多任务协同优化学习高分辨SAR稀疏自聚焦成像算法

针对传统高分辨合成孔径雷达(SAR)稀疏自聚焦成像算法难以有效平衡稀疏与聚焦特征的问题,该文提出一种基于交替方向多乘子方法(ADMM)的多任务协同优化学习稀疏自聚焦(MtL-SA)算法.该算法通过引入熵范数表征SAR成像结果聚焦特征,在ADMM优化框架下,利用近端算法求解聚焦特征解析解.针对原熵范数正则优化目标函数的非凸问题,该文合理设计代价函数,从而保证熵范数近端算子的闭合解析解.同时,应用e1范数表征成像结果稀疏特征,并建立面向复数SAR成像数据的复数软阈值近端算子.该文所提MtL-SA成像算法可实现对目标场景后向散射场对应稀疏特征和聚焦特征的解析求解,并有效提升自聚焦算法的可靠性和稳健性.两种特征增强处理相互调和,保证了算法运行过程中有效降低误差传播,进而保证联合特征增强精度.仿真及实测机载SAR成像数据实验,验证了算法的有效性和实用性,同时应用相变分析方法分别定量和定性地分析了该文所提算法相比其他传统算法的优越性.     

基于贪婪-快速阈值迭代的SAR地面动目标稀疏表征算法

合成孔径雷达地面动目标成像(Synthetic Aperture Radar Ground Moving Target Imaging, SAR-GMTIm)技术通过在静止场景的SAR图像中检测运动目标响应,实现针对运动目标的重聚焦成像。通常情况下,地面运动目标回波响应相对于静止场景的回波(即杂波)具有较强的稀疏性,增强SAR-GMTIm成像结果的稀疏特征有利于目标分类和识别。现有的一阶算法如阈值迭代算法(Iterative Shrinkage-thresholding Algorithm,ISTA)及其改进方法,快速阈值迭代算法(Fast Iterative Shrinkage-thresholding Algorithm,FISTA)都可用于SAR-GMTIm稀疏特征增强,但都存在运算效率偏低,收敛速度较慢的问题。针对以上问题,本文提出了一种贪婪-快速阈值迭代算法(Greedy Fast Iterative Shrinkage-thresholding Algorithm,Greedy FISTA)用于SAR-GMTIm稀疏特征恢复。该算法基于重启动框架对FISTA进行改进,缩短了算法重启间隔和振荡周期,拥有比FISTA更快的收敛速度。本文利用Greedy FISTA针对SAR-GMTIm的仿真复数据以及美国空军实验室的Gotcha实测雷达数据进行成像实验,并对比Greedy FISTA和FISTA、ISTA在SAR动目标成像中达到同等精度所需的迭代次数,再结合相变热力图分析法对比三种算法的恢复性能。实验结果表明Greedy FISTA应用于SAR-GMTIm系统具有良好的成像效果, 且在收敛速度和稀疏信号恢复方面相较传统阈值迭代算法及快速阈值迭代算法有明显优势。      

多地面运动目标大动态SAR成像稀疏表示

为了保证对多个地面运动目标同时进行合成孔径雷达成像时具有足够的响应动态范围,提出了一种基于参数化贝叶斯机器学习的压缩感知稀疏表示方法,在对运动目标稀疏特征增强的同时可以显著地提高多目标合成孔径雷达成像的响应动态范围。首先,利用渐进线性的吕氏分布时频表示方法获得多运动目标的多普勒调制参数,并构建二阶多项式傅里叶字典; 然后,针对该字典可能导致的压缩感知有限等距特性欠佳的问题,研究利用字典的互相关度进行定量评估; 最后,引入地面运动目标相对背景杂波的稀疏先验概率分布,建立层级贝叶斯模型,应用变分贝叶斯期望最大算法实现合成孔径雷达地面运动目标成像的稀疏表示,同时对可能存在的目标高阶运动和载机运动误差造成的相位失调进行校正,以保证运动目标雷达图像的聚焦性能。仿真及实测数据的处理结果验证了应用该方法可以显著地提升多目标成像响应动态范围,相比传统方法具有明显的优越性。