基于物理启发机器学习的属性散射中心提取方法

岳子瑜; 徐丰

doi:10.11999/JEIT231215

基于物理启发机器学习的属性散射中心提取方法

doi: 10.11999/JEIT231215

岳子瑜,
徐丰^,

复旦大学电磁波信息科学教育部重点实验室上海 200433

基金项目: 国家自然科学基金(61991422)

详细信息

作者简介:
岳子瑜：女，博士生，研究方向为物理智能、雷达成像与智能信息获取

徐丰：男，教授，博士生导师，研究方向为SAR图像解译、电磁散射建模和类脑人工智能

通讯作者:
徐丰　fengxu@fudan.edu.cn

中图分类号: TN957.52
计量
- 文章访问数: 544
- HTML全文浏览量: 383
- PDF下载量: 133
- 被引次数: 64
出版历程
- 收稿日期: 2023-11-02
- 修回日期: 2024-04-22
- 网络出版日期: 2024-05-06
- 刊出日期: 2024-05-30

Extraction of Attributed Scattering Center Based on Physics Informed Machine Learning

YUE Ziyu,
XU Feng^,

Key Laboratory for Information Science of Electromagnetic Waves(MoE), Fudan University, Shanghai 200433, China

Funds: The National Natural Science Foundation of China (61991422)

摘要

摘要: 基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一，传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此，该文提出一个新的基于无监督学习的端到端框架用于从SAR图像反演ASC参数。首先，利用自编码式网络结构有效提取目标图像特征，缓解由于优化空间复杂非凸导致的直接求解困难，解决初值敏感问题；其次，通过嵌入ASC模型作为物理解码器以将编码器输出约束为正确的ASC参数；最后，通过端到端的模型架构进行学习和推理，达到降低算法复杂度及提高估计速度的目的。通过在仿真和实测数据上进行测试，实验结果表明在0.15 m分辨率测试集SAR图像上取得低于0.1 m的估计误差，反演单个散射中心平均耗时0.06 s，验证了该文所提方法的有效性、高效性与鲁棒性。
- 属性散射中心模型 /
- 参数估计 /
- 基于物理知识的机器学习
Abstract: To estimate parameters of parameterized scattering center models is one of the basic methods for Synthetic Aperture Radar Advanced Information Retrieval (SAR AIR). Traditional Attributed Scattering Center (ASC) parameter estimation algorithms usually suffer from issues such as slow computation speed, high algorithm complexity, and high sensitivity to initial values of parameters. In this paper, a novel end-to-end framework for inverting ASC parameters from radar images based on unsupervised deep learning is proposed. Firstly, an autoencoder network structure is employed to effectively extract image features of targets, alleviating the difficulties solving directly caused by the complex non-convex optimization space and resolving the sensitivity to initial values. Secondly, the ASC model is embedded as a physical decoder to constrain the encoder output to correct ASC parameters. Finally, the end-to-end architecture are utlized to train and infer the model, achieving the purpose of reducing algorithm complexity and improving estimation speed. Through testing on simulated and measured data, experimental results indicate that the estimation error obtained on the SAR image test set with a resolution of 0.15 m is less than 0.1 m while the average processing time is 0.06 s for the inversion of one single scattering center, which demonstrate the effectiveness, efficiency, and robustness of the proposed approach.
- Attributed Scattering Center(ASC) model /
- Parameter estimation /
- Physics informed machine learning

HTML全文

图 1 ASC模型的8种经典散射机制

下载: 全尺寸图片幻灯片

图 2 内嵌ASC模型变分自编码器的模型结构图

下载: 全尺寸图片幻灯片

图 3 训练过程中损失函数下降曲线

下载: 全尺寸图片幻灯片

图 4 散射中心1反演结果

下载: 全尺寸图片幻灯片

图 5 散射中心2反演结果

下载: 全尺寸图片幻灯片

图 6 散射中心3反演结果

下载: 全尺寸图片幻灯片

图 7 散射中心4反演结果

下载: 全尺寸图片幻灯片

图 8 某多散射体目标的原始和重构SAR图像

下载: 全尺寸图片幻灯片

图 9 某角反组实测图像(dB单位)

下载: 全尺寸图片幻灯片

图 10 角反组实测图像反演结果

下载: 全尺寸图片幻灯片

图 11 3种算法的ASC参数估计统计性能对比

下载: 全尺寸图片幻灯片

表 1 参数预测模块中的自定义激活函数

参数集矩阵列	对应参数	激活函数
1	$x$	$4 \times \tanh ()$
2	$y$	$4 \times \tanh ()$
3	$A$	$10 \times {\text{sigmoid}}()$
4	$\alpha$	${\text{sigmoid}}()$
5	$L$	$4 \times {\text{sigmoid}}()$

下载: 导出CSV

1 内嵌物理的变分自编码器训练算法

输入：观测数据 $D = \{ {{\boldsymbol{s}}^{{\text{(1)}}}},{{\boldsymbol{s}}^{{\text{(2)}}}}, \cdots ,{{\boldsymbol{s}}^{{\text{(}}d{\text{)}}}}\}$
批处理大小 $n$ ，学习率 $\alpha$ ，KL散度权重 ${\omega _{{\text{kld}}}}$ ，重建损失权重 ${\omega _{{\text{rec}}}}$
隐变量维度 $T$ ，散射体个数 $M$ ，单散射体参数个数 $N$ ，雷达系统参数sys
随机初始化：特征提取网络 $\psi$ ，参数反演网络 $\beta$
重复：
在数据集中随机选择1个处理批次 ${\boldsymbol{S}} = \{ {{\boldsymbol{s}}^{{\text{(1)}}}},{{\boldsymbol{s}}^{{\text{(2)}}}}, \cdots ,{{\boldsymbol{s}}^{{\text{(n)}}}}\}$
循环，对每个 ${{\boldsymbol{s}}^{(i)}} \in {\boldsymbol{S}}{\text{ }}(i = 1 \sim n)$ ：
从标准高斯分布 $\mathcal{N}(0,1)$ 中生成噪声 ${{\boldsymbol{n}}^{(i)}} = {[{n^{(1)}},{n^{(2)}}, \cdots ,{n^{(T)}}]^{\text{T}}}$
隐变量服从分布的均值与标准差 ${{\boldsymbol{\mu }}^{(i)}} = {[{\mu ^{(1)}},{\mu ^{(2)}}, \cdots ,{\mu ^{(T)}}]^{\text{T}}},{{\boldsymbol{\sigma }}^{(i)}} = {[{\sigma ^{(1)}},{\sigma ^{(2)}}, \cdots ,{\sigma ^{(T)}}]^{\text{T}}} \leftarrow {{\mathrm{Extr}}} ({{\boldsymbol{s}}^{(i)}};\psi )$
隐变量 ${{\boldsymbol{z}}^{(i)}} \leftarrow {{\boldsymbol{\mu }}^{(i)}} + {{\boldsymbol{\sigma }}^{(i)}} \odot {{\boldsymbol{n}}^{(i)}}$
估计的ASC参数集 ${{\boldsymbol{\varTheta }}^{(i)}} = {[{\varTheta ^{(1)}},{\varTheta ^{(2)}}, \cdots ,{\varTheta ^{(M \times N)}}]^{\text{T}}} \leftarrow {\text{Pred}}({{\boldsymbol{z}}^{(i)}};\beta )$
由估计参数重建图像 ${{\boldsymbol{\hat s}}^{(i)}} \leftarrow {{\mathrm{Imag}}} ({{\boldsymbol{\varTheta }}^{(i)}};{\text{sys}})$
图像重建损失 $L_{{\text{recon}}}^{(i)} \leftarrow {\lambda _1} \times \displaystyle\sum\nolimits_{x = 1}^{{N_x}} {\displaystyle\sum\nolimits_{y = 1}^{{N_y}} {[{\boldsymbol{s}}_{{\mathrm{xy}}}^{(i)} - {\boldsymbol{\hat s}}_{{\mathrm{xy}}}^{(i)}]} }$
KL散度损失 $L_{{\text{KL}}}^{(i)} \leftarrow - {\lambda _2} \times \dfrac{1}{2}\displaystyle\sum\nolimits_{l = 1}^T {[1 + \ln {{(\sigma _l^{(i)})}^2} - {{(\mu _l^{(i)})}^2} - {{(\sigma _l^{(i)})}^2}]}$
结束循环
参数预测网络参数更新 $\beta \leftarrow \beta - \alpha \dfrac{{\partial \left[ {{1 \mathord{\left/ {\vphantom {1 n}} \right. } n}\displaystyle\sum\nolimits_{i = 1}^n {L_{{\text{recon}}}^{(i)}} } \right]}}{{\partial \beta }}$
特征提取网络参数更新 $\psi \leftarrow \psi - \alpha \dfrac{{\partial \left[ {{1 \mathord{\left/ {\vphantom {1 n}} \right. } n}\displaystyle\sum\nolimits_{i = 1}^n {\left( {L_{{\text{recon}}}^{(i)} + L_{{\text{KL}}}^{(i)}} \right)} } \right]}}{{\partial \psi }}$
直到收敛

下载: 导出CSV

表 2 数据集参数的先验分布

参数	假设的先验分布
$x$	[–4,4] 均匀分布
$y$	[–4,4] 均匀分布
$A$	[0,10] 均匀分布
$\alpha$	{0,0.5,1} 离散均匀分布
$L$	{0,(0,4]} 均匀分布

下载: 导出CSV

表 3 ASC参数估计结果

散射中心		$x{\text{ (m)}}$	$y{\text{ (m)}}$	$A$	$\alpha$	$L{\text{ (m)}}$	散射体结构
1 (图4)	真值	–1.1289	–3.0572	3.6384	1	1.3083	二面角
1 (图4)	估计值	–1.1285	–3.0843	3.5226	1	1.2233	二面角
2 (图5)	真值	2.6069	–2.7878	2.2421	1	0	三面角
2 (图5)	估计值	2.6110	–2.7970	2.2972	1	0	三面角
3 (图6)	真值	–3.2751	1.0433	3.6998	0.5	1.6510	圆柱
3 (图6)	估计值	–3.2861	1.0202	3.7055	0.5	1.5857	圆柱
4 (图7)	真值	–0.6156	2.5096	9.7212	0.5	0	帽顶
4 (图7)	估计值	–0.6186	2.4470	9.4620	0.5	0	帽顶

下载: 导出CSV

表 4 某多散射体目标ASC参数估计结果

散射中心	$x{\text{ (m)}}$	$y{\text{ (m)}}$	$A$	$\alpha$	$L{\text{ (m)}}$	散射体结构
01	1.3409	–1.6606	1.5001	1	0	三面角
02	1.7968	1.1601	3.1288	0.5	0	帽顶
03	1.5212	1.8534	1.5308	1	0	三面角
04	2.8507	–2.1188	4.1949	0.5	1.9380	圆柱
05	3.8858	0.9819	3.0929	0.5	1.5939	圆柱
06	2.8479	3.2429	4.0792	0.5	1.3463	圆柱

下载: 导出CSV

表 5 角反组实测图像ASC参数估计结果

散射中心	$x{\text{ (m)}}$	$y{\text{ (m)}}$	$A$	$\alpha$	$L{\text{ (m)}}$	散射体结构
01	1.7070	–1.9574	5.3957	1	0	三面角
02	1.1773	–0.1327	2.4347	1	0	三面角

下载: 导出CSV

表 6 3种算法的计算耗时(s)

	本文方法	监督BP神经网络	RD-AML-CLEAN
计算耗时	0.055 1	0.055 0	4.119 4

下载: 导出CSV

参考文献(18)

[1]	徐丰, 王海鹏, 金亚秋. 合成孔径雷达图像智能解译[M]. 北京: 科学出版社, 2020: 2–5. XU Feng, WANG Haipeng, and JIN Yaqiu. Intelligent Interpretation of Synthetic Aperture Radar Images[M]. Beijing: Science Press, 2020: 2–5.
[2]	CHEN Jiankun, PENG Lingxiao, QIU Xiaolan, et al. A 3D building reconstruction method for SAR images based on deep neural network[J]. Scientia Sinica Informationis, 2019, 49(12): 1606–1625. doi: 10.1360/SSI-2019-0100.
[3]	PENG Lingxiao, QIU Xiaolan, DING Chibiao, et al. Generating 3d point clouds from a single SAR image using 3D reconstruction network[C]. IGARSS 2019–2019 IEEE International Geoscience and Remote Sensing Symposium, Yokohama, Japan, 2019: 3685–3688. doi: 10.1109/IGARSS.2019.8900449.
[4]	邢孟道, 谢意远, 高悦欣, 等. 电磁散射特征提取与成像识别算法综述[J]. 雷达学报, 2022, 11(6): 921–942. doi: 10.12000/JR22232. XING Mengdao, XIE Yiyuan, GAO Yuexin, et al. Electromagnetic scattering characteristic extraction and imaging recognition algorithm: A review[J]. Journal of Radars, 2022, 11(6): 921–942. doi: 10.12000/JR22232.
[5]	计科峰. SAR图像目标特征提取与分类方法研究[D]. [博士论文], 中国人民解放军国防科技大学, 2003. JI Kefeng. Research on SAR image target feature extraction and classification methods[D]. [Ph. D. dissertation], National University of Defense Technology, 2003.
[6]	段佳, 张磊, 盛佳恋, 等. 独立属性散射中心参数降耦合估计方法[J]. 电子与信息学报, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302. DUAN Jia, ZHANG Lei, SHENG Jialian, et al. Parameters decouple and estimation of independent attributed scattering centers[J]. Journal of Electronics & Information Technology, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302.
[7]	石志广, 周剑雄, 赵宏钟, 等. 基于协同粒子群优化的GTD模型参数估计方法[J]. 电子学报, 2007, 35(6): 1102–1107. doi: 10.3321/j.issn:0372-2112.2007.06.020. SHI Zhiguang, ZHOU Jianxiong, ZHAO Hongzhong, et al. A GTD scattering center model parameter estimation method based on CPSO[J]. Acta Electronica Sinica, 2007, 35(6): 1102–1107. doi: 10.3321/j.issn:0372-2112.2007.06.020.
[8]	李飞, 纠博, 刘宏伟, 等. 基于稀疏表示的SAR图像属性散射中心参数估计算法[J]. 电子与信息学报, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576. LI Fei, JIU Bo, LIU Hongwei, et al. Sparse representation based algorithm for estimation of attributed scattering center parameter on SAR imagery[J]. Journal of Electronics & Information Technology, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576.
[9]	YANG Dongwen, NI Wei, DU Lan, et al. Efficient attributed scatter center extraction based on image-domain sparse representation[J]. IEEE Transactions on Signal Processing, 2020, 68: 4368–4381. doi: 10.1109/tsp.2020.3011332.
[10]	XIE Yiyuan, XING Mengdao, GAO Yuexin, et al. Attributed scattering center extraction method for microwave photonic signals using DSM-PMM-regularized optimization[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5230016. doi: 10.1109/TGRS.2022.3183855.
[11]	ZHANG Jinsong, XING Mengdao, and XIE Yiyuan. FEC: A feature fusion framework for SAR target recognition based on electromagnetic scattering features and deep CNN features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(3): 2174–2187. doi: 10.1109/TGRS.2020.3003264.
[12]	FENG Sijia, JI Kefeng, WANG Fulai, et al. Electromagnetic scattering feature (ESF) module embedded network based on ASC model for robust and interpretable SAR ATR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5235415. doi: 10.1109/TGRS.2022.3208333.
[13]	FENG Sijia, JI Kefeng, ZHANG Linbin, et al. SAR target classification based on integration of ASC parts model and deep learning algorithm[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 10213–10225. doi: 10.1109/JSTARS.2021.3116979.
[14]	GERRY M J, POTTER L C, GUPTA I J, et al. A parametric model for synthetic aperture radar measurements[J]. IEEE Transactions on Antennas and Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750.
[15]	POTTER L C and MOSES R L. Attributed scattering centers for SAR ATR[J]. IEEE Transactions on Image Processing, 1997, 6(1): 79–91. doi: 10.1109/83.552098.
[16]	KINGMA D P and WELLING M. Auto-encoding variational bayes[J]. arXiv: 1312.6114, 2013. doi: 10.48550/arXiv.1312.6114.
[17]	HORIE M, MORITA N, HISHINUMA T, et al. Isometric transformation invariant and equivariant graph convolutional networks[C]. The ICLR 2021, https://doi.org/10.48550/arXiv.2005.06316.
[18]	MENG Chuizheng, SEO S, CAO Defu, et al. When physics meets machine learning: A survey of physics-informed machine learning[J]. arXiv: 2203.16797, 2022. doi: 10.48550/arXiv.2203.16797.

施引文献

期刊类型引用(21)

1.	李民，郭琳，姚雄. 优化高斯过程回归在太阳能集热效率预测上的应用. 电网与清洁能源. 2023(08): 127-131+138 . 百度学术
2.	Han-shan Li. Recognition model and algorithm of projectiles by combining particle swarm optimization support vector and spatial-temporal constrain. Defence Technology. 2023(09): 273-283 . 必应学术
3.	何旭，席佩瑶，辛云宏. 基于代价敏感思想和自适应增强集成的SVM多分类算法. 微型电脑应用. 2023(09): 1-3 . 百度学术
4.	徐红先，张书玮. 基于极限学习机及多姿态信息融合的步态识别. 机械. 2023(11): 72-80 . 百度学术
5.	陈晓禾，曹旭刚，陈健生，胡春华，马羽. 基于三维卷积的帕金森患者拖步识别. 电子与信息学报. 2021(12): 3467-3475 . 本站查看
6.	雷建超，刘栋博，房玉，庄祖江，刘俊豪. 基于表面肌电信号的性别差异性手势识别. 中国医学物理学杂志. 2020(03): 337-341 . 百度学术
7.	金鑫，冯毅，尤雪汐，王佳欣. 基于机器学习的信息安全设备调配保障技术研究. 电子科技. 2020(08): 80-86 . 百度学术
8.	孟明，闫冉，高云园，佘青山. 基于多元变分模态分解的脑电多域特征提取方法. 传感技术学报. 2020(06): 853-860 . 百度学术
9.	王志芳，王书涛，王贵川. 粒子群优化BP神经网络在甲烷检测中的应用. 光子学报. 2019(04): 147-154 . 百度学术
10.	邹倩颖，王小芳. 粒子群优化BP神经网络在步态识别中的研究. 实验技术与管理. 2019(08): 130-133+138 . 百度学术
11.	郭海山，高波涌，陆慧娟. 基于Boruta-PSO-SVM的股票收益率研究. 传感器与微系统. 2018(03): 51-53+57 . 百度学术
12.	周长林，钱志升，王勤民，余道杰，程俊平. 基于PSO-SVM方法的电源线传导泄漏信号识别与还原. 电子与信息学报. 2018(09): 2206-2211 . 本站查看
13.	赵荣建，汤敏芳，陈贤祥，杜利东，曾华林，赵湛，方震. 基于光纤传感的生理参数监测系统研究. 电子与信息学报. 2018(09): 2182-2189 . 本站查看
14.	胡长俊，袁树杰. 煤矿井下WSN中基于自适应粒子群聚类算法的多sink节点部署. 计算机科学. 2018(11): 103-107+123 . 百度学术
15.	王秀娟，相从斌. 基于累积量的DoS攻击检测算法. 北京工业大学学报. 2017(09): 1328-1334 . 百度学术
16.	杜必强，孙立江. 基于PSO-SVM模型的焊接转子环焊缝超声缺陷识别. 动力工程学报. 2017(05): 379-385 . 百度学术
17.	赵湛，韩璐，方震，陈贤祥，杜利东，刘正奎. 基于可穿戴设备的日常压力状态评估研究. 电子与信息学报. 2017(11): 2669-2676 . 本站查看
18.	董广宇. 基于多特征融合的复杂路况步态识别方法. 科学技术与工程. 2017(08): 202-207 . 百度学术
19.	韩笑，佘青山，高云园，罗志增. 基于NA-MEMD和互信息的脑电特征提取方法. 传感技术学报. 2016(08): 1140-1148 . 百度学术
20.	黄成泉，王士同，蒋亦樟，董爱美. v-软间隔罗杰斯特回归分类机. 电子与信息学报. 2016(04): 985-992 . 本站查看
21.	徐超立，林科，杨晨，吴超华，高小榕. 基于小腿表面肌电的智能机器人协同控制方法. 中国生物医学工程学报. 2016(04): 385-393 . 百度学术