买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于深度学习的多通道前视SAR方位超分辨成像方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116699611B 。

龙图腾网通过国家知识产权局官网在2025-12-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310633009.5，技术领域涉及：G01S13/90；该发明授权一种基于深度学习的多通道前视SAR方位超分辨成像方法是由李文超;汪子雯;陈瑞;杨建宇;武俊杰;李中余;张寅;黄钰林设计研发完成，并于2023-05-31向国家知识产权局提交的专利申请。

本一种基于深度学习的多通道前视SAR方位超分辨成像方法在说明书摘要公布了：本发明公开了一种基于深度学习的多通道前视SAR方位超分辨成像方法，首先利用多通道前视SAR成像算法对原始清晰图像进行前视成像，构造原始清晰图像和前视成像后图像的图像对数据集，然后搭建网络模型，调整网络参数进行模型训练，利用训练完成的权重参数进行模型测试，得到超分辨成像结果。本发明的方法克服了多通道SAR前视成像时存在的航迹邻近区域成像分辨率低的问题，相较于现有超分辨算法，不存在复杂的参数调整困难、计算量大的问题。

本发明授权一种基于深度学习的多通道前视SAR方位超分辨成像方法在权利要求书中公布了：1.一种基于深度学习的多通道前视SAR方位超分辨成像方法，具体步骤如下： A、多通道前视SAR成像； 首先，获取待成像区域回波数据； 设定多通道雷达前视成像采用单发多收的通道配置，且多个接收通道同时接收；设定发射信号为线性调频脉冲，多个通道接收到的回波信号表达式如下： ； 其中，表示预先设定的一个常数，表示距离调频率，表示光速，表示发射信号的波长，表示快时间，表示慢时间，表示第根接收天线的方位坐标，表示距离向包络，表示双程距离历史； 观测场景中任意点到发射天线的距离历史和到不同接收天线的距离历史表达式如下： ； ； 其中，表示平台的飞行速度，表示平台的飞行高度； 则对于点目标，双程距离历史表示为： ； 其次，对获取的数据进行距离向脉冲压缩；设置脉冲压缩的匹配函数为，则脉冲压缩后的信号表示为： ； 其中，IFFT表示逆傅里叶变换算子，FFT表示傅里叶变换算子 接着，进行合成孔径方位向聚焦处理；对各个通道的距离脉冲压缩数据使用极坐标后向投影BP算法进行相干累加，则第个通道重建结果表示为： ； 其中，表示斜距，表示方位角度； 最后，对各个通道的重建结果进行相干累加处理，得到无多普勒左右模糊的成像结果，表达式如下： ； 其中，M表示通道个数； B、构建数据集； 首先将场景图像按照相同尺寸随机裁切，将其作为X域图像； 然后用步骤A中的方法对其进行多通道SAR前视成像，并在此基础上按实际需求添加高斯白噪声，在保持与X域图像尺寸相同的情况下输出，将输出结果作为Y域图像； 重复以上步骤，批量化处理得到一定数量的图像对，最后按照实际需求设定比例随机划分为训练集和测试集； C、搭建网络模型； 采用生成对抗网络的基本结构，利用其端到端映射的特性实现超分辨，搭建网络整体模型，主要由生成器网络和判别器网络构成； 所述生成器网络结构包括：编码器、转换器、解码器； 编码器利用三层卷积层从输入图像中提取特征，将整张图像压缩为特征向量；然后，通过转换器中的9个残差块将特征向量转换到另一图像域；最后，解码器通过反卷积层从特征向量中恢复低级特征，从而获得生成图像； 整体生成器采用ReLU作为激活函数，增加随机失活层，采用实例标准化层，引入全局残差连接； 所述判别器网络结构，采用PatchGAN的方式，通过的滑动窗格遍历整个图像，来关注图像中的局部信息；使用Wassertein距离代替原有的损失函数，去掉原有的Sigmoid函数激活层，将所有的批标准化层替换为实例标准化层，整个网络共有5个卷积层，并使用LeakyReLU作为激活函数； 整体网络结构，整体模型结构串联起生成器模块和判别器模块，由两个反向对称回路构成； 首先，输入的X域图像Input_X经过生成器转换为Y域图像Generated_Y，之后又经反向生成器得到重构后的X域图像Cyclic_X；通过循环一致性损失表征两者差异；判别器和负责判断输入其中的图像是否符合对应图像域的原始样本分布；另一半网络对称执行相似的操作；两个回路共用生成器和判别器； D、训练模型； 训练模型使损失函数最小化，此模型的损失函数包括对抗损失、循环一致性损失和同一映射损失三个方面； 其中，对抗损失由两部分组成，对于映射，对抗损失可以表示为： ； 其中，和分别表示两个图像域，表示映射的生成器，表示的反向映射的生成器，和分别表示归属于域和域的图像；和分别表示对应的域和域的判别器；分别表示域和域的样本分布；表示数学期望；同理，对于映射，有相似的对抗损失 引入循环一致性损失，对域的每一张图像，都将经过循环： 其中，的差异即为前向循环一致性损失，同样，若输入为域图像，则称其为后向一致性损失；则此循环一致性损失表示为： ； 同一映射损失是对循环一致性损失的补充，表示为： ； 综上，整体损失函数表示为： ； 其中，和表示权重参数，用于控制三种损失函数的相对重要性； 训练代码基于PyTorch深度学习框架，采用图像池策略，即在更新判别器网络参数时，不仅使用本次迭代生成的新样本，同时将一系列生成器生成的历史样本一同输入判别器网络，二者各占50%； 然后，将训练集输入网络进行训练；每5轮保存一次权重参数，同时实时更新保存当前最后一轮的权重参数；训练时使用PyTorch可视化工具visdom实时监测训练状况； E、测试模型； 将最后一轮权重参数及测试集数据加载入网络模型，并针对测试数据集进行测试，测试网络输出的结果即为超分辨成像结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。