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！

龙图腾网获悉东南大学申请的专利基于稀疏-邻域联合约束的深度展开ISAR超分辨率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：CN121028085B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202511564059.8，技术领域涉及：G01S13/90；该发明授权基于稀疏-邻域联合约束的深度展开ISAR超分辨率成像方法是由徐刚;姜钰学;张邦杰;吴成业;曹家盈;洪伟设计研发完成，并于2025-10-30向国家知识产权局提交的专利申请。

本基于稀疏-邻域联合约束的深度展开ISAR超分辨率成像方法在说明书摘要公布了：本申请适用于雷达信号处理技术领域，提供了一种基于稀疏‑邻域联合约束的深度展开ISAR超分辨率成像方法，包括：先构建ISAR图像退化模型，基于ISAR退化模型与压缩感知理论，构建ISAR超分辨率成像问题，使用ADMM求解ISAR超分辨率成像问题，将ADMM求解ISAR超分辨率成像问题的过程展开为多级神经网络，最后将低分辨率ISAR回波输入至训练好的神经网络，得到ISAR超分辨率成像结果。本申请结合了稀疏性约束和邻域幅度约束，推导了相应的信号模型和ADMM求解算法，有效提高了算法对复杂目标细节的重构能力和对结构性信息的表征能力，能够基于窄带短孔径回波实现有效的超分辨率成像。

本发明授权基于稀疏-邻域联合约束的深度展开ISAR超分辨率成像方法在权利要求书中公布了：1.一种基于稀疏-邻域联合约束的深度展开ISAR超分辨率成像方法，其特征在于，具体步骤为： 步骤1、构建逆合成孔径雷达ISAR图像退化模型； 步骤2、基于所述ISAR退化模型与压缩感知理论，构建ISAR超分辨率成像问题； 步骤3、使用交替方向乘子法ADMM求解所述ISAR超分辨率成像问题； 步骤4、将ADMM求解所述ISAR超分辨率成像问题的过程展开为多级神经网络； 步骤5、将低分辨率ISAR回波输入至训练好的神经网络，得到ISAR超分辨率成像结果； 所述步骤1中构建的ISAR图像退化模型具体为：； 其中，表示观测到的低分辨率回波，和分别表示低分辨率回波对应的快时间维采样点数和慢时间维采样点数，表示高分辨率ISAR图像，和分别表示高分辨率ISAR图像对应的快时间维采样点数和慢时间维采样点数，且，，表示噪声，表示观测函数，定义的计算过程为：； 其中，表示二维离散傅里叶变换，表示矩阵转置，和分别表示快时间维和慢时间维的下采样矩阵，并定义为：； 其中，表示矩阵中第行第列的元素，为行索引，为列索引，表示向下取整； 所述步骤2中构建的ISAR超分辨率成像问题为： 其中，为待求的ISAR超分辨率结果，表示矩阵的Frobenius范数，表示平方运算，表示矩阵的L1元素范数，分别表示项和项的正则化系数，表示邻域幅度计算操作；对采取所述邻域幅度计算操作的具体方式为： ； 其中，表示取模运算； 所述步骤3中使用ADMM求解ISAR超分辨率成像问题，具体如下： 步骤3.1、引入为ADMM中的辅助变量，则步骤2构建的ISAR超分辨率成像问题改写为： ； 步骤3.2、根据步骤3.1改写后的ISAR超分辨率成像问题，构建增广拉格朗日函数并如下： ； 其中，为惩罚系数，为缩放形式的对偶变量； 步骤3.3、将步骤3.2所述的增广拉格朗日函数分解为3个子问题，并分别表示为： 子问题：；子问题：；子问题：； 其中，表示矩阵的迹运算，表示共轭转置运算； 步骤3.4、迭代求解步骤3.3所述的3个子问题直到预设迭代次数，得到求解结果；设当前处于第轮迭代，则迭代求解的具体步骤为： 步骤3.4.1、求解子问题，得到的更新公式：； 其中，表示第轮迭代中的变量，表示步长，表示梯度运算符，表示软阈值函数；定义当输入为，软阈值为时，软阈值函数的计算方式为：； 其中，表示取两数中的最大值； 步骤3.4.2、求解子问题，得到的更新公式：； 步骤3.4.3、求解子问题，得到的更新公式：； 其中，为尺度因子； 步骤3.4.4，比较与的大小，若小于，则自增1，重复步骤3.4.1至3.4.4，若等于，则为所得超分辨率成像结果； 所述步骤4中将ADMM求解所述ISAR超分辨率成像问题的过程展开为多级神经网络，具体如下： 构建所述多级神经网络由个阶段级联而成，每个阶段的网络结构相同，且均为双流结构形式；所述双流结构包含展开网络分支、卷积网络分支以及一个交叉注意力模块；所述展开网络分支对应于步骤3中ADMM迭代求解过程的一轮迭代，所述卷积网络分支为一个像素注意力模块，所述交叉注意力模块对所述展开网络分支和所述卷积网络分支输出的结果进行优化； 设为阶段序号，，阶段接收低分辨率回波以及阶段的输出作为输入，并输出计算结果至阶段，其中表示在阶段时卷积网络分支的输出结果； 规定阶段1的输入，，其中表示二维离散傅里叶反变换，表示零矩阵； 将阶段的输出和经过一个卷积层进行特征提取，得到最终超分辨率成像结果。

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东南大学，其通讯地址为：211189 江苏省南京市江宁区东南大学路2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。