基于物理启发机器学习的属性散射中心提取方法

作     者：岳子瑜 徐丰 YUE Ziyu;XU Feng

作者机构：复旦大学电磁波信息科学教育部重点实验室上海200433 

出 版 物：《电子与信息学报》 (Journal of Electronics & Information Technology)

年 卷 期：2024年第46卷第5期

页      面：2036-2047页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(61991422) 

主　　题：属性散射中心模型 参数估计 基于物理知识的机器学习 

摘      要：基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一,传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此,该文提出一个新的基于无监督学习的端到端框架用于从SAR图像反演ASC参数。首先,利用自编码式网络结构有效提取目标图像特征,缓解由于优化空间复杂非凸导致的直接求解困难,解决初值敏感问题;其次,通过嵌入ASC模型作为物理解码器以将编码器输出约束为正确的ASC参数;最后,通过端到端的模型架构进行学习和推理,达到降低算法复杂度及提高估计速度的目的。通过在仿真和实测数据上进行测试,实验结果表明在0.15 m分辨率测试集SAR图像上取得低于0.1 m的估计误差,反演单个散射中心平均耗时0.06 s,验证了该文所提方法的有效性、高效性与鲁棒性。