申请/专利权人:南京航空航天大学
申请日:2021-09-13
公开(公告)日:2024-04-05
公开(公告)号:CN113985408B
主分类号:G01S13/90
分类号:G01S13/90;G06N3/0464;G06N3/045;G06N3/096;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.04.05#授权;2022.02.18#实质审查的生效;2022.01.28#公开
摘要: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。
主权项: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;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,Bs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;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。
全文数据:
权利要求:
百度查询: 南京航空航天大学 一种结合门单元和迁移学习的逆合成孔径雷达成像方法
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。