基于鲁棒伽马过程拉普拉斯网络的高分辨率ISAR成像

《Science China-Information Sciences》：High-resolution ISAR imaging based on robust gamma process Laplace network

针对合成孔径雷达（ISAR）成像中参数调优与模型重训练的局限性，提出新型稀疏贝叶斯学习网络RGaPLN，通过深度网络消除参数调优，CNN增强SNR鲁棒性，超网络动态优化DMR参数，实验验证其高效性与优越性。

　　

摘要

在多种观测场景下实现稳健且聚焦良好的ISAR成像对于实际应用至关重要。然而，现有的迭代算法需要复杂的参数调整，而基于模型的网络则需要针对不同的观测条件重新训练模型，这限制了它们的实用性。为了解决这些问题，本文提出了一种新的稀疏贝叶斯学习网络——鲁棒伽马过程拉普拉斯网络（RGaPLN），用于复杂环境中的ISAR成像。首先，我们将之前提出的2D无逆伽马过程拉普拉斯（2D-IFGaPL）算法扩展为深度网络，从而消除了对参数调整的需求。然后，将卷积神经网络（CNN）集成到扩展后的网络中，以提高其对信噪比（SNR）变化的鲁棒性。此外，还设计了一个超网络，能够根据不同的数据丢失率（DMR）动态生成最优参数，从而在SNR和DMR变化的情况下无需重新训练模型即可进行ISAR成像。实验结果证明了所提出方法在各种SNR和DMR条件下的有效性和优越性。