CN114910905B 相似性约束下geo星机双基sar动目标智能成像方法 （北京理工大学）

号相似性约束下GEO星机双基SAR动目标智能本发明提供一种相似性约束下GEO星机双基SAR动目标智能成像方法，包括：通过GEOSA-波数据进行距离压缩、方位维FFT和杂波抑制处理，获取运动目标的距离-多普勒域信号；对距优化含相似性度量的损失函数对深度神经网络2aa方位向包络和距离-多普勒域信号相位；c(r,fa)和n(r,fa)分别为杂波和噪声的距离-多普通过多普勒滤波或空时自适应处理方法对所述第二信号进行杂波抑制，获取距离-多rra)和px(f,fa)分别为第k个散射点的二维频域信号包络和和k4,k分别为第k个散射点的双程斜距历程Rt,k(ta)对慢时间ta32Dt,fr和k40分别为静止场景的中心点双程斜距历程对慢时间进行泰勒展开构建基于相似性约束的深度神经网络模型，所述深度神将所述运动目标散焦信号输入训练后的深度神经网络模型，输出4[0002]地球同步轨道星机双基合成孔径雷达(GeosynchronousSpaceborne-AirborneBistaticSyntheticApertureRadar，GEOSA-BSAR)采用GEOSAR(地球同步轨道合成孔[0003]GEOSA-BSAR高发低收的双基地构型造成运动目标与雷达系统的相对运动更加复而无法直接表征稀疏散射点的位置和聚焦特性，因此削减了网络对稀疏目标的恢复能力，[0008]通过GEOSA-BSAR系统采集含有运动目标的回波数据，并对回波数据进行距离压[0009]通过GEOSA-BSAR系统采集含有运动目标的回波数据，并对回波数据进行距离压和Rt,k(ta)分别为第k个散射点的散射系5[0015]通过多普勒滤波或空时自适应处理方法对所述第二信号进行杂波抑制，获取距和k4,k分别为第k个散射点的双程斜距历程Rt,k(ta)对慢时6和k40分别为静止场景的中心点双程斜距历程对慢时间进行泰勒[0033]图1为一个实施例中一种相似性约束下GEO星机双基SAR动目标智能成像方法的流[0034]图2为本发明的所提网络获得的不同信噪比下GEO星机双基SAR运动目标智能成像[0035]图3为本发明的所提网络获得的不同双基地构型下GEO星机双基SAR运动目标智能7和Rt,k(ta)分别为第k个散射点的散射系[0049]通过多普勒滤波或空时自适应处理方法对第二信号进行杂波抑制，获取距离-多8fa)分别为第k个散射点的二维频域信号和k4,k分别为第k个散射点的双程斜距历程Rt,k(ta)对慢时和k40分别为静止场景的中心点双程斜距历程对慢时间进行泰勒9结构由若干个残差块搭建，并通过优化含相似性度量的损失函数对深度神经网络进行训含相似性度量的损失函数加强训练过程中深度神经网络模型对训练图像中稀疏目标位置[0075]为了获得可实现的GEOSA-BSAR运动目标成像网络模型，需要利用大量的仿真数据对模型参数进行预训练。在生成训练数据时，需要随机设置GEOSA-BSAR双基地构型参参数随机变化范围参数随机变化范围飞机入射角双基地角地面投影速度夹角地面投影GEO卫星真近点角飞机速度信噪比方位点数×距离点数目标散射系数和高斯函数卷积得到，高斯函数的宽度设置为1个像素点单元。通过上述步可以提取方位向带宽小于6.5Hz的训练数据，从而避免不具备二维分辨能力的仿真数据恶[0082]在一个实施例中，为了评价训练后的基于相似性约束的DNN网络模型在不同双基[0083]为了讨论修正损失函数的优越性，本实施例采用均方误差(MSE)作为损失函数的[0086]由于损失函数中增加了方位向信号的余弦相似性，与以MSE为损失函数的网络相[0088]通过上述输入和输出数据的均方误差和方位向信号的余弦相似性共同作为损失