1 論文標題:基于自注意力對抗網(wǎng)絡(luò)的VLA稀疏陣列效應(yīng)消除技術(shù)
2 作者信息:雷 然, 陳 港, 周 娟, 馬 帥, 張 利*:貴州大學(xué)大數(shù)據(jù)與信息工程學(xué)院,貴州 貴陽
3 出處和鏈接:雷然, 陳港, 周娟, 馬帥, 張利. 基于自注意力對抗網(wǎng)絡(luò)的VLA稀疏陣列效應(yīng)消除技術(shù)[J]. 建模與仿真, 2024, 13(1): 24-32. https://doi.org/10.12677/MOS.2024.131003
4 摘要:稀疏陣列具有許多的優(yōu)點,例如其擁有較低的成本效益,較低的相互干擾性,以及很強的靈活性等。但是天線的稀疏化也同時帶來一系列問題:分辨率限制、視場失真、較大的旁瓣等,這些問題都能使得觀測的同時帶來一系列效應(yīng)。為了最大程度的消除這些效應(yīng)對觀測帶來的影響,本文選擇深度學(xué)習(xí)的方法對帶有效應(yīng)的臟圖進行重建。本文在CycleGAN網(wǎng)絡(luò)的生成器當中加入自注意力機制來對效應(yīng)進行消除。改進后的SACGAN由帶有自注意力模塊的ResNet與判別器PatchGAN組成,前者用于提取原始圖像中的細節(jié)特征來生成以假亂真的圖片,后者的主要任務(wù)是分辨圖片是不是生成的圖片。實驗使用250份天空模型圖像,使用3份用VLA.A配置修改的、僅有6根天線的陣列配置來模擬觀測?偣750張圖像,使用600張進行訓(xùn)練,150張進行測試。測試結(jié)果顯示,重建圖像的PSNR與SSIM分別達到了48.091與0.881。結(jié)果表明,本文所使用的深度學(xué)習(xí)網(wǎng)絡(luò)能夠很好地還原了使用隨機模型觀測的臟圖,在對臟圖當中效應(yīng)的消除起到了良好的作用,能夠更好地還原原始天體圖像。