基于注意力网络的地基SAR永久散射体选取方法

永久散射体法(Permanent Scatterer,PS)是地基合成孔径雷达(Ground-Based Synthetic Aperture Radar,GBSAR)形变监测的技术支撑,但使用传统多阈值法选取PS点时,会存在各个区域对阈值敏感性不同的问题。为解决选取PS点时漏选或错选的问题,本文提出一种注意力网络模型对GBSAR时序数据进行PS点筛选,并将该模型与循环神经网络(Recurrent Neural Network,RNN)和长短期记忆网络(Long Short-Term Memory,LSTM)进行对比实验,监测三个不同场景来比较选取PS点的结果。实验结果表明:基于注意力网络的模型实时性比RNN模型更好,准确度比LSTM模型更高。因此基于注意力网络的模型在PS点选取上更具优势。

基于注意力网络的地基SAR时序差分相位分类方法

地基合成孔径雷达(Ground Based Synthetic Aperture Radar,GBSAR)是目前露天矿山工作帮及排土场进行亚毫米级形变监测的主要技术手段之一,但监测过程中出现的多径效应造成的差分相位变化会被错误识别为形变。针对识别形变精度低的问题,本文开展了差分干涉相位时序特征表达方法的研究,并以此为基础提出了一种基于注意力网络模型的地基SAR时序差分相位分类方法,以形变变化趋势与区域范围作为依据来区分突变区域和缓变区域,通过模型预测出真实形变分布。经过实验结果证明,注意力网络模型可以较为准确的提取出形变分布,有效减少多径效应造成的误差干扰。