【技术实现步骤摘要】
本申请涉及雷达，具体涉及一种基于深度自适应学习bisar的目标参数估计方法。
技术介绍
1、与传统合成孔径雷达(synthetic aperture radar，sar)相比，双基合成孔径雷达(bistatic synthetic aperture radar，bisar)可以提供更灵活多变的系统构型，以获取目标在不同方向的散射特性，从而满足更加复杂的任务需求。目前，bisar的成像算法一般包括用于时域处理的反向投影算法、快速因子分解反向投影算法、用于频域处理的波数域算法、极坐标格式算法和非线性调频变标算法等。双基sar回波包含由目标距离历史变化带来的相位调制分量以及由目标散射特性带来的包络和相位变化。
2、但是，在现有的相关技术中，由于当前的算法一般是基于点目标散射模型，此类模型仅处理距离历史变化带来的相位分量，忽略了目标散射特性的影响，成像结果目标的结构信息会缺失，这不利于bisar图像解译与目标识别。同时，当前算法也无法实现高效、高精度bisar的目标参数估计。即，现有算法不仅存在模型上的限制，而且还无法实现高效、高精度的目标参数估计。
技术实现思路
1、为了解决相关技术中的技术问题，本申请提供了一种基于深度自适应学习bisar的目标参数估计方法。与现有的目标参数估计方法相比，本申请的目标参数估计方法的基于bisar结构化回波模型能够建立bisar参数化目标回波模型，可以突破以往算法中点目标模型和属性散射中心模型的限制，能够有效地提升计算效率、降低计算耗时和存储消
2、为了达到上述目的，本申请采用的技术方案包括：
3、根据本申请的第一方面，提供了一种基于深度自适应学习bisar的目标参数估计方法，包括如下步骤：
4、步骤s1：搭建用于目标参数估计的自适应学习网络，该深度学习网络包括局部字典生成模块和自适应学习模块；
5、步骤s2：对输入的回波进行粗成像，根据设定的阈值筛选目标所在区域，获取目标的非精确位置坐标和几何参数，确定目标参数范围；同时，基于目标参数范围和目标回波模型，生成局部字典矩阵；
6、步骤s3：在可学习迭代软阈值算法的深度展开网络框架下，结合变字典矩阵求解器和卷积神经网络，求解目标参数；
7、步骤s4：训练网络，其中，网络训练过程中的损失函数包括参数估计的均方误差和约束条件限制的一致性损失；获取实验数据并生成数据对，以输入网络进行网络训练；
8、步骤s5：向步骤s4所得的网络模型输入bisar目标回波，获得估计的散射系数向量，并根据输出的散射系数向量获取目标参数估计结果。
9、可选地，所述步骤s2具体包括：
10、步骤s2-1：使用极坐标格式成像算法对输入的回波进行成像，以得到粗成像结果im；根据粗成像结果im和设定的强度动态阈值，建立自适应滤波阈值，筛选目标区域，根据筛选结果对目标参数进行初始化，其中，定义初始化参数函数为目标参数范围的表达式为：
11、
12、式中，le是目标的长度，he是目标的宽度，xe,ye是目标的位置范围，t是动态范围的阈值；
13、步骤s2-2：根据步骤s2-1所确定的目标参数范围和回波中目标的包络和相位φ，生成局部字典矩阵φi，其中，φ＝[φo,φl,φp,φd]，φo,φl,φp,φd分别是点目标、线目标、平板目标和二面角目标所对应的字典矩阵；
14、对于每一个输入回波，经过自适应学习模块处理后，生成相应的局部字典矩阵，并依据下式获得对应的数据对{yi,φi}:
15、yi＝φiai
16、式中，yi为当前输入的回波，ai为所输入的回波所对应的目标在局部区域内的回波幅度。
17、可选地，所述步骤s3具体包括：
18、步骤s3-1：使用可学习迭代软阈值算法求解公式，将迭代过程转化为多层网络：
19、
20、ak＝soft(rk,θ)
21、soft(rk,θ)＝sgn(r)max{|r|-θ,0}
22、式中，ρ为迭代步长，θ为软阈值，rk为中间过程变量，i为单位矩阵，φi为局部字典矩阵,(·)h表示共轭转置，ak-1为第k-1次迭代中散射系数a的解，yi为当前输入的回波，soft(·)是软阈值函数，sgn(·)是符号函数；
23、步骤s3-2：在每层网络中加入权重矩阵，即步骤s3-1中的公式变为：
24、
25、式中，γk是可训练的参数；d1,d2是可训练的权重矩阵，训练时初始化为单位矩阵，(·)h表示共轭转置。
26、步骤s3-3：使用卷积神经网络和残差模块构建误差补偿单元，其中，ak的闭式解依照下式计算：
27、
28、式中，ηk是可被学习的参数，ak是第k次迭代过程中的散射系数a的解，是g(·)的反函数，⊙是点乘运算，relu(·)是激活函数。
29、可选地，还包括：
30、在卷积神经网络中加入跳接结构,则步骤s3-3中ak的闭式解重写为：
31、
32、可选地，所述步骤s4具体包括：
33、步骤s4-1：确定网络训练过程中的损失函数ltotal，损失函数ltotal包括参数估计的均方误差lpmse和约束条件限制的一致性损失lcons：
34、ltotal＝lpmse+ζlcons
35、
36、式中，ζ为约束损失的权重，np为网络层数，nb为用于训练的样本数量，na是每个散射系数向量ai的长度，gk(·)表示网络中的非线性变换操作，为gk(·)的反函数，是第np层网络解得ai的值。
37、步骤s4-2：获取实验数据训练网络，随机确定目标的中心位置，将多个目标随机组合，生成目标回波，并对每个目标的散射系数在0.1至1之间进行不同的归一化，根据幅值获得局部目标的散射系数；
38、步骤s4-3：初始化网络参数，将步骤s4-2所获取的实验数据分为训练集和测试集，并利用训练集对网络进行迭代训练，将训练数据输入网络，计算网络输出和真实标签之间的损失，根据损失函数和优化算法更新网络参数。
39、可选地，在所述步骤s2中，目标回波模型建立过程包括：
40、基于点目标、线目标、平板目标和二面角目标的散射模型，建立参数化回波模型：
41、
42、式中，η为慢时间变量，fr是距离频域变量,fr＝f0+zδf,f0是起始频率，z是距离频域所对应的回波距离门，且z∈n*，δf为距离频域采样间隔，ao为点目标的散射系数，aoi是第i个点目标的幅度，exp(·)是指数函数，σlj是第j种线目标的散射系数模型，σpj是第j种平板目标的散射系数模型，σdj是第j种二面角目标的散射系数模型，ψi为第i个坐标单元对应的距离历史相位，表示发射机本文档来自技高网...
【技术保护点】
1.一种基于深度自适应学习BiSAR的目标参数估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度自适应学习BiSAR的目标参数估计方法，其特征在于，所述步骤S2具体包括：
3.根据权利要求1所述的基于深度自适应学习BiSAR的目标参数估计方法，其特征在于，所述步骤S3具体包括：
4.根据权利要求3所述的基于深度自适应学习BiSAR的目标参数估计方法，其特征在于，还包括：
5.根据权利要求1所述的基于深度自适应学习BiSAR的目标参数估计方法，其特征在于，所述步骤S4具体包括：
6.根据权利要求1所述的基于深度自适应学习BiSAR的目标参数估计方法，其特征在于，在所述步骤S2中，目标回波模型建立过程包括：
7.根据权利要求1所述的基于深度自适应学习BiSAR的目标参数估计方法，其特征在于，所述步骤S5具体包括：
8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时能够实现权利要求1-7中任一项所述的基于
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现权利要求1-7中任一项所述的基于深度自适应学习BlSAR的目标参数估计方法的步骤。
...【技术特征摘要】
1.一种基于深度自适应学习bisar的目标参数估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度自适应学习bisar的目标参数估计方法，其特征在于，所述步骤s2具体包括：
3.根据权利要求1所述的基于深度自适应学习bisar的目标参数估计方法，其特征在于，所述步骤s3具体包括：
4.根据权利要求3所述的基于深度自适应学习bisar的目标参数估计方法，其特征在于，还包括：
5.根据权利要求1所述的基于深度自适应学习bisar的目标参数估计方法，其特征在于，所述步骤s4具体包括：
6.根据权利要求1所述的基于深度自适应学习bisar的目标...
【专利技术属性】
技术研发人员：蒲巍，宋月，武俊杰，黄钰林，杨海光，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。