深度学习之ISAR超分辨率成像

ISAR

雷达可分为穿墙雷达、合成孔径雷达（SAR）、逆合成孔径雷达（ISAR）。其中ISAR可用于导弹防御、目标分类、和环境监测等功能。但传统雷达成像由于物理因素和自身条件限制，导致雷达成像分辨率低、栅瓣、散焦。

ISAR成像算法最初有线性时频变换，如STFT、gabor，优点是计算简单，但收到窗口大小选择的影响，要在时间分辨率和频率分辨率上做一个平衡。因此后来提出了WVD和重新分配算法RSP，WVD产生的时频分布图伴随交叉项，会降低ISAR成像质量，RSP由于自身的限制，提高时频分辨率时会降低其他频率的能量，造成了信息的丢失。之后又提出了压缩感知，但压缩感知算法复杂，计算时间长，难以满足实时需求，因此应对实际需求还需要提出一种更快的方法。

数据集

数据集通过仿真的方法产生，分辨率较低的时频分布图作为输入，分辨率较高的作为参考输出。

在ISAR信号模型中，方向位信号通常包括多个线性调频信号成分，定义方向位信号如下：

N是反射点个数，ak是第k个散射点强度，fk代表第k个散射点的多普勒中心，γk是调频斜率，s(t)由多个线性调频信号组成。

神经网络的输入数据采用STFT的时频分布图，
神经网络的参考图片采用N个线性调频信号的WVD时频分布图的叠加，

神经网络设计

神经网络的结构分为三层，每个网络层包含卷积和ReLU
低分辨率的STFT时频分布图作为输入，SWVD作为参考图像。

网络第一层为编码层，得到n1张特征图，卷积核大小为77，产生的特性图维数为32。
第二层是为了提取更高维度的特征，输入为n1张特征图，卷积核大小为55，网络层维数为64
第三层卷积核大小为3*3，输出维数为1，代表预测图像，通过添0保证图像大小不变

网络损失函数采用
使用1000个生成的数据作为训练数据，使用10个数据作为测试数据，学习率为0.0001，用adaptive moment estimention加速训练，batchsize=1，epoch=2

……