[发明专利]基于CV-ADMMN的SA-ISAR成像与自聚焦方法

说明书

本发明属于雷达成像领域，具体涉及一种基于CV‑ADMMN的SA‑ISAR成像与自聚焦方法，包括以下步骤：S1对运动目标一维距离像序列进行建模；S2对运动目标稀疏孔径ISAR成像场景进行建模；S3建立运动目标稀疏孔径ISAR成像问题的ADMM重构模型；S4建立CV‑ADMMN网络结构模型；S5利用CV‑ADMMN网络结构对稀疏孔径ISAR成像问题进行求解；本发明取得的有益效果为：通过本发明可实现运动目标稀疏孔径ISAR成像与自聚焦，在稀疏孔径条件下，可快速重构完整雷达图像，并实现相位误差补偿。算法性能对参数选取依赖性弱，进而获得更佳的重构性能。对于数据缺失条件下稀疏孔径ISAR成像、自聚焦有重要的工程应用价值。

技术领域

本发明属于雷达成像领域，具体涉及一种基于复数域交替方向乘子法网络(Complex-valued ADMM-Net，CV-ADMMN)的目标稀疏孔径逆合成孔径雷达(Sparseaperture inverse synthetic aperture radar，SA-ISAR)成像与自聚焦方法。

背景技术

逆合成孔径雷达(ISAR)成像技术可以用于对目标进行高分辨率成像，具有全天时全天候的特性，在民用与军事领域应用广泛。

SA-ISAR成像是指利用稀疏孔径雷达回波对目标进行成像。稀疏孔径回波是指雷达接收到的不完整回波。通常来讲，环境与雷达接收机噪声、多功能雷达的“宽-窄”交替模式、压缩感知雷达的随机采样方式、多通道雷达的目标切换模式等都将导致稀疏孔径回波。在稀疏孔径条件下，由于回波之间的相关性被严重破坏，传统快速傅里叶变换(FastFourier transform，FFT)方法无法对方位向单元进行成像。此时，一般可以利用凸优化方法通过雷达图像的稀疏性先验迭代求解成像结果。凸优化方法往往对模型参数选取具有敏感性，不同参数的选取往往会对算法效果造成巨大影响。在实际应用中需要对参数进行手工微调，为工程应用带来不便。

自聚焦可以对运动目标的平动所产生的相位误差进行补偿，从而实现精细的平动补偿。在稀疏孔径条件下，由于数据缺失，传统自聚焦方法难以得到良好的效果，导致图像散焦。因此在稀疏孔径条件下，对运动目标进行高效地成像与自聚焦具有重要的工程应用价值。

发明内容

本发明要解决的技术问题是在稀疏孔径条件下，传统运动目标ISAR成像方法对参数敏感性强，传统自聚焦方法效果不佳，难以满足工程应用需求。

本发明的思路是针对稀疏孔径条件下，成像算法对参数选取敏感性强，以及传统自聚焦方法效果不佳的问题，提出一种基于CV-ADMMN的SA-ISAR成像与自聚焦方法。该方法基于深度学习网络模型，利用深度展开的方式，将传统交替方向乘子法(Alternatingdirection method of multipliers，ADMM)应用于SA-ISAR问题，并将其建模为深度网络模型。将该网络在数据集上训练，从而自适应地调整算法参数。为改善稀疏孔径条件下的自聚焦效果，本发明在已有的网络结构中嵌入了基于最小熵的自聚焦模块，从而构成完整CV-ADMMN结构。该结构通过网络前向传播可以从稀疏孔径一维距离向序列重构出原始雷达图像。

本发明解决其技术问题所采取的技术方案是：一种基于CV-ADMMN的SA-ISAR成像与自聚焦方法，包括以下步骤：

S1对运动目标一维距离像序列进行建模：

平动补偿是ISAR成像的首要环节，经过几十年发展，其技术路线已相对成熟(保铮,邢孟道,王彤.雷达成像技术[M].北京:电子工业出版社,2005)，因此，本发明假设对目标的平动补偿已经完成。雷达发射线性调频(Linear frequency modulation，LFM)信号，针对运动目标接收到的二维回波可被建模为：