【技术实现步骤摘要】
本专利技术属于sar干扰抑制，具体涉及一种基于可学习时频特征分离的sar干扰抑制方法。
技术介绍
1、合成孔径雷达(sar)作为一种重要的遥感技术，具备独特的穿云透雾以及昼夜不间断成像的能力，能够精准捕捉陆地与海洋的细微表面特征，在地球制图、溢油探测、冰山探测、灾害监测、监视侦察等诸多方面发挥了重要作用。
2、然而，随着电磁设备的增多，宽带sar系统不可避免的会受到干扰(rfi)的影响。来自同频带的强它源电磁信号会在sar图像上形成大面积的条纹或明亮斑块，给图像解译带来严重困扰。特别地，干扰的形式日益复杂，在sar脉冲式录取的回波中可能呈现信号形式多样、信号成分时变等现象，给干扰抑制带来了更大的挑战。因此，为有效抑制sar图像中的干扰，设计具备干扰抑制的信号处理技术是有必要的。
3、近年来，深度学习技术凭借强大的数据学习与表征能力，能够挖掘数据间复杂的非线性关系，在sar高精度成像、目标增强、干扰检测等任务中已经表现出了卓越的性能。文献“fan，w.，zhou，f.，rong，p.，&yao，x.(2019).interference mitigation for syntheticaperture radar using deep learning.2019 6th asia-pacific conference onsynthetic aperture radar(apsar).ieee”提出了一种基于resnet的端到端干扰抑制网络imn，利用数据驱动学习被污染的时频谱，到无干扰回波时频谱间
4、上述的干扰抑制网络设计存在数据质量依赖、可解释性差、图像干扰残留、复杂干扰下低秩稀疏表征能力不足等缺陷，在复杂干扰环境下的干扰抑制效果不佳。相较于纯数据驱动的端到端网络，模型驱动网络具有较强的可解释性。此外，深度网络的非线性表征能力较强，能够突破现有低秩稀疏特征的表征局限，有利于提升干扰和回波的分离。因此，设计一种兼具可解释性和表征能力的模型-数据联合驱动网络具有重要意义。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于可学习时频特征分离的sar干扰抑制方法，解决被干扰污染的sar时频谱难以分离回波与干扰成分的问题。
2、本专利技术采用的技术方案为：一种基于可学习时频特征分离的sar干扰抑制方法，具体步骤如下：
3、s1、建立基于可学习时频特征分离的sar干扰抑制问题模型，在低秩稀疏分解模型框架中引入可学习可逆非线性变换，增强干扰和回波的特征表征能力；
4、根据sar回波和干扰的时频域分布特性，设置基于低秩和稀疏分解的干扰抑制问题基本模型，表达式如下：
5、
6、其中，||·||*表示核范数，||·||1表示l1范数，λ表示加权因子，l表示低秩成分，s表示稀疏成分，x表示待处理的数据。
7、然后在低秩稀疏分解模型基础上，引入两个可学习非线性变换和分别增强sar回波和干扰的特征表征，并将sar干扰抑制问题建模为基于可学习变换的低秩稀疏分解模型，表达式如下：
8、
9、再构造增广拉格朗日函数求解式，表达式如下：
10、
11、其中，ρ表示惩罚因子，λ表示拉格朗日乘子，<·>表示内积，即矩阵对应元素乘积求和。
12、再采用admm算法求解，将式(3)分解为三个子问题，每一步只更新一个变量而固定其余变量，交替重复更新。对于迭代次数k＝1,2,3,...，三个迭代子问题表达式如下：
13、
14、s2、基于步骤s1，构建基于可学习时频特征分离的sar干扰抑制网络，包括：整体迭代算法的深度展开网络和可逆非线性变换学习网络；
15、s21、整体迭代算法的深度展开网络；
16、将求解式(4)的迭代过程展开为包含p个迭代层的深度学习的方案，3个子问题分别对应三个网络模块：lm、sm和λm，分别更新l，s和λ，并将超参数ρ和λ设置为可学习的参数。
17、其中，更新l，s和λ对应的各网络模块具体如下：
18、1)第p层中低秩成分l的更新模块lmp表达式如下：
19、
20、其中，表示增强干扰表征的可逆非线性变换，是其逆变换，p＝1,2,...,p表示展开网络的层数，对应于式(4)中的迭代次数k。表示核范数的近端算子，定义为w＝uσvh即矩阵w的奇异值分解，u表示左奇异向量，v表示右奇异向量，h表示矩阵的共轭转置，σ＝diag(σ1,σ2,...,σr)表示由奇异值组成的对角矩阵，r表示矩阵w的秩。用于对超过阈值的奇异值进行筛选；αp表示控制奇异值阈值的参数，被设计为可学习的网络参数，且随着迭代次数增加，αp逐层减小，则αp具体表达式如下：
21、
22、其中，ωα表示可学习的系数因子，θα用于控制αp随层数p的变化程度，设置θα＞1来约束αp逐层减小。
23、2)第p层中稀疏成分s的更新模块smp表达式如下：
24、
25、其中，表示增强sar回波时频表征的可逆非线性变换，是其逆变换。表示软阈值算子，控制软阈值的参数βp表达式如下：
26、
27、其中，ωβ和θβ表示可学习的参数，θβ用于控制βp随层数p的变化程度，设置θβ＞1来约束βp随着p增加而递减。
28、3)第p层中拉格朗日乘子λ的更新模块λmp表达式如下：
29、λ(p)＝λ(p-1)+γp(l(p)+s(p)-x) (9)
本文档来自技高网...【技术保护点】
1.一种基于可学习时频特征分离的SAR干扰抑制方法，具体步骤如下：
【技术特征摘要】
1.一种基于可学习时频特征分离的s...
【专利技术属性】
技术研发人员：杨海光，娄明悦，安洪阳，王鑫宇，冉瑞林，左皓文，李中余，武俊杰，杨建宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。