一种低信噪比下雷达网络化超分辨成像方法
本发明属于雷达成像,特别涉及一种低信噪比下雷达网络化超分辨成像方法。
背景技术:
1、实孔径雷达通过天线波束扫描实现二维成像,广泛应用于地形测绘和目标探测领域。然而,其方位分辨率受限于天线孔径大小,导致目标在成像结果中严重展宽,相邻目标难以分辨。
2、现有超分辨成像方法通常建模为正则化逆问题,采用正则化加强稀疏约束,并利用传统优化算法迭代求解。然而,这类方法性能高度依赖人工调参,全局参数固定,噪声鲁棒性较差。zhou等人将迭代收缩阈值算法(ista)重建过程展开为深度网络,显著减少了成像时间并提高了重建质量。zhang等人将基于交替方向乘子法(admm)的展开网络应用于前视扫描雷达的超分辨与目标检测联合处理。这些深度展开网络方法虽然实现了参数自适应学习,但受限于正则化的表达能力,无法建模雷达图像中目标的空间连续性、局部相关性等复杂结构信息,重建精度和噪声鲁棒性受限。
技术实现思路
1、针对传统正则化超分辨方法参数固定、先验建模能力不足导致成像性能受限等问题,本发明提出一种低信噪比下雷达网络化超分辨成像方法。
2、本发明采用的技术方案为:一种低信噪比下雷达网络化超分辨成像方法,包括:
3、步骤1:对雷达获取到的二维回波信号进行脉冲压缩和距离徙动校正,得到实波束回波;
4、步骤2:基于实波束回波,建立以目标散射系数为求解目标的最小二乘问题,使用稀疏约束优化问题求解;然后采用原始对偶混合梯度算法引入对偶变量,将原问题转化为鞍点问题并进行迭代求解;
5、步骤3:构建深度展开网络;将步骤2中的迭代求解过程映射为k层级联的网络结构,每一层网络对应一次原始对偶混合梯度算法迭代;并在每层迭代后引入轻量级残差优化模块对结果进一步修正;
6、步骤4:将实波束回波数据输入网络进行前向传播,基于网络目标散射系数输出与目标真实散射系数之间的重建误差计算损失函数,对网络进行端到端训练。
7、本发明的有益效果:本发明的方法首先将原始对偶混合梯度算法展开为深度网络并设计层级可学习参数,实现了不同重建阶段的自适应参数优化;其次,在即插即用框架下引入基于去噪卷积神经网络的轻量级残差优化模块,通过残差学习抑制噪声并建模高频细节;最后,利用梯度反向传播以最小化重建误差为目标进行端到端训练,实现网络中所有参数的联合优化。与传统优化算法和简单展开网络相比,本发明克服了人工参数调整困难、参数固定以及先验建模能力不足等问题,具有更强的噪声鲁棒性,针对稀疏场景展现出更优的超分辨重建性能。
1.一种低信噪比下雷达网络化超分辨成像方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种低信噪比下雷达网络化超分辨成像方法,其特征在于,所述建立以目标散射系数为求解目标的最小二乘问题,具体如下:
3.根据权利要求2所述的一种低信噪比下雷达网络化超分辨成像方法,其特征在于,所述采用原始对偶混合梯度算法引入对偶变量,将原问题转化为鞍点问题并进行迭代求解,具体如下:
4.根据权利要求3所述的一种低信噪比下雷达网络化超分辨成像方法,其特征在于,所述深度展开网络具体构建如下:
5.根据权利要求4所述的一种低信噪比下雷达网络化超分辨成像方法,其特征在于,所述残差优化模块由以下三层结构依次组成:
6.根据权利要求5所述的一种低信噪比下雷达网络化超分辨成像方法,其特征在于,所述损失函数表示为:
7.根据权利要求6所述的一种低信噪比下雷达网络化超分辨成像方法,其特征在于,所述软阈值算子表达式为:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com