摘要:利用综合孔径微波辐射计(SAIR)系统进行目标探测,具有隐蔽性好、可全天时工作、基本不受天气和战场烟尘环境影响等优点,并且无需扫描即可瞬时高分辨成像,因而成为目标探测领域的探讨热点。高质量亮温图像的实时获取和有效的目标检测算法是开展综合孔径微波辐射计目标探测探讨的关键技术与难点。本论文以机器学习论述为基础,以探讨SAIR亮温图像反演不足的本质出发,详细地浅析了SAIR反演不足的模型选择不足,提出了实时高质量的SAIR亮温图像重建策略,并结合综合孔径微波辐射计反演图像的统计特性,探讨适用于综合孔径微波辐射计探测空中目标的背景抑制及目标检测策略。主要探讨内容包括:以统计学的角度浅析了现有的SAIR亮温反演策略,指出了现有SAIR反演策略的本质不足为机器学习的模型选择不足;并指出了现有的亮温反演策略在最优正则化参数的确定以及实际风险最小化的困难。以贝叶斯框架浅析了现有的SAIR反演策略,指出了现有SAIR反演策略中关于亮温分布和可见度采样的潜在统计特性。在浅析SAIR反演不足的统计模型的基础上,提出了一种基于贝叶斯回归估计的SAIR亮温图像实时反演策略。基于贝叶斯模型选取原理,将先验概率引入至SAIR亮温图像反演的学习历程中,建立了SAIR反演不足的贝叶斯学习模型;推导了模型参数的估计策略。与现有的SAIR策略相比,该策略能在保证反演性能不下降的情况下实时地进行亮温图像重建。浅析了SAIR亮温反演不足实际风险的界,指出结构风险最小化原则比经验风险最小化原则更适合SAIR亮温图像反演。在通过主成分浅析和偏最小二乘法建立SAIR亮温反演的稀疏回归模型的基础上,分别以确定性和贝叶斯观点提出了两种基于结构风险最小化的SAIR亮温重建策略。前者通过制约不敏感因子来实现结构风险最小化,类似于传统的SAIR正则化反演策略,需要人为选取最优模型参数;后者通过制约先验概率来实现结构风险最小化,可以自动地完成最优模型的选取。同经验风险最小化原则的SAIR图像反演策略相比,该策略具有更小的噪声扩展性能以及更低的计算复杂度。建立SAIR目标检测的数学模型。利用SAIR图像的统计特性,结合高斯混合模型、核回归策略,提出了一种基于稳健核回归的SAIR目标检测算法。通过高斯混合模型,建立最优的SAIR背景估计风险泛函;利用核回归思想,在特点空间中最小化SAIR背景估计风险泛函,实现对SAIR亮温图像复杂背景的抑制和弱小目标检测。本论文提出的基于机器学习的SAIR图像反演和目标检测策略均经过了严密的论述推导、仿真以及实验的验证,具有良好的实用前景。关键词:综合孔径微波辐射计论文亮温图像重建论文目标检测论文机器学习论文贝叶斯回归论文结构风险最小化原则论文
摘要4-6
Abstract6-10
1 绪论10-26
1.1 探讨背景及作用10-13
1.2 SAIR 进展近况13-20
1.3 本论文利用的学习机器概述20-24
1.4 论文探讨内容和结构安排24-26
2 SAIR 图像反演不足26-43
2.1 SAIR 基本成像原理26-30
2.2 SAIR 亮温重建的数学模型30-31
2.3 传统的 SAIR 图像反演策略31-34
2.4 SAIR 图像反演的模型选取不足34-38
2.5 SAIR 图像反演面对的困难38-42
2.6 本章小节42-43
3 基于贝叶斯学习机器的 SAIR 图像反演策略43-67
3.1 引言43
3.2 SAIR 图像反演的统计特性43-47
3.3 贝叶斯模型选取47-50
3.4 基于贝叶斯学习机器的 SAIR 图像反演法50-58
3.5 仿真58-64
3.6 实验64-65
3.7 本章小结65-67
4 基于结构风险最小化原则的 SAIR 图像反演策略67-91
4.1 引言67-68
4.2 结构风险最小化原则68-69
4.3 SAIR 图像反演不足的分解69-75
4.4 基于确定性结构风险最小化的 SAIR 图像反演策略75-80
4.5 贝叶斯结构风险最小化 SAIR 图像反演策略80-88
4.6 实验88-89
4.7 本章小结89-91
5 基于稳健核回归的 SAIR 目标检测算法91-104
5.1 引言91-92
5.2 基于稳健核回归的 SAIR 目标检测算法92-99
5.3 仿真和实验99-103
5.4 本章小结103-104
6 全文总结与展望104-107
6.1 全文总结104-105
6.2 展望105-107