用于无源合成孔径雷达的深度学习

我们引入了一个用于成像中逆问题的深度学习（DL）框架，并展示了该方法在无源合成孔径雷达（SAR）图像重建中的优势与适用性。我们将图像重建解释为一项机器学习任务，并利用深度网络作为成像的正向与逆向求解器。具体而言，我们基于近端梯度下降优化方法的迭代，设计了一种循环神经网络（RNN）架构作为逆向求解器。我们进一步通过将该网络转化为循环自编码器，使 RNN 架构适应图像重建问题，从而实现无监督训练。我们基于 DL 的逆向求解器特别适用于正向模型仅部分已知的一类图像形成问题。学习正向模型与超参数的能力结合无监督训练方法，使得我们的循环自编码器适用于真实世界应用。我们展示了我们的方法在无源 SAR 图像重建中的性能。在该体制下，利用位置与发射波形未知的机遇辐射源照射感兴趣的场景。我们研究了基于 $\ell_1$ 和 $\ell_0$ 约束最小二乘问题的循环自编码器架构。我们提出了一种包含未知模型参数约束的投影随机梯度下降训练方案。我们通过广泛的数值模拟证明，在缺乏发射机信息的情况下，我们基于 DL 的方法在计算与重建图像质量方面均优于传统的稀疏编码方法。