买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于快速收缩迭代阈值网络的雷达高分辨成像方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118897285B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410934747.8，技术领域涉及：G01S13/90；该发明授权一种基于快速收缩迭代阈值网络的雷达高分辨成像方法是由张寅;裴季方;袁丁;黄钰林;杜淦秋;霍伟博;杨海光;杨建宇设计研发完成，并于2024-07-12向国家知识产权局提交的专利申请。

本一种基于快速收缩迭代阈值网络的雷达高分辨成像方法在说明书摘要公布了：本发明公开一种基于快速收缩迭代阈值网络的雷达高分辨成像方法，应用于雷达探测与成像领域，针对雷达天线方向图的低通特性，使得该反卷积问题是一个病态问题，其频带宽度有限，直接逆滤波会导致高频噪声放大而无法获得稳定的反演结果的问题；本发明结合了迭代算法的可解释性和深度学习的优点，将快速迭代收缩阈值算法展开为深度网络，可用于解决现有扫描雷达方位角分辨率低，手工选择参数困难等问题，实现扫描雷达超分辨成像。其特点是将二维雷达数据分割成一维方位向向量，通过一维卷积充分学习其方位向数据的特征，得到快速收缩阈值算法中的最佳参数，从而有效提升雷达图像的方位向分辨率。

本发明授权一种基于快速收缩迭代阈值网络的雷达高分辨成像方法在权利要求书中公布了：1.一种基于快速收缩迭代阈值网络的雷达高分辨成像方法，其特征在于，包括： S1、建立雷达回波模型； S2、基于原始雷达数据，结合步骤S1建立的雷达回波模型，生成回波数据；将生成的回波数据作为训练集； S3、建立扫描雷达超分辨目标优化函数； ； 其中，表目标散射体系数的估计值，表示卷积矩阵，表示目标散射系数向量，表示接收到的方位向回波向量，是正则化参数，为L2范数，为L1范数； S4、构建FISTA‑Net网络模型，用于求解步骤S3建立的目标优化函数；所述FISTA‑Net网络模型包括：加速模块、梯度下降模块和近端映射模块；加速模块利用前两次迭代的输出结果的线性组合作为输入，得到辅助变量；梯度下降模块基于辅助变量来最小化；近端映射模块将梯度下降模块的输出映射到稀疏域后应用软阈值函数得到稀疏域中的解，对稀疏域中的解进行逆变换，得到原始数据域中的解； 加速模块的输出表示为： ； 其中，为辅助变量，第次迭代的输出结果，第次迭代的输出结果，为加速步长，是可学习参数； 梯度下降模块的输出表示为： ； 其中，表示求导运算，为梯度下降模块的输出，为梯度下降步长； 步骤S4中原始数据域中的解的表达式为： ； 其中，为近端映射模块的输出，表示软阈值函数，为阈值，表示可学习的稀疏变换函数，表示的逆变换；采用卷积神经网络实现，该卷积神经网络包括四个卷积层和三个整流线性单元，第一个卷积层的输入为卷积神经网络的输入，第一个卷积层的输出作为第一个整流线性单元的输入，第一个整流线性单元的输出作为第二个卷积层的输入，第二个卷积层的输出作为第二个整流线性单元的输入，第二个整流线性单元的输出作为第三个卷积层的输入，第三个卷积层的输出作为第三个整流线性单元的输入，第三个整流线性单元的输出作为第四个卷积层的输入，第四个卷积层的输出作为该卷积神经网络的输出；四个卷积层采用一维卷积核； S5、基于步骤S2的训练集对步骤S4构建的FISTA‑Net网络模型进行训练； S6、基于训练完成的FISTA‑Net网络模型进行扫描雷达成像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。