[go: up one dir, main page]

CN110333489A - 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 - Google Patents

采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 Download PDF

Info

Publication number
CN110333489A
CN110333489A CN201910673129.1A CN201910673129A CN110333489A CN 110333489 A CN110333489 A CN 110333489A CN 201910673129 A CN201910673129 A CN 201910673129A CN 110333489 A CN110333489 A CN 110333489A
Authority
CN
China
Prior art keywords
orientation
distance
moment
pixel
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910673129.1A
Other languages
English (en)
Other versions
CN110333489B (zh
Inventor
于泽
原森
李春升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beijing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Aeronautics and Astronautics filed Critical Beijing University of Aeronautics and Astronautics
Priority to CN201910673129.1A priority Critical patent/CN110333489B/zh
Publication of CN110333489A publication Critical patent/CN110333489A/zh
Application granted granted Critical
Publication of CN110333489B publication Critical patent/CN110333489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/2813—Means providing a modification of the radiation pattern for cancelling noise, clutter or interfering signals, e.g. side lobe suppression, side lobe blanking, null-steering arrays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，第一，利用SAR信号的线性可加性，通过设置不同点目标间隔和强度，生成仿真回波数据，利用其主瓣位置与点目标位置之间的对应关系，从仿真回波数据中还原去除旁瓣的回波数据，建立训练集；第二，将仿真回波数据通过插值和滑窗规范化获取切片样本；第三，建立卷积神经网络模型，该网络结构包含四层卷积层，一个全连接层和一个神经元作为输出；第四，将滑窗后的训练集输入卷积神经网络模型，采用随机梯度下降法对网络模型进行训练，得到一维旁瓣抑制模型；第五，对于实时回波数据进行插值，并结合训练好的一维旁瓣抑制模型，得到压缩后的预测值，利用RSVA重构生成旁瓣抑制后的回波数据。

Description

采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法
技术领域
本发明涉及对SAR回波数据旁瓣进行抑制的方法，更特别地说，是指一种采用CNN与SVA组合对SAR回波数据旁瓣抑制的处理方法。
背景技术
星载SAR(Synthetic Aperture Radar，合成孔径雷达)是一种具有全天候、全天时的能力的成像系统，不受云、雨、雾、黑夜等自然条件的限制，在军事领域、地形测绘等许多领域有广泛的应用价值。星载SAR系统原始回波信号的模拟对SAR系统设计、成像算法研究等有重要意义。
1999年10月哈尔滨工业大学出版社出版、刘永坦编著的《雷达成像技术》指出，合成孔径雷达(SAR，Synthetic Aperture Radar)安装在运动平台上，按照一定的重复频率发射、接收脉冲，形成回波信号。SAR系统的结构框图如图1所示，SAR系统包括有星上雷达系统、卫星平台及数据下传系统和地面系统三部分，对合成孔径雷达成像处理是在地面系统中完成的。地面系统通过地面接收站接收卫星平台及数据下传系统下发的回波信号，该回波信号经SAR信号处理器进行成像处理，获得SAR回波数据；所述SAR回波数据存储于备档操作系统中。
卷积神经网络(convolutional neural network，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。2016年6月第1版，吴岸城编著的《神经网络与深度学习》指出，卷积神经网络的结构是获得一个输入(输入向量)，并将其通过一系列的隐藏层转换。每个隐层由一组神经元组成，其中每个神经元和前一层神经元完全连接，在单层的神经元的功能完全独立并且不共享任何连接。
2010年第40卷第12期《中国科学》，公开了“一种基于改进SVA的SAR旁瓣抑制算法”，作者倪崇等。此文中介绍了一种鲁棒的SVA(Robust SVA，RSVA)算法，该RSVA算法能够有效地抑制旁瓣，但有时会降低主瓣能量。
空间分辨率、旁瓣比、模糊度是衡量SAR回波数据质量的重要指标。传统体制的SAR信号处理器采用线性调频信号作为雷达发射信号波形，在不加权条件下，其脉冲压缩后的峰值旁瓣比约为－13.2dB。SAR回波数据中强的目标的旁瓣会掩盖在强目标附近的弱目标的主瓣，使得弱目标无法检测出。SAR回波数据还会因为旁瓣干扰造成一定的模糊，使得场景和目标不容易区分，旁瓣引起的模糊使得SAR回波数据相邻地物之间的区别在视觉上没有真实情况明显，也就降低了相邻目标类别之间的可区分性。
发明内容
本发明要解决的技术问题在于，针对现有旁瓣抑制技术中的缺陷，提出一种新的旁瓣抑制优化目标函数，并基于CNN与RSVA组合建立一种SAR回波数据旁瓣抑制方法。本发明第一方面采用离线SAR回波信号的可加性，通过设置SAR系统及信号处理器中的各项参数包括脉冲宽度，线性调频率、脉冲重复频率、距离向采样率、轨道参数等，以及地面接收站的各个反射系数RCS，生成二维回波，通过CSA算法进行成像处理后，拆分距离向与方位向生成适用于旁瓣抑制的训练集，对信号进行预插值和滑窗规范化的处理，通过分析旁瓣抑制前后的信号特征，构建SCNN网络模型，利用训练集对卷积神经网络模型进行训练，得出旁瓣抑制的模型。本发明第二方面应用实时SAR回波二维信号，首先将SAR回波二维信号通过CSA算法进行成像处理后，对生成的二维回波数据分解为一维方位向数据，对一维数据进行与训练集生成过程中相同的预插值和滑窗规范化的处理，将处理后的切片输入已训练好的模型，得到各个切片的预测结果后，通过寻址重构得到方位向旁瓣抑制后的数据，再对该数据进行相同距离向上旁瓣抑制处理，最后利用SVA算法对网络输出结果进行优化。
本发明的采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，包括两部分内容，一方面是训练模型，另一方面是应用训练模型进行的实时SAR回波数据的旁瓣抑制处理。第一，利用SAR信号的线性可加性，通过设置不同点目标间隔和强度，生成仿真回波数据，利用其主瓣位置与点目标位置之间的对应关系，从仿真回波数据中还原去除旁瓣的回波数据，建立训练集；第二，将仿真回波数据通过插值和滑窗规范化获取切片样本；第三，建立卷积神经网络模型，该网络结构包含四层卷积层，一个全连接层和一个神经元作为输出；第四，将滑窗后的训练集输入卷积神经网络模型，采用随机梯度下降法对网络模型进行训练，得到一维旁瓣抑制模型；第五，对于实时回波数据进行插值，并结合训练好的一维旁瓣抑制模型，得到压缩后的预测值，利用RSVA重构生成旁瓣抑制后的回波数据。
本发明采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法的优点在于：
①本发明提出的卷积神经网络的SAR旁瓣抑制算法的可靠性强，它利用更为普适的旁瓣抑制目标函数，忽略了其不同目标间相位存在的干扰，具备更好的抑制效果。
②本发明提出的基于卷积神经网络的SAR旁瓣抑制算法的泛化能力强，计算复杂度低。该卷积神经网络结构较简单，仅有四层卷积层，不易导致模型过拟合。
③本发明提出的基于卷积神经网络的SAR旁瓣抑制算法的实用性强。本发明将SAR图像直接输入训练好的网络模型，与传统SVA算法结合即可生成预测图像。
④本发明提出的基于卷积神经网络的SAR旁瓣抑制算法的适用范围广。由于忽略不同系统参数导致的主旁瓣不同，采用主瓣宽度作为唯一标准，通过插值实现训练集测试集的匹配，因此可以适用于星载、机载等各个系统参数下。
⑤本发明提出基于卷积神经网络的SAR旁瓣抑制算法具有图像质量高的特点。由于采用新算法后，雷达图像旁瓣很低，主瓣能量丢失也减少，因此，图像质量较高，更易判读。
附图说明
图1是传统SAR系统的结构框图。
图2是本发明的一种基于完全互补序列的超低旁瓣合成孔径雷达成像方法流程图。
图3是本发明中使用的SCNN结构图。
图4是本发明滑窗处理的示意图。
图5是实施例中的单点目标成像方位向剖面图。
图6是实施例中的单点目标在图像中成像三维图。
图7是实施例中的单点目标成像利用RVA进行旁瓣抑制方位向剖面图。
图8是实施例中的单点目标成像利用RFA进行旁瓣抑制在图像中成像三维图。
图9是实施例中的单点目标成像利用本发明进行旁瓣抑制方位向剖面图。
图10是实施例中的单点目标成像利用本发明进行旁瓣抑制在图像中成像三维图。
图11是实施例中的多(两)点目标成像方位向剖面图。
图12是实施例中的多(两)点目标在图像中成像三维图。
图13是实施例中的多(两)点目标成像利用SVA进行旁瓣抑制方位向剖面图。
图14是实施例中的多(两)点点目标成像利用SVA进行旁瓣抑制在图像中成像三维图。
图15是实施例中的多(两)点目标成像利用本发明进行旁瓣抑制方位向剖面图。
图16是实施例中的多(两)点目标成像利用本发明进行旁瓣抑制在图像中成像三维图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的详细说明。
本发明的采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，包括两部分内容，一方面是训练模型，另一方面是应用训练模型进行的实时SAR回波数据的旁瓣抑制处理。
构建一维旁瓣抑制训练模型
步骤A，获取SAR仿真回波数据；
在本发明中，为了获得训练集的数据信息，运行于计算机中的计算机程序－基于matlab(版本号R2014a)平台进行仿真。在其软件中设置SAR雷达轨道参数和SAR系统参数。
软件中设置的相关SAR参数有：机载飞行速度、雷达波长、参考距离、距离向采样率、距离向调频率、脉冲重复频率、距离向过采样率、方位向过采样率、散射单元系数、散射单元间隔。
在本发明中，将matlab仿真输出的二维仿真SAR回波信号，记为并对所述进行成像处理，得到SAR仿真回波数据
在本发明中，仿真SAR处理器接收到的回波信号是二维数据，采用矩阵形式表示为：
Na表示方位向采样点总数；
Nf表示距离向采样点总数；
x是一个变量，取值范围1至Na，表示为方位向第x个点，也称为方位向的标识号；
y是一个变量，取值范围1至Nf，表示为距离向第y个点，也称为距离向的标识号；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第Nf个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第Nf个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第Nf个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第Nf个采样点。
在本发明中，采用CSA方法对仿真的回波信号矩阵进行成像处理后，得到仿真的成像结果矩阵的矩阵表示为：
Nb是方位向上能够有效产生所述Na点接收回波所对应的场景目标的采样长度(即采样点数)，亦为观测矩阵的列数；
Nf表示距离向采样点总数；
x是一个变量，取值范围1至Nb，表示为成像结果方位向的第x个像素点，也称为成像结果方位向的标识号；
y是一个变量，取值范围1至Nf，表示为成像结果距离向的第y个像素点，也称为成像结果距离向的标识号；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点。
在本发明中，CSA(Chinp Scaling)方法参考了2012年6月第1次印刷《合成孔径雷达成像－算法与实现》，洪文编译，第7章，第192-210页的内容。
步骤B，方位向上无旁瓣的信号集获取；
步骤B1，取出成像结果矩阵中的距离向上对应第y距离时刻的成像后方位信号，记为且
其成像信号满足形式：
其中，g(t)是所接收的回波，N是场景中的所有目标的个数，i是点目标的计数，σi是第i点目标的后向散射系数的赋值，Pi是第i个点目标的点扩散函数，t是信号所对应的时间，τ是信号的时延，e是对数符号，中上角标的j是虚部，θi是第i个散射单元造成的随机相位。
成像后的方位信号为所设置的SAR系统及信号处理器中的各项参数中不同组合的地面接收站的各个反射系数的信号，通过记录在步骤A中不同点目标的间距和强度，记录其主瓣位置与主瓣宽度，在信号中根据点目标位置与主瓣的对应关系，保留主瓣部分的信息，去除信号中的旁瓣信息，得到所对应的标签距离向上对应第x距离时刻的方位信号的无旁瓣信号标签记为
步骤B2，将成像后的方位信号与对应的标签进行线性插值得到信号与其线性插值公式为
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后相邻方位向间的位置，得到插值之后的信号，以成像后的方位信号为例，其插值得到的信号
SAR回波数据中主瓣宽度太小，卷积神经网络的感受野过大，无法直接提取其中旁瓣与主瓣相关信息，故对SAR数据进行了预插值处理，将主瓣拓展成为大约主瓣内包含N主瓣个像素点的数据。
步骤B3，对插值后的信号与进行滑窗规范化，建立SCNN训练所需方位向输入输出对，如图4所示，为两组信号的滑窗示意，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长。每一个样本可以表达为h为信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为其所学的值为其样本中心位置处的值
卷积神经网络常常通过规范化提高收敛训练速度，SAR回波数据中最高点的强度可达数万，最低仅为0，传统的规范化无法适用差别如此大的数据集，故对每一滑窗样本进行规范化如公式(3)，以减少数据层次过大导致的网络训练模型不佳。
式中Amax为考虑到数据存储可能造成的丢失所设置的规范化值，使输出范围为[0,Amax]，hp为样本I里每一个像素点的数值，hmax为每一样本I里的最大值，hp规范为规范化后的值。
步骤C，距离向上无旁瓣的信号标签获取；
步骤C1，取出成像结果矩阵中的方位向上对应第x方位时刻的距离信号，记为且
其成像信号满足公式(1)。成像后的距离信号为所设置的SAR系统及信号处理器中的各项参数中不同组合的地面接收站的各个反射系数的信号，通过记录在步骤A中不同点目标的间距和强度，记录其主瓣位置与主瓣宽度，在信号中根据点目标位置与主瓣的对应关系，保留主瓣部分的信息，去除信号中的旁瓣信息，得到所对应的标签方位向上对应第x距离时刻的距离信号的无旁瓣信号标签记为。
步骤C2，将成像后的方位信号与对应的标签进行线性插值得到信号与其线性插值公式为：
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后y与y+1间的位置，得到插值之后的信号，以成像后的距离信号为例，其插值得到的信号且
SAR回波数据中主瓣宽度太小，卷积神经网络的感受野过大，无法直接提取其中旁瓣与主瓣相关信息，故对SAR数据进行了预插值处理，将主瓣拓展成为大约主瓣内包含N主瓣个像素点的数据。
步骤C3，对插值后的信号与进行滑窗规范化，建立SCNN训练所需距离向输入输出对，如图2所示，为两组信号的滑窗示意，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长。每一个样本可以表达为h为信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为其所学的值为其样本中心位置处的值
卷积神经网络常常通过规范化提高收敛训练速度，SAR回波数据中最高点的强度可达数万，最低仅为0，传统的规范化无法适用差别如此大的数据集，故对每一滑窗样本进行规范化如公式(3)，以减少数据层次过大导致的网络训练模型不佳。
步骤D，采用SCNN搭建网络模型；
建立SCNN网络模型，如附图3所示，该网络模型包含四层卷积层、一层全连接层和一个神经元作为输出。四层卷积层分别是第一卷积层记为conv1、第二卷积层记为conv2、第三卷积层记为conv3和第四卷积层记为conv4。全连接层记为fc。
第一层：卷积层conv1，卷积核大小为30×1，滑动步长为1，对输入图片进行卷积操作，通过零填充使输出10个50×1的特征图到第二卷积层conv2中。
第二层：卷积层conv2，卷积核大小为20×1，滑动步长为1，对输入的特征图进行卷积操作，通过零填充使输出10个50×1的特征图到第三卷积层conv3。
第三层：卷积层conv3，卷积核大小为15×1，滑动步长为1，对输入的特征图进行卷积操作，通过零填充使输出10个50×1的特征图到第四卷积层conv4。
第四层：卷积层conv4，卷积核大小为5×1，滑动步长为1，对输入的特征图进行卷积操作，通过零填充使输出3个50×1的特征图到全连接层fc中。
第五层：全连接层fc，加入Droupout(译文，随机失活算法)，fc输出100个神经元。
通过一个神经元作为整个网络的输出。
在本发明中，用M层表示SCNN网络中的任意一层的标识。
值得一提的是，传统的卷积神经网络通常在某些卷积层后通常会添加一个下采样层，即池化层，抽取卷积得到的特征图中一定范围内的局部平均值或最大值，这样既降低了数据量，也提升了网络对输入数据中目标形变和场景变化的鲁棒性。在本发明中，仿真用的是维度低的二维回波信息，对训练集要求的数量不多，因此不设置池化层，以达到减少过拟合现象。
步骤E，训练SCNN网络模型；
将步骤B得到的训练所需方位向信息和步骤C得到的训练所需距离向信息输入至步骤D构建的SCNN网络模型中，采用随机梯度下降法进行训练，得到一维旁瓣抑制训练模型的网络参数。
在SCNN网络的训练中设置的卷积层的运算为：
式中为第M层的输出向量，为卷积核的转置，其中为第M层卷积核，T为转置符号，M层表示层的序号，表示第M层的输入向量，表示第M层卷积层的偏置向量，在本发明中，用非线性函数来表征公式(5)中网络非线性映射能力，则有：
f(Q)＝max(0,Q) (6)
Q代替了公式(5)中的
为防止过拟合采用Dropout算法和L2正则化算法。在本发明中，Dropout算法，概率为pr的神经元失活，防止过学习的一种训练策略。L2正则化算法，由杨浩，马建红在2017年08月25日出版的《计算机测量与控制》，“正则化参数求解方法研究”一文，1.2节内容。
为减少训练所需参数量采用Adam优化算法。Adam优化算法，由D.P.Kingma andJ.L.Ba在2015年发布在学习表征国际会议ICLR上的文章Adam:A Method For StochasticOptimization，(译文为Adam,一种随机优化的方法中提供的算法。
在随机梯度下降法中考虑到训练集数据维度匹配采用MSE作为损失函数算法。MSE，由高耀东，侯凌燕，杨大利在2017年01月10日出版的《计算机应用》，“基于多标签学习的卷积神经网络的图像标注方法”一文，1.2节内容中的公式(2)。
本发明的采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法包括有下列步骤：
步骤一，获取SAR实时回波数据；
对从地面接收站实时接收到的回波信号进行成像处理，得到实时SAR回波数据
在本发明中，SAR处理器实时接收到的回波信号是二维数据，采用矩阵形式表示为：
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第Nf个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第Nf个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第Nf个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第Nf个采样点。
在本发明中，采用CSA方法对回波信号矩阵进行成像处理后，得到实时成像结果矩阵的矩阵表示为：
Nb是方位向上能够有效产生Na点接收回波所对应的场景目标的采样长度(点数)，亦为观测矩阵的列数；
Nf表示距离向采样点数；
x是一个变量，取值范围1至Nb，表示为成像结果方位向的第x个像素点；
y是一个变量，取值范围1至Nf，表示为成像结果距离向的第y个像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点。
步骤二，方位向上实时回波数据旁瓣抑制处理；
步骤21，取出成像结果矩阵中的距离向上对应第y距离时刻的成像后方位信号记为
步骤22，将成像后的方位信号E实时方位进行线性插值得到方位插值信号E实时方位插值，其线性插值公式为：
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后相邻方位向间的位置，得到插值之后的信号，以成像后的方位信号为例，其插值得到的信号
步骤23，对插值后的信号进行滑窗规范化，建立实时处理回波数据样本，如图2所示，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长。实时采集的第z个样本可以表达为h实时为实时信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为
对每一滑窗样本进行规范化如公式(3)，以减少数据层次过大导致的网络训练模型不佳。
步骤24，将规范化后的样本送入所训练得到的一维旁瓣抑制模型中，得到每一样本的中心时刻预测值，以第z个样本为例，其预测结果为RPREz。
对每一样本规范化进行逆操作如公式(8)得到：
步骤25，通过样本寻址方式，将PREz按照第z个样本在原信号的位置重构生成方位向旁瓣抑制后的回波信号
对方位向旁瓣抑制后的回波信号进行m的采样，以逆变换预插值操作。
最后将每一方位信号重新组合成方位向旁瓣抑制后的回波数据
Nb是方位向上能够有效产生Na点接收回波所对应的场景目标的采样长度(点数)，亦为观测矩阵的列数；
Nf表示距离向采样点数；
x是一个变量，取值范围1至Nb，表示为成像结果方位向的第x个像素点；
y是一个变量，取值范围1至Nf，表示为成像结果距离向的第y个像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点。
步骤三，距离向上实时回波数据旁瓣抑制处理；
步骤31，取出方位向旁瓣抑制后成像结果矩阵中的距离向上对应第x距离时刻的成像后距离信号，记为且
步骤32，将成像后的距离信号进行线性插值得到信号其线性插值公式为
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后y与y+1间的位置，得到插值之后的信号，以距离信号为例，其插值得到的信号
步骤33，对插值后的信号进行滑窗规范化，建立实时处理回波数据样本，如图2所示，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长。实时采集的第z个样本可以表达为h实时为实时信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为
对每一滑窗样本进行规范化如公式(3)，以减少数据层次过大导致的网络训练模型不佳。
步骤34，将规范化后的样本送入所训练得到的一维旁瓣抑制模型中，得到每一样本的中心时刻预测值，以第z个样本为例，其预测结果为RPREz。
对每一样本规范化进行逆操作如公式(8)。
步骤35，通过样本寻址方式，将PREz按照第z个样本在原信号的的位置重构生成距离向旁瓣抑制后的回波信号
对距离向旁瓣抑制后的回波信号进行m的采样，以逆变换预插值操作。
最后将每一距离信号重新组合成旁瓣抑制后的回波数据
Nb是方位向上能够有效产生Na点接收回波所对应的场景目标的采样长度(点数)，亦为观测矩阵的列数；
Nf表示距离向采样点数；
x是一个变量，取值范围1至Nb，表示为成像结果方位向的第x个像素点；
y是一个变量，取值范围1至Nf，表示为成像结果距离向的第y个像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点。
步骤四，RSVA处理；
将步骤一的实时成像结果矩阵采用RSVA处理得到RSVA抑制后的结果矩阵
Nb是方位向上能够有效产生所述Na点接收回波所对应的场景目标的采样长度(即点数)，亦为观测矩阵的列数；
Nf表示距离向采样点总数；
x是一个变量，取值范围1至Nb，表示为成像结果方位向的第x个像素点；
y是一个变量，取值范围1至Nf，表示为成像结果距离向的第y个像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点。
步骤五，RSVA与SCNN组合处理；
考虑到RSVA在旁瓣抑制处理中，其结果在旁瓣部分已达到理想，而其主瓣部分丢失的能量将会影响目标在信噪比较高图像中的目标解译，需要对其主瓣部分丢失能量进行补偿。
在SCNN中，其学习内容为回波数据，忽略了其相位信息，所以对于主瓣部分能量无损失，但是因为网络感受野及其数据驱动下造成忽略回波数据物理影响，其旁瓣区域的抑制能量略逊于RSVA，故需要对其旁瓣部分进行更有效的抑制。
将步骤四中RSVA处理得到RSVA抑制后的结果矩阵的与步骤三重新组合成旁瓣抑制后的回波数据和步骤一实时成像结果矩阵用于补偿所述的主瓣部分，主瓣补偿关系是为得到抑制后的回波数据Efinal，且
在本发明中，所述抑制后的回波数据Efinal有效解决了RSVA中主瓣能量丢失和SCNN中旁瓣部分残余能量的技术问题。
实施例1
本实施例提出一种基于卷积神经网络的合成孔径雷达旁瓣抑制算法，其中成像过程中涉及的参数如表1所示。
表1实施例参数
参数 取值
雷达平台等效速度v(m/s) 179
参考斜距R<sub>0</sub>(m) 9867
脉冲重复频率f<sub>p</sub>(Hz) 1000
距离向采样率f<sub>s</sub>(MHz) 4e8
发射信号波长λ<sub>0</sub>(m) 0.05
斜视角θ(°) 0
构建一维旁瓣抑制训练模型
对仿真的回波数据集通过频域插值，将主瓣宽度插值到倍数m，本实施例中插值大小为m＝10，主瓣宽度变为30。
在图4中，滑窗步长设为l＝1，窗长设为WK窗长＝50，对回波数据的方位向和距离向进行滑窗遍历得到所有训练集样本。
对每一个滑窗样本进行数据规范化，见公式(3)，其中Amax＝1000。
建立卷积神经网络，如图3所示，该网络模型包含四层卷积层、一层全连接层和一个神经元作为输出。
将得到的所有训练集样本共400个约2048×1的向量输入卷积神经网络模型中，采用随机梯度下降法对网络模型进行训练，网络学习率设为0.001，随迭代次数递增指数递减，迭代次数为300，得到一维旁瓣抑制训练模型。其中卷积层按公式(5)、(6)和L2正则化算法的计算；损失函数为均方误差，对损失函数采用Adam随机梯度下降模式训练网络，得到一维旁瓣抑制训练模型。
实时处理SAR回波数据
利用图2的处理流程，并结合表1的参数得到回波信号，进行CSA成像后得到回波数据，对回波数据进行预插值滑窗规范化操作后，对回波数据进行RSVA和RSVA与SCNN组合的处理，得到训练结果如图5～图16所示。
参见图5、图6、图7、图8、图9和图10，通过六幅图对比能够看出本发明方法与RSVA处理均对单点目标回波数据具有较佳的旁瓣抑制效果。RSVA和本发明的方法均对单点目标旁瓣抑制后的回波数据峰值旁瓣比在－37dB左右。
参见图11、图12、图13、图14、图15和图16，通过六幅图对比能够看出，RSVA算法中由于相位因子导致的多点目标回波数据能量丢失在组合算法中有效补偿回来，这可以解决目标在信噪比较高情况下的解译问题。对RSVA进行多点目标旁瓣抑制中主瓣能量损失由50％减少至15％。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，其特征在于包括有下列步骤：
步骤一，获取SAR实时回波数据；
对从地面接收站实时接收到的回波信号进行成像处理，得到实时SAR回波数据所述是二维数据，采用矩阵形式表示为：
Na表示方位向采样点总数；
Nf表示距离向采样点总数；
x是一个变量，取值范围1至Na，表示为方位向第x个点，也称为方位向的标识号；
y是一个变量，取值范围1至Nf，表示为距离向第y个点，也称为距离向的标识号；
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第1个方位时刻的距离向上的第Nf个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第2个方位时刻的距离向上的第Nf个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第x个方位时刻的距离向上的第Nf个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第1个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第2个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第y个采样点；
表示实时信号沿方位向上采集到的第Na个方位时刻的距离向上的第Nf个采样点；
采用CSA方法对回波信号矩阵进行成像处理后，得到实时成像结果矩阵的矩阵表示为：
Nb是方位向上能够有效产生Na点接收回波所对应的场景目标的采样长度(点数)，亦为观测矩阵的列数；
表示实时成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点；
步骤二，方位向上实时回波数据旁瓣抑制处理；
步骤21，取出成像结果矩阵中的距离向上对应第y距离时刻的成像后方位信号记为
步骤22，将成像后的方位信号E实时方位进行线性插值得到方位插值信号E实时方位插值，其线性插值公式为：
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后相邻方位向间的位置，得到插值之后的信号，以成像后的方位信号为例，其插值得到的信号
步骤23，对插值后的信号进行滑窗规范化，建立实时处理回波数据样本，如图2所示，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长；实时采集的第z个样本可以表达为h实时为实时信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为
对每一滑窗样本进行规范化处理，以减少数据层次过大导致的网络训练模型不佳；
步骤24，将规范化后的样本送入所训练得到的一维旁瓣抑制模型中，得到每一样本的中心时刻预测值，以第z个样本为例，其预测结果为RPREz；
对每一样本规范化进行逆操作得到：
步骤25，通过样本寻址方式，将PREz按照第z个样本在原信号的位置重构生成方位向旁瓣抑制后的回波信号
对方位向旁瓣抑制后的回波信号进行m的采样，以逆变换预插值操作；
最后将每一方位信号重新组合成方位向旁瓣抑制后的回波数据
Nb是方位向上能够有效产生Na点接收回波所对应的场景目标的采样长度(点数)，亦为观测矩阵的列数；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点；
步骤三，距离向上实时回波数据旁瓣抑制处理；
步骤31，取出方位向旁瓣抑制后成像结果矩阵中的距离向上对应第x距离时刻的成像后距离信号，记为且
步骤32，将成像后的距离信号进行线性插值得到信号其线性插值公式为
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后y与y+1间的位置，得到插值之后的信号，以距离信号为例，其插值得到的信号
步骤33，对插值后的信号进行滑窗规范化，建立实时处理回波数据样本，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长；实时采集的第z个样本可以表达为h实时为实时信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为
对每一滑窗样本进行规范化处理，以减少数据层次过大导致的网络训练模型不佳；
步骤34，将规范化后的样本送入所训练得到的一维旁瓣抑制模型中，得到每一样本的中心时刻预测值，以第z个样本为例，其预测结果为RPREz；
对每一样本规范化进行逆操作处理；
步骤35，通过样本寻址方式，将PREz按照第z个样本在原信号的的位置重构生成距离向旁瓣抑制后的回波信号
对距离向旁瓣抑制后的回波信号进行m的采样，以逆变换预插值操作；
最后将每一距离信号重新组合成旁瓣抑制后的回波数据
Nb是方位向上能够有效产生Na点接收回波所对应的场景目标的采样长度(点数)，亦为观测矩阵的列数；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示方位向旁瓣抑制后成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点；
步骤四，RSVA处理；
将步骤一的实时成像结果矩阵采用RSVA处理得到RSVA抑制后的结果矩阵
Nb是方位向上能够有效产生所述Na点接收回波所对应的场景目标的采样长度(即点数)，亦为观测矩阵的列数；
表示实时成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示实时成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点；
步骤五，RSVA与SCNN组合处理；
将步骤四中RSVA处理得到RSVA抑制后的结果矩阵的与步骤三重新组合成旁瓣抑制后的回波数据和步骤一实时成像结果矩阵用于补偿所述的主瓣部分，主瓣补偿关系是为得到抑制后的回波数据Efinal，且
2.根据权利要求1所述的采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，其特征在于：在步骤二和步骤三中使用了一维旁瓣抑制训练模型，所述一维旁瓣抑制训练模型的构建步骤为：
步骤A，获取SAR仿真回波数据；
仿真输出的二维仿真SAR回波信号，记为并对所述进行成像处理，得到SAR仿真回波数据所述是二维数据，采用矩阵形式表示为：
Na表示方位向采样点总数；
Nf表示距离向采样点总数；
x是一个变量，取值范围1至Na，表示为方位向第x个点，也称为方位向的标识号；
y是一个变量，取值范围1至Nf，表示为距离向第y个点，也称为距离向的标识号；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第1个方位时刻的距离向上的第Nf个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第2个方位时刻的距离向上的第Nf个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第x个方位时刻的距离向上的第Nf个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第1个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第2个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第y个采样点；
表示仿真信号沿方位向上采集到的第Na个方位时刻的距离向上的第Nf个采样点；
采用CSA方法对仿真的回波信号矩阵进行成像处理后，得到仿真的成像结果矩阵的矩阵表示为：
Nb是方位向上能够有效产生所述Na点接收回波所对应的场景目标的采样长度(即采样点数)，亦为观测矩阵的列数；
Nf表示距离向采样点总数；
x是一个变量，取值范围1至Nb，表示为成像结果方位向的第x个像素点，也称为成像结果方位向的标识号；
y是一个变量，取值范围1至Nf，表示为成像结果距离向的第y个像素点，也称为成像结果距离向的标识号；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第1方位时刻的距离向第Nf像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第2方位时刻的距离向第Nf像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第x方位时刻的距离向第Nf像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第1像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第2像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第y像素点；
表示仿真成像结果在方位向上对应第Nb方位时刻的距离向第Nf像素点；
步骤B，方位向上无旁瓣的信号集获取；
步骤B1，取出成像结果矩阵中的距离向上对应第y距离时刻的成像后方位信号，记为且
其成像信号满足形式：
其中，g(t)是所接收的回波，N是场景中的所有目标的个数，i是点目标的计数，σi是第i点目标的后向散射系数的赋值，Pi是第i个点目标的点扩散函数，t是信号所对应的时间，τ是信号的时延，e是对数符号，中上角标的j是虚部，θi是第i个散射单元造成的随机相位；
成像后的方位信号为所设置的SAR系统及信号处理器中的各项参数中不同组合的地面接收站的各个反射系数的信号，通过记录在步骤A中不同点目标的间距和强度，记录其主瓣位置与主瓣宽度，在信号中根据点目标位置与主瓣的对应关系，保留主瓣部分的信息，去除信号中的旁瓣信息，得到所对应的标签距离向上对应第x距离时刻的方位信号的无旁瓣信号标签记为
步骤B2，将成像后的方位信号与对应的标签进行线性插值得到信号与其线性插值公式为
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后相邻方位向间的位置，得到插值之后的信号，以成像后的方位信号为例，其插值得到的信号
SAR回波数据中主瓣宽度太小，卷积神经网络的感受野过大，无法直接提取其中旁瓣与主瓣相关信息，故对SAR数据进行了预插值处理，将主瓣拓展成为大约主瓣内包含N主瓣个像素点的数据；
步骤B3，对插值后的信号与进行滑窗规范化，建立SCNN训练所需方位向输入输出对，如图4所示，为两组信号的滑窗示意，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长；每一个样本可以表达为h为信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为其所学的值为其样本中心位置处的值
卷积神经网络常常通过规范化提高收敛训练速度，SAR回波数据中最高点的强度可达数万，最低仅为0，传统的规范化无法适用差别如此大的数据集，故对每一滑窗样本进行规范化如公式(3)，以减少数据层次过大导致的网络训练模型不佳；
式中Amax为考虑到数据存储可能造成的丢失所设置的规范化值，使输出范围为[0,Amax]，hp为样本I里每一个像素点的数值，hmax为每一样本I里的最大值，hp规范为规范化后的值；
步骤C，距离向上无旁瓣的信号标签获取；
步骤C1，取出成像结果矩阵中的方位向上对应第x方位时刻的距离信号，记为且
其成像信号满足公式(1)；成像后的距离信号为所设置的SAR系统及信号处理器中的各项参数中不同组合的地面接收站的各个反射系数的信号，通过记录在步骤A中不同点目标的间距和强度，记录其主瓣位置与主瓣宽度，在信号中根据点目标位置与主瓣的对应关系，保留主瓣部分的信息，去除信号中的旁瓣信息，得到所对应的标签方位向上对应第x距离时刻的距离信号的无旁瓣信号标签记为；
步骤C2，将成像后的方位信号与对应的标签进行线性插值得到信号与其线性插值公式为：
利用上式计算插值中的值，其中m为所需插值的倍数，n为插值后y与y+1间的位置，得到插值之后的信号，以成像后的距离信号为例，其插值得到的信号且
SAR回波数据中主瓣宽度太小，卷积神经网络的感受野过大，无法直接提取其中旁瓣与主瓣相关信息，故对SAR数据进行了预插值处理，将主瓣拓展成为大约主瓣内包含N主瓣个像素点的数据；
步骤C3，对插值后的信号与进行滑窗规范化，建立SCNN训练所需距离向输入输出对，如图2所示，为两组信号的滑窗示意，将每一个窗长长度的样本送入网络中进行学习，其中步长为l，窗长为WK窗长；每一个样本可以表达为h为信号采样的各个值，式中WK窗终＝WK窗始+WK窗长，在经历一个步长后，下一个样本可以表达为其所学的值为其样本中心位置处的值
卷积神经网络常常通过规范化提高收敛训练速度，SAR回波数据中最高点的强度可达数万，最低仅为0，传统的规范化无法适用差别如此大的数据集，故对每一滑窗样本进行规范化如公式(3)，以减少数据层次过大导致的网络训练模型不佳；
步骤D，采用SCNN搭建网络模型；
建立SCNN网络模型，如附图3所示，该网络模型包含四层卷积层、一层全连接层和一个神经元作为输出；四层卷积层分别是第一卷积层记为conv1、第二卷积层记为conv2、第三卷积层记为conv3和第四卷积层记为conv4；全连接层记为fc；
第一层：卷积层conv1，卷积核大小为30×1，滑动步长为1，对输入图片进行卷积操作，通过零填充使输出10个50×1的特征图到第二卷积层conv2中；
第二层：卷积层conv2，卷积核大小为20×1，滑动步长为1，对输入的特征图进行卷积操作，通过零填充使输出10个50×1的特征图到第三卷积层conv3；
第三层：卷积层conv3，卷积核大小为15×1，滑动步长为1，对输入的特征图进行卷积操作，通过零填充使输出10个50×1的特征图到第四卷积层conv4；
第四层：卷积层conv4，卷积核大小为5×1，滑动步长为1，对输入的特征图进行卷积操作，通过零填充使输出3个50×1的特征图到全连接层fc中；
第五层：全连接层fc，加入Droupout(译文，随机失活算法)，fc输出100个神经元；
通过一个神经元作为整个网络的输出；
步骤E，训练SCNN网络模型；
将步骤B得到的训练所需方位向信息和步骤C得到的训练所需距离向信息输入至步骤D构建的SCNN网络模型中，采用随机梯度下降法进行训练，得到一维旁瓣抑制训练模型的网络参数；
在SCNN网络的训练中设置的卷积层的运算为：
式中为第M层的输出向量，为卷积核的转置，其中为第M层卷积核，T为转置符号，M层表示层的序号，表示第M层的输入向量，表示第M层卷积层的偏置向量，在本发明中，用非线性函数来表征公式(5)中网络非线性映射能力，则有：
f(Q)＝max(0,Q) (6)
Q代替了公式(5)中的
为防止过拟合采用Dropout算法和L2正则化算法；
为减少训练所需参数量采用Adam优化算法；
在随机梯度下降法中考虑到训练集数据维度匹配采用MSE作为损失函数算法。
3.根据权利要求2所述的采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，其特征在于：仿真用的是维度低的二维回波信息，对训练集要求的数量不多，因此不设置池化层，以达到减少过拟合现象。
4.根据权利要求1所述的所述的采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，其特征在于：对单点目标旁瓣抑制后的回波数据峰值旁瓣比在－37dB左右。
5.根据权利要求1所述的所述的采用CNN与RSVA组合对SAR回波数据旁瓣抑制的处理方法，其特征在于：对RSVA进行多点目标旁瓣抑制中主瓣能量损失由50％减少至15％。
CN201910673129.1A 2019-07-24 2019-07-24 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 Active CN110333489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910673129.1A CN110333489B (zh) 2019-07-24 2019-07-24 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910673129.1A CN110333489B (zh) 2019-07-24 2019-07-24 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法

Publications (2)

Publication Number Publication Date
CN110333489A true CN110333489A (zh) 2019-10-15
CN110333489B CN110333489B (zh) 2021-03-09

Family

ID=68147398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910673129.1A Active CN110333489B (zh) 2019-07-24 2019-07-24 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法

Country Status (1)

Country Link
CN (1) CN110333489B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126199A (zh) * 2019-12-11 2020-05-08 复旦大学 基于回波测量数据的信号特征提取与数据挖掘方法
CN112213703A (zh) * 2020-08-18 2021-01-12 成都信息工程大学 一种利用毫米波云雷达反演云参数的方法及装置
CN114089306A (zh) * 2021-11-22 2022-02-25 中国科学院空天信息创新研究院 一种基于智能学习的sar运动目标检测方法
CN114966560A (zh) * 2022-07-29 2022-08-30 中南大学 一种探地雷达后向投影成像方法及系统
CN115685096A (zh) * 2022-12-30 2023-02-03 成都实时技术股份有限公司 一种基于逻辑回归的二次雷达副瓣抑制方法
CN119247282A (zh) * 2024-12-04 2025-01-03 中咨泰克交通工程集团有限公司 雷达平面成像旁瓣抑制方法、装置、电子设备及计算机程序产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080024359A1 (en) * 2006-07-25 2008-01-31 Harris Corporation System and method for geometric apodization
CN102721965A (zh) * 2012-06-08 2012-10-10 北京航空航天大学 用于合成孔径雷达成像处理的全向旁瓣抑制方法
CN106680785A (zh) * 2017-03-06 2017-05-17 浙江工业大学 基于小波变换空间变迹的sar图像旁瓣抑制方法
CN108008381A (zh) * 2017-06-09 2018-05-08 北京航空航天大学 一种基于多方位角sar图像的目标方位旁瓣抑制方法及装置
CN108229404A (zh) * 2018-01-09 2018-06-29 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108318891A (zh) * 2017-11-28 2018-07-24 西安电子科技大学 一种基于改进sva和cs的sal数据旁瓣的压低方法
CN108957406A (zh) * 2018-05-18 2018-12-07 电子科技大学 一种基于神经网络的雷达主瓣干扰抑制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080024359A1 (en) * 2006-07-25 2008-01-31 Harris Corporation System and method for geometric apodization
CN102721965A (zh) * 2012-06-08 2012-10-10 北京航空航天大学 用于合成孔径雷达成像处理的全向旁瓣抑制方法
CN106680785A (zh) * 2017-03-06 2017-05-17 浙江工业大学 基于小波变换空间变迹的sar图像旁瓣抑制方法
CN108008381A (zh) * 2017-06-09 2018-05-08 北京航空航天大学 一种基于多方位角sar图像的目标方位旁瓣抑制方法及装置
CN108318891A (zh) * 2017-11-28 2018-07-24 西安电子科技大学 一种基于改进sva和cs的sal数据旁瓣的压低方法
CN108229404A (zh) * 2018-01-09 2018-06-29 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108957406A (zh) * 2018-05-18 2018-12-07 电子科技大学 一种基于神经网络的雷达主瓣干扰抑制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
倪崇等: "一种基于改进SVA的SAR旁瓣抑制算法", 《中国科学》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126199A (zh) * 2019-12-11 2020-05-08 复旦大学 基于回波测量数据的信号特征提取与数据挖掘方法
CN112213703A (zh) * 2020-08-18 2021-01-12 成都信息工程大学 一种利用毫米波云雷达反演云参数的方法及装置
CN114089306A (zh) * 2021-11-22 2022-02-25 中国科学院空天信息创新研究院 一种基于智能学习的sar运动目标检测方法
CN114089306B (zh) * 2021-11-22 2025-02-14 中国科学院空天信息创新研究院 一种基于智能学习的sar运动目标检测方法
CN114966560A (zh) * 2022-07-29 2022-08-30 中南大学 一种探地雷达后向投影成像方法及系统
CN114966560B (zh) * 2022-07-29 2022-10-28 中南大学 一种探地雷达后向投影成像方法及系统
CN115685096A (zh) * 2022-12-30 2023-02-03 成都实时技术股份有限公司 一种基于逻辑回归的二次雷达副瓣抑制方法
CN119247282A (zh) * 2024-12-04 2025-01-03 中咨泰克交通工程集团有限公司 雷达平面成像旁瓣抑制方法、装置、电子设备及计算机程序产品
CN119247282B (zh) * 2024-12-04 2025-03-07 中咨泰克交通工程集团有限公司 雷达平面成像旁瓣抑制方法、装置、电子设备及计算机程序产品

Also Published As

Publication number Publication date
CN110333489B (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN110333489A (zh) 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法
CN109886217B (zh) 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法
Chen et al. Spatial–temporal convolutional gated recurrent unit network for significant wave height estimation from shipborne marine radar data
CN104076360B (zh) 基于压缩感知的二维sar稀疏目标成像方法
CN113156439B (zh) 一种基于数据驱动的sar风场海浪联合反演方法及系统
CN109507666B (zh) 基于离网变分贝叶斯算法的isar稀疏频带成像方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN110297247B (zh) 基于低秩矩阵稀疏恢复的气象雷达风电场杂波抑制方法
CN112099008A (zh) 基于cv-admmn的sa-isar成像与自聚焦方法
CN112070234A (zh) 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN108646247B (zh) 基于伽马过程线性回归的逆合成孔径雷达成像方法
CN115097454B (zh) 一种基于逆白化的合成孔径雷达增量成像处理方法及系统
CN116821694B (zh) 基于多分支神经网络与分段式模型的土壤湿度反演方法
CN105093225A (zh) 基于双重稀疏约束的逆合成孔径雷达自聚焦成像方法
CN116757099B (zh) 一种土壤盐分反演及盐渍化风险评估方法、装置及设备
CN112946644B (zh) 基于最小化卷积加权l1范数的稀疏孔径ISAR成像方法
CN114019461A (zh) 基于卷积去噪自编码的微波雷达海杂波抑制方法及系统
CN117471457A (zh) 基于深度展开复网络的稀疏sar学习成像方法、装置及介质
CN109669184A (zh) 一种基于全卷积网络的合成孔径雷达方位模糊消除方法
Shen et al. Sea surface wind retrieval from synthetic aperture radar data by deep convolutional neural networks
CN119337725A (zh) 一种星载gnss-r土壤湿度反演方法及系统
CN113608218A (zh) 一种基于后向投影原理的频域干涉相位稀疏重构方法
CN114140325B (zh) 基于c-admmn的结构化稀疏孔径isar成像方法
Jiang et al. Translational motion compensation method for ISAR imaging of air maneuvering weak targets based on CV-GRUNet
CN108931770B (zh) 基于多维贝塔过程线性回归的isar成像方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant