基于深度学习的太赫兹频率调制连续波系统中的超分辨率技术

《Optics & Laser Technology》:Range super-resolution in terahertz frequency-modulated continuous wave systems based on deep learning

【字体: 大 中 小 】 时间:2026年01月01日 来源:Optics & Laser Technology 4.6

编辑推荐:

  太赫兹FMCW超分辨率技术通过深度学习直接建立时域信号与目标距离的非线性映射,突破固定带宽下的理论分辨率极限(0.1mm),无需FFT或预处理,显著提升三维成像精度与系统实用性。

  
梁斌|沈思思|明子伟|刘金松|王克家|杨正刚
中国华中科技大学武汉国家光电子实验室,武汉430074

摘要

近年来,太赫兹频域调制连续波(THz-FMCW)技术得到了显著发展,尤其是在高精度测距和三维成像领域。该技术利用太赫兹频段的高频率和宽带宽特性,实现了毫米级的距离分辨率。当前的研究重点在于提高测距分辨率、增强三维成像能力,并解决实际应用中的各种挑战。在工业检测中的微小缺陷识别、医学成像中的病变深度检测以及无人车辆中的精确测距等应用场景中,对THz-FMCW测距分辨率的需求日益增加。然而,测距分辨率受到系统带宽的限制,而实现超宽带宽面临诸多挑战,这些挑战限制了其实际应用。现有的测距超分辨率方法存在局限性,尚未应用于实际成像系统。在本文中,我们提出了一种基于深度学习的方法来实现测距超分辨率,并将其应用于实际系统,在固定带宽下实现了超出理论极限的测距分辨率。该方法能够直接将时域信号非线性映射到目标距离,实现了0.1毫米的测距分辨率。通过将该方法集成到太赫兹FMCW系统中,我们成功实现了高精度三维成像。所提出的方法为太赫兹FMCW系统中的精确检测提供了一种新的方法和解决方案。

引言

太赫兹频域调制连续波(THz-FMCW)雷达是一种利用太赫兹频段的电磁波进行高精度测距和成像的技术。它通过发射频率随时间线性变化的连续波信号,并接收从目标反射回来的信号来实现这一目标。接收到的信号与发射信号混合后得到中频(IF)信号,该信号与目标距离成正比。由于太赫兹波具有良好的穿透性和宽带宽特性,THz-FMCW雷达被广泛应用于精密测量、无损检测、生物医学成像以及安全和安保检查[1],[2],[3],[4],[5],[6],[7],[8]。传统的THz-FMCW测距方法主要依赖于快速傅里叶变换(FFT)来分析IF信号的频谱并提取目标距离信息[9]。然而,这种方法的明显局限性在于“栅栏效应”会导致频谱分辨率受限,当回波信号的频率位于两个相邻FFT频率点之间时,无法准确识别,从而导致测距误差。
测距分辨率完全取决于系统的带宽,但实现超宽带宽面临多重挑战。设备设计复杂度的增加、高相位噪声、系统非线性的提高以及功耗和成本的上升都限制了其实际应用。在实际系统中经常会发生频谱泄漏,进一步降低了系统的测距分辨率[10]。尽管窗口化处理可以缓解这一问题,但它会进一步降低频率分辨率并限制系统的测距精度。此外,为了克服FFT分析带来的“栅栏效应”并提高频率分辨率,研究人员提出了基于频谱精细化的方法,如基于互补零点和Chirp-Z变换的技术。尽管这些方法可以优化频谱,使频域中的采样点更加密集并提供看似更详细的图像,但它们实际上并未提高系统的分辨率。这是因为频谱精细化本质上只是对现有频域数据的插值,并没有添加新的信息或改善信号的信噪比。因此,依赖频谱精细化方法无法突破硬件限制和物理条件对分辨率的基本限制。
常见的测距超分辨率方法(如MUSIC算法)基于信号子空间和噪声子空间的正交性来估计信号参数[11]。这种方法的缺点是它需要事先知道信号中的目标数量,因此不适用于目标数量未知的情况。EDFT使用了一种优化方法来寻找适合有限时间内带限信号的变换基,从而使有限时间内信号的傅里叶变换更接近理想信号的傅里叶变换[12]。Kim等人使用AR模型对信号进行外推以获得更高的测距分辨率,并将MUSIC算法应用于多普勒方向进行二维联合参数估计,从而实现测距-多普勒图(RDM)的超分辨率[13]。还有一些方法通过将信号拼接在一起间接延长观测时间来提高测距分辨率[14],[15],[16]。例如,这些方法连接多个测距信号,但这需要手动操作,导致匹配误差、信噪比低以及处理过程耗时[14],[15]。这些方法解决了相位不匹配的问题,但面临高硬件成本和信号拼接过程困难等挑战[16]。Yang等人使用改进的Nesterov复杂熵边界最小化(Nesterov-CEBM)算法在FMCW雷达系统中实现了双目标呼吸信号的超分辨率分离[17]。然而,其缺点包括对低信噪比环境的敏感性以及随着目标数量增加而显著增加的计算复杂性。实际应用中的雷达信号常常受到噪声和杂波的影响。基于MUSIC的超分辨率算法在低信噪比(SNR)和低采样率条件下通常表现不佳[18],[19]。此外,频谱峰的幅度无法准确反映目标反射特性,计算复杂性也较高。实际应用需要高信噪比条件和对信号源数量的精确估计,这对系统设计和工程实现提出了严格要求。
面对传统计算方法在测距分辨率和精度方面的瓶颈,研究人员开始引入深度学习技术来解决目标识别、参数估计和状态预测等任务[20],[21],[22],[23],[24]。近年来,深度学习方法在测距超分辨率研究中也取得了一些进展。例如,Chang等人通过分析低分辨率的测距-时间模拟数据并预测高分辨率信息实现了测距超分辨率[25]。然而,其在复杂现实环境(如非线性效应、多径效应、杂波和动态目标)中的适应性尚未得到验证。Lin等人使用长短期记忆(LSTM)网络预测去噪信号以增加有效数据长度,从而提高分辨率。但这需要重新采样信号数据以抑制频率调制非线性[26]。Qin等人使用深度神经网络(DNN)来外推雷达信号的观测时间以提高测距分辨率,但这也需要对数据进行预处理以降低处理复杂性[27]。这类方法通过延长观测时间来扩展频域带宽。在固定硬件带宽条件下,算法优化仍可以突破传统的分辨率限制。然而,这些方法存在许多缺点,如需要数据预处理以最小化频率分量、需要考虑预测数据与原始数据之间的相位匹配,以及由于外推时间过长可能导致处理延迟,从而无法满足实时检测要求。在补充文档中,我们提供了与现有基于深度学习的方法的定量比较。此外,这些方法在三维成像系统中的实际应用尚未得到验证。
对于实际的THz-FMCW系统而言,频率调制非线性和低信噪比会严重影响系统的测距能力,给提高测距分辨率带来了更大挑战。在本文中,我们提出了一种基于深度学习的测距超分辨率方法。所建立的模型可以直接从原始信号中学习复杂的非线性映射关系,从而更准确地估计目标距离。该方法不同于基于物理模型和数学变换的传统方法,且不涉及FFT处理。目标距离信息可以直接从原始信号中获取,不受“栅栏效应”的影响。所提出的方法不需要预处理数据来抑制非线性,不受距离和低信噪比的限制,计算成本低,并突破了系统的理论测距分辨率限制。该方法不需要复杂的系统结构或额外硬件,在计算过程中不需要人工干预。它实现了测距超分辨率,同时不影响图像分辨率,为高精度三维成像系统的应用奠定了基础。这套方法和处理流程为其他类似测量系统提供了参考。

小节片段

网络类型和优化器

为了解决THz-FMCW系统的测距超分辨率问题,首先需要选择一个合适的网络模型。为此,我们对几种基本模型进行了比较分析,以确定最适合当前任务的网络类型。为了减少时间成本,我们设置了一个简单的任务,并使用实验数据进行训练和测试,以比较不同网络的性能。在比较过程中,考虑了网络的深度和宽度等因素

实验与结果

为了验证该模型的测距能力,我们构建了一个测量系统,该系统使用了集成收发器的太赫兹FMCW源和电控三维平移台。其起始频率为230 GHz,带宽为90 GHz,扫描周期为200 μs,调制基于锯齿波形。系统的采样频率为40 MHz。太赫兹波的功率为60 μw。天线发射太赫兹波后,波束被准直

讨论与结论

基于深度学习的方法在THz-FMCW测距超分辨率任务中表现优异,这得益于其强大的模式识别和端到端学习能力。该方法可以自动从信号中提取有用特征,无需手动设计或模型假设。经过大量数据训练后,模型能够有效处理现实世界因素(如噪声)的影响,从而提高了系统的鲁棒性和泛化能力。

CRediT作者贡献声明

梁斌:撰写 – 审稿与编辑,撰写 – 原始草稿,可视化,方法论,研究,正式分析,数据管理,概念化。沈思思:可视化,数据管理。明子伟:软件开发,研究。刘金松:撰写 – 审稿与编辑,研究。王克家:撰写 – 审稿与编辑,研究。杨正刚:撰写 – 审稿与编辑,监督,资源管理,项目统筹。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号