申请/专利权人：中山大学

申请日：2024-01-30

公开（公告）日：2024-04-12

公开（公告）号：CN117876603A

主分类号：G06T17/00

分类号：G06T17/00;G01S13/90;G06N3/0442;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本申请提供了一种基于LSTM的深度展开网络的层析SAR三维成像方法，该方法用ALISTA网络作为基本框架，并在其中引入LSTM模块，把该网络称为NA‑ALISTA网络，通过求解凸优化问题确定NA‑ALISTA网络中的权重矩阵；将误差量r、u输入LSTM模块，求解散射体在三维位置的电磁散射强度迭代公式中的两个训练参数，进而迭代求解电磁散射强度。本申请通过LSTM模块的自适应学习，使NA‑ALISTA网络迅速收敛于复杂的时空信号，从而提高成像效率；LSTM模块还能够减小误差，使NA‑ALISTA网络更准确地捕捉并传递信息，进一步提高成像的精度和稳定性，为高质量TomoSAR成像提供新的技术路径。

主权项：1.一种基于LSTM的深度展开网络的层析SAR三维成像方法，假设观测区域内有N个航过，得到N景二维SAR图像，其特征在于，所述方法在ALISTA网络基本框架上，引入LSTM模块，包括以下步骤：步骤1：获取雷达观测采集到的第n个复数观测值yn，n∈[1,N]，由N个yn组成N×1维的复数观测矩阵y；步骤2：通过求解以下凸优化问题，确定NA-ALISTA网络中的权重矩阵W： 其中，R为N×M维的观测矩阵，M为高程向网格化离散采样的次数，为复数集合；步骤3：初始化参数，令k＝1，γ0＝0，h0＝h0，c0＝c0；其中，k为迭代次数，k∈[1,K]，γ为散射体在三维位置的电磁散射强度，h、c分别为LSTM模块的短时记忆参数、长时记忆参数，γ0、h0、c0分别为γ、h、c的初始值；步骤4：在层析模型中，r、u分别为第一误差量、第二误差量，采用如下公式计算rk、uk：rk:＝||Rγk-1-y||1；uk:＝||WTRγk-1-y||1；其中，rk为第k次迭代的r，uk为第k次迭代的u，γk-1为第k-1次迭代的γ；若k＝1，则γk-1为γ的初始值γ0；步骤5：将hk-1、ck-1、rk、uk输入LSTM模块，LSTM模块输出hk、ck、Uck；其中，hk-1、ck-1分别为第k-1次迭代的h、c；hk、ck分别为第k次迭代的h、c；若k＝1，则hk-1、ck-1分别为h、c的初始值h0、c0；步骤6：采用Softsign函数，根据SoftsignUck计算θk、μk，其中，步骤7：采用如下公式计算γk： 其中，γk为第k次迭代的γ，为X的软阈值函数，步骤8：k＝k+1，若k≤K，则重复步骤4至步骤7，否则结束迭代，根据确定的γ，生成观测区域的三维图像。

全文数据：

权利要求：

百度查询： 中山大学 基于LSTM的深度展开网络的层析SAR三维成像方法

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。

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