结合迁移学习基于全卷积神经网络的ISAR自聚焦算法

doi:10.7527/S1000-6893.2023.28172

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

结合迁移学习基于全卷积神经网络的ISAR自聚焦算法

王莲子, 汪玲(), 朱岱寅

南京航空航天大学电子信息工程院，南京 210016

收稿日期:2022-10-26 修回日期:2022-11-17 接受日期:2023-01-11 出版日期:2023-09-15 发布日期:2023-02-10
通讯作者: 汪玲 E-mail:tulip_wling@nuaa.edu.cn
基金资助:
国家自然科学基金(61871217);航空科学基金(20182052011);上海航天科技创新基金(SAST2021-026);南京航空航天大学科学前瞻布局科研专项(ILA220581A22)

An ISAR autofocus imaging algorithm based on FCN and transfer learing

Lianzi WANG, Ling WANG(), Daiyin ZHU

College of Electronic and information Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China

Received:2022-10-26 Revised:2022-11-17 Accepted:2023-01-11 Online:2023-09-15 Published:2023-02-10
Contact: Ling WANG E-mail:tulip_wling@nuaa.edu.cn
Supported by:
National Natural Science Foundation of China(61871217);Aeronautical Science Foundation of China(20182052011);Shanghai Aerospace Science and Technology Innovation Fund(SAST2021-026);Fund of Prospective Layout of Scientific Research for NUAA （Nanjing University of Aeronautics and Astronautics）(ILA220581A22)

摘要/Abstract

摘要：

逆合成孔径雷达（ISAR）成像目标多为非合作目标，在目标相对运动状态未知情况下的运动补偿是ISAR成像的关键。基于全卷积网络（FCN）具有强大的数据抽象特征挖掘和拟合能力，将FCN用于ISAR自聚焦，提出一种结合迁移学习基于FCN的ISAR自聚焦算法。通过构造大量不同相位误差的仿真数据集并进行训练，使FCN具有相位补偿能力，对不同姿态下仿真以及实测数据进行迁移训练，进一步提升平动相位补偿的能力。实测数据处理结果表明，结合迁移学习基于FCN的自聚焦成像效果优于传统类自聚集算法，验证了所提算法的有效性，相比传统方法更具优越性。

关键词: 逆合成孔径雷达, 成像, 相位补偿, 全卷积网络, 迁移学习

Abstract:

The targets of Inverse Synthetic Aperture Radar （ISAR） imaging are mostly non-cooperative， and motion compensation is the key of ISAR imaging when the relative motion status of target is unknown. Fully Convolutional Network （FCN） has excellent feature extraction and fitting abilities， and an ISAR phase compensation algorithm based on FCN and Transfer Learning is proposed by utilizing the FCN in ISAR autofocusing in this paper. Firstly， a large number of simulation data sets with different phase errors are constructed and trained to provide phase compensation ability for FCN. In addition， the transfer training of simulation and measured data with different attitudes is carried out to improve the translational phase compensation ability. The measured data processing results show that the performance of FCN phase compensation algorithm is better than traditional algorithm， which verifies the effectiveness in the proposed method and the superiority compared with the traditional method.

Key words: inverse synthetic aperture radar, imaging, phase compensation, fully convolutional neural network, transfer learning

中图分类号:

V243.2

王莲子, 汪玲, 朱岱寅. 结合迁移学习基于全卷积神经网络的ISAR自聚焦算法[J]. 航空学报, 2023, 44(17): 328172-328172.

Lianzi WANG, Ling WANG, Daiyin ZHU. An ISAR autofocus imaging algorithm based on FCN and transfer learing[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(17): 328172-328172.

图/表 12

图 1

图2

图 3

图 4

表 1

雷达参数

参数	符号	数值
载频	$f 0$	10 GHz
带宽	B	300 MHz
脉冲宽度	$T p$	$1 μ s$
脉冲重复频率	PRF	100 Hz
积累脉冲	$N a$	300

表 1

表 2

图 5

图 6

表 3

表 4

表 5

表 6

参考文献 31

1	YU X， ZHU D Y， ZHANG J D， et al. Motion compensation algorithm based on the designing structured gram matrices method［J］. IET Radar， Sonar & Navigation， 2014， 8（3）： 209-219.
2	ZHU D Y， WANG L， YU Y S， et al. Robust ISAR range alignment via minimizing the entropy of the average range profile［J］. IEEE Geoscience and Remote Sensing Letters， 2009， 6（2）： 204-208.
3	汪玲. 逆合成孔径雷达成像关键技术研究［D］. 南京：南京航空航天大学， 2006： 18-49.
	WANG L. Research on key techniques of inverse synthetic aperture radar imaging［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2006： 18-49 （in Chinese）.
4	WU W Z， HU P J， XU S Y， et al. Image registration for InISAR based on joint translational motion compensation［J］. IET Radar， Sonar & Navigation， 2017， 11（10）： 1597-1603.
5	BERIZZI F， CORSINI G. Autofocusing of inverse synthetic aperture radar images using contrast optimization［J］. IEEE Transactions on Aerospace and Electronic Systems， 1996， 32（3）： 1185-1191.
6	LI X， LIU G S， NI J L. Autofocusing of ISAR images based on entropy minimization［J］. IEEE Transactions on Aerospace and Electronic Systems， 1999， 35（4）： 1240-1252.
7	CARRARA W G， GOODMAN R S， MAJEWSKI R M. Spotlight synthetic aperture radar： signal processing algorithms［M］. Boston： Artech House， 1995.
8	朱兆达，邱晓晖，余志舜. 用改进的多普勒中心跟踪法进行ISAR运动补偿［J］. 电子学报， 1997， 25（3）： 65-69.
	ZHU Z D， QIU X H， YU Z S. ISAR motion compensation using modified Doppler centroid tracking method［J］. Acta Electronica Sinica， 1997， 25（3）： 65-69 （in Chinese）.
9	CHEN V C， MARTORELLA M. 逆合成孔径雷达成像［M］. 胡明春，孙俊，译.北京：国防工业出版社，2020：107-134.
	CHEN V C， MARTORELLA M. Inverse synthetic aperture radar imaging［M］. HU M C， SUN J， translated. Beijing： National Defense Industry Press， 2020： 107-134 （in Chinese）.
10	DENG Y， ZHANG Y H. Improved PGA algorithm based on adaptive range bins selection［C］// 2010 International Conference on Image Analysis and Signal Processing. Piscataway： IEEE Press， 2010： 232-235.
11	闫龙，郑妍，李颜超. 改进的机载SAR相位梯度自聚焦算法［J］. 应用科技， 2012， 39（1）： 39-43.
	YAN L， ZHENG Y， LI Y C. Improved algorithm of phase gradient autofocus for air-borne synthetic aperture radar［J］. Applied Science and Technology， 2012， 39（1）： 39-43 （in Chinese）.
12	卿吉明，徐浩煜，梁兴东，等. 一种可用于实时成像的改进PGA算法［J］. 雷达学报， 2015， 4（5）： 600-607.
	QING J M， XU H Y， LIANG X D， et al. An improved phase gradient autofocus algorithm used in real-time processing［J］. Journal of Radars， 2015， 4（5）： 600-607 （in Chinese）.
13	郑远攀，李广阳，李晔. 深度学习在图像识别中的应用研究综述［J］. 计算机工程与应用， 2019， 55（12）： 20-36.
	ZHENG Y P， LI G Y， LI Y. Survey of application of deep learning in image recognition［J］. Computer Engineering and Applications， 2019， 55（12）： 20-36 （in Chinese）.
14	MOUSAVI A， RICHARD G B. Learning to invert： Sig-nal recovery via deep convolutional networks［C］∥2017 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE Press， 2017：2272–2276.
15	何晓萍，沈雅云. 深度学习的研究现状与发展［J］. 现代情报， 2017， 37（2）： 163-170.
	HE X P， SHEN Y Y. Focus and trend of deep learning research［J］. Journal of Modern Information， 2017， 37（2）： 163-170 （in Chinese）.
16	张云，穆慧琳，姜义成，等. 基于深度学习的雷达成像技术研究进展［J］. 雷达科学与技术， 2021， 19（5）： 467-478.
	ZHANG Y， MU H L， JIANG Y C， et al. Overview of radar imaging techniques based on deep learning［J］. Radar Science and Technology， 2021， 19（5）： 467-478 （in Chinese）.
17	DING J S， WEN L W， ZHONG C， et al. Video SAR moving target indication using deep neural network［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020： 58（10）： 7194-7204.
18	WEN L W， DING J S， LOFFELD O. Video SAR moving target detection using dual faster R-CNN［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 2984-2994.
19	黄少寅. 基于深度学习的高分辨雷达成像技术研究［D］. 成都：电子科技大学， 2020.
	HUANG S Y. Research on high resolution radar imaging technology based on deep learning［D］. Chengdu： University of Electronic Science and Technology of China， 2020 （in Chinese）.
20	LIU Z， YANG S Y， FENG Z X， et al. Fast SAR autofocus based on ensemble convolutional extreme learning machine［J］. Remote Sensing， 2021， 13（14）： 2683.
21	CHEN J L， YU H W， XU G， et al. Airborne SAR autofocus based on blurry imagery classification［J］. Remote Sensing， 2021， 13（19）： 3872.
22	TANG W， QIAN J， WANG L， et al. SAR image autofocusing based on Res-Unet［C］∥IGARSS 2022-2022 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE Press， 2022： 2971-2974.
23	HU C Y， WANG L， LI Z， et al. Inverse synthetic aperture radar imaging using a fully convolutional neural network［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（7）： 1203-1207.
24	HU C， WANG L， LI Z， et al. A novel inverse synthetic aperture radar imaging method using con-volutional neural networks ［C］∥5th International Workshop on Compressed Sensing Applied to Radar， Multimodal Sensing， and Imaging （CoSeRa）. Piscataway： IEEE Press 2018： 1-5.
25	YUAN Y X， LUO Y， KANG L， et al. Range alignment in ISAR imaging based on deep recurrent neural network［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： 1-5.
26	SHI H Y， LIU Y， GUO J W， et al. ISAR autofocus imaging algorithm for maneuvering targets based on deep learning and keystone transform［J］. Journal of Systems Engineering and Electronics， 2020， 31（6）： 1178-1185.
27	WANG L， LOFFELD K， MA K， et al. Sparse ISAR im-aging using a greedy Kalman filtering approach［J］. Signal Processing， 2017，138：1-10.
28	汪玲，朱栋强，马凯莉，等. 空间目标卡尔曼滤波稀疏成像方法［J］. 电子与信息学报， 2018， 40（4）： 846-852.
	WANG L， ZHU D Q， MA K L， et al. Sparse imaging of space targets using Kalman filter［J］. Journal of Electronics & Information Technology， 2018， 40（4）： 846-852 （in Chinese）.
29	BACCI A， GIUSTI E， CATALDO D， et al. ISAR resolution enhancement via compressive sensing： a comparison with state of the art SR techniques［C］∥2016 4th International Workshop on Compressed Sensing Theory and its Applications to Radar， Sonar and Remote Sensing （CoSeRa）. Piscataway： IEEE Press， 2016： 227-231.
30	WANG L， LOFFELD O. ISAR imaging using a null space ℓ1 minimizing Kalman filter approach［C］∥2016 4th International Workshop on Compressed Sensing Theory and its Applications to Radar， Sonar and Remote Sensing （CoSeRa）. Piscataway： IEEE Press， 2016： 232-236.
31	吴东，郝明. 基于图像对比度的舰船目标成像算法［J］. 电子测量技术， 2017， 40（12）： 110-116.
	WU D， HAO M. New ISAR imaging interval selection method for ship targets on sea based on imaging contrast［J］. Electronic Measurement Technology， 2017， 40（12）： 110-116 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

超参数	学习率	学习率策略	迭代次数	优化策略
姿态1	0.000 01	固定	150	SGD
姿态2	0.000 01	固定	50	SGD

指标	ENT	IC	FA	MD	RRMSE	TCR
初像	7.882	3.338	808	14	1.311	27.182
MEA	7.024	6.097	86	29	0.519	31.606
PGA	6.773	7.762	57	29	0.474	33.564
CNN	6.191	11.22	10	12	0.196	67.075
FCN	6.556	8.715	3	2	0.120	68.336

指标	ENT	IC	FA	MD	RRMSE	TCR
初像	7.894	3.185	982	9	1.471	26.912
MEA	6.871	6.182	55	21	0.705	37.955
PGA	6.592	8.090	55	21	0.602	41.676
CNN	5.574	11.22	95	21	1.253	46.457
FCN	6.479	8.341	25	6	0.507	45.988

指标	ENT	IC	FA	MD	RRMSE	TCR
初像	6.309	7.745	257	106	0.980 9	44.913
MEA	6.181	8.913
PGA	6.160	9.174
CNN	6.521	8.608	156	117	0.613	51.645
FCN	5.260	11.202	74	110	0.549	57.392

指标	ENT	IC	FA	MD	RRMSE	TCR
初像	5.320	14.527	58	56	0.721	60.242
MEA	4.844	18.002
PGA	5.167	15.489
CNN	5.669	9.416	182	38	0.976	48.655
FCN	4.163	20.239	4	54	0.327	85.591

结合迁移学习基于全卷积神经网络的ISAR自聚焦算法

An ISAR autofocus imaging algorithm based on FCN and transfer learing

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 31

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郑志瀛, 谭鸽伟, 蒋丁一. 基于双向重采样的高分辨率前视成像算法[J]. 航空学报, 2024, 45(4): 328749-328749.
[2]	王龙, 刘岳勋, 吴圣川, 侯传涛, 张峰涛. 基于原位X射线成像的推进剂损伤演化表征[J]. 航空学报, 2023, 44(7): 427022-427022.
[3]	丁鹏, 宋亚飞. 代价敏感的空中目标意图识别方法[J]. 航空学报, 2023, 44(24): 328551-328551.
[4]	于功也, 蔡伟东, 胡明辉, 刘文才, 马波. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断[J]. 航空学报, 2023, 44(2): 426800-426800.
[5]	罗皓文, 何绍溟, 金天宇, 刘子超. 基于迁移学习的角度约束时间最短制导算法[J]. 航空学报, 2023, 44(19): 328400-328400.
[6]	倪浩伟, 刘国炎, 周毅, 张彪, 柳伟杰, 许传龙. 基于多紫外相机的旋流火焰三维锋面层析重建[J]. 航空学报, 2023, 44(18): 128331-128331.
[7]	杨迪, 李振瑜, 郭帅, 张嘉城, 罗亚中. 天基低轨海上移动目标成像搜索任务调度[J]. 航空学报, 2023, 44(15): 528752-528752.
[8]	张伟, 王彬文, 樊俊铃, 詹绍正, 焦婷, 杨宇. 基于多模式超声成像的CFRP冲击损伤无损表征与冲击后压缩强度预测[J]. 航空学报, 2023, 44(1): 426635-426635.
[9]	白克强, 张松, 但志宏, 钱秋朦. 发动机进气压力控制系统噪声抑制方法[J]. 航空学报, 2022, 43(8): 125779-125779.
[10]	郑燕红, 邓湘金, 金晟毅, 陈丽平, 姚猛, 赵志晖. 嫦娥五号表取采样臂载相机成像位姿与覆盖[J]. 航空学报, 2022, 43(7): 325388-325388.
[11]	王育鹏, 吕帅帅, 杨宇, 李嘉欣, 王叶子. 基于域自适应的复合材料结构损伤识别方法[J]. 航空学报, 2022, 43(6): 526752-526752.
[12]	俞立平, 潘兵. 单相机高温三维数字图像相关方法[J]. 航空学报, 2022, 43(6): 527031-527031.
[13]	孙丹, 李浩, 赵欢, 张国臣, 李玉, 冯毓钟. 刷式密封摩擦热效应数值与实验研究[J]. 航空学报, 2022, 43(12): 425973-425973.
[14]	夏凯龙, 何箐, 张雨生. 基于红外热成像的涡轮叶片气膜孔孔径测量方法及缩孔规律[J]. 航空学报, 2022, 43(12): 426271-426271.
[15]	房建成, 魏凯, 江雷, 向岷, 陆吉玺. 超高灵敏极弱磁场与惯性测量科学装置与零磁科学展望[J]. 航空学报, 2022, 43(10): 527752-527752.