基于深度神经网络的SAR动目标杂波抑制方法

本发明属于合成孔径雷达成像，具体是涉及基于深度神经网络的sar动目标杂波抑制方法。

背景技术：

1、合成孔径雷达（synthetic aperture radar，sar）是一种高分辨率成像雷达，同时具有全天时、全天候的特点，是一种信息量十分丰富的微波传感器。sar成像与传统的光学成像相比，具有穿透能力强以及不依赖光源的优点，自20世纪70年代以来，sar已经在遥感领域发挥了重要作用，在生成地形图像、自然灾害监测、目标探测侦察、目标识别分类和目标精确打击等国民经济与军事领域都具有广泛的应用。目前，对静止目标回波的成像处理研究已经比较成熟，但是，当被照射场景中存在未知运动状态的动目标时，特别是高速运动的动目标，重建图像中往往出现严重的几何失真和散焦现象，使得sra图像很难区分目标点。此外，杂波和动目标回波能量混叠，重聚焦后仍然存在杂波散焦能量，这都对sra图像恢复的质量产生了一定的影响。

2、 为了解决对于雷达照射场景中存在动目标的图像恢复问题，通常使用空时自适应处理(space time adaptive processing，stap）、沿迹干涉技术(along trackinterferometry, ati)等算法来进行重聚焦成像，让运动目标在成像中得到正确恢复。这些算法在雷达动目标成像中虽然有一定的优势，但也存在一些缺点；首先就是计算复杂度高，一些算法需要进行大量的计算和数据处理，这对计算机的性能要求较高并且消耗较多的计算资源和时间，特别是在处理大规模数据或实时应用时，可能会面临计算复杂度过高的问题；其次，由于雷达动目标成像本身往往伴随着噪声和杂波的存在，这些算法对噪声和杂波比较敏感，可能会导致成像结果的质量下降；然后就是对目标运动模式限制较大，这些算法对目标的运动模式有一定的限制，当目标运动模式发生变化时，算法的性能可能会受到影响，导致成像效果下降；最后，这些算法对数据要求高，可能需要较高的信噪比、较长的数据采集时间或更多的数据样本，这可能导致对硬件和数据采集设备的要求更高。

技术实现思路

1、为解决上述技术问题，本发明提供了基于深度神经网络的sar动目标杂波抑制方法，通过构建基于正则化约束的sar数学模型，使用ista网络训练得到网络模型对信号进行稀疏重建和估计，实现动目标混合接收数据的杂波分离和动目标重聚焦成像。

2、本发明所述的基于深度神经网络的sar动目标杂波抑制方法，包括以下步骤：

3、基于深度神经网络的sar动目标杂波抑制方法，包括以下步骤：

4、步骤s1：设计sar信号采集集合模型，得到混合回波信号；

5、步骤s2：对混合回波信号经过成像处理，获得图像数据；

6、步骤s3：为了实现对sar动目标的杂波抑制，需要基于图像数据构建基于正则化求解方法的数学模型；

7、步骤s4：对图像数据进行标准化和去稀疏处理；

8、步骤s5：推导使用ista网络实现动目标图像的重聚焦；

9、步骤s6：利用ista网络对构建的数学模型进行求解，从而得到经神经网络训练后的模型，利用训练后的模型对图像数据进行稀疏重建和估计，仿真实验实现动目标图像重聚焦。

10、进一步的，步骤s1中，经过构建后的混合信号表示为：

11、，

12、其中，为距离向时间，为调频率，为光速，为脉冲持续时间，为虚数单位，为信号载频，为方位向时间，为雷达照射场景的持续时间，为雷达与点目标之间的距离，为斜距；为距离向频率，其满足；代表矩形函数，代表以自然常数e为底的指数函数。

13、进一步的，步骤s2中，对混合信号经成像处理，得到图像数据：

14、，

15、其中，表示插值后的相位表达式，为距离向频率，为虚数单位，为方位向时间，表示横坐标，表示纵坐标。

16、进一步的，步骤s3中，得到的图像数据是整个区域点目标接受回波的叠加，解调制的信号表达式为：

17、，

18、其中，为固定的方位角，为光速，为调频率，将进行近似处理；

19、对于第i位置处的方位角，雷达发射线性调频脉冲并返回得到的解调制的采样值，对于接收信号有下列形式：

20、，

21、具体可以写成：

22、，

23、其中，为采样向量，为图像数据离散化近似，为由雷达飞行参数和发射脉冲类型确定的系统矩阵；对其进行距离向傅里叶变换后再用其它方法进行处理，对此乘以一个傅里叶变换矩阵得到：

24、，

25、其中，表示傅里叶变换；

26、考虑到采集过程中可能存在的背景噪声以及雷达飞行过程中的抖动因素，实际接收的信号中混叠有噪声，为此假设变换后的回波信号中混叠有加性高斯白噪声：

27、，

28、其中，w是零均值高斯白噪声的抽样值，若记可得到：

29、，

30、称h为系统矩阵，为添加加性高斯白噪声后的回波信号；

31、假设雷达照射场景中不仅有静止目标，还有若干具有固定速度的动目标，则复反射场的离散模型表示为：

32、，

33、其中，为静止场景的复反射场，为不同速度的动目标的复反射场；由于雷达接收到的回波信号是所有动目标与静止目标的叠加，此时雷达接收到的回波信号用分块矩阵表达为：

34、，

35、其中，为静止场景的系统矩阵，为动目标的系统矩阵，是零均值高斯白噪声的抽样值；

36、在信号模型下，重聚焦sar图像与线性方程组求解问题等价；重聚焦问题转化为如下形式：

37、，

38、其中，，表示范数；

39、利用cs重建的方法来求解正则化约束的sar图像重聚焦问题；若信号在变换基上表现出稀疏性，则cs重建问题表述为：

40、。

41、进一步的，步骤s4中，对图像数据进行标准化和去稀疏处理，具体为：

42、s4-1：按照下列公式对图像数据进行零均值标准化处理，

43、，

44、其中，为f第行第列位置处的元素，为均值，为的标准差，表示零均值标准化后的数据；

45、s4-2：去稀疏处理，对于f通过对乘以一个正交矩阵使其得到的乘积为非稀疏的；对于正交矩阵，按照下列方式获取；

46、首先构造矩阵：

47、，

48、其中，a为阶矩阵，每个元素为标准高斯分布的抽样值；为一个大于零的实数；是单位矩阵，表示构造后的矩阵；

49、其次对进行特征值分解得到特征值与特征向量；最后将每个特征值的特征向量拼接在一起即可得到正交矩阵；

50、引入正交矩阵后，表达式变为，其中；

51、令为观测矩阵，为；则模型变为：

52、，

53、其中，是的转置矩阵。

54、进一步的，步骤s5推导使用ista网络实现动目标图像的重聚焦，具体主要是解决一个无约束的优化问题：

55、，

56、具体步骤如下：

57、s5-1：将观测矩阵、回波信号、总迭代次数n，正则化参数、迭代步长、初始化参数，作为参数输入作为ista网络的初始参数；其中，为第k次训练的常数，是软阈值收缩函数，表示的反变换；

58、s5-2：计算基于观测矩阵的梯度下降值：

59、，

60、s5-3：计算成像过程中的模块：

61、，

62、s5-4： 计算成像过程中的模块

63、，

64、s5-5：计算最终的模块

65、，

66、s5-6：当k<n的时候，返回s5-2，当k等于n的时候，停止迭代，求得。

67、进一步的，步骤6所述的基于深度神经网络的sar动目标杂波抑制方法，其特征在于，步骤s6具体为：

68、s6-1：在成像区域设置点目标和杂波，分别在不同的运动状态下，对点目标和杂波的回波数据进行成像处理得到图像数据，然后对图像数据进行标准化和稀疏化处理；

69、s6-2：仿真实现不同运动状态下的动目标的混合回波数据，根据构建的观测矩阵，利用ista网络来实现不同运动状态下的混合动目标的杂波抑制。

70、本发明相比较传统的方法的有益效果为：本发明所述方法通过构建基于正则化的数学模型，使用cs重建的方法来求解正则化约束的sar图像重聚焦问题；在训练过程中的参数可以根据具体应用进行设计和调整，可以灵活选择网络的层数、神经元数目等超参数，以适应不同类型和尺度的图像重建任务；本发明所述方法可以利用大量的图像数据进行端到端的训练，通过充分的训练，ista网络可以从数据中学习到图像的稀疏表示，并生成高质量的重建结果；在面对图像噪声、模糊或其他变形时表现出一定的鲁棒性，通过迭代优化和学习到的稀疏表示，可以在一定程度上抵抗噪声和图像退化对重建结果的影响。本发明所述方法对信号进行稀疏重建和估计，实现了动目标混合接收数据的杂波分离和动目标重聚焦成像，显著抑制了几何失真和散焦现象。