深度学习之ISAR超分辨率成像

深度学习之ISAR超分辨率成像

  • ISAR
  • 数据集
  • 神经网络设计

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STFTgabor,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:
在这里插入图片描述
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,在这里插入图片描述
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,在这里插入图片描述

神经网络设计

深度学习之ISAR超分辨率成像_第1张图片
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5
5,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

网络损失函数采用在这里插入图片描述
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

……

你可能感兴趣的:(信号处理,深度学习,神经网络,机器学习,深度学习,信号处理,卷积神经网络)