[发明专利]智能微波凝视关联成像方法、设备及存储介质

权利要求书

1.一种智能微波凝视关联成像方法，其特征在于，包括：

在预置时空随机辐射场照射下，通过微波凝视关联成像系统获取已知相互正交目标场景集的散射回波数据，与对应目标场景的标签，由散射回波数据和标签共同构成数据集的训练集和验证集；

构建一个机器学习人工神经网络，依据输入的目标散射回波数据与输出的标签来建立直接映射关联成像神经网络模型；所述直接映射关联成像神经网络模型为：

；

其中，为在成像区域的目标微波成像；Net为直接映射关联成像神经网络模型；为目标场景的散射回波数据；为直接映射关联成像神经网络模型学习的网络参数，为直接映射关联成像神经网络模型每一层卷积和反卷积的权重，为直接映射关联成像神经网络模型每一层卷积和反卷积的偏差；

所述直接映射关联成像神经网络模型采用残差结构的全卷积网络，该残差结构的全卷积网络包括：

一个输入卷积模块、八个卷积残差融合模块、三个反卷积残差融合模块，四个批量归一化模块、一个输出反卷积残差模块；

所述输入卷积模块，与八个卷积残差融合模块依次连接，该输入卷积模块采用3×3的卷积核，能将输入的散射回波数据转化为20×20×64的张量；

每个卷积残差融合模块均采用两个3×3的卷积核，以ReLU函数作为激活函数，能将输入的20×20×64的张量转化成5×5×512的高维特征信息；

最后一个卷积残差融合模块后连接三个反卷积残差融合模块，每个反卷积残差融合模块均连接一个批量归一化模块；

每个反卷积残差融合模块均以Softplus函数作为激活函数，三个反卷积残差融合模块能将输入的5×5×512的张量转化成5×5×8的张量；

最后一个批量归一化模块与输出反卷积残差模块连接，该输出反卷积残差模块一次步幅大小为2，填充大小为1；

通过训练集和验证集对所述直接映射关联成像神经网络模型进行训练与验证，训练与验证完成后，在通过所述微波凝视关联成像系统进行微波凝视关联成像时，通过所述微波凝视关联成像系统获取目标场景的未知散射回波数据，输入至训练验证好的直接映射关联成像神经网络模型，通过该直接映射关联成像神经网络模型预测得出与未知散射回波数据对应的目标微波成像。

2.根据权利要求1所述的智能微波凝视关联成像方法，其特征在于，所述已知相互正交目标场景集由微波散射标准件按照预定方式分布排列而成；

所述微波散射标准件包括：角反射器、圆柱体、球体、平板中的至少一种，所述微波散射标准件的后向散射系数通过计算或测量得到；

所述已知相互正交目标场景集中第j个目标场景的后向散射系数分布矩阵表示为：

其中，表示第j个目标场景第(m,n)个空间离散网格处的后向散射系数，m=1,…,M,n=1,…,N,N,M分别为X,Y方向的离散网格数；

所述已知相互正交目标场景集是指目标场景集两两相互正交，满足任意第j、k两个目标场景的后向散射系数分布矩阵的相关性系数表示为：

；

其中，j≠k，j,k=1…Ω,Ω为目标场景集的数量。

3.根据权利要求1所述的智能微波凝视关联成像方法，其特征在于，所述对应目标场景的标签是对应目标场景的微波散射标准件的后向散射系数分布矩阵；

按以下方式划分数据集的训练集和验证集，包括：

将构成的数据集随机分为两部分，一部分作为训练集，另一部分作为验证集。