基于深度学习的ISAR成像算法研究

摘要

逆合成孔径雷达(Inverse Synthetic Aperture Radar, ISAR)可以实现对运动目标的高分辨成像，对于目标的身份识别、分辨与分类具有重要作用。其具有全天时、全天候、高处理增益、穿透力强等特点，无论在军事领域还是民用领域都发挥着重要的作用。由于逆合成孔径雷达是对非合作目标进行成像，成像分辨率和成像速度是其中的关键问题，基于此，该文提出一种基于深度学习的成像方法，可以快速对机动目标进行高分辨成像。该文研究的主要内容如下：　　首先，比较ISAR与合成孔径雷达(Synthetic Aperture Radar, SAR)成像中的差别，介绍 ISAR 成像中一维距离像的产生，从数据采集出发，研究 ISAR 成像的基本原理，分析了ISAR成像中较为经典的距离多普勒(Range Doppler, RD)算法，通过仿真实验进行算法验证，并简要介绍了卷积神经网络原理。　　其次，提出一种基于深度学习的ISAR成像方法，将医学图像中常用的U型全卷积网络结构应用到雷达成像中，并针对 ISAR 成像特点对网络结构进行了改进，改进后的网络可以加快网络运行速度。提出一种新型的 ISAR 成像训练方法，分析如何获得训练数据，对仿真得到的训练集进行训练，训练后的网络经过测试可以有效提高 ISAR 成像质量。并对雷达回波缺失情况下和场景含随机噪声两种情况下的ISAR 成像特点进行仿真分析，并提出针对这两种情况下的训练方法，在实验中利用该算法得到了较为清晰地ISAR图像。　　最后，对机动目标进行几何建模，分析由于物体运动对回波带来的影响以及最小熵算法运动补偿的原理。针对机动目标，提出一种新的成像算法，保持训练数据和网络模型不变，先进行最小熵算法运动补偿再通过神经网络 u-net 进行预测的方法。经过实验验证，该算法可以有效对机动目标进行快速高分辨成像。

目录

声明

第1章 绪 论

1.1 研究背景与意义

1.2 研究现状

1.3 本文主要内容

第2章 ISAR成像算法及神经网络原理

2.1 引言

2.2 ISAR原理及算法

2.2.1 ISAR与SAR的对比

2.2.2 一维距离像

2.2.3 ISAR数据收集过程

2.2.4 ISAR成像几何模型

2.2.5 RD算法设计流程

2.3 仿真结果与分析

2.4 CNN简介

2.4.1 卷积层

2.4.2 池化层

2.4.3 激活函数

2.5 本章小结

第3章 基于深度学习的ISAR成像

3.1 引言

3.2 u-net网络的设计与改进

3.2.1 基础u-net网络介绍

3.2.2 基于u-net网络的改进和调整

3.3 训练数据的产生

3.4 优化器和损失函数

3.4.1 最优化方法

3.4.2 损失函数

3.5 无噪声条件下仿真实验

3.5.1 算法实现流程

3.5.2 测试结果

3.6 针对有噪声条件下的成像

3.6.1 有噪声条件下的目标回波分析

3.6.2 训练数据

3.6.3 测试结果

3.7 回波缺失情况下ISAR成像仿真实验

3.7.1 仿真流程

3.7.2 测试结果

3.8 本章小结

第4章 基于深度学习的机动目标ISAR成像

4.1 引言

4.2 运动补偿原理和方法

4.2.1 目标运动产生的多普勒效应分析

4.2.2 最小熵算法

4.2.3 获取训练数据

4.3 仿真实验

4.3.1 实现流程与参数设置

4.3.2 实验结果分析

4.4 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢