一种用于稀疏孔径ISAR成像和自动对焦的学习辅助无监督方法
《IEEE Transactions on Aerospace and Electronic Systems》:A Learning-Aided Unsupervised Method for Sparse Aperture ISAR Imaging and Autofocusing
【字体:
大
中
小
】
时间:2026年01月07日
来源:IEEE Transactions on Aerospace and Electronic Systems 5.7
编辑推荐:
针对稀疏孔径逆合成孔径雷达(SA-ISAR)成像中数据不足的问题,提出基于无监督学习的优化框架LAOF,通过生成网络建模和随机先验生成策略,结合Langevin动力学优化机制,有效避免局部最优,并在无自聚焦和有自聚焦两种场景中验证其优于现有方法的性能。
摘要:
尽管近期基于学习的信号处理研究取得了显著进展,但大多数研究都属于监督学习范畴,并依赖于在大量标记数据上预训练的模型。然而,在特定场景中,如高速目标(例如卫星、飞机)的图像获取过程中,使用稀疏孔径逆合成孔径雷达(SA-ISAR)得到的高质量配对训练数据非常有限。在本文中,我们提出了一种基于学习的优化框架(LAOF),该框架采用无监督的方式解决逆问题。具体而言,它通过使用未经训练的生成式网络模型将原始变量的优化问题转化为网络优化问题。为了确保收敛性,我们提出了一种基于随机先验的更新策略,该策略包括两个部分:1)随机先验生成(RPG)和基于朗之万动力学的优化(LDO)。在RPG中,采用马尔可夫链蒙特卡洛(MCMC)模拟从潜在变量分布中生成随机样本作为随机先验,然后将其应用于LDO。在LDO框架内,通过结合随机先验项和任务特定的数据一致性项来更新网络参数,从而构成基于朗之万动力学的更新机制。因此,这种方法有效减少了次优局部最小值的出现。此外,我们的LAOF有两个应用场景:1)基于朗之万动力学的SA-ISAR成像;2)基于MCMC采样的相位估计,分别针对两种典型的ISAR成像情况:无自动对焦的SA-ISAR成像和具有自动对焦的SA-ISAR成像。通过对不同稀疏率和信噪比等多种场景的广泛仿真,结果表明,与现有的最先进方法相比,所提出的方法能够在计算成本较低的情况下实现更优的性能。
引言
逆合成孔径雷达(ISAR)能够通过处理快速移动目标的雷达回波,在全天候条件下生成高分辨率的雷达图像。这项技术是现代雷达系统的关键组成部分[1]、[2]、[3]、[4]。在获取到目标的完整雷达回波后,基础的距离-多普勒(RD)算法可以生成高质量的ISAR图像。然而,在实际应用中,稀疏孔径雷达回波较为常见,这使得RD算法无法准确重建ISAR图像[5]、[6]。这就凸显了一个关键且被广泛研究的挑战:稀疏孔径ISAR(SA-ISAR)成像问题,即如何从不完整的雷达回波中重建高质量的ISAR图像。
生物通微信公众号
生物通新浪微博
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