典型文献
面向高分辨SAR成像的正则参数自学习
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
刘伟;焦卫东;廖仙华;杨磊
作者机构：
中国民航大学天津市智能信号与图像处理重点实验室,天津300300
文献出处：
引用格式：
[1]刘伟;焦卫东;廖仙华;杨磊-.面向高分辨SAR成像的正则参数自学习)[J].信号处理,2022(08):1737-1748
A类：
贝叶斯边缘估计,Unadjusted,MYULA,莫罗吉田未经调整的朗之万算法
B类：
SAR,参数自学习,正则优化,学习难点,Marginal,Estimation,Bayes,MEB,实现目标,多先验,先验模型,升成,成像特征,观测数据,交替方向乘子法,Alternating,Direction,Method,Multipliers,ADMM,凸优化,优化框架,贝叶斯理论,理论推导,大边,Moreau,Yoshida,Langevin,Algorithm,梯度投影法,学习问题,学习参数,正则项,多参数,自适应参数估计,可微,微问题,近端,次梯度,梯度优化,邻近算子,点目标,Sandia,实际数据,遍历,最优值,变热,热力图,Phase,Transition,Diagram,PTD,自学习算法,合成孔径雷达成像
AB值：
0.442616
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
