基于U-Net网络的二维MIMO阵型稀疏成像

传统雷达成像算法在处理不规则阵型的MIMO雷达成像时存在着诸多挑战。这些传统算法通常计算复杂且耗时长，难以满足MIMO雷达对实时成像的要求。因此，迫切需要一种适用于任意阵型且具备实时成像能力的新型成像算法。考虑到神经网络具有自学习、自组织和自适应等特点，并已广泛应用于雷达成像领域，因此提出了一种基于神经网络的二维MIMO不规则阵型稀疏成像算法。神经网络的训练通常需要大量的数据集，而构建回波数据集的过程耗时较长。为了解决这一问题，选择了U-Net网络结构，该结构在少量数据集下也能进行有效训练。我们将神经网络算法得到的成像结果与传统的BP算法进行了对比。结果表明，在相同数据集的条件下，神经网络算法表现出更优异的成像性能和更短的成像时间，从而实现了二维MIMO不规则阵型的高分辨率实时成像。

无论是稀疏MIMO 还是MIMO 雷达成像技术[1] [2]，其获取数据的方式都是并行的，数据的观测通道为相对于发射机和接收机阵列的空间卷积， 这一点就明显区别于传统的合成孔径雷达[3] [4]和逆合成孔径雷达[5]， 原因是传统的雷达一般都是基于天线本身进行收发共置， 并在时间上按顺序进行数据的采集。

稀疏MIMO 雷达在MIMO 雷达的基础上进行稀疏降采样， 使得其阵型中阵元的位置更加的随机， 而阵型的不均匀性使得传统成像算法无法适用或者并不能满足其实时性的成像需求。

在稀疏MIMO 雷达成像的研究中，最早是由卓克索大学的Y. Yu 等人研究将CS 理论应用于MIMO雷达成像中[6]，研究中发现，对于目标是静止的雷达成像，利用目标在角度和距离空间域中的稀疏性， 可以使得收集到的很少的一部分采样数据利用稀疏重构技术就可以得到与全数据利用传统成像算法相似的成像效果，特别是外部噪声比较大的情况下，稀疏信号的成像性能要大大优于传统的成像。由于大场景中常规的MIMO 雷达，收发天线的数量较多，电子科技大学的顾福飞、池龙等人提出了一种基于稀疏布阵的稀疏MIMO 阵列， 该方法不仅减少了MIMO 大阵列雷达成像的天线数目， 更加便于工程实现， 不增加硬件设计的难度，降低处理采集数据的时间和工作量[7]。但是基于稀疏布阵的MIMO 阵型由于阵型的不规则特性，导致很多传统算法的成像适应性差或者成像需要的时间过长，而不能满足MIMO 雷达的实时性高分辨率成像。为了更好的适应阵型的不规则性和满足实时成像的需求，需要引入对于目标特征具有自学习、自组织和自适应的神经网络等多种智能算法。

2016 年，RA Valente 等人提出了一种由人工神经网络(ANN)辅助的新的MIMO 发射方案，实现了双倍频谱效率的MIMO 传输方案[8]。2017 年，J Gao，B Deng 等人研究了使用复值卷积神经网络加强雷达成像， 达到了引入CNN 网络来提高雷达成像性能的目的[9]。

2018 年， Dai Y 等人利用基于深度学习的单一图像超分辨率方法来提高合成孔径雷达和MIMO 雷达的图像质量，结果达到了两个神经网络都能锐化主波，抑制侧波和光栅波，并发现更深的神经网络有更好的性能[10]。2019 年，C Hu、L Wang 等人研究