申请/专利权人：西安电子科技大学

申请日：2024-01-18

公开（公告）日：2024-04-19

公开（公告）号：CN117907961A

主分类号：G01S7/41

分类号：G01S7/41;G06F30/20;G06F18/241;G06V10/764;G06V10/774;G06V10/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于深度展开网络的微多普勒信号时频重构方法，主要解决现有技术在重构时频图中曲线交叉点处分辨率低，重构误差大，且噪声稳健性差的问题。其实现方案包括：仿真微动目标雷达回波样本并划分训练集和测试集；构建包括基于UNet++的超网络U和基于CNN的超网络的ADMM‑Net深度展开网络；构建该网络的损失函数，将训练集的每一个含噪仿真信号输入到网络中，采用梯度下降法对网络进行迭代训练；将测试集含噪仿真信号输入到训练好的网络中，得到时频图重构结果。本发明能有效提升低信噪比等复杂观测条件下对空中、地面微动目标的微多普勒信息快速获取能力，且时频图的重构分辨率高，噪声稳健性强。

主权项：1.一种基于深度展开网络的微多普勒信号时频重构方法，其特征在于，包括如下步骤：1仿真微动目标雷达回波样本，划分训练集和测试集；2构建基于超网络的ADMM-Net深度展开网络：2a将现有ADMM-Net网络的非线性层可学习参数扩展为与重构时频图像同维度的参数向量δ；2b选用基于UNet++的超网络U，用于对参数向量δ的学习；2c设计基于CNN的超网络用于学习ADMM-Net网络原有的惩罚参数ρ和拉格朗日乘子更新速率η；2c将上述两个超网络U与添加到ADMM-Net网络结构中，构成基于超网络的ADMM-Net深度展开网络，用于学习并产生ADMM-Net的网络参数；3对基于超网络的ADMM-Net深度展开网络进行训练：3a取出训练集中的一个含噪仿真信号样本Snoise输入到上述构建的深度展开网络进行前向传播，输出该含噪仿真信号样本Snoise重构出的二维时频分布图3b利用标签图像f对重构的二维时频分布图按照下式进行曲线与背景的分离： 其中，Rfore为分离出的只包含微多普勒曲线处振幅值的网络输出图像，Rback为分离出的只包含背景处振幅值的网络输出图像，表示矩阵对应元素相乘，sign·为符号函数，1为全1矩阵；3c根据步骤3b的结果构建图像曲线损失函数Lfore、图像背景噪声损失函数Lback、图像整体损失函数Lp：Lfore＝λ1×1-pRfore,f，其中，λ1、λ2与λ3分别为Lfore、Lback、Lp函数的权重，p·为皮尔逊相关系数；3d根据上述三个损失函数得到基于超网络的ADMM-Net深度展开网络损失函数：Ltotal＝Lfore+Lback+Lp；3e根据由3a中输入的含噪仿真信号样本Snoise计算出的损失函数Ltotal对网络进行反向传播，使用Adam优化器对网络参数进行梯度更新；3f重复步骤3a到3e直至损失函数Ltotal收敛，得到训练好的网络；4将测试集中不同信噪比的含噪仿真信号Snoise输入到训练好的网络中，得到不同信噪比下输出时频图的重构结果fout。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于深度展开网络的微多普勒信号时频重构方法

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