Владимир Всеволодович Разевиг, Александр Иванович Ивашов, Александр Степанович Бугаев

 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия),  

 Московский физико-технический институт (государственный университет) (Москва, Россия) vrazevig@rslab.ru

Постановка проблемы. Подповерхностные радиолокаторы, излучая радиоволны и регистрируя отраженный сигнал, позволяют получать изображения объектов, находящихся в оптически непрозрачной среде, либо внутренней структуры объектов, непрозрачных в оптическом диапазоне длин волн. Поперечное разрешение подповерхностных радиолокаторов при использовании классических методов восстановления радиоголограмм ограничено дифракционным пределом, примерно равным половине длины волны используемого сигнала, поэтому усилия множества исследователей направлены на разработку методов и алгоритмов, позволяющих преодолеть дифракционный предел и получить сверхразрешение.

Цель. Рассмотреть нейросетевой метод восстановления радиоголограмм.

Результаты. Показана архитектура нейронной сети (НС), подготовлена обучающая выборка и выполнено обучение НС, в результате чего она способна непосредственно по зарегистрированным радиолокатором радиоголограммам получать радиоизображения с разрешением, превышающим дифракционный предел.

Практическая значимость. Предложенный нейросетевой метод восстановления радиоголограмм может быть использован в различных задачах, требующих обработки радиолокационных данных. Достоинством метода является его высокое разрешение. 

Разевиг В.В., Ивашов А.И., Бугаев А.С. Нейросетевой метод восстановления радиоголограмм // Успехи современной радиоэлектроники. 2020. T. 74. № 12. С. 5–16. DOI: 10.18127/j20700784-202012-01.

1. Ivashov S.I., Razevig V.V., Vasiliev I.A., Zhuravlev A.V., Bechtel T.D., Capineri L. Holographic Subsurface Radar of RASCAN Type: Development and Applications // IEEE Journal of Selected Topics in Earth Observations and Remote Sensing. December 2011. V. 4. № 4. P. 763–778.
2. Курикша А.А. Алгоритм обратной проекции в задачах восстановления пространственного распределения источников волн // Радиотехника и электроника. 2002. Т. 47. № 12. С. 1484–1489.
3. Sheen D.M., McMakin D.L., Hall T.E. Three-dimensional millimeter-wave imaging for concealed weapon detection // IEEE Transactions on Microwave Theory and Techniques. 2001. V. 49. № 9. P. 1581–1592.
4. Daniels D.J. Ground Penetrating Radar, 2nd ed. (IEE, London, 2004).
5. Нейронная сеть // Большая российская энциклопедия: [в 35 т.] / гл. ред. Ю.С. Осипов. М.: Большая российская энциклопедия. 2004–2017.
6. Shah P., Moghaddam M. Super resolution for microwave imaging: A deep learning approach // 2017 IEEE International Symposium on Antennas and Propagation & USNC/URSI National Radio Science Meeting, San Diego, CA. 2017. P. 849–850.
7. Zhang Y., Xiao Z., Wu L., Lu X., Wang Y. Deep learning for subsurface penetrating super-resolution imaging // 2017 10th UKEurope-China Workshop on Millimetre Waves and Terahertz Technologies (UCMMT), Liverpool, 2017. P. 1–4.
8. Panda S., Akhter Z., Akhtar M.J. Subsurface imaging of concrete structures using neural network approach // 2016 IEEE MTT-S International Microwave and RF Conference (IMaRC), New Delhi, 2016. P. 1–4.
9. Watabe K., Shimizu K., Yoneyama M., Mizuno K. Millimeter-wave active imaging using neural networks for signal processing // IEEE Transactions on Microwave Theory and Techniques. 2003. V. 51. № 5. P. 1512–1516.
10. Velik R. Discrete Fourier Transform Computation Using Neural Networks // 2008 International Conference on Computational Intelligence and Security, Suzhou. 2008. P. 120–123.
11. Rivenson Y., Zhang Y., Gunaydin H., Teng D., Ozcan A. Phase recovery and holographic image reconstruction using deep learning in neural networks // Light Sci. Appl. 2018. V. 7. Art. no. 17141.
12. Agostinelli F., Hoffman M., Sadowski P., Baldi P. Learning Activation Functions to Improve Deep Neural Networks, 21 Dec 2014. arΧiv:1412.6830 [cs.NE].
13. Официальный сайт PyTorch [Электронный ресурс]. Режим доступа: https://pytorch.org – свободный (дата обращения: 17.09.2020).
14. Разевиг В.В. Комплекс математических моделей и программ для исследования и разработки радиоголографических систем малой дальности: дис. … канд. техн. наук. Москва. 2016. 127 с.
15. Официальный сайт Altair FEKO [Электронный ресурс]. Режим доступа: https://altairhyperworks.com/product/FEKO – свободный (дата обращения: 18.09.2020).
16. Bottou L., Bousquet O. The Tradeoffs of Large Scale Learning. In Sra S., Nowozin S., Wright S.J. (eds.). Optimization for Machine Learning. Cambridge: MIT Press. 2012. P. 351–368.
17. Kingma D.P., Ba J.L. Adam: A Method for Stochastic Optimization. arXiv:1412.6980. 2014.