[发明专利]基于C-ADMMN的结构化稀疏孔径ISAR成像方法

说明书

本发明属于雷达成像领域，具体涉及一种基于C‑ADMMN的结构化稀疏孔径ISAR成像方法，包括以下步骤：S1对稀疏孔径ISAR回波信号进行建模；S2构建C‑ADMMN前向传播模型；S3利用C‑ADMMN求解结构化稀疏孔径ISAR成像问题。本发明取得的有益效果为：通过本发明可实现目标结构化稀疏孔径ISAR成像，在稀疏孔径条件下，可快速获得目标结构完整的高分辨率ISAR图像，能较好地反映ISAR图像散射点分布特性，能更清晰地获取目标结构信息。同时，本发明不依赖人工参数设置即可获取较好的成像效果。对于稀疏孔径条件下的目标雷达成像、特征提取与目标识别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，具体涉及一种基于卷积交替方向乘子法网络(Convolutional alternating direction method of multipliers network，C-ADMMN)的结构化稀疏孔径逆合成孔径雷达(Inverse synthetic aperture radar，ISAR)成像方法。

背景技术

ISAR能全天时、全天候对运动目标进行观测，并同时达到较高距离分辨率与方位分辨率，从而获取目标高分辨率二维图像，为空间目标识别提供了新的技术手段。

稀疏孔径ISAR成像是指利用雷达接收机的不完整回波数据对目标进行成像。稀疏孔径现象在实际成像场景中普遍存在，在该情况下，ISAR回波间相关性被破坏，成像将受到较强旁瓣、栅瓣干扰，严重降低方位向分辨率。此时，一般可利用ISAR图像散射点分布的稀疏性先验信息构建凸优化模型，对图像进行求解。

实际应用中，目标往往具有复杂形状结构，该类目标的ISAR图像散射点分布具有结构性。稀疏孔径条件下，利用ISAR图像散射点结构性先验信息进行成像通常称为结构化稀疏孔径ISAR成像。目标的复杂结构为先验信息的建模带来了困难，针对该问题，可采用加权l₁范数最小化方法(E.Candes,M.Wakin,and S.Boyd,“Enhancing sparsity byreweighted l₁minimization,”in Journal of Fourier Analysis and Applications,vol.14,no.5,pp.877–905,2008.)进行成像。然而，该方法在实际应用中对不同场景下的数据适应性不强，其效果依赖于人工参数调试，且运算效率较低，为实际应用带来困难。

发明内容

本发明的思路是针对稀疏孔径条件下，基于加权l₁范数最小化的结构化ISAR成像算法数据适应性不高，参数敏感性强，运算效率低的问题，提出一种基于C-ADMMN的结构化稀疏孔径ISAR成像方法。该方法利用深度展开，将传统基于加权l₁范数的ADMM算法与卷积神经网络相结合，构建C-ADMMN深度网络模型。针对该网络模型，应用复数域反向传播方法对网络进行训练，实现网络参数自适应学习。最后，将复杂结构目标的稀疏孔径ISAR回波输入训练后的网络模型，可输出得到目标结构清晰的高质量ISAR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C-ADMMN的结构化稀疏孔径ISAR成像方法，包括以下步骤：

S1对稀疏孔径ISAR回波信号进行建模：

ISAR回波经过平动补偿后可以进行成像，由于该技术路线已相对成熟，因此，本发明假设平动补偿已经完成，直接对平动补偿后的一维距离像序列进行处理(保铮,邢孟道,王彤.雷达成像技术[M].北京:电子工业出版社,2005)。雷达系统接收到的二维回波经解调后可表示为：