123 / 2024-08-20 11:35:42

电磁仿真驱动深度强化学习的SAR图像视角反演方法

合成孔径雷达；深度强化学习；可微分SAR渲染器；雷达观测视角

合成孔径雷达（Synthetic Aperture Radar, SAR）软件直播观看因其全天时、全天候的高效成像能力被广泛应用。然而，SAR图像的雷达观测视角信息常因数据脱敏、保密需求或局部截取而缺失，对SAR的成像建模、目标识别、高度估计和图像处理带来了挑战，使得雷达视角反演成为解译SAR图像的重要问题。传统的视角反演方法主要依赖优化算法和学习型方法，但在实际应用中存在速度和精度不足的问题，并且在逆问题求解上缺乏可解释性。此外，SAR数据采集成本高昂、数据量有限，以及复杂的背景干扰和成像机制，也进一步限制了现有学习型方法的泛化能力、鲁棒性和特征提取的准确性。这些挑战使得针对视角反演的不同研究变得尤为重要。为了此，本文提出了一种基于深度强化学习（Deep Reinforcement Learning, DRL）的交互式学习框架。该框架通过智能体与嵌入式电磁模拟器的环境进行交互，模拟人类逐步预测角度的过程。具体而言，首先引入了一种可微分SAR渲染器，能够在迭代过程中实时渲染任意视角下的目标SAR图像，提升智能体对目标观测角度的感知和理解能力。此外，设计了一种基于时序和语义特征差分的状态空间构建方法，有效抑制了复杂背景干扰，同时增强了系统对时序和语义变化的敏感性以及对目标局部信息的捕捉能力。为了进一步提高智能体在角度反演过程中的稳定性和收敛性，还结合了多种优化机制，包括奖励记忆差分机制、奖励平滑机制、边界惩罚机制和初始噪音抑制机制。这些机制协同工作，增测结果的准确性。在T62车辆模型构建的数据集上将提出的方法与经典优化算法遗传算法、粒子群优化算法及深度学习方法进行了对比。结果表明，所提强化学习方法在入射角和方位角上的优化误差分别为1.594°和3.797°，表现最优。实验结果显示，所提交互式深度强化学习框架能够有效模拟人类的学习过程，准确预测SAR图像中的雷达视角，展现出在解决电磁逆问题中的巨大潜力和实际应用价值。研究不仅为雷达视角反演提供了新的解决思路，也为复杂环境下的SAR图像处理提出了具有实际意义的方法论，推动了该领域的进一步发展。