CN113311429A - 一种基于对抗样本的1比特雷达成像方法 - Google Patents
一种基于对抗样本的1比特雷达成像方法 Download PDFInfo
- Publication number
- CN113311429A CN113311429A CN202110456268.6A CN202110456268A CN113311429A CN 113311429 A CN113311429 A CN 113311429A CN 202110456268 A CN202110456268 A CN 202110456268A CN 113311429 A CN113311429 A CN 113311429A
- Authority
- CN
- China
- Prior art keywords
- imaging
- updated
- imaging result
- threshold parameter
- representing
- 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 384
- 238000000034 method Methods 0.000 claims abstract description 71
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 description 63
- 238000011084 recovery Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 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
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
本申请提供了一种基于对抗样本的1比特雷达成像方法,所述方法包括:发射步进频信号,采集多个天线位置中每个天线位置处的不同频点的回波信号;对所采集到的回波信号进行处理,得到所述回波信号的稀疏表征;根据所述回波信号的稀疏表征和预设的阈值参数,建立参数化成像模型,所述参数化成像模型用于输出所述回波信号的成像结果;利用对抗样本对所述参数化成像模型所输出的成像结果和所述阈值参数进行迭代更新;其中,引入的对抗样本为基于上一次更新得到的成像结果所确定的;在迭代更新过程满足预设条件时,停止迭代更新过程,获得成像结果。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于对抗样本的1比特雷达成像方法。
背景技术
1比特雷达成像技术获得了雷达成像领域的广泛关注,相比于传统的基于精确数据的雷达成像技术而言,1比特雷达成像技术利用1比特量化的数据可以大大减少雷达系统数据存储和传输的数据量、节约存储空间和传输带宽、提高数据传输效率。另一方面,相比于高精度的采样量化器,1比特量化器(ADC)具有类似于比较器的更加简单的硬件形式,具有低能耗、低成本等优势。但1比特量化的一个致命的缺点是其丢失了信号的幅度信息,势必会影响1比特雷达的成像性能。由1比特采样造成的回波数据的幅度和相位的高度不平衡,会使利用传统的基于匹配滤波技术的雷达成像方法得到的1比特雷达成像质量大大降低。具体而言,利用传统的基于匹配滤波的雷达成像方法,在高信噪比时成像结果会受到鬼影的干扰,在低信噪比时会呈现出很强的背景杂波干扰,因此研究提高1比特雷达成像质量的方法对于1比特雷达成像技术的广泛应用有着十分重要的意义。
随着压缩感知和稀疏恢复理论的发展,稀疏恢复方法为雷达成像领域打开了新的大门。得益于稀疏恢复方法在提高成像分辨率、降低成像所需数据量等方面的优势,基于稀疏恢复的雷达成像技术蓬勃发展起来。在此基础上,研究学者也针对1比特稀疏恢复方法在1比特雷达成像领域的应用展开了研究,一些经典的1比特数据的稀疏恢复算法应用于1比特雷达成像已经取得了良好的成像质量,例如1比特硬门限循环算法(BIHT)、符号匹配跟踪算法(MSP)、最大后验算法(MAP)和挖掘雷达成像的块稀疏特性的E-BIHT算法等。相比于经典的基于匹配滤波技术的成像算法,基于稀疏恢复的1比特成像方法能够有效抑制成像结果的鬼影和强背景杂波,但其成像结果仍然会受到一些零散杂点的干扰。此外,上述算法都是基于固定门限的采样量化器设计的,由于回波数据幅度信息的丢失,上述方法改善成像性能的能力十分受限。
为弥补固定门限1比特量化器所带来的幅度信息的丢失,一些基于变ADC采样门限的方法被提出来,并在1比特数据信号恢复和1比特雷达成像等领域展开了应用研究。例如基于自适应门限的1比特稀疏恢复算法、基于随机时变门限的1比特稀疏合成孔径雷达成像方法(BCST-SAR)等。相比于经典的基于固定门限ADC的稀疏恢复方法,基于变门限ADC的方法从改变采样门限的角度补偿1比特量化带来的性能损失,虽然通过改变ADC的门限可以一定程度上保留一些幅值信息,进而大幅提高1比特稀疏恢复质量,但是变ADC采样门限的方法但存在计算复杂度高、硬件实现难度大的问题。
因此如何在固定门限ADC的条件下,在成像过程中来进一步补偿1比特量化带来的幅度信息的丢失,进而补偿量化误差的影响来提高1比特雷达成像质量,仍然是一个待解决的问题。
发明内容
本发明为了克服已有技术的不足之处,提出了一种基于对抗样本的1比特雷达成像方法,记为AS-BIHT方法。
本发明实施例公开了一种基于对抗样本的1比特雷达成像方法,应用于稀疏场景,所述方法包括:
发射步进频信号,采集多个天线位置中每个天线位置处的不同频点的回波信号;
对所采集到的回波信号进行处理,得到所述回波信号的稀疏表征;
根据所述回波信号的稀疏表征和预设的阈值参数,建立参数化成像模型,所述参数化成像模型用于输出所述回波信号的成像结果;
利用对抗样本对所述参数化成像模型所输出的成像结果和所述阈值参数进行迭代更新;其中,引入的对抗样本为基于上一次更新得到的成像结果所确定的;
在迭代更新过程满足预设条件时,停止迭代更新,获得成像结果。可选地,根据所述回波信号的稀疏表征和引入的阈值参数,建立参数化成像模型,包括:
通过以下公式建立参数化成像模型:
该式中:σ表示初始的成像结果;表示最终得到的成像结果;h表示阈值参数;表示最终得到的阈值参数;J(σ,h)表示与成像结果σ和阈值参数h同时有关的代价函数;s表示回波信号的实数形式;K表示成像场景的稀疏度;||·||0表示向量中包含的非零元素个数;||·||2表示l2范数;J(σ,h)表示一个与成像结果σ和阈值参数h同时有关的代价函数;
J(σ,h)=||[y⊙(Aσ-h)]-||1
其中,[x]-=(x-|x|)/2;⊙表示Hadamard(哈达玛积)积;||·||1表示l1范数。
可选地,利用对抗样本对所述参数化成像模型所输出的成像结果和所述阈值参数进行迭代更新,包括:
步骤101:将所述回波信号的1比特量化数据、构造所述回波信号稀疏表征时的压缩感知矩阵和采样的稀疏度作为所述参数化成像模型的初始输入,并将所述参数化成像模型在所述初始输入下得到的成像结果作为首次成像结果;
步骤102:根据所述首次成像结果,确定对抗样本;
步骤103:基于所述首次成像结果、所述对抗样本,对所述参数化成像模型中的阈值参数进行更新;
步骤104:基于所述初始输入和更新后的阈值参数,得到更新后的成像结果;
步骤105:基于所述更新后的成像结果,确定更新后的对抗样本;
步骤106:基于所述更新后的成像结果、所述更新后的对抗样本对所述参数化成像模型中的阈值参数进行更新;
重复步骤104到步骤106,直到满足所述预设条件。
可选地,基于所述更新后的成像结果、所述更新后的对抗样本,对所述参数化成像模型中的阈值参数进行更新,包括:
基于所述更新后的成像结果、所述更新后的对抗样本以及预设的贡献系数,迫使所述更新的成像结果和所述更新后的对抗样本同时满足量化一致性条件;其中,所述贡献系数用于表征所述更新后的对抗样本对于更新阈值参数的贡献程度;
在满足所述量化一致性条件时,更新所述参数化成像模型中的阈值参数。
可选地,基于所述更新后的成像结果、所述更新后的对抗样本以及预设的贡献系数,迫使所述更新的成像结果和所述更新后的对抗样本同时满足量化一致性条件,包括:
基于所述更新后的成像结果、所述更新后的对抗样本以及预设的贡献系数,构造代价函数;所述代价函数用于反映所述更新的成像结果和所述更新后的对抗样本之间的量化一致性条件;
在满足所述量化一致性条件时,更新所述参数化成像模型中的阈值参数,包括:
利用所述代价函数,采用次梯度下降的方法更新参数化成像模型中的阈值参数。
可选地,利用所述代价函数,采用次梯度下降的方法来更新参数化成像模型中的阈值参数,包括:
通过以下公式构造更新ht的代价函数:
该式中:表示与成像结果σt、对抗样本和阈值参数ht-1同时有关的代价函数;σt表示第t次迭代后得到的成像结果;表示第t次迭代后得到的对抗样本;ht-1表示第t-1次迭代后得到的阈值参数;表示与对抗样本和阈值参数ht-1同时有关的代价函数;J(σt,ht-1)表示与成像结果σt和阈值参数ht-1同时有关的代价函数;α为所述预设的贡献系数,且α∈[0,1];
利用所述代价函数,采用次梯度下降的方法来更新参数化成像模型中的阈值参数,包括:
其中:为代价函数在ht-1处的次梯度;ai表示所述压缩感知矩阵的第i行向量,yi表示1比特量化数据的第i个元素;sign(·)表示只保留符号的函数;Pr表示所述多个天线位置中均匀选取的天线位置;Fr表示在多个频点中均匀选取的频点个数;
其中,β为控制次梯度下降步长的参数,且β>0。
可选地,基于所述更新后的成像结果,确定更新后的对抗样本,包括:
可选地,基于所述初始输入和更新后的阈值参数,得到更新后的成像结果,包括:
按照以下公式,更新成像结果:
其中,AT表示所述压缩感知矩阵的转置。
可选地,对所接收到的回波信号进行处理,得到所述回波信号的稀疏表征,包括:
根据每个天线位置在雷达系统中的坐标,每个天线位置处采集到的回波信号的频率,确定所述雷达系统在该天线位置和该频率上的回波信号的表达式;
根据在该天线位置和该频率上的回波信号的表达式,构建所述回波数据的稀疏字典;
根据所述回波数据的稀疏字典,构造降采样矩阵,确定降采样后的所述回波信号的回波数据向量;
对所述回波信号的回波数据向量进行转换,得到所述回波信号的稀疏表征;
所述根据每个天线位置在雷达系统中的坐标,每个天线位置处采集到的回波信号的频率,确定所述雷达系统在该天线位置和该频率上的回波信号的表达式,包括:
根据以下公式确定所述回波信号的表达式:
该式中:(0,pm)表示雷达平台在第m个天线位置时的坐标;fn表示第n个频点的频率;sm,n表示所述雷达系统在第m个天线位置接收到的第n个频点的回波信号;Nr表示观测场景中距离向的像素单元数;Nx表示观测场景中方位向的像素单元数;l表示观测场景中第l个距离单元,q表示观测场景中第q个方位单元,其中l=1,2,...,Nr,q=1,2,...,Nx;σl,q表示坐标位置(rl,xq)处的像素点的散射强度;表示雷达平台和目标像素点之间的距离;c表示光速;wm,n表示所述雷达系统采集到的噪声;
根据以下公式确定所述回波数据的稀疏字典:
根据以下公式确定所述降采样后的所述回波信号的回波数据向量为:
所述回波信号的稀疏表征为:s=Aσ+w,其中,
其中,Re(·)表示取实部的操作;Im(·)表示取虚部的操作。
可选地,所述方法还包括:利用不同评价指标对成像质量进行评价;其中,所述评价指标包括以下至少一者:目标与杂波能量比、重建场景信噪比和重建结果的均方误差。
本发明实施例包括以下优点:
本发明实施例中,通过引入阈值参数将成像模型建模为一个参数化模型,在交替更新成像结果和阈值参数的循环迭代框架中引入对抗样本来调整阈值参数。
由于对抗样本的产生是通过向原始样本中人为地加入某个干扰,来误导分类系统做出误判,因此将对抗样本引入到训练分类器参数的训练集中,可以使分类系统更好地适应噪声和干扰,进而能大大提高分类器的分类性能和稳定性。对于1比特雷达成像领域而言,1比特量化带来的幅度信息的丢失可以看作1比特量化误差,而这种量化误差会带来成像性能的损失,导致最终成像结果中出现杂点,而杂点可以被看作是“分类错误”的像素点。从这个角度来看,这种由1比特量化带来的成像性能损失也可以由引入对抗样本来消除。因此在1比特雷达成像领域采用对抗样本,可以在不改变ADC门限的条件下,进一步补偿1比特量化带来的成像性能损失。
本发明实施例中,由于在每次循环迭代的过程中,对抗样本的产生是破坏1比特稀成像条件,因此对抗样本其实包含了噪声和量化误差等因素可能带来的成像性能损失,因此基于对抗样本调整阈值参数可以提高成像模型适应噪声和量化误差的能力,抑制由噪声和量化误差引起的杂点,进而提高成像质量。与现有的1比特稀疏恢复成像方法相比,本发明实施例提出的方法能够在不改变ADC量化门限的条件下,大大提高1比特雷达成像性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于对抗样本的1比特雷达成像方法的工作场景示意图;
图2是本发明实施例中一种基于对抗样本的1比特雷达成像方法的步骤流程图;
图3为本发明实施例的一种基于对抗样本的1比特雷达成像方法的整体流程示意图;
图4为本发明实施例中维拉诺瓦大学雷达成像实验室提供的观测数据对应的真实观测场景中的目标分布示意图;
图5为本发明实施例中对维拉诺瓦大学雷达成像实验室采集的无穿墙的雷达回波数据,利用不同方法得到的成像结果;
图6为本发明实施例中以目标和杂波区域能量比为指标衡量的成像质量随总比特数变化的曲线;
图7为本发明实施例中以重建场景的信噪比为指标衡量的成像质量随总比特数变化的曲线;
图8为本发明实施例中以重建结果的均方误差为指标为指标衡量的成像质量随总比特数变化的曲线。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请为解决相关技术中1比特雷达成像具有量化误差导致成像性能损失的问题,提出了以下技术构思:通过一个阈值参数将1比特雷达成像模型转变为参数化模型,通过一个循环迭代的过程来不断地交替更新成像结果和阈值参数;在每一次迭代步骤中,通过攻击成像系统来产生对抗样本,并通过引入对抗样本来调整阈值参数,进而提高1比特成像模型适应噪声和处理1比特量化误差的能力,抑制1比特稀疏成像结果中的杂点,提高1比特雷达成像质量。
本发明实施例提出一种基于对抗样本的1比特雷达成像方法,记为AS-BIHT方法。该AS-BIHT方法是基于1比特量化数据产生作用的,本发明实施例中1比特量化数据是固定量化门限的1比特ADC采样得到的只包含回波数据符号信息的数据,即,正负1的数据。固定量化门限的1比特ADC是指固定量化器门限为0且不随采样时间改变的1比特ADC,即所有回波数据均与同一个量化门限值比较,大于等于该量化门限值的数据量化为1,否则量化为-1。本发明实施例的工作场景必须是一个稀疏场景,即场景中强散射点的分布是稀疏的。本发明实施例的具体实施方式以合成孔径雷达为例,本发明实施例同时适用于其他类型的雷达。
参照图1所示,示出了本发明实施例的一种基于对抗样本的1比特雷达成像方法的工作场景示意图。
如图1所示,以合成孔径雷达的工作场景为例,观测场景的大小为Nr×Nx个像素单元,其中Nx代表方位向像素单元数,方位向指平行于雷达运动方向,Nr代表距离向像素单元数,距离向指垂直于雷达运动方向。
用(rl,xq)表示第l个距离单元和第q个方位单元交点上的像素点坐标,其中l=1,2,...,Nr,q=1,2,...,Nx。
参照图2所示,对本发明实施例的一种基于对抗样本的1比特雷达成像方法进行介绍,本发明实施例的具体实施方式以合成孔径雷达为例,该基于对抗样本的1比特雷达成像方法具体可以包括以下步骤:
步骤S1:发射步进频信号,采集多个天线位置中每个天线位置处的不同频点的回波信号。
雷达平台沿方位向运动,且雷达系统按照“一步一停”的工作模式工作,发射步进频信号。雷达系统每移动到一个天线位置,发射步进频信号,采集回波信号。
在雷达运动方向上,雷达系统一共可以在P个天线位置采集回波信号,在每个天线位置可以采集到F个不同频点的回波信号。在第m个天线位置时,雷达平台的坐标为(0,pm),第n个频点的频率为fn,则雷达系统在第m个天线位置接收到的第n个频点的回波信号具有如下表达形式:
其中,sm,n表示雷达系统在第m个天线位置接收到的第n个频点的回波信号;表示雷达平台和目标像素点之间的距离;σl,q表示坐标位置(rl,xq)处的像素点的散射强度;c表示光速;wm,n表示雷达系统采集到的噪声;j表示复数。
步骤S2:对所采集到的回波信号进行处理,得到所述回波信号的稀疏表征。
根据回波信号的表达式可以构建回波信号的稀疏字典如下:
针对稀疏观测场景,不需要获得完整的回波信号信息,只需要在P个天线位置和F个频点中均匀选取Pr(Pr≤P)个天线位置和Fr(Fr≤F)个频点,因此可构造降采样矩阵Φ,从而得到降采样后的回波数据向量为其中为压缩感知矩阵,为sm,n的向量形式,为σl,q的向量形式,为wm,n的向量形式。
由于回波信号是复数信号,因此需要对回波信号进行I/Q双通道采样,将回波信号转换为实数形式后,再利用1比特稀疏算法进行成像。
Re(·)表示取实部的操作;Im(·)表示取虚部的操作,则回波信号转换成实数形式后为:
s=Aσ+w
回波信号的实数形式即为回波信号的稀疏表征,其中:
步骤S3:根据所述回波信号的稀疏表征和预设的阈值参数,建立参数化成像模型,所述参数化成像模型用于输出所述回波信号的成像结果。
根据回波信号的稀疏表征,引入一个阈值参数h,将1比特雷达成像问题建模为一个参数化成像模型,因此本发明实施例所提出的基于对抗样本的1比特雷达成像方法可以总结为求解如下优化问题:
该式中:σ表示初始的成像结果;表示最终得到的成像结果;h表示阈值参数;表示最终得到的阈值参数;J(σ,h)表示与成像结果σ和阈值参数h同时有关的代价函数;s表示回波信号的实数形式;K表示成像场景的稀疏度,即中非零元素个数,或,中具有显著幅值的元素个数;||·||0表示向量中包含的非零元素个数;||·||2表示l2范数;J(σ,h)表示一个与成像结果σ和阈值参数h同时有关的代价函数;
J(σ,h)=||[y⊙(Aσ-h)]-||1
其中,[x]-=(x-|x|)/2;⊙表示Hadamard积;||·||1表示l1范数。
代价函数J(σ,h)是一个与参数化量化一致性有关的代价函数。参数化量化一致性是指重建的成像场景通过同一个压缩感知矩阵A和一个阈值参数偏移后,经过同一个ADC量化后的结果要与原始1比特量化数据一致。
阈值参数h与成像质量有直接关系,当h取值始终为0时,上述成像模型简化为经典的1比特硬门限循环算法(BIHT)的成像模型。已有研究表明,BIHT等经典1比特稀疏恢复方法用于1比特雷达成像,其处理噪声和量化误差的能力有限,因此成像结果中存在很多孤立的杂点。与经典1比特稀疏恢复方法不同的是,本发明实施例通过自适应调整阈值参数的值来提高成像质量。
步骤S4:利用对抗样本对所述参数化成像模型所输出的成像结果和所述阈值参数进行迭代更新;其中,引入的对抗样本为基于上一次更新得到的成像结果所确定的。
在图像分类领域中的研究表明,利用对抗样本可以处理噪声和扰动带来的图像分类误差,提高图像分类系统对抗噪声和干扰的能力。由于对抗样本的产生是通过向原始样本中人为地加入某个干扰,来误导分类系统做出误判,因此将对抗样本引入到训练分类器参数的训练集中,可以使分类系统更好地适应噪声和干扰,进而能大大提高分类器的分类性能和稳定性。类比于图像分类问题,对于1比特雷达成像领域而言,1比特量化带来的幅度信息的丢失可以看作1比特量化误差,而这种量化误差会带来成像性能的损失,导致最终成像结果中出现杂点,而杂点可以被看作是“分类错误”的像素点。从这个角度来看,这种由1比特量化带来的成像性能损失也可以由引入对抗样本来消除。因此在1比特雷达成像领域采用对抗样本,在不改变ADC门限的条件下,可以进一步补偿1比特量化带来的成像性能损失。
由于对抗样本在图像分类问题中对提高分类系统分类性能和稳定性上的优势,本发明类比图像分类问题和雷达成像问题,引入对抗样本来自适应地调整阈值参数h,提出了一种基于对抗样本地1比特雷达成像方法(AS-BIHT)。AS-BIHT方法采用交叉迭代更新成像结果和阈值参数。对抗样本中其实已经包含了噪声和1比特量化误差可能带来的成像性能损失。引入对抗样本来调整阈值参数可以迫使成像系统的参数更加适应噪声和1比特量化误差的干扰,进而可以补偿1比特量化带来的成像性能损失,提高成像质量。
步骤S5:在迭代更新过程满足预设条件时,停止迭代更新,获得成像结果。
在迭代更新过程满足预设条件时,停止迭代更新,获得成像结果。
迭代更新过程满足预设条件是指:成像结果收敛到预设的固定精度ε,或,迭代次数达到预设的最大值Imax。
成像结果收敛到固定精度ε,即,||σt-σt-1||2/||σt||2<ε;迭代次数达到预设的最大值Imax,即t>Imax。
依据经验或依据精确(高精度量化)回波数据的稀疏成像结果来选择目标区域和成像结果参照,根据计算得到的评价指标值,评价成像质量。
利用不同评价指标对成像质量进行评价;其中,所述评价指标包括以下至少一者:目标与杂波能量比(TCR)、重建场景信噪比(RSNR)和重建结果的均方误差(MSE)。
其中,目标与杂波能量比(TCR)通过以下公式进行计算得到:
其中,重建场景信噪比(RSNR)通过以下公式进行计算得到:
其中,σ为选取的某个贴近真实成像结果的成像结果。
其中,重建结果的均方误差(MSE)通过以下公式进行计算得到:
其中,σ为选取的某个贴近真实成像结果的成像结果。
TCR指标越高,反应成像结果目标区域更聚集而背景区域杂点更少,成像质量越好;RSNR指标越高,反应成像结果和参照结果之间相似度越高,成像质量越好;MSE指标越低,反应成像结果和参照结果之间相似度越高,成像质量越好。
采用本申请实施例的技术方案,在成像过程中引入一个阈值参数,将1比特雷达成像问题建模为一个参数化成像模型,该参数化模型通过产生对抗样本来不断更新调整阈值参数,进而调整成像系统的成像性能;对抗样本的引入可以提高1比特雷达成像系统处理1比特量化误差的能力,进而可以有效抑制由1比特量化误差带来的杂点,进一步提高1比特雷达成像质量。
下面,对本申请实施例的利用对抗样本对所述参数化成像模型所输出的成像结果和所述阈值参数进行迭代更新的方法,进行详细说明。
步骤101:将所述回波信号的1比特量化数据、构造所述回波信号稀疏表征时的压缩感知矩阵和采样的稀疏度作为所述参数化成像模型的初始输入,并将所述参数化成像模型在所述初始输入下得到的成像结果作为首次成像结果。
引入一个阈值参数h将1比特雷达成像问题建模为一个参数化成像模型,从而将本发明实施例所提出的基于对抗样本的1比特雷达成像方法总结为求解优化问题。
将回波信号的1比特量化数据y、构造所述回波信号稀疏表征时的压缩感知矩阵A和采样的稀疏度K作为参数化成像模型的初始输入。其中,1比特量化数据y表示回波信号进行1比特量化得到的数据,y=sign(s),其中sign(·)表示只保留符号的函数,即正负1的函数。
在整个循环迭代框架开始前,初始化成像场景σ0=ATy/||ATy||2、阈值参数h0=0和迭代计数参数t=0。
将参数化模型在初始输入下得到的成像结果作为首次成像结果。
步骤102:根据所述首次成像结果,确定对抗样本。
基于首次成像结果,依据快速梯度符号模型(FGSM)产生对抗样本。针对建模的1比特雷达成像的参数化模型,更新成像结果是使代价函数有减小趋势,而FGSM模型产生对抗样本的原则是在原始样本的基础上增加干扰,来阻止代价函数的减小趋势。
步骤103:基于所述首次成像结果、所述对抗样本,对所述参数化成像模型中的阈值参数进行更新。
在获得的首次成像结果和对抗样本的基础上,更新阈值参数。更新阈值参数依据的基本思路是迫使成像结果和对抗样本同时满足量化一致性条件。
步骤104:基于所述初始输入和更新后的阈值参数,得到更新后的成像结果。
迭代计数t=t+1。在第t-1次迭代后,得到的成像结果和阈值参数分别为σt-1和ht -1。在第t次迭代中,首先在h=ht-1条件下利用次梯度下降方法更新成像结果σt,更新步骤为:
其中,AT表示所述压缩感知矩阵的转置。
步骤105:基于所述更新后的成像结果,确定更新后的对抗样本。
基于更新后的成像结果σt,依据快速梯度符号模型(FGSM)产生更新后的对抗样碎针对建模的1比特雷达成像的参数化模型,更新的成像结果σt是使代价函数有减小趋势,而FGSM模型产生对抗样本的原则是在原始样本σt的基础上增加干扰,来阻止代价函数的减小趋势,因此在本发明实施例实现1比特雷达成像的过程中,基于所述更新后的成像结果和预设干扰参数,通过以下公式,确定更新后的对抗样本:
根据FGSM模型,沿次梯度方向施加干扰可以有效地阻止代价函数的减小趋势,因此对抗样本中其实已经包含了噪声和1比特量化误差可能带来的成像性能损失。引入对抗样本来调整阈值参数ht可以迫使成像系统的参数更加适应噪声和1比特量化误差的干扰,进而可以补偿1比特量化带来的成像性能损失,提高成像质量。
步骤106:基于所述更新后的成像结果、所述更新后的对抗样本对所述参数化成像模型中的阈值参数进行更新。
在更新的成像结果σt和对抗样本的基础上,更新阈值参数ht。更新阈值参数ht依据的基本思路是迫使σt和对抗样碎同时满足量化一致性条件。因为代价函数J(σ,h)是与量化一致性有关的代价函数,因此通过以下公式构造更新ht的代价函数:
该式中:表示与成像结果σt、对抗样本和阈值参数ht-1同时有关的代价函数;σt表示第t次迭代后得到的成像结果;表示第t次迭代后得到的对抗样本;ht-1表示第t-1次迭代后得到的阈值参数;表示与对抗样本和阈值参数ht-1同时有关的代价函数;J(σt,ht-1)表示与成像结果σt和阈值参数ht-1同时有关的代价函数;α为预设的贡献系数,且α∈[0,1]。
其中:为代价函数在ht-1处的次梯度;ai表示所述压缩感知矩阵的第i行向量,yi表示1比特量化数据的第i个元素;sign(·)表示只保留符号的函数;Pr表示所述多个天线位置中均匀选取的天线位置;Fr表示在多个频点中均匀选取的频点个数;
其中,β为控制次梯度下降步长的参数,且β>0。
重复步骤104到步骤106,直到满足所述预设条件。
重复步骤104到步骤106,实现交叉迭代更新成像结果和阈值参数,直到满足预设条件时,停止迭代。预设条件是指:成像结果收敛到预设的固定精度ε,或,迭代次数达到预设的最大值Imax。
成像结果收敛到固定精度ε,即,||σt-σt-1||2/||σt||2<ε;迭代次数达到预设的最大值Imax,即t>Imax。
参照图3,示出了本发明实施例的一种基于对抗样本的1比特雷达成像方法的整体流程示意图,在此种实施方式中,如图3所示具体可以包括以下步骤:
步骤S301:获得原始回波信号,这个原始回波信号可以是根据步骤S1获得的,具体如下:
以合成孔径雷达的工作场景为例,观测场景的大小为Nr×Nx个像素单元,其中Nx和Nr分别代表方位向(平行于雷达运动方向)像素单元数和距离向(垂直于方位向)像素单元数。用(rl,xq)表示第l个距离单元和第q个方位单元交点上的像素点坐标,其中l=1,2,...,Nr,q=1,2,...,Nx。
雷达平台沿方位向运动,且雷达系统按照“一步一停”的工作模式工作,发射步进频信号。在雷达运动方向上,雷达系统一共可以在P个天线位置采集回波信号,这些被采集到的回波信号即为原始回波信号。
步骤S302:对回波信号进行1比特ADC量化,获得1比特量化数据。
对回波信号数据进行1比特量化,得到的1比特量化数据为y=sign(s),其中sign(·)表示只保留符号的函数,即,正负1的函数。
步骤S303:构建回波信号的稀疏表征。
雷达系统在每个天线位置可以采集到F个不同频点的回波数据。第m个天线位置时,雷达平台的坐标为(0,pm),第n个频点的频率为fn,则雷达系统在第m个天线位置接收到的第n个频点的回波信号具有如下表达形式:
本发明实施例是一种1比特稀疏成像算法,因此本发明实施例的工作场景必须是一个稀疏场景,即场景中强散射点的分布是稀疏的。针对稀疏观测场景,不需要获得完整的回波信号信息,只需要在P个天线位置和F个频点中均匀选取Pr(Pr≤P)个天线位置和Fr(Fr≤F)个频点,因此可构造降采样矩阵Φ,可以得到降采样后的回波信号数据向量为其中为压缩感知矩阵,和分别为sm,n、σl,q和wm,n的向量形式。由于回波信号是复数信号,因此需要对回波信号进行I/Q双通道采样,转换为实数形式后再利用1比特稀疏算法进行成像。用Re(·)和Im(·)分别表示取实部和虚部的操作,则实数形式的回波信号具有如下形式:
s=Aσ+w
上式称为回波信号的稀疏表征,其中:
步骤S304:建立参数化成像模型,通过参数化成像模型更新成像结果。
根据稀疏表征,引入了一个阈值参数h将1比特雷达成像问题建模为一个参数化成像模型,因此本发明实施例所提出的基于对抗样本的1比特雷达成像方法可以总结为求解如下优化问题:
其中是最终得到的成像结果;||·||0表示的向量中包含的非零元素个数;||·||2表示的是l2范数;K表示成像场景的稀疏度,即中非零元素个数(或中具有显著幅值的元素个数);J(σ,h)=||[y⊙(Aσ-h)]-||1,是一个与成像结果σ和阈值参数h同时有关的代价函数,其中[x]-=(x-|x|)/2,⊙表示Hadamard积,||·||1表示的是l1范数。代价函数J(σ,h)是一个与参数化量化一致性有关的代价函数,这里所述参数化量化一致性是指重建的成像场景通过同一个压缩感知矩阵A和一个阈值参数偏移后,经过同一个ADC量化后的结果要与原始1比特量化数据一致。
根据建模的参数化成像模型,阈值参数h与成像质量有直接关系,当h取值始终为0时,上述成像模型简化为经典的1比特硬门限循环算法(BIHT)的成像模型。然而已有研究表明,BIHT等经典1比特稀疏恢复方法用于1比特雷达成像,其处理噪声和量化误差的能力有限,因此成像结果中存在很多孤立的杂点。与经典1比特稀疏恢复方法不同的是,在本发明实施例中,我们通过自适应调整阈值参数的值来寻求提高成像质量的可能性。
由于对抗样本在图像分类问题中对提高分类系统分类性能和稳定性上的优势,本发明类比图像分类问题和雷达成像问题,引入对抗样本来自适应地调整阈值参数h,提出了一种基于对抗样本地1比特雷达成像方法(AS-BIHT)。AS-BIHT方法采用交叉迭代更新成像结果和阈值参数的整体框架,其具体迭代步骤和实施方法如下:
输入1比特量化数据y、压缩感知矩阵A和稀疏度K。
在整个循环迭代框架开始前,初始化成像场景σ0=ATy/||ATy||2、阈值参数h0=0和迭代计数参数t=0。
迭代计数t=t+1。假设第t-1次迭代后,得到的成像结果和阈值参数分别为σt-1和ht-1,则在第t次迭代中,首先在h=ht-1条件下利用次梯度下降方法更新成像结果σt,更新步骤为:
步骤S305:基于更新的成像结果,依据快速梯度符号模型(FGSM)产生对抗样本。
基于更新的成像结果σt,依据快速梯度符号模型(FGSM)产生对抗样本针对建模的1比特雷达成像的参数化模型,更新的成像结果σt是使代价函数有减小趋势,而FGSM模型产生对抗样本的原则是在原始样本σt的基础上增加干扰,来阻止代价函数的减小趋势,因此在本发明实施例实现1比特雷达成像的过程中,产生对抗样本的计算步骤为:
其中ρ>0是控制干扰强度的预设干扰参数,ρ是人为选取的值,在本发明实施例中我们选取ρ=||ATy||2;是代价函数在σt处的次梯度。根据FGSM模型,沿次梯度方向施加干扰可以有效地阻止代价函数的减小趋势,因此对抗样本中其实已经包含了噪声和1比特量化误差可能带来的成像性能损失。引入对抗样本来调整阈值参数ht可以迫使成像系统的参数更加适应噪声和1比特量化误差的干扰,进而可以补偿1比特量化带来的成像性能损失,提高成像质量。
步骤S306:在更新的成像结果和对抗样本的基础上,更新阈值参数。
在更新的成像结果σt和对抗样本的基础上,更新阈值参数ht。更新阈值参数ht依据的基本思路是迫使σt和对抗样本同时满足量化一致性条件。代价函数J(σ,h)是与量化一致性有关的代价函数,因此我们可以构造更新ht的代价函数如下:
其中α∈[0,1]控制着对抗样本对于更新阈值参数的贡献程度,为预设的贡献系数,α是人为选取的值,在本实施例中,我们选取α=0.5。上式同时反映了σt和对抗样本的量化一致性,因此在第t次迭代中,可以依据使上述代价函数减小的原则来更新ht,即更新后的阈值参数ht应满足为了满足这个关系,可以采用次梯度下降的方法来更新阈值参数ht。
其中ai表示压缩感知矩阵A的第i行向量,yi表示向量y的第i个元素。因此次梯度下降方法更新阈值参数的计算步骤如下:
其中β>0是控制次梯度下降步长的参数,β是人为选取的值,本实施例中我们选取β=||A||2/2。
步骤S307:判断成像结果是否收敛,或,是否达到最大迭代次数。
重复步骤S304至S306,直到成像结果收敛到固定精度ε(即||σt-σt-1||2/||σt||2<ε,ε是人为选取的值,在本发明实施例中,我们选取ε=0.001),或迭代次数达到设置的最大值Imax(即t>Imax,Imax是人为选取的值,在本实施例中,我们选取Imax=500),最终输出成像结果
步骤S308:输出成像结果。
在成像结果收敛,或,达到最大迭代次数时,停止迭代更新,输出成像结果。
分别计算成像结果的目标与杂波能量比(TCR)、重建场景信噪比(RSNR)和重建结果的均方误差(MSE)来评价成像质量:
其中,目标与杂波能量比(TCR)通过以下公式进行计算得到:
其中,重建场景信噪比(RSNR)通过以下公式进行计算得到:
其中,σ为选取的某个贴近真实成像结果的成像结果。
其中,重建结果的均方误差(MSE)通过以下公式进行计算得到:
其中,σ为选取的某个贴近真实成像结果的成像结果。
TCR指标越高,反应成像结果目标区域更聚集而背景区域杂点更少,成像质量越好;RSNR指标越高,反应成像结果和参照结果之间相似度越高,成像质量越好;MSE指标越低,反应成像结果和参照结果之间相似度越高,成像质量越好。
采用本申请实施例的技术方案,在成像过程中引入一个阈值参数,将1比特雷达成像问题建模为一个参数化成像模型,该参数化模型通过产生对抗样本来不断更新调整阈值参数,进而调整成像系统的成像性能;对抗样本的引入可以提高1比特雷达成像系统处理1比特量化误差的能力,进而可以有效抑制由1比特量化误差带来的杂点,进一步提高1比特雷达成像质量。
图4为本发明方法实施例中维拉诺瓦大学雷达成像实验室提供的观测数据对应的真实观测场景中的目标分布示意图;图5为本发明实施例中对维拉诺瓦大学雷达成像实验室采集的无穿墙的雷达回波数据,利用不同方法得到的成像结果。采用维拉诺瓦大学雷达成像实验室提供的雷达回波数据(无穿墙数据),结合图4和图5,来验证本发明实施例提出的基于对抗样本的1比特雷达成像算法(AS-BIHT)的性能。
由于原始回波数据不是1比特量化的数据,首先对回波数据进行1比特量化,即将回波数据与0量化门限的ADC进行比较并保留符号信息作为观测的1比特量化数据。
本发明实施例的观测场景中共包含9个不同大小和形状的目标,具体分布位置参照图4,其中距离以英寸为衡量单位。本发明实施例中,我们将全观测场景划分为Nr×Nx=61×41个像素单元,设置场景的稀疏度为K=50。雷达系统采用步进频雷达,具体参数如表1中所示。
表1:本发明实施例采用的雷达系统参数
参照图5,从所有可用天线位置和可用频点中均匀选取Pr=34个天线位置和Fr=50个频点,因此1比特量化数据y的总比特数为3400比特。
在图5中,白色框标记出的区域是九个目标所在的目标区域,(a)是利用传统的后向散射(BP)算法对原始回波数据成像的结果,(b)是利用经典的压缩感知算法(CS)对原始回波数据的成像结果,(a)和(b)都是对未量化的数据进行处理的,其结果可以作为1比特雷达成像结果的参照。
(c)是利用BP算法对1比特数据成像的结果,与(a)的结果相比,可以看出1比特量化会大大降低成像质量。(d)是利用经典的1比特硬门限循环算法(BIHT)得到的1比特雷达成像结果,(e)是利用本发明提出的基于对抗样本的1比特雷达成像算法(AS-BIHT)得到的成像结果,对比(d)和(e)可以看出,经典的1比特稀疏恢复方法用于雷达成像,其成像结果会受到零散杂点的干扰,而本发明实施例提出的算法能够有效地抑制杂点,提高成像质量。
(f)是利用基于随机时变门限的1比特稀疏雷达成像算法(BCST-SAR)得到的成像结果,可以看到(e)和(f)的成像结果可以相比拟,但(e)采用本发明实施例提出的算法不需要在采样量化过程中改变量化器的量化门限,因此具有更低的硬件复杂度和计算复杂度。
利用目标与杂波能量比(TCR)、重建场景信噪比(RSNR)和重建结果的均方误差(MSE)作为指标来衡量成像质量,其计算结果如表2所示,其中计算重建场景信噪比(RSNR)和重建结果的均方误差(MSE)时采用(b)中的结果作为最贴近真实成像场景的参照成像结果。
表2:不同方法成像结果的指标对比
由表2可以看出,BCST-SAR方法能够得到较高的TCR值,这是因为BCST-SAR的成像结果(f)丢失了一个小目标,因此其TCR指标不能很好的表征成像质量。
而从RSNR和MSE的指标来看,利用本发明实施例提出的AS-BIHT方法能够得到更好的成像质量,且相比于基于变门限ADC的BCST-SAR方法,本发明实施例提出的方法基于固定的ADC,在不增加采样阶段的硬件实现难度的条件下,本发明实施例提出的方法能够有效提高成像质量。
如果选取不同数量的天线位置和采样频点数,会得到不同的总比特数。
参照图6,反映了用TCR为指标衡量的成像质量随总比特数变化的曲线;参照图7,反映了用RSNR为指标衡量的成像质量随总比特数变化的曲线;参照图8,反映了用MSE为指标衡量的成像质量随总比特数变化的曲线;从图6、图7和图8中的结果可以看出,相比于1比特稀疏成像方法例如BIHT方法,本发明实施例提出的方法在不同数据量的条件下,都能够在不改变量化器的量化门限的条件下大大提高成像质量。
本发明实施例中,通过引入阈值参数将成像模型建模为一个参数化成像模型,在交替更新成像结果和阈值参数的循环迭代框架中引入对抗样本来调整阈值参数。由于在每次循环迭代的过程中,对抗样本的产生是破坏1比特稀成像条件,因此对抗样本其实包含了噪声和量化误差等因素可能带来的成像性能损失,因此基于对抗样本调整阈值参数可以提高成像模型适应噪声和量化误差的能力,抑制由噪声和量化误差引起的杂点,进而提高成像质量。与现有的1比特稀疏恢复成像方法相比,本发明提出的方法能够在不改变ADC量化门限的条件下,大大提高1比特雷达成像性能。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上对本申请所提供的一种基于对抗样本的1比特雷达成像方法进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于对抗样本的1比特雷达成像方法,其特征在于,应用于稀疏场景,所述方法包括:
发射步进频信号,采集多个天线位置中每个天线位置处的不同频点的回波信号;
对所采集到的回波信号进行处理,得到所述回波信号的稀疏表征;
根据所述回波信号的稀疏表征和预设的阈值参数,建立参数化成像模型,所述参数化成像模型用于输出所述回波信号的成像结果;
利用对抗样本对所述参数化成像模型所输出的成像结果和所述阈值参数进行迭代更新;其中,引入的对抗样本为基于上一次更新得到的成像结果所确定的;
在迭代更新过程满足预设条件时,停止迭代更新,获得成像结果。
2.根据权利要求1所述的方法,其特征在于,根据所述回波信号的稀疏表征和引入的阈值参数,建立参数化成像模型,包括:
通过以下公式建立参数化成像模型:
该式中:σ表示初始的成像结果;表示最终得到的成像结果;h表示阈值参数;表示最终得到的阈值参数;J(σ,h)表示与成像结果σ和阈值参数h同时有关的代价函数;s表示回波信号的实数形式;K表示成像场景的稀疏度;||·||0表示向量中包含的非零元素个数;||·||2表示l2范数;J(σ,h)表示一个与成像结果σ和阈值参数h同时有关的代价函数;
J(σ,h)=||[y⊙(Aσ-h)]-||1
其中,[x]-=(x-|x|)/2;⊙表示Hadamard积;||·||1表示l1范数。
3.根据权利要求1所述的方法,其特征在于,利用对抗样本对所述参数化成像模型所输出的成像结果和所述阈值参数进行迭代更新,包括:
步骤101:将所述回波信号的1比特量化数据、构造所述回波信号稀疏表征时的压缩感知矩阵和采样的稀疏度作为所述参数化成像模型的初始输入,并将所述参数化成像模型在所述初始输入下得到的成像结果作为首次成像结果;
步骤102:根据所述首次成像结果,确定对抗样本;
步骤103:基于所述首次成像结果、所述对抗样本,对所述参数化成像模型中的阈值参数进行更新;
步骤104:基于所述初始输入和更新后的阈值参数,得到更新后的成像结果;
步骤105:基于所述更新后的成像结果,确定更新后的对抗样本;
步骤106:基于所述更新后的成像结果、所述更新后的对抗样本对所述参数化成像模型中的阈值参数进行更新;
重复步骤104到步骤106,直到满足所述预设条件。
4.根据权利要求3所述的方法,其特征在于,基于所述更新后的成像结果、所述更新后的对抗样本,对所述参数化成像模型中的阈值参数进行更新,包括:
基于所述更新后的成像结果、所述更新后的对抗样本以及预设的贡献系数,迫使所述更新的成像结果和所述更新后的对抗样本同时满足量化一致性条件;其中,所述贡献系数用于表征所述更新后的对抗样本对于更新阈值参数的贡献程度;
在满足所述量化一致性条件时,更新所述参数化成像模型中的阈值参数。
5.根据权利要求4所述的方法,其特征在于,基于所述更新后的成像结果、所述更新后的对抗样本以及预设的贡献系数,迫使所述更新的成像结果和所述更新后的对抗样本同时满足量化一致性条件,包括:
基于所述更新后的成像结果、所述更新后的对抗样本以及预设的贡献系数,构造代价函数;所述代价函数用于反映所述更新的成像结果和所述更新后的对抗样本之间的量化一致性条件;
在满足所述量化一致性条件时,更新所述参数化成像模型中的阈值参数,包括:
利用所述代价函数,采用次梯度下降的方法更新参数化成像模型中的阈值参数。
6.根据权利要求5所述的方法,其特征在于,利用所述代价函数,采用次梯度下降的方法来更新参数化成像模型中的阈值参数,包括:
通过以下公式构造更新ht的代价函数:
该式中:表示与成像结果σt、对抗样本和阈值参数ht-1同时有关的代价函数;σt表示第t次迭代后得到的成像结果;表示第t次迭代后得到的对抗样本;ht-1表示第t-1次迭代后得到的阈值参数;表示与对抗样本和阈值参数ht-1同时有关的代价函数;J(σt,ht-1)表示与成像结果σt和阈值参数ht-1同时有关的代价函数;α为所述预设的贡献系数,且α∈[0,1];
利用所述代价函数,采用次梯度下降的方法来更新参数化成像模型中的阈值参数,包括:
其中:为代价函数在ht-1处的次梯度;ai表示所述压缩感知矩阵的第i行向量,yi表示1比特量化数据的第i个元素;sign(·)表示只保留符号的函数;Pr表示所述多个天线位置中均匀选取的天线位置;Fr表示在多个频点中均匀选取的频点个数;
其中,β为控制次梯度下降步长的参数,且β>0。
9.根据权利要求1所述的方法,其特征在于,对所接收到的回波信号进行处理,得到所述回波信号的稀疏表征,包括:
根据每个天线位置在雷达系统中的坐标,每个天线位置处采集到的回波信号的频率,确定所述雷达系统在该天线位置和该频率上的回波信号的表达式;
根据在该天线位置和该频率上的回波信号的表达式,构建所述回波数据的稀疏字典;
根据所述回波数据的稀疏字典,构造降采样矩阵,确定降采样后的所述回波信号的回波数据向量;
对所述回波信号的回波数据向量进行转换,得到所述回波信号的稀疏表征;
所述根据每个天线位置在雷达系统中的坐标,每个天线位置处采集到的回波信号的频率,确定所述雷达系统在该天线位置和该频率上的回波信号的表达式,包括:
根据以下公式确定所述回波信号的表达式:
该式中:(0,pm)表示雷达平台在第m个天线位置时的坐标;fn表示第n个频点的频率;sm,n表示所述雷达系统在第m个天线位置接收到的第n个频点的回波信号;Nr表示观测场景中距离向的像素单元数;Nx表示观测场景中方位向的像素单元数;l表示观测场景中第l个距离单元,q表示观测场景中第q个方位单元,其中l=1,2,...,Nr,q=1,2,...,Nx;σl,q表示坐标位置(rl,xq)处的像素点的散射强度;表示雷达平台和目标像素点之间的距离;c表示光速;wm,n表示所述雷达系统采集到的噪声;
根据以下公式确定所述回波数据的稀疏字典:
根据以下公式确定所述降采样后的所述回波信号的回波数据向量为:
所述回波信号的稀疏表征为:s=Aσ+w,其中,
其中,Re(·)表示取实部的操作;Im(·)表示取虚部的操作。
10.根据权利要求1所述的方法,所述方法还包括:
利用不同评价指标对成像质量进行评价;其中,所述评价指标包括以下至少一者:目标与杂波能量比、重建场景信噪比和重建结果的均方误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456268.6A CN113311429B (zh) | 2021-04-26 | 2021-04-26 | 一种基于对抗样本的1比特雷达成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456268.6A CN113311429B (zh) | 2021-04-26 | 2021-04-26 | 一种基于对抗样本的1比特雷达成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311429A true CN113311429A (zh) | 2021-08-27 |
CN113311429B CN113311429B (zh) | 2023-11-14 |
Family
ID=77371256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456268.6A Active CN113311429B (zh) | 2021-04-26 | 2021-04-26 | 一种基于对抗样本的1比特雷达成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311429B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205608A (zh) * | 2022-09-15 | 2022-10-18 | 杭州涿溪脑与智能研究所 | 基于压缩感知的自适应图像对抗样本检测与防御方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090222226A1 (en) * | 2005-10-25 | 2009-09-03 | Baraniuk Richard G | Method and Apparatus for On-Line Compressed Sensing |
US20170010352A1 (en) * | 2015-07-07 | 2017-01-12 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Radar Imaging Using Distributed Arrays and Compressive Sensing |
CN109948663A (zh) * | 2019-02-27 | 2019-06-28 | 天津大学 | 一种基于模型抽取的步长自适应的对抗攻击方法 |
CN111693993A (zh) * | 2020-05-08 | 2020-09-22 | 清华大学 | 自适应1比特数据雷达成像方法 |
CN111737691A (zh) * | 2020-07-24 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 对抗样本的生成方法和装置 |
-
2021
- 2021-04-26 CN CN202110456268.6A patent/CN113311429B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090222226A1 (en) * | 2005-10-25 | 2009-09-03 | Baraniuk Richard G | Method and Apparatus for On-Line Compressed Sensing |
US20170010352A1 (en) * | 2015-07-07 | 2017-01-12 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Radar Imaging Using Distributed Arrays and Compressive Sensing |
CN109948663A (zh) * | 2019-02-27 | 2019-06-28 | 天津大学 | 一种基于模型抽取的步长自适应的对抗攻击方法 |
CN111693993A (zh) * | 2020-05-08 | 2020-09-22 | 清华大学 | 自适应1比特数据雷达成像方法 |
CN111737691A (zh) * | 2020-07-24 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 对抗样本的生成方法和装置 |
Non-Patent Citations (1)
Title |
---|
李刚 等: "微波成像中的参数化稀疏表征模型", 《科技创新报道》, vol. 13, no. 13 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205608A (zh) * | 2022-09-15 | 2022-10-18 | 杭州涿溪脑与智能研究所 | 基于压缩感知的自适应图像对抗样本检测与防御方法 |
CN115205608B (zh) * | 2022-09-15 | 2022-12-09 | 杭州涿溪脑与智能研究所 | 基于压缩感知的自适应图像对抗样本检测与防御方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113311429B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN109557540B (zh) | 基于目标散射系数非负约束的全变差正则化关联成像方法 | |
CN111145337B (zh) | 基于分辨率逼近的快速稀疏重构的线阵sar三维成像方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN110598806A (zh) | 一种基于参数优化生成对抗网络的手写数字生成方法 | |
CN111025257B (zh) | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
Achitouv et al. | Improving reconstruction of the baryon acoustic peak: The effect of local environment | |
CN111553513A (zh) | 一种基于二次分解与回声状态网络的中长期径流预测方法 | |
CN111046737A (zh) | 一种用于微地震信号检测的高效智能感知采集方法 | |
CN109507666A (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN113311429A (zh) | 一种基于对抗样本的1比特雷达成像方法 | |
CN115032602A (zh) | 一种基于多尺度卷积胶囊网络的雷达目标识别方法 | |
Lin et al. | A local search enhanced differential evolutionary algorithm for sparse recovery | |
CN113780346A (zh) | 一种先验约束分类器调整方法、系统及可读存储介质 | |
CN113392871A (zh) | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 | |
CN112232129A (zh) | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 | |
CN113420812B (zh) | 基于进化卷积神经网络的极化sar图像分类方法 | |
CN115963494A (zh) | 基于快速sbl算法的周期性分段观测isar高分辨成像方法 | |
CN115453527A (zh) | 一种周期性分段观测isar高分辨成像方法 | |
CN111797968A (zh) | 一种基于脉冲神经网络的重加权稀疏重建方法 | |
Ghaffari Razin et al. | Application of wavelet neural networks for improving of ionospheric tomography reconstruction over Iran |
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 |