可变先验贝叶斯学习稀疏SAR成像

摘要

针对合成孔径雷达(synthetic aperture radar,SAR)在稀疏成像中,传统贝叶斯机器学习算法存在先验固化、成像结果容易过拟合等问题.提出一种可变成像先验贝叶斯(varying imaging prior Bayes,VIP-Bayes)学习稀疏SAR成像算法.首先,引入可动态灵活表征目标散射特征的广义高斯分布先验.然后,在贝叶斯推理框架下进行分层建模,后验分布推导.最后,针对常规吉布斯采样算法无法采样复杂后验分布的问题,引入哈密顿蒙特卡罗(Hamiltonian Monte Carlo,HMC)采样算法进行求解.另外,考虑到HMC算法对非平滑后验分布无法采样,因此引入近端算子,进行近端梯度近似,提出近端-HMC(proximal-HMC,P-HMC)算法.P-HMC算法可有效解决非平滑后验采样问题.因而可实现VIP-Bayes稀疏成像.通过仿真数据进行算法有效性验证,选取SAR实测数据与多种算法进行成像对比实验,利用相变热力图对算法成像性能进行定量分析,验证了所提算法的实用性和优越性.