深度学习之ISAR超分辨率成像

ISAR

雷达可分为穿墙雷达、合成孔径雷达（SAR）、逆合成孔径雷达（ISAR）。其中ISAR可用于导弹防御、目标分类、和环境监测等功能。但传统雷达成像由于物理因素和自身条件限制，导致雷达成像分辨率低、栅瓣、散焦。

ISAR成像算法最初有线性时频变换，如STFT、gabor，优点是计算简单，但收到窗口大小选择的影响，要在时间分辨率和频率分辨率上做一个平衡。因此后来提出了WVD和重新分配算法RSP，WVD产生的时频分布图伴随交叉项，会降低ISAR成像质量，RSP由于自身的限制，提高时频分辨率时会降低其他频率的能量，造成了信息的丢失。之后又提出了压缩感知，但压缩感知算法复杂，计算时间长，难以满足实时需求，因此应对实际需求还需要提出一种更快的方法。

数据集

数据集通过仿真的方法产生，分辨率较低的时频分布图作为输入，分辨率较高的作为参考输出。

在ISAR信号模型中，方向位信号通常包括多个线性调频信号成分，定义方向位信号如下：

N是反射点个数，ak是第k个散射点强度，fk代表第k个散射点的多普勒中心，γk是调频斜率，s(t)由多个线性调频信号组成。

神经网络的输入数据采用STFT的时频分布图，