+Nx_v，50000≤Nx≤100000，

Nx_t表示所述训练集的目标个数，Nx_v表示所述验证集的目标个数，Nx表示所述训练集和所述验证集的目标个数之和。

2.根据权利要求1所述的基于卷积神经网络的雷达关联成像方法，其特征在于，所述卷积神经网络的结构为多个卷积层逐级连接结构型式，所述卷积层的个数为L个，3≤L≤6。

3.根据权利要求2所述的基于卷积神经网络的雷达关联成像方法，其特征在于，所述卷积神经网络的所述参数包括每个所述卷积层的卷积核大小Nc×Nc和权值系数，以及所述卷积神经网络的梯度下降系数η₁、学习率η₂、训练周期和每批训练样本个数，所述权值系数包括权重系数W和偏置系数b。

4.根据权利要求3所述的基于卷积神经网络的雷达关联成像方法，其特征在于，所述卷积层包括非输出层和输出层，第一个卷积层至第L-1个卷积层均为所述非输出层，第L个卷积层为所述输出层。

5.根据权利要求4所述的基于卷积神经网络的雷达关联成像方法，其特征在于，所述输出层为多输入单输出卷积层。

6.根据权利要求5所述的基于卷积神经网络的雷达关联成像方法，其特征在于，所述非输出层的输入x^l-1与输出x^l的关系为：

x^l＝f(u^l)(公式1)

u^l＝W^lx^l-1+b^l(公式2)

其中，x^l-1表示当前所述非输出层的输入，x^l表示当前所述非输出层的输出，u^l表示当前所述非输出层的特征图谱，W^l表示当前所述非输出层的权重系数，b^l表示当前所述非输出层的偏置系数，f(·)表示所述非输出层的激活函数Relu(·)，

7.根据权利要求6所述的基于卷积神经网络的雷达关联成像方法，其特征在于，所述输出层的输入x^L-1与输出x^L的关系为：

x^L＝u^L＝W^Lx^L-1+b^L(公式4)

其中，x^L-1表示所述输出层的输入，x^L表示所述输出层的输出，u^L表示所述输出层的特征图谱，W^L表示所述输出层的权重系数，b^L表示所述输出层的偏置系数。

8.根据权利要求7所述的基于卷积神经网络的雷达关联成像方法，其特征在于，运用所述反向传播对所述卷积神经网络的所述权值系数进行修正优化，包括：

设定所述卷积神经网络的代价函数；

计算所述代价函数对应于所述卷积神经网络的每个所述卷积层的权值系数的偏导数；

利用所述偏导数和所述随机梯度下降法对所述权值系数迭代更新；

利用所述验证集观察验证所述代价函数的收敛情况。

9.根据权利要求8所述的基于卷积神经网络的雷达关联成像方法，其特征在于，所述代价函数为平方损失函数。

Images