面向高分辨SAR成像的正则参数自学习

摘要：

针对基于正则优化的高分辨SAR成像惩罚项系数自学习难点问题,本文提出一种贝叶斯边缘估计(Marginal Estimation Bayes,MEB)算法,以实现目标多先验模型的高精度特征拟合,提升成像特征恢复精度.该方法根据观测数据进行交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)凸优化框架建模,并利用贝叶斯理论推导参数的最大边缘似然分布,同时采用Moreau-Yoshida未经调整的朗之万算法(Moreau-Yoshida Unadjusted Langevin Algorithm,MYULA)实现后验采样求解,引入梯度投影法解决正则参数自学习问题,最后利用自学习参数进行优化成像.该算法可实现多正则项优化多参数协同自适应参数估计.另外,针对可能存在的目标先验非可微问题,本文利用近端算法中的次梯度优化,通过邻近算子来求解非可微先验的次梯度,可实现非可微正则函数的参数自学习.实验部分利用点目标仿真与美国Sandia实验室公布的实际数据.实验结果表明,相对于遍历最优结果,本文所提方法得到的结果与最优值的误差均在15％之内.另外,通过相变热力图(Phase Transition Diagram,PTD)定量验证了算法的有效性,同时将本文算法与其他自学习算法进行对比,验证了算法的实用性.

关键词：合成孔径雷达成像、梯度投影法、正则项、贝叶斯边缘估计、莫罗吉田未经调整的朗之万算法

所属期刊栏目：38

分类号：TN958

资助基金：国家自然科学基金G61601470

在线出版日期：2022-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1737-1748