壓縮感知(Compressive sensing,CS)理論框架下逆合成孔徑雷達(dá)(Inverse syntheitic operture radar,ISAR)成像的結(jié)果具有超分辨、無旁瓣干擾等特點,但CS ISAR成像方法性能仍然受到稀疏表示不準(zhǔn)確和圖像重建方法效率低等限制�；谏疃壬窠�(jīng)網(wǎng)絡(luò)(Deep neural network,DNN)的欠采樣或不完整信號重建方法取得了矚目的表現(xiàn)。DNN能夠自主學(xué)習(xí)最優(yōu)網(wǎng)絡(luò)參數(shù)并挖掘出輸入數(shù)據(jù)的抽象高層特征表示,但目前已有的DNN都為實數(shù)域的模型,無法直接用于復(fù)數(shù)形式數(shù)據(jù)處理。為了利用DNN的優(yōu)勢提高ISAR欠采樣數(shù)據(jù)成像的質(zhì)量,本文通過級聯(lián)不同類型的復(fù)數(shù)網(wǎng)絡(luò)層的方式,構(gòu)建具有多級分解能力的復(fù)數(shù)深度神經(jīng)網(wǎng)絡(luò)(Complex value DND,CV-DNN),利用CV-DNN實現(xiàn)ISAR成像。實驗結(jié)果表明,基于CV-DNN的ISAR成像方法在成像質(zhì)量和計算效率方面都優(yōu)于傳統(tǒng)壓縮感知成像方法。

【文章頁數(shù)】：6 頁

【文章目錄】：
1 基于CV-DNN的ISAR成像方法
    1.1 用于ISAR成像的CV-DNN結(jié)構(gòu)
    1.2 訓(xùn)練策略
2 實測數(shù)據(jù)處理驗證
    2.1 成像結(jié)果與分析
    2.2 25%數(shù)據(jù)采用CV-DNN1成像結(jié)果與分析
3 結(jié)論



本文編號：3759378