一种结合门单元和迁移学习的逆合成孔径雷达成像方法与流程

技术特征：
1.一种结合门单元和迁移学习的逆合成孔径雷达成像方法，其特征在于，包括以下步骤：s1、构建全卷积神经网络fcnn：利用卷积层、最大化池化层、bn层、激活函数层、反卷积层和跳跃连接sk链接构建逆合成孔径雷达isar降采样数据成像的fcnn；s2、构建g-fcnn：在fcnn的基础上，引入门单元gu，构建g-fcnn；g-fcnn输入为isar降采样数据通过两维快速傅里叶变换fft获得的初始图像，输出为最终的isar成像结果；s3、利用电磁仿真软件构建雷达照射目标的电磁仿真环境和设置相应的雷达参数，计算得到仿真的雷达回波，构建大规模的isar仿真训练数据集；s4、基于步骤s3生成的大规模isar仿真训练数据集，在给定损失函数形式后，结合反向传播和梯度下降算法，对g-fcnn进行预训练；s5、利用小规模isar实测训练数据集，对步骤s4预训练好的g-fcnn中的参数进行微调，获得参数最优的g-fcnn；s6、利用g-fcnn实现未知isar降采样数据成像，isar降采样数据两维fft得到初始图像作为微调好的g-fcnn的输入，g-fcnn的输出为最终的成像结果。2.根据权利要求1所述的方法，其特征在于，步骤s1中构造fcnn，具体包括：首先，利用3
×
3的卷积核提取多个特征数据，并且利用bn层和激活函数层减少特征数据与输入数据的偏差，利用运算核为2
×
2的最大化池化层对特征数据降维；其次，在特征数据重建的流程中，利用反卷积层重建特征数据，反卷积核大小为2
×
2，同时利用bn层和relu激活函数减少重建的特征数据与降维的特征数据的误差；fcnn中具有三级结构，每一级中都采用sk建立网络浅层和网络深层的映射，在网络的最后一层也加入sk，将初始图像与网络重建的特征数据求和。3.根据权利要求1所述的方法，其特征在于，步骤s2中构建g-fcnn，具体如下：在fcnn的基础上，采用1
×
1卷积层实现门单元机制：其中，b
s
表示fps层中级联的网络浅层特征表示ofrs，其中s＝1,2,3表示级数，表示卷积核为1
×
1门函数，表示卷积操作的权重参数，表示偏差，权重参数控制在s级中可以进一步向前传递的ofrs数量，表示的是在s级中通过门单元的ofrs。4.根据权利要求1所述的方法，其特征在于，步骤s3中构建大规模isar仿真训练数据集，具体如下：利用电磁仿真软件feko中的cadfeko，设计与实测yak-42目标相似的三维模型，仿真模型尺度与实测目标尺度一致，仿真目标的材质设置为理想的电导体，在feko中，将仿真模型至于全局坐标系oxyz中，设置雷达参数，对仿真模型表面划分网格后，设置目标散射回波计算方法，计算得到仿真的雷达回波。5.根据权利要求4所述的方法，其特征在于，利用两种方式计算接收的回波：第一种方式是对反射回波直接进行两维的fft，得到仿真目标的图像，将这种方式的目标图像称为标签图像；第二种方式是对反射回波在距离向和方位向随机降采样，对降采样的数据执行两维fft得到仿真目标的图像，这种方式得到的目标图像称为初始图像；
一副初始图像和一副标签图像构成isar仿真训练数据集中的一个训练样本，将所有仿真训练样本划分为训练集和验证集，用于g-fcnn的预训练。6.根据权利要求1所述的方法，其特征在于，步骤s4中，是以最小均方误差函数作为损失函数，在设置好损失函数后，结合批量的梯度下降和反向传播算法，更新g-fcnn参数，对g-fcnn进行预训练。7.根据权利要求6所述的方法，其特征在于，步骤s4中，以最小均方误差函数作为损失函数，具体为：其中，i表示第i个训练样本，是网络输出的重建结果，表示第i个训练样本中的初像，{w}表示网络参数集合，f(
·
)表示cnn网络描述的函数，σ
i
表示第i个样本的标记图像，l({w})表示的是重建的均方误差。8.根据权利要求7所述的方法，其特征在于，步骤s5中，小规模isar实测训练数据集是由isar实测目标图像构成的集合，实测训练数据集中每一个训练样本同样包括一副isar实测数据初始图像和一副标签图像；小规模的isar实测训练数据集结合步骤s4的最小均方误差函数，对预训练好的g-fcnn进行微调，获得面向未知isar目标成像任务而言最优的g-fcnn。9.根据权利要求1所述的一种结合门单元和tl的isar成像方法，其特征在于，步骤s6中，利用g-fcnn实现isar实测的目标数据成像，对运动补偿后isar的数据进行距离向和方位向的随机降采样，降采样数据二维fft后得到初始图像，将初始图像作为微调好的g-fcnn的输入，g-fcnn的输出为最终的成像结果。

技术总结
本发明提出了一种结合门单元和迁移学习的逆合成孔径雷达成像方法，首先利用常规的卷积层，激活函数层，批归一化层和最大化池化层等构建全卷积神经网络FCNN，在FCNN中利用跳跃连接SKs来建立了多条路径用来将网络浅层特征表示OFRs直接传递到网络重建层。其次在FCNN中进一步引入门单元构成G-FCNN，并采用迁移学习策略TL来保证G-FCNN的性能达到最优。接着利用电磁仿真软件构建大规模雷达训练数据用于预训练G-FCNN，再利用小规模的实测雷达数据对预训练好的G-FCNN中的网络层参数微调，获得面向目标成像任务而言最优的网络参数。本发明优于现有的基于卷积神经网络的ISAR成像方法。现有的基于卷积神经网络的ISAR成像方法。现有的基于卷积神经网络的ISAR成像方法。


技术研发人员：汪玲 胡长雨
受保护的技术使用者：南京航空航天大学
技术研发日：2021.09.13
技术公布日：2022/1/28