CN112965064B - 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法 - Google Patents

基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法 Download PDF

Info

Publication number
CN112965064B
CN112965064B CN202110071369.1A CN202110071369A CN112965064B CN 112965064 B CN112965064 B CN 112965064B CN 202110071369 A CN202110071369 A CN 202110071369A CN 112965064 B CN112965064 B CN 112965064B
Authority
CN
China
Prior art keywords
gamp
network
matrix
pcsbl
target
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
CN202110071369.1A
Other languages
English (en)
Other versions
CN112965064A (zh
Inventor
张双辉
李瑞泽
刘永祥
张新禹
卢哲俊
霍凯
张文鹏
黎湘
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110071369.1A priority Critical patent/CN112965064B/zh
Publication of CN112965064A publication Critical patent/CN112965064A/zh
Application granted granted Critical
Publication of CN112965064B publication Critical patent/CN112965064B/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
    • G01S13/89—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]

Abstract

本发明属于雷达成像领域，具体涉及一种基于PCSBL‑GAMP‑Net的块稀疏孔径ISAR成像方法，包括以下步骤：S1对目标一维距离像序列进行建模；S2构建PCSBL‑GAMP‑Net网络前向传播模型；S3利用PCSBL‑GAMP‑Net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：通过本发明可实现目标稀疏孔径ISAR成像，在稀疏孔径条件下，可快速获得目标高分辨率ISAR图像，能较好地反映ISAR图像块稀疏特性，能更清晰地获取目标结构信息。同时，本发明不依赖繁琐的参数设置即可获取较好的成像效果。对于稀疏孔径条件下的目标雷达成像、特征提取与目标识别有重要的工程应用价值。

Description

基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法
技术领域
本发明属于雷达成像领域，具体涉及一种基于模式耦合块稀疏贝叶斯学习-广义消息传递网络(Pattern-coupled sparse Bayesian learning-Generalized approximatemessage passing-Net，PCSBL-GAMP-Net)的块稀疏孔径逆合成孔径雷达(Inversesynthetic aperture radar，ISAR)成像方法。
背景技术
ISAR能够全天时、全天候获取运动目标高分辨率雷达图像，已广泛应用于空间监视、导弹防御等领域。
稀疏孔径ISAR成像是指利用雷达接收机的不完整回波数据对目标进行成像。在实际应用中，稀疏孔径现象并不少见，强环境噪声干扰、多功能雷达资源调度与优化等都可能导致稀疏孔径雷达回波。在稀疏孔径条件下，ISAR成像将受到较强旁瓣、栅瓣干扰，利用快速傅里叶变换(Fast Fourier transform，FFT)无法得到高分辨率的图像。稀疏贝叶斯学习(Sparse Bayesian learning，SBL)利用概率模型对雷达图像的稀疏性进行建模，利用贝叶斯推断对ISAR图像进行稀疏重构。ISAR图像不仅具有稀疏性，还包含某些结构信息，在图像中表现为散射点聚集于某连续区域，形成块稀疏结构，可利用块稀疏贝叶斯学习(BlockSparse Bayesian learning，BSBL)对该结构进行建模成像，从而获得更高质量的图像。然而目前一些块稀疏贝叶斯学习方法(L.Wang,L.Zhao,G.Bi,C.Wan,and L.Yang,”EnhancedISAR imaging by exploiting the continuity of the target scene,”IEEETransactions on Geoscience and Remote Sensing.,vol.52,no.9,pp.5736-5750,Sep.2014.)针对不同数据往往需要调整不同的参数设置。在实际应用系统构建中，由于输入数据的多样性，类似的算法往往难以较好地应用于该场景。
发明内容
本发明要解决的技术问题是在稀疏孔径条件下，基于BSBL的ISAR成像算法效果依赖于繁琐的参数设置，且适应性差，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，基于BSBL的目标ISAR成像算法效果依赖于繁琐的参数设置，且适应性差的问题，提出一种基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法。该方法将传统耦合块稀疏贝叶斯学习-广义消息传递(Pattern-coupled sparseBayesian learning-Generalized approximate message passing，PCSBL-GAMP)算法应用于块稀疏孔径ISAR成像问题，并利用深度展开方法将其建模为PCSBL-GAMP-Net深度网络模型，从而构建复数域反向传播(Back propagation，BP)模型用于自适应训练优化参数数值，避免了工程应用中繁琐的参数设置过程。经过训练后，网络可获取高分辨率雷达图像，且能较清晰地获取目标的结构特征。
本发明解决其技术问题所采取的技术方案是：一种基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法，包括以下步骤：
S1对目标一维距离像序列进行建模：
ISAR回波经过平动补偿后可以进行成像，经过几十年发展，其技术路线已相对成熟，因此，本发明假设平动补偿已经完成，直接对平动补偿后的一维距离像序列进行处理(保铮,邢孟道,王彤.雷达成像技术[M].北京:电子工业出版社,2005)。雷达系统对目标进行观测，接收到的二维回波可建模为：
Figure GDA0003483991940000021
其中，
Figure GDA0003483991940000022
tm分别表示快时间与慢时间，m＝1,2,…,M，M表示全孔径雷达回波包含的脉冲个数；σi表示目标第i个散射中心的反射系数，Ri(tm)表示目标第i个散射中心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。
式(1)所示二维信号经过解线调频后可得到如下回波表达式：
Figure GDA0003483991940000023
对于目标第i个散射中心，其相对雷达的瞬时转动距离Ri(tm)可表示为：
Ri(tm)＝xisin(ωtm)+yicos(ωtm)≈xiωtm+yi (3)
其中，(xi,yi)表示目标第i个散射中心在参考坐标系下的坐标，ω表示目标转动角速度，由于ISAR成像积累时间较短，且目标运动状态平稳，目标在成像时间内运动的转动分量可被视为匀速转动。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。由于目标转动角较小，因此有sin(ωtm)≈ωtm、cos(ωtm)≈1。
将式(3)带入式(2)可得雷达近似二维回波
Figure GDA0003483991940000024
将
Figure GDA0003483991940000025
数字化后关于快时间
Figure GDA0003483991940000026
进行FFT得到目标一维距离像序列s′(f,tm)。
雷达信号在慢时间tm内包含M个脉冲，快时间
Figure GDA0003483991940000027
内包含N个采样点，降采样后的信号包含L个脉冲，显然有L＜＜M。对稀疏孔径条件下一维距离像序列s′(f,tm)建立如下降采样模型：
Y＝AX+W (2)
其中
Figure GDA0003483991940000028
表示降采样后的一维距离像序列、
Figure GDA0003483991940000029
表示观测矩阵、
Figure GDA00034839919400000210
表示ISAR图像矩阵、
Figure GDA00034839919400000211
表示高斯白噪声矩阵。
Figure GDA00034839919400000212
表示L×N维复数矩阵，其它予以类推。
S2构建PCSBL-GAMP-Net网络前向传播模型：
PCSBL-GAMP-Net由K(例如K＝20)个结构相同的子网络级联构成，每个子网络由广义消息传递(Generalized approximate message passing，GAMP)网络与参数估计网络两部分依次级联构成。其中，GAMP网络由4层网络层依次级联构成，分别为输出线性层、输出非线性层、输入线性层、输入非线性层。第k个子网络中，GAMP网络的输入非线性层包含待学习的卷积核参数βG(k)，参数估计网络包含待学习的卷积核参数βM(k)，k＝0,1,...,K。卷积核参数为3×3维的实数矩阵。
对于第k个子网络，输入数据为降采样后一维距离像矩阵Y，图像矩阵X的后验分布均值矩阵的估计值
Figure GDA0003483991940000031
后验分布方差矩阵的估计值
Figure GDA0003483991940000032
先验分布方差倒数矩阵的估计值
Figure GDA0003483991940000033
以及噪声先验分布方差倒数的估计值
Figure GDA0003483991940000034
输出数据为μX(k+1)、φX(k+1)、α(k+1)、γ(k+1)。当k＝0时，输入数据初始值设置为μX(0)＝1M×N、φX(0)＝1M×N、α(0)＝1M×N、γ(0)＝10-6。
第k个子网络的前向传播模型如下：
S2.1 GAMP网络前向传播模型：
S2.1.1利用输入数据φX(k)与μX(k)，GAMP网络的输出线性层前向传播表达式如式(5)所示：
Figure GDA0003483991940000035
其中，l＝1,2,...,L，n＝1,2,...,N；
Figure GDA0003483991940000036
表示矩阵
Figure GDA0003483991940000037
第l行第n列元素，
Figure GDA0003483991940000038
表示变量AX均值的估计值；
Figure GDA0003483991940000039
表示矩阵τP(k)第l行第n列元素，τP(k)表示变量AX方差的估计值；Al,i表示观测矩阵第l行第i列元素；
Figure GDA00034839919400000310
表示矩阵φX(k)第i行第n列元素，
Figure GDA00034839919400000311
表示矩阵μX(k)的第i行第n列元素。
S2.1.2 GAMP网络的输出非线性层前向传播表达式如式(6)所示：
Figure GDA00034839919400000312
其中，
Figure GDA00034839919400000313
表示矩阵
Figure GDA00034839919400000314
第l行第n列元素，
Figure GDA00034839919400000315
表示变量Y后验分布均值的估计值；
Figure GDA00034839919400000316
表示矩阵τS(k)第l行第n列元素，τS(k)表示变量Y后验分布方差的估计值；gout可用下式表示：
Figure GDA00034839919400000317
S2.1.3 GAMP网络的输入线性层前向传播表达式如式(8)所示：
Figure GDA00034839919400000318
其中，m＝1,2,...,M；
Figure GDA0003483991940000041
表示矩阵
Figure GDA0003483991940000042
第m行第n列元素，
Figure GDA0003483991940000043
表示变量X均值的估计值；
Figure GDA0003483991940000044
表示矩阵τR(k)第m行第n列元素，τR(k)表示变量X方差的估计值。
S2.1.4 GAMP网络的输入非线性层前向传播表达式如式(9)所示：
Figure GDA0003483991940000045
其中，gin可用下式表示：
Figure GDA0003483991940000046
而变量δ(k)可表示为：
δ(k)＝βG(k)*α(k) (11)
S2.2参数估计网络前向传播模型：
参数估计网络前向传播表达式如式(12)所示：
Figure GDA0003483991940000047
其中，a、b、c、d为预先设定的超参数，取值为a＝2.5、b＝10-6、c＝10-6、d＝10-6，1L×N表示L×N维全1矩阵，符号||·||F表示对矩阵取F范数，运算符⊙表示两矩阵逐元素相乘，运算符
Figure GDA0003483991940000048
表示两矩阵逐元素相除。式(12)中ω(k+1)可用下式得到(ωm,n(k+1)为矩阵ω(k+1)的第m行第n列元素)：
Figure GDA0003483991940000049
S3利用PCSBL-GAMP-Net对稀疏孔径ISAR成像问题进行求解：
S3.1对PCSBL-GAMP-Net进行训练：
利用电磁计算软件仿真等方法构建与实际应用场景相近的数据集，对参数βG(k)与βM(k)进行学习。数据集中包含C组稀疏孔径距离像数据Yc，c＝1,2,...,C；每一组稀疏孔径距离像数据对应一组标签图像数据
Figure GDA00034839919400000410
c＝1,2,...,C；
对于上述数据集，定义如下损失函数：
Figure GDA00034839919400000411
其中，
Figure GDA0003483991940000051
表示网络利用Yc进行成像得到的结果。利用式(15)损失函数，应用复数域反向传播算法(G.M.Georgiou and C.Koutsougeras,”Complex domainbackpropagation,”in IEEE Transactions on Circuits and Systems II:Analog andDigital Signal Processing,vol.39,no.5,pp.330-334,May 1992)可以计算出损失函数关于网络中任意参数βG(k)、βM(k)的导数
Figure GDA0003483991940000052
Figure GDA0003483991940000053
求解得到导数后，利用式(15)进行参数更新：
Figure GDA0003483991940000054
其中ε表示学习率，通常取ε＝10-4。
网络参数通过梯度下降法进行更新，当更新步骤收敛时，即
Figure GDA0003483991940000055
且
Figure GDA0003483991940000056
时，训练完成。
S3.2利用训练后的PCSBL-GAMP-Net重构ISAR图像：
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)，得到粗补偿后的一维距离像矩阵Y。
将Y与初始化参数输入PCSBL-GAMP-Net，通过网络前向传播，可计算得到输出变量μX(K)，即为待求解的ISAR图像X。
本发明取得的有益效果为：通过本发明可实现目标稀疏孔径ISAR成像，在稀疏孔径条件下，可快速获得目标高分辨率ISAR图像，能较好地反映ISAR图像块稀疏特性，能更清晰地获取目标结构信息。同时，本发明不依赖繁琐的参数设置即可获取较好的成像效果。对于稀疏孔径条件下的目标雷达成像、特征提取与目标识别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2 PCSBL-GAMP-Net整体结构图；
图3 GAMP网络结构图；
图4参数估计网络结构图；
图5全孔径条件下的：(a)目标一维距离像序列；(b)目标ISAR图像；
图6稀疏度为25％的稀疏孔径条件下的：(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)PCSBL-GAMP方法所得目标ISAR图像；(d)本发明所得ISAR图像；
图7稀疏度为12.5％的稀疏孔径条件下的：(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)PCSBL-GAMP方法所得目标ISAR图像；(d)本发明所得ISAR图像；
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为本发明总处理流程。
图2为PCSBL-GAMP-Net整体结构，图3图4分别为网络每一级中GAMP网络与参数估计网络具体结构图。本发明所述一种基于PCSBL-GAMP-Net的稀疏孔径ISAR成像方法，包括以下步骤：
S1对目标一维距离像序列进行建模；
S2构建PCSBL-GAMP-Net网络前向传播模型；
S3利用PCSBL-GAMP-Net对稀疏孔径ISAR成像问题进行求解；
图5(a)、图5(b)分别为全孔径条件下的Yak-42飞机一维距离像序列和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。
从全孔径数据中随机抽取64个脉冲，获取稀疏度为25％的稀疏孔径数据，此时，目标一维距离像序列如图6(a)所示。进一步采用传统距离-多普勒(RD)方法、传统PCSBL-GAMP算法和本发明对该稀疏孔径数据进行ISAR成像，所得ISAR图像分别如图6(b)、图6(c)图6(d)所示。由图6(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。而图6(c)与图6(d)所示方法均能获得质量较高的图像。相比于传统PCSBL-GAMP算法，本发明对目标结构特性进行更清晰的成像，结果更接近全孔径标签数据。
进一步，从全孔径数据中随机抽取32个脉冲，以模拟稀疏度为1.25％的稀疏孔径数据。在此条件下，目标一维距离像序列如图7(a)所示，采用RD方法获得ISAR图像如图7(b)所示，采用传统PCSBL-GAMP算法和本发明获得的ISAR图像分别如图7(c)、7(d)所示。此时，由于稀疏度较低，RD方法已无法获取目标的图像信息。而图7(c)所示图像较为稀疏，目标主体结构成像不清晰。通过图7(d)，可以看出本发明在较低稀疏度的条件下依然能对目标机身主体结构进行清晰成像。进一步验证了本发明对稀疏孔径条件下
最后，从全孔径数据中随机抽取32个脉冲，模拟稀疏度为12.5％的稀疏孔径数据。此时，目标一维距离像序列、RD方法所得ISAR图像以及本发明所得ISAR图像分别如图6(a)、图6(b)以及图6(c)所示。由于稀疏度较低，RD方法所得ISAR图像几乎完全散焦，无法分辨目标主体部分。而本发明依然可以有效获取聚焦效果良好的目标主体部分ISAR图像，进一步验证了其对于稀疏孔径条件下带微动部件目标ISAR成像的有效性。
综上所述，本发明可以有效实现稀疏孔径条件下目标ISAR成像功能，对于25％稀疏度的稀疏孔径数据具有良好的效果，与12.5％稀疏度均有良好效果，相比传统PCSBL-GAMP算法能更清晰地获得目标结构形状。且本发明避免了传统方法中复杂的参数设置过程，有较高工程应用价值。

Claims (4)

1.一种基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法，其特征在于，该方法包括以下步骤：
S1对目标一维距离像序列进行建模：
雷达系统对目标进行观测，接收到的二维回波可建模为：
Figure FDA0003490373910000011
其中，
Figure FDA0003490373910000012
tm分别表示快时间与慢时间，m＝1,2,…,M，M表示全孔径雷达回波包含的脉冲个数；σi表示目标第i个散射中心的反射系数，Ri(tm)表示目标第i个散射中心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；
式(1)所示二维信号经过解线调频后可得到如下回波表达式：
Figure FDA0003490373910000013
对于目标第i个散射中心，其相对雷达的瞬时转动距离Ri(tm)可表示为：
Ri(tm)＝xisin(ωtm)+yicos(ωtm)≈xiωtm+yi (3)
其中，(xi,yi)表示目标第i个散射中心在参考坐标系下的坐标，ω表示目标转动角速度，由于目标转动角较小，因此有sin(ωtm)≈ωtm、cos(ωtm)≈1；
将式(3)带入式(2)可得雷达近似二维回波
Figure FDA0003490373910000014
将
Figure FDA0003490373910000015
数字化后关于快时间
Figure FDA0003490373910000016
进行FFT得到目标一维距离像序列s′(f,tm)；
雷达信号在慢时间tm内包含M个脉冲，快时间
Figure FDA0003490373910000017
内包含N个采样点，降采样后的信号包含L个脉冲，显然有L＜＜M；对稀疏孔径条件下一维距离像序列s′(f,tm)建立如下降采样模型：
Y＝AX+W (2)
其中
Figure FDA0003490373910000018
表示降采样后的一维距离像序列、
Figure FDA0003490373910000019
表示观测矩阵、
Figure FDA00034903739100000110
表示ISAR图像矩阵、
Figure FDA00034903739100000111
表示高斯白噪声矩阵，
Figure FDA00034903739100000112
表示L×N维复数矩阵，其它予以类推；
S2构建PCSBL-GAMP-Net网络前向传播模型：
PCSBL-GAMP-Net由K个结构相同的子网络级联构成，每个子网络由GAMP网络与参数估计网络两部分依次级联构成；其中，GAMP网络由4层网络层依次级联构成，分别为输出线性层、输出非线性层、输入线性层、输入非线性层；第k个子网络中，GAMP网络的输入非线性层包含待学习的卷积核参数βG(k)，参数估计网络包含待学习的卷积核参数βM(k)，k＝0,1,...,K，卷积核参数为3×3维的实数矩阵；
对于第k个子网络，输入数据为降采样后一维距离像矩阵Y，图像矩阵X的后验分布均值矩阵的估计值
Figure FDA00034903739100000113
后验分布方差矩阵的估计值
Figure FDA00034903739100000114
先验分布方差倒数矩阵的估计值
Figure FDA00034903739100000115
以及噪声先验分布方差倒数的估计值
Figure FDA00034903739100000116
输出数据为μX(k+1)、φX(k+1)、α(k+1)、γ(k+1)；当k＝0时，输入数据初始值设置为μX(0)＝1M×N、φX(0)＝1M×N、α(0)＝1M×N、γ(0)＝10-6；
第k个子网络的前向传播模型如下：
S2.1 GAMP网络前向传播模型：
S2.1.1利用输入数据φX(k)与μX(k)，GAMP网络的输出线性层前向传播表达式如式(5)所示：
Figure FDA0003490373910000021
其中，l＝1,2,...,L，n＝1,2,...,N；
Figure FDA0003490373910000022
表示矩阵
Figure FDA0003490373910000023
第l行第n列元素，
Figure FDA0003490373910000024
表示变量AX均值的估计值；
Figure FDA0003490373910000025
表示矩阵τP(k)第l行第n列元素，τP(k)表示变量AX方差的估计值；Al,i表示观测矩阵第l行第i列元素；
Figure FDA0003490373910000026
表示矩阵φX(k)第i行第n列元素，
Figure FDA0003490373910000027
表示矩阵μX(k)的第i行第n列元素；
S2.1.2 GAMP网络的输出非线性层前向传播表达式如式(6)所示：
Figure FDA0003490373910000028
其中，
Figure FDA0003490373910000029
表示矩阵
Figure FDA00034903739100000210
第l行第n列元素，
Figure FDA00034903739100000211
表示变量Y后验分布均值的估计值；
Figure FDA00034903739100000212
表示矩阵τS(k)第l行第n列元素，τS(k)表示变量Y后验分布方差的估计值；gout可用下式表示：
Figure FDA00034903739100000213
S2.1.3 GAMP网络的输入线性层前向传播表达式如式(8)所示：
Figure FDA00034903739100000214
其中，m＝1,2,...,M；
Figure FDA00034903739100000215
表示矩阵
Figure FDA00034903739100000216
第m行第n列元素，
Figure FDA00034903739100000217
表示变量X均值的估计值；
Figure FDA00034903739100000218
表示矩阵τR(k)第m行第n列元素，τR(k)表示变量X方差的估计值；
S2.1.4 GAMP网络的输入非线性层前向传播表达式如式(9)所示：
Figure FDA0003490373910000031
其中，gin可用下式表示：
Figure FDA0003490373910000032
而变量δ(k)可表示为：
δ(k)＝βG(k)*α(k)； (11)
S2.2参数估计网络前向传播模型：
参数估计网络前向传播表达式如式(12)所示：
Figure FDA0003490373910000033
其中，a、b、c、d为预先设定的超参数，1L×N表示L×N维全1矩阵，符号||·||F表示对矩阵取F范数，运算符⊙表示两矩阵逐元素相乘，运算符
Figure FDA0003490373910000034
表示两矩阵逐元素相除；式(12)中ω(k+1)可用下式得到：
Figure FDA0003490373910000035
S3利用PCSBL-GAMP-Net对稀疏孔径ISAR成像问题进行求解：
S3.1对PCSBL-GAMP-Net进行训练：
利用电磁计算软件仿真方法构建与实际应用场景相近的数据集，对参数βG(k)与βM(k)进行学习；数据集中包含C组稀疏孔径距离像数据Yc，c＝1,2,...,C；每一组稀疏孔径距离像数据对应一组标签图像数据
Figure FDA0003490373910000036
对于上述数据集，定义如下损失函数：
Figure FDA0003490373910000037
其中，
Figure FDA0003490373910000038
表示网络利用Yc进行成像得到的结果；利用式(15)损失函数，应用复数域反向传播算法计算出损失函数关于网络中任意参数βG(k)、βM(k)的导数
Figure FDA0003490373910000039
求解得到导数后，利用式(15)进行参数更新：
Figure FDA0003490373910000041
其中ε表示学习率；
网络参数通过梯度下降法进行更新，当更新步骤收敛时，即
Figure FDA0003490373910000042
且
Figure FDA0003490373910000043
时，训练完成；
S3.2利用训练后的PCSBL-GAMP-Net重构ISAR图像：
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，得到粗补偿后的一维距离像矩阵Y；
将Y与初始化参数输入PCSBL-GAMP-Net，通过网络前向传播，可计算得到输出变量μX(K)，即为待求解的ISAR图像X。
2.一种根据权利要求1所述基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法，其特征在于：S2中，PCSBL-GAMP-Net由20个结构相同的子网络级联构成。
3.一种根据权利要求1所述基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法，其特征在于：S2.2中，预先设定的超参数，取值为a＝2.5、b＝10-6、c＝10-6、d＝10-6。
4.一种根据权利要求1所述基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法，其特征在于：S3.1中，学习率ε＝10-4。
CN202110071369.1A 2021-01-19 2021-01-19 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法 Active CN112965064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110071369.1A CN112965064B (zh) 2021-01-19 2021-01-19 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110071369.1A CN112965064B (zh) 2021-01-19 2021-01-19 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法

Publications (2)

Publication Number Publication Date
CN112965064A CN112965064A (zh) 2021-06-15
CN112965064B true CN112965064B (zh) 2022-03-08

Family

ID=76271605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110071369.1A Active CN112965064B (zh) 2021-01-19 2021-01-19 基于PCSBL-GAMP-Net的块稀疏孔径ISAR成像方法

Country Status (1)

Country Link
CN (1) CN112965064B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106663316A (zh) * 2016-08-30 2017-05-10 深圳大学 一种基于块稀疏压缩感知的红外图像重构方法及其系统
CN111610522B (zh) * 2020-06-04 2021-12-24 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
CN112099008B (zh) * 2020-09-16 2022-05-27 中国人民解放军国防科技大学 基于cv-admmn的sa-isar成像与自聚焦方法

Also Published As

Publication number Publication date
CN112965064A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112099008B (zh) 基于cv-admmn的sa-isar成像与自聚焦方法
CN110275166B (zh) 基于admm的快速稀疏孔径isar自聚焦与成像方法
CN110244303B (zh) 基于sbl-admm的稀疏孔径isar成像方法
CN110068805B (zh) 基于变分贝叶斯推论的高速目标hrrp重构方法
CN107462887B (zh) 基于压缩感知的宽幅星载合成孔径雷达成像方法
CN105137425B (zh) 基于卷积反演原理的扫描雷达前视角超分辨方法
CN111610522B (zh) 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
CN113567982B (zh) 一种基于混合范数的方位向周期采样数据稀疏sar成像方法及装置
CN111538007B (zh) 一种基于两步加速的稀疏超分辨成像方法
CN110456351B (zh) 基于时变幅值lfm信号参数估计的机动目标isar成像方法
CN109709552B (zh) 一种低信噪比isar成像运动补偿方法
CN109669184B (zh) 一种基于全卷积网络的合成孔径雷达方位模糊消除方法
CN112965064B (zh) 基于PCSBL-GAMP-Net的块稀疏孔径ISAR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
CN103293528A (zh) 扫描雷达超分辨成像方法
CN110082759B (zh) 一种随机辐射雷达快速高分辨成像处理方法
CN117192548A (zh) 基于深度展开的稀疏isar高分辨成像方法
Mao et al. Target fast reconstruction of real aperture radar using data extrapolation-based parallel iterative adaptive approach
CN113064165B (zh) 一种扫描雷达俯仰-方位二维超分辨方法
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
CN116908848A (zh) 一种低过采Staggered SAR成像方法及系统
CN112946644B (zh) 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法
CN114780911B (zh) 一种基于深度学习的海洋宽测绘带距离解模糊方法
CN112099010B (zh) 基于结构化非凸低秩表征的带微动部件目标isar成像方法
CN115453523A (zh) 一种扫描雷达稀疏目标批处理超分辨方法

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