【技术实现步骤摘要】
本专利技术涉及雷达，具体涉及一种基于级联神经网络的多输入多输出(multiple-inputmultiple-output,mimo)雷达三维高分辨成像方法。
技术介绍
1、对空中运动目标进行三维成像是当今雷达技术的重要研究方向之一，从成像结果中提取的目标形状、尺寸和结构等信息，能够为目标探测预警、分类识别等提供重要依据，在军事和民用领域均发挥着重要的作用。由于具有单快拍成像、无需复杂运动补偿等优势，多输入多输出(multiple-inputmultiple-output,mimo)雷达已成为对空中目标三维成像的一种重要技术手段。为减少阵元数量、提高成像分辨率，基于稀疏恢复(sparserecovery,sr)的mimo雷达稀疏高分辨成像方法得到国内外相关机构和专家学者的广泛研究，取得了较大进展。
2、然而，sr算法大多包含需要优化的参数，在实际中难以准确设置，影响mimo雷达成像性能。此外，sr算法通常需要多次迭代以达到收敛效果，运算复杂度较高，无法满足运动目标成像对实时性的要求。从本质上看，现有mimo雷达稀疏高分辨成像方法均基于模型驱动实现，在实际应用中往往受到速度和精度的限制。近年来，以深度神经网络(deepneuralnetwork,dnn)为代表的数据驱动型智能方法发展迅速，为mimo雷达空中目标三维成像提供了新思路。通过训练，dnn可以准确挖掘数据中存在的复杂关系和内在规律，实现目标高质量成像。而且，经过训练的dnn在应用时仅需一次正向传播，无需迭代优化和反向传播，具有很高的计算效率。将模型驱动和数据驱
技术实现思路
1、本专利技术提供一种基于级联神经网络的mimo雷达三维高分辨成像方法，其特征在于，具体包括下列步骤：
2、步骤一、构建t-alista网络训练数据集；
3、具体包括下列步骤：
4、step1:根据实际探测需要，设定mimo雷达的发射阵元数m、接收阵元数n、发射阵元间隔dt、接收阵元间隔dr、载频fc、信号带宽b、子脉冲个数l等参数；
5、step2：构建mimo雷达三维成像坐标系，o为坐标原点，x轴正方向指向东，y轴正方向指向北，z轴正方向指向天空，发射阵列与接收阵列相互垂直；该阵列中，发射阵列和接收阵列分别由m个阵元和n和阵元构成的均匀线阵；从参考点o到第p个目标的单位矢量可以表示为(xp,yp,zp)，其中，xp-yp-zp表示第p个目标相对于参考点o的x-y-z坐标；根据目标的可能位置，将mimo雷达三维成像空间范围沿x、y和z方向分别划分为ix、iy和iz个网格点，构建第一维成像字典f1、第二维成像字典f2和第三维成像字典f3；
6、
7、其中，上角标t表示矩阵转置，c表示复数；
8、step3:利用梯度投影算法求解公式(2)所示最优化问题，得到第一至第三维成像字典对应的第一至第三维最优化矩阵和
9、
10、其中，||·||f为矩阵frobenius范数，，r1、r2、r3分别表示f1、f2、f3对应的最优矩阵，jr表示r的第j列，jf表示f的第j列，(·)h表示共轭转置，表示任意第j列；
11、step4:令目标散射点个数p服从[pmin,pmax]范围内的随机均匀分布，其中pmin和pmax分别为目标最小和最大散射点个数，设定目标散射点位置在三维成像空间范围内随机均匀分布，随机确定q个目标理想三维图像作为t-alista的标签数据，其中表示第q个目标三维图像，q＝1,2,...,q；
12、step5:对于每个目标理想三维图像随机设置雷达发射子脉冲的编码相位，产生雷达回波数据进行匹配滤波和参考信号混频处理，得到t-alista的输入数据其中表示第q个雷达回波数据；
13、
14、其中，t表示时间，ξp表示第p个散射点的幅度，表示第m个发射天线发射的宽带信号，m＝1,2,...,m，为相位调制信号，rect{·}表示矩形函数，t为子脉冲宽度，表示第m个发射天线第l个子脉冲的编码相位，l＝1,2,...,l，τm,n,p表示第p个散射点相对第m个发射天线和第n个接收天线的时间延迟；
15、step6:将q个雷达数据和目标理想三维图像随机划分为大小为qtrain的训练数据与标签集以及大小为qtest＝q-qtrain的测试数据与标签集；
16、步骤二、对t-alista网络进行初始化和训练；
17、具体包括下列步骤：
18、step1:计算t-ista算法收敛时迭代步长γ和阈值θ需满足的条件，在满足收敛条件的数值范围内设置多组不同的γ和θ；
19、step2:基于不同的γ和θ组合对多组雷达数据进行处理，t-ista算法迭代次数设为k；
20、step3:通过比较上一步骤中雷达数据的处理结果，得到对于多组雷达数据t-ista的三维成像结果误差最小的一组参数γ0和θ0，作为t-alista中每一层的γ和θ的初始值，即{γ0,γ1,...,γk,...,γk-1}全部等于γ0、{θ0,θ1,...,θk,...,θk-1}全部等于θ0，其中γk和θk分别表示t-alista第k层的迭代步长和阈值，k＝0,1,...,k-1，k表示t-alista的网络层数，即t-ista算法的迭代次数；
21、step4：基于所构建的训练数据集定义归一化均方误差为网络损失函数，利用后向传播方法求解最优化问题，得到t-alista的最优参数
22、
23、其中，表示以f1、f2、f3、和为输入、以θa＝{γ1,γ2,...,γk,...,γk；θ1,θ2,...,θk,...,θk}为参数的t-alista第k层网络的输出，θa为网络参数，为第q个原始输入图像，×o表示模式-o张量乘法；
24、步骤三、构建训练数据集对it-net进行训练；
25、具体包括下列步骤：
26、step1:将q个目标理想三维图像作为it-net的标签数据集；
27、step2:利用训练后的t-alista网络对进行处理，并进行最大值归一化处理和复值图像到实值图像的转换处理，得到it-net的输入数据集为经t-alista网络处理后的第q个目标图像，其中上标a表示该数据是基于t-alista得到的；
28、step3:将q个预处理后的图像和目标理想三维图像随机划分为大小为qtrain的训练数据与标签集以及大小为qtest＝q-qtrain的测试数据/标签集；
29、step4：采用kaiming方法对it-本文档来自技高网...
【技术保护点】
1.一种基于级联神经网络的MIMO雷达三维高分辨成像方法，其特征在于，具体包括下列步骤：
【技术特征摘要】
1.一种基于级联神经网络的mimo雷达三维高...
【专利技术属性】
技术研发人员：冯为可，胡晓伟，郭艺夺，许河秀，蒲涛，李嘉豪，杜芊芊，宫健，冯存前，张群，
申请(专利权)人：中国人民解放军空军工程大学，
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。