基于“数据驱动＋智能学习”的合成孔径雷达学习成像

对感兴趣目标的数量、位置、型号等参数信息的精确获取一直是合成孔径雷达(SAR)技术中最为重要的研究内容之一。现阶段的SAR信息处理主要分为成像和解译两大部分,两者的研究相对独立。SAR成像和解译各自开发了大量算法,复杂度越来越高,但SAR解译并未因成像分辨率提升而变得简单,特别是对重点目标识别率低的问题并未从本质上得以解决。针对上述问题,该文从SAR成像解译一体化角度出发,尝试利用“数据驱动+智能学习”的方法提升机载SAR的信息处理能力。首先分析了基于“数据驱动+智能学习”方法的SAR成像解译一体化的可行性及现阶段存在的主要问题;在此基础上,提出一种“数据驱动+智能学习”的SAR学习成像方法,给出了学习成像框架、网络参数选取方法、网络训练方法和初步的仿真结果,并分析了需要解决的关键性技术问题。      

基于人眼视觉皮层系统的SAR图像目标识别

人眼的视觉系统是已知最复杂最精确的目标识别系统;针对现有浅层学习模型提取SAR图像目标特征效果不理想、普适性不强及目标识别精度不高等问题,参考人眼视觉系统的分层特征提取机制提出了一种深层特征提取目标识别算法;算法首先提出一种针对SAR图像的预处理方法,在特征提取阶段应用多层稀疏自动编码器,通过逐层减少神经元数目使编码器学习得到输入数据的压缩表示,从而提取得到更抽象更鲁棒的目标特征;采用MSTAR数据库3个目标进行实验,试验结果表明,算法能很好地对MSTAR目标进行特征提取和识别,类比原有的方法有较高的识别准确率,达到96.7%。具有较强的实用性。     

合成孔径雷达深度学习成像研究综述

现代合成孔径雷达（SAR）系统工作在日益复杂的电磁环境中，对成像精度、实时性以及算法鲁棒性等要求越来越高。传统的匹配滤波以及压缩感知技术在满足SAR成像的各类高标准要求时局限性较为明显，尤其在成像性能方面。随着机器学习的快速发展，研究人员将深度学习网络与雷达成像算法相结合，提出了学习成像技术，旨在为实现高质量实时成像寻求新的解决方案。本文从数据驱动以及模型驱动同数据驱动相结合的两种思路出发，介绍了用于求解SAR成像逆问题的深度学习网络架构。在此基础上，对SAR静止目标学习成像、SAR运动目标学习成像、SAR三维学习成像以及ISAR学习成像的研究现状进行概述，帮助研究人员和从业人员理解深度学习技术在SAR成像相关问题中的应用。最后，提出该研究方向一些悬而未决的问题，探讨潜在的解决方案和未来趋势。