IAA-Net：一种实孔径扫描雷达迭代自适应角超分辨成像方法——论文阅读

1. 论文的研究目标与实际意义

1.1 研究目标

论文旨在解决实孔径雷达（Real Aperture Radar, RAR）方位向角分辨率低的问题。传统方法（如Tikhonov正则化、贝叶斯反卷积等）在低信噪比（SNR）下性能显著下降，且存在正则化参数手动选择难、迭代计算复杂度高等问题。论文提出IAA-Net（Iterative Adaptive Approach-Network），通过结合迭代自适应算法（IAA）与深度网络，实现正则化参数的自适应学习，提升低信噪比条件下的角分辨率。

1.2 实际问题与产业意义

实孔径雷达在战场侦察、飞行器自主着陆、海面监视等场景中广泛应用，但其角分辨率受限于物理孔径尺寸。传统超分辨方法依赖人工参数调节（如正则化系数），难以适应复杂场景与噪声环境。IAA-Net通过自动化参数优化，解决了以下问题：

• 低信噪比下的噪声放大：传统方法在SNR<20 dB时旁瓣升高，目标模糊；
• 计算效率瓶颈：传统矩阵求逆复杂度为$O(n^3)$，难以实时处理大规模数据。
  该技术可推动机载/车载雷达实时成像系统和低成本雷达硬件的产业化，尤其适用于复杂环境下高精度目标识别。

2. 论文的创新方法、公式与优势

2.1 方法框架与核心步骤

IAA-Net将传统迭代自适应算法（IAA）与深度网络结合，分为以下关键模块：

1. 输入模块：接收回波数据$s_m$与目标场景${\sigma }_m$（训练阶段）；
2. 初始化模块：构建初始回波自相关矩阵$R_0$，并初始化可学习参数${\Lambda }_e$；
3. 目标重建模块：通过迭代更新目标散射系数$\hat{\sigma }$与正则化加权矩阵${\Lambda }_e$；
4. 参数训练模块：基于反向传播（BP）优化${\Lambda }_e$，最小化重建误差。

2.2 核心公式与推导

2.2.1 回波模型与目标函数

实孔径雷达回波模型为：
$$s_m=H{\sigma }_m+n_m$$
其中，$H$为天线方向图构成的测量矩阵，${\sigma }_m$为目标散射系数，$n_m$为噪声。传统IAA方法通过最小化以下代价函数求解：
σ ^ k = h ( θ k ) ∗ R − 1 s m h ( θ k ) ∗ R − 1 h ( θ k ) \hat{\sigma}_k = \frac{h(\theta_k)^* R^{-1} s_m}{h(\theta_k)^* R^{-1} h(\theta_k)}