深度学习驱动的大阵列近场聚焦假目标清扫方法

"一种用于大阵列近场聚焦中的假目标清扫方法，通过深度学习算法进行目标个数估计，以此优化清扫算法的迭代次数。该方法在近场距离-方位维聚焦成像后，迭代去除图像中的峰值点，提高成像的准确性。此发明专利由电子科技大学提出，旨在解决大阵列近场聚焦成像时由于随机阵高旁瓣导致的假目标问题。" 在现代雷达和信号处理技术中，大阵列近场聚焦是一种关键的技术，用于获取高分辨率和高精度的目标成像。然而，由于天线阵列的特性，尤其是在近场条件下，可能会出现高旁瓣效应，这可能导致假目标的出现，从而影响成像质量和后续的数据分析。本发明提供了一种有效的方法来解决这个问题。 首先，利用深度学习算法，如卷积神经网络(CNN)或递归神经网络(RNN)，对接收到的阵列信号进行分析，以估计目标的实际个数。深度学习的优势在于它能从大量数据中学习复杂的模式，自动提取特征，从而提供更准确的目标数量估计。这个预估的个数被用作清扫算法的迭代次数，以确保所有实际目标都能被正确处理，而假目标则被有效地剔除。 在近场聚焦成像阶段，算法会进行多次迭代。每次迭代，都会找到当前图像中峰值最强的点，重构该点对应目标的成像结果，然后从原始图像中移除这一结果，形成新的图像。这个过程持续到达到预定的迭代次数，即深度学习预测的目标个数。 此外，该发明结合深度学习建立了一个门限判定准则，避免了传统的手动设置迭代阈值的复杂性，提高了计算效率和成像质量。通过训练深度神经网络模型，可以生成大量的样本，用于学习目标个数与特征值之间的关系，从而更准确地进行门限判断。 这项发明专利提供了一种创新的解决方案，有效地解决了大阵列近场聚焦中的假目标问题，提高了信号处理的准确性和效率，对于雷达系统的设计和应用具有重要的实践意义。通过深度学习的引入，不仅简化了算法流程，还增强了系统的抗干扰能力，对于未来信号处理技术的发展具有积极的推动作用。