申请/专利权人：南京信息工程大学

申请日：2024-01-08

公开（公告）日：2024-03-19

公开（公告）号：CN117523344B

主分类号：G06V10/774

分类号：G06V10/774;G01S13/90;G06V10/764;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明公开了一种基于相位质量加权卷积神经网络的干涉相位解缠方法，包括：创建干涉相位数据集，将干涉相位数据集划分为训练数据集和测试数据集；构建相位质量加权卷积神经网络；设置相位质量加权卷积神经网络训练起始学习率、最大学习率、训练批量数和训练轮次数，利用训练数据集对构建的网络进行训练，得到训练好的网络；利用训练好的网络对测试数据集进行测试，获得干涉相位解缠结果。本发明实现了干涉相位的高精度解缠，具有收敛速度快、鲁棒性强、实时性强以及相位解缠准确率高的特点，能够提高合成孔径雷达干涉测量的精度。

主权项：1.一种基于相位质量加权卷积神经网络的干涉相位解缠方法，其特征在于，包括如下步骤：步骤1，创建干涉相位图数据集，将干涉相位图数据集划分为训练数据集和测试数据集；步骤2，构建相位质量加权卷积神经网络；相位质量加权卷积神经网络具体包括：输入层、编码器网络、LSTM模块、相位质量权值计算子网络、解码器网络、第九卷积层以及第一至第五连接层；其中，输入层的输出端连接编码器网络、相位质量权值计算子网络的输入端，编码器网络的输出端经LSTM模块与解码器网络的输入端连接，解码器网络的输出端连接第九卷积层，相位质量权值计算子网络的输出端经第五连接层与第九卷积层连接；编码器网络包括第一至第四卷积层以及第一至第四最大池化层，第一至第四卷积层依次串联，每个卷积层后面连接一个最大池化层，输入层的输出端连接第一卷积层，第四最大池化层输出至LSTM模块；解码器网络包括第五至第八卷积层以及第五至第八上采样层，第五至第八卷积层依次串联，每个卷积层后面连接一个上采样层，LSTM模块的输出端连接第五卷积层的输入端，第八上采样层输出至第九卷积层；第四卷积层通过第一连接层与第五卷积层连接，第三卷积层通过第二连接层与第六卷积层连接，第二卷积层通过第三连接层与第七卷积层连接，第一卷积层通过第四连接层与第八卷积层连接；所述相位质量权值计算子网络包括第十至第十二卷积层、第一至第二非线性激活函数层、一个反卷积层、一个池化层和一个激活函数层，第十卷积层、第一非线性激活函数层、池化层、第十一卷积层、第二非线性激活函数层、反卷积层、第十二卷积层和激活函数层依次串联；输入层的输出端连接第十卷积层的输入端，激活函数层的输出端经第五连接层与第九卷积层连接；第一卷积层、第二卷积层、第七卷积层和第八卷积层的结构相同，均包括第一至第三卷积块，第一卷积块由卷积层、归一化层和线性激活函数层依次串联而成，第二和第三卷积块均由卷积层和归一化层串联而成；第一、第二、第七或第八卷积层的输入经第三卷积块得到第一结果，第一、第二、第七或第八卷积层的输入依次经第一和第二卷积块后得到第二结果，第一结果与第二结果相加后再经过一个线性激活函数层，得到第一、第二、第七或第八卷积层的输出；第三卷积层、第四卷积层、第五卷积层和第六卷积层的结构相同，均包括第四至第七卷积块，第四和第五卷积块均由卷积层、归一化层和线性激活函数层依次串联而成，第六和第七均由卷积层和归一化层串联而成；第三、第四、第五或第六卷积层的输入经第七卷积块后得到第三结果，第三、第四、第五或第六卷积层的输入依次经第四、第五和第六卷积块后得到第四结果，第三结果和第四结果相加后再经过一个线性激活函数层，得到第三、第四、第五或第六卷积层的输出；步骤3，设置相位质量加权卷积神经网络训练起始学习率、最大学习率、训练批量数和训练轮次数，利用训练数据集对步骤2构建的网络进行训练，得到训练好的网络；步骤4，利用训练好的网络对测试数据集进行测试，获得干涉相位解缠结果。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于相位质量加权卷积神经网络的干涉相位解缠方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD