鄭慧敏，鄭明潔，張振寧，申曉天

(1 中國科學(xué)院空天信息創(chuàng)新研究院，北京 100190；2 中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院，北京 100049)(2020年1月6日收稿；2020年4月26日收修改稿)

合成孔徑雷達(dá)地面運(yùn)動(dòng)目標(biāo)指示(synthetic aperture radar-ground moving target indicator,SAR-GMTI)是雷達(dá)領(lǐng)域一個(gè)比較重要的研究方向[1-3]。由于擁有更多的自由度信息，多通道檢測方法常在雜波抑制方面比單通道方法具有更好的性能，如偏置相位中心天線技術(shù)(displaced phase center antenna, DPCA)[4]、空時(shí)自適應(yīng)處理技術(shù)(space-time adaptive processing, STAP)[5]等。然而，以上方法各有其局限性，如DPCA技術(shù)需要滿足嚴(yán)格的系統(tǒng)條件；STAP需要較大的計(jì)算量，且在非均勻場景下會(huì)產(chǎn)生較大的協(xié)方差矩陣估計(jì)誤差。

Yan等[6-7]提出，利用魯棒主成分分析方法(robust principal components analysis, RPCA)來實(shí)現(xiàn)多通道廣域監(jiān)視雷達(dá)系統(tǒng)(wide area surveillance, WAS)的運(yùn)動(dòng)目標(biāo)提取。其基本原理是：雷達(dá)回波看作是地面雜波、運(yùn)動(dòng)目標(biāo)、噪聲3部分組成；因?yàn)槎鄠€(gè)通道在相同時(shí)間內(nèi)觀察到的是同一場景，所以在通道相位補(bǔ)償、圖像配準(zhǔn)后，所有通道的雜波信號(hào)可認(rèn)為是近似一致的(通道雜波間仍然會(huì)有些輕微的差別但差別很小，可將它們歸入噪聲部分)；運(yùn)動(dòng)目標(biāo)在場景中是稀疏分布的，并且因?yàn)檫\(yùn)動(dòng)的影響，通道間仍留有一定的相位差。由此性質(zhì)，文獻(xiàn)[7]將回波信號(hào)預(yù)處理后，得到一個(gè)聯(lián)合多通道數(shù)據(jù)的新觀測矩陣，而后利用低秩和(二維)稀疏矩陣分解中的經(jīng)典模型RPCA，對(duì)新觀測矩陣進(jìn)行處理，提取出代表運(yùn)動(dòng)目標(biāo)的稀疏矩陣。

為更好地適用廣域監(jiān)視下的地面運(yùn)動(dòng)目標(biāo)指示(WAS-GMTI)，Li等[8-9]提出結(jié)構(gòu)化RPCA(structured RPCA，s-RPCA)、行-模值約束的RPCA(row-modulus RPCA，rm-RPCA)以及基于相位約束的RPCA模型的動(dòng)目標(biāo)提取方法，其中效果較好且應(yīng)用性較強(qiáng)的是rm-RPCA。

SAR-GMTI與WAS-GMTI系統(tǒng)在檢測原理上沒有本質(zhì)區(qū)別，僅是檢測域不同，用于SAR-GMTI的數(shù)據(jù)需要轉(zhuǎn)換到圖像域，而WAS-GMTI主要在距離-多普勒域中完成。因此上述幾種基于低秩和稀疏矩陣分解的動(dòng)目標(biāo)提取方法，也可應(yīng)用到SAR-GMTI系統(tǒng)中。但在實(shí)際處理SAR衛(wèi)星數(shù)據(jù)時(shí)發(fā)現(xiàn)，以上方法不能完全抑制強(qiáng)雜波，且對(duì)慢速目標(biāo)的提取能力較差。具體分析后認(rèn)為，以上方法均是通過簡單的凸松弛來近似逼近矩陣的低秩或稀疏性要求，其中稀疏逼近誤差較大，即場景內(nèi)的強(qiáng)雜波會(huì)傾向增大運(yùn)動(dòng)目標(biāo)的稀疏性，而慢速目標(biāo)又易被忽略。此外，因多通道SAR數(shù)據(jù)的特殊性質(zhì)，使得矩陣分解模型中的加權(quán)參數(shù)經(jīng)驗(yàn)值在多通道SAR-GMTI系統(tǒng)下不再適用。而上述方法都僅是設(shè)置若干組實(shí)驗(yàn)，然后依據(jù)實(shí)驗(yàn)結(jié)果來粗略確定此加權(quán)參數(shù)的取值。此類方式效率較差，且不能針對(duì)不同的多通道SAR-GMTI系統(tǒng)下的觀測矩陣實(shí)現(xiàn)自動(dòng)調(diào)整。

為解決上述問題，本文提出一種新的基于低秩和一維稀疏矩陣分解的多通道SAR-GMTI方法，其中主要在目標(biāo)提取環(huán)節(jié)，創(chuàng)新性設(shè)計(jì)一個(gè)自適應(yīng)的加權(quán)參數(shù)，并針對(duì)分解精度問題提出一個(gè)適應(yīng)性更好的矩陣分解模型，最后利用增廣拉格朗日乘子法(augmented Lagrange method，ALM)[10]進(jìn)行求解。利用仿真數(shù)據(jù)和高分三號(hào)(Gaofen-3, GF-3)SAR衛(wèi)星數(shù)據(jù)，證實(shí)了該方法在運(yùn)動(dòng)目標(biāo)提取方面的有效性。

1 RPCA與多通道SAR-GMTI問題描述

1.1 RPCA問題描述

若利用低秩性與(二維)稀疏性，矩陣分解原是如下的雙目標(biāo)優(yōu)化問題：

(1)

式中:rank(·)表示取矩陣的秩，‖·‖0表示矩陣l0范數(shù)(矩陣非0元素個(gè)數(shù))。進(jìn)一步引入一個(gè)加權(quán)參數(shù)λ，將此問題轉(zhuǎn)化為如下的單目標(biāo)優(yōu)化問題：

(2)

該問題是一個(gè)NP難問題，可以利用范數(shù)逼近松弛為一個(gè)易于求解的凸優(yōu)化問題：

(3)

式中:‖·‖*表示矩陣的核范數(shù)，‖·‖1表示矩陣l1范數(shù)。式(3)也常被稱為RPCA。

1.2 多通道SAR-GMTI問題描述

各通道的回波信號(hào)成像后，需進(jìn)行通道校正[11]與圖像配準(zhǔn)。然后，將多個(gè)通道的數(shù)據(jù)分別列矢量化(即矩陣各列依次堆疊，形成一個(gè)新列向量)，若按通道順序重組在一起，就可得到一個(gè)新觀測矩陣D。從組成成分來看，此觀測矩陣可認(rèn)為是由表示地面雜波的矩陣L、表示運(yùn)動(dòng)目標(biāo)的矩陣S、表示噪聲的矩陣N共3部分組成：

(4)

矩陣L的任意一列表示的是對(duì)應(yīng)通道的地面雜波，這些不同列之間的雜波分量應(yīng)是近似一致的。理想情況下，矩陣L是一個(gè)沿列方向秩為1的低秩矩陣。在SAR-GMTI模式中，各個(gè)通道的觀測時(shí)間間隔是相對(duì)較短的。短時(shí)間內(nèi)，運(yùn)動(dòng)目標(biāo)在相鄰?fù)ǖ郎系某上裼蛭恢檬呛茈y改變的。雖然運(yùn)動(dòng)目標(biāo)在單個(gè)通道的場景下稀疏分布，但在新觀測矩陣中，相同運(yùn)動(dòng)目標(biāo)會(huì)分布到同一行。這意味著矩陣S是一個(gè)結(jié)構(gòu)化行稀疏的矩陣，即只在列方向上保持稀疏性，除少數(shù)動(dòng)目標(biāo)所在的行向量，其余均為零向量。并且，S中相鄰列向量之間還具有模值相等、相位保持差值的性質(zhì)。

2 基于低秩和一維稀疏矩陣分解的多通道SAR-GMTI方法

本文在已有研究的基礎(chǔ)上，針對(duì)多通道SAR重組矩陣中雜波分量的低秩性、運(yùn)動(dòng)目標(biāo)分量的一維稀疏性，提出一種矩陣分解精度更高的動(dòng)目標(biāo)提取方法。

基于低秩和一維稀疏矩陣分解的多通道SAR-GMTI方法的整體操作流程如圖1所示。預(yù)處理后，計(jì)算本文設(shè)計(jì)的自適應(yīng)加權(quán)參數(shù)，并利用新模型將一維稀疏矩陣S從觀測矩陣D中分解出來。最后，把稀疏矩陣S重新寫成通道矩陣形式，取通道校正時(shí)的參考通道作為最終的運(yùn)動(dòng)目標(biāo)提取結(jié)果。此方法中最關(guān)鍵的目標(biāo)提取步驟描述如下。

圖1 基于低秩和一維稀疏矩陣分解的多通道SAR-GMTI方法流程

2.1 矩陣分解模型

經(jīng)典的矩陣分解模型要求，稀疏矩陣在行和列方向上需同時(shí)滿足稀疏性要求。rm-RPCA模型則針對(duì)結(jié)構(gòu)化行稀疏分布特性進(jìn)行改進(jìn)，利用l1,2范數(shù)(‖·‖1,2表示)約束稀疏矩陣S，并對(duì)位于S非零行上的所有元素進(jìn)行限制。

但理論上，結(jié)構(gòu)化行稀疏約束應(yīng)使用l0,2范數(shù)，即計(jì)算矩陣中非零行的個(gè)數(shù)。因?yàn)檫@個(gè)問題是非凸的，所以松弛化為l1,2范數(shù)，使矩陣的每一行向量的2-范數(shù)都是最小的，從而達(dá)到矩陣行稀疏的約束目的。但這種逼近是有誤差的，即場景內(nèi)較大強(qiáng)度的雜波會(huì)混入矩陣S中，增大矩陣的稀疏性，同樣慢速運(yùn)動(dòng)目標(biāo)也會(huì)被忽略，從而在提取過程中遺漏到低秩矩陣L中。此誤差嚴(yán)重影響了低秩和稀疏矩陣分解在多通道SAR-GMTI系統(tǒng)上的應(yīng)用效果。并且在觀測矩陣D中，運(yùn)動(dòng)目標(biāo)所在的少數(shù)行是不同于其余行的，這些行的存在往往也會(huì)破壞矩陣的低秩結(jié)構(gòu)。

文獻(xiàn)[12-13]提出基于低秩和塊稀疏矩陣分解的RPCA，主要應(yīng)用于某些列是離群值的檢測。結(jié)合rm-RPCA模型，本文提出一種新的適用多通道SAR-GMTI系統(tǒng)的結(jié)構(gòu)化行稀疏魯棒主成分分析模型(structural row-sparse RPCA, SRS-RPCA)，來進(jìn)一步加強(qiáng)雜波背景的低秩性和運(yùn)動(dòng)目標(biāo)的一維稀疏性：

(5)

式(5)通過引入l1,2約束的低秩矩陣L，利用正則化參數(shù)κ、λ，促使低秩矩陣中對(duì)應(yīng)運(yùn)動(dòng)目標(biāo)所在位置的行是零向量。并通過對(duì)多個(gè)通道的信息整合來判斷該行是否有運(yùn)動(dòng)目標(biāo)，若有則整行提取，若沒有則置0，以此提高目標(biāo)提取的準(zhǔn)確性，有助于提高慢速運(yùn)動(dòng)目標(biāo)的提取能力以及強(qiáng)雜波的抑制能力。不同于RPCA在視頻監(jiān)控、人臉識(shí)別等方面的應(yīng)用[12]，SRS-RPCA模型可直接應(yīng)用到復(fù)數(shù)矩陣。

2.2 模型算法

矩陣分解模型有多種數(shù)值求解方法，其中非精確ALM(inexact ALM, IALM)相對(duì)速度更快、矩陣分解精度更高，故本文采用IALM求解式(5)。設(shè)約束因子μ>0,則式(5)的拉格朗日函數(shù)式定義為

(6)

為了得到下一步低秩矩陣L(k+1)的表達(dá)式，將S(k)、Y(k)、μ(k)看作固定已知的量。則可將求解L的子問題等效為

(7)

其中：k表示第k次迭代，GL=D-S(k)+Y(k)/μ(k)。事實(shí)上，方程(7)沒有一個(gè)封閉解，所以采用文獻(xiàn)[14]中單調(diào)算子分裂法進(jìn)行求解，直至收斂得到最優(yōu)的L。

利用同樣的方式固定L(k)、Y(k)、μ(k)，對(duì)求解S的子問題進(jìn)一步化簡，可得

(8)

L(k+1)和S(k+1)求解完成后，下一步更新拉格朗日乘子Y(k+1)和約束因子μ(k+1)=max(ρμ(k),μmax)。當(dāng)循環(huán)條件滿足最大迭代次數(shù)或分解誤差‖D-L(k)-S(k)‖F(xiàn)小于10-7時(shí)，結(jié)束循環(huán)并輸出最終分解結(jié)果。

整體來看，雖然IALM方法的收斂速率難以理論分析，但大量數(shù)值實(shí)驗(yàn)表明，對(duì)于幾何增長的μ(k+1)，仍可認(rèn)為其是近似線性收斂。算法內(nèi)部的計(jì)算量主要集中在單調(diào)算子分裂法部分的奇異值分解(singular value decomposition，SVD)。為減少計(jì)算量，實(shí)際利用PROPACK軟件包只取部分奇異值及其對(duì)應(yīng)的奇異向量，而非計(jì)算完整的SVD。

2.3 設(shè)計(jì)加權(quán)參數(shù)

矩陣分解模型中的加權(quán)參數(shù)λ實(shí)際對(duì)收斂速度、目標(biāo)提取結(jié)果都有一定影響。文獻(xiàn)[7]中的蒙特卡羅實(shí)驗(yàn)證明：若λ選值過大，部分動(dòng)目標(biāo)分量無法被有效提?。蝗籀诉x值過小，雜波或噪聲分量會(huì)夾雜在稀疏矩陣中一同被提取出來。合適的λ可保證運(yùn)動(dòng)目標(biāo)在被提取的同時(shí)，還不包含任何噪聲與雜波分量。

事實(shí)上，輸入矩陣D有以下觀測特性：行列數(shù)相差極大；各分量矩陣不是廣泛定義的低秩或二維稀疏矩陣；實(shí)際觀測的場景很大，導(dǎo)致稀疏矩陣S的稀疏度非常高。基于此判斷矩陣分解在多通道SAR-GMTI系統(tǒng)中的應(yīng)用完全不同于常規(guī)情況，因此需要根據(jù)實(shí)際應(yīng)用的先驗(yàn)知識(shí)進(jìn)一步調(diào)整加權(quán)參數(shù)，以提高矩陣分解的準(zhǔn)確度。

根據(jù)λ性質(zhì)可知，隨稀疏度提高，λ應(yīng)適量提高以增強(qiáng)目標(biāo)分量的提取。引入與矩陣S稀疏度相關(guān)的參數(shù)Δ，在經(jīng)驗(yàn)值的基礎(chǔ)上稍作調(diào)整，提出自適應(yīng)加權(quán)參數(shù)

λadp=λ·Δ.

(9)

矩陣S是以行向量的形式稀疏分布，因此矩陣S的稀疏度可近似等價(jià)為單個(gè)場景下運(yùn)動(dòng)目標(biāo)分布矩陣的稀疏度。則通過DPCA技術(shù)獲得運(yùn)動(dòng)目標(biāo)檢測的初步結(jié)果T后，根據(jù)文獻(xiàn)[16]，矩陣S稀疏度的近似值計(jì)算如下

(10)

稀疏度的取值范圍是[0,1]，當(dāng)矩陣內(nèi)只有一個(gè)非零元素時(shí)，稀疏度可達(dá)到最大值。

由(式10)可知，隨觀測場景的增大，稀疏度無限接近于1，且增長率逐漸減小?？紤]場景大小的實(shí)際影響，研究發(fā)現(xiàn)在一定場景大小范圍內(nèi)固定λ取值可獲得較好的結(jié)果，隨場景的進(jìn)一步增大λ值也需適量提高。因此進(jìn)一步調(diào)整參數(shù)Δ為

(11)

式中：「·?是向上取整的數(shù)學(xué)符號(hào)，φ和h分別為系數(shù)參數(shù)、常量參數(shù)。根據(jù)大量的實(shí)驗(yàn)數(shù)據(jù)，本研究中φ取值為1.5，h取值為500。雖然沒有系統(tǒng)的方法來選擇這些參數(shù)，但這些經(jīng)驗(yàn)值對(duì)所有的實(shí)驗(yàn)數(shù)據(jù)都是有效的。根據(jù)多通道SAR-GMTI系統(tǒng)下觀測矩陣的特性計(jì)算不同的λadp，相比固定的λ，通常可獲得更好的目標(biāo)提取結(jié)果。

3 實(shí)驗(yàn)與分析

3.1 仿真數(shù)據(jù)驗(yàn)證與分析

利用機(jī)載SAR典型參數(shù)(見表1)，設(shè)置5個(gè)沿方位向接收回波的通道，建立合成孔徑雷達(dá)成像仿真系統(tǒng)。為簡單起見，雷達(dá)的斜視角設(shè)為0°。

表1 多通道SAR仿真實(shí)驗(yàn)的系統(tǒng)參數(shù)

在方位向、距離向分別為250、300單元大小的場景下，布置4個(gè)運(yùn)動(dòng)目標(biāo)，運(yùn)動(dòng)目標(biāo)參數(shù)見表2。由表可見，目標(biāo)3的徑向速度相對(duì)最慢。除運(yùn)動(dòng)目標(biāo)外，還在場景的每個(gè)方位、距離單元上布置1個(gè)雜波點(diǎn)，并加入高斯分布的噪聲。其中，雜波點(diǎn)的后向散射系數(shù)服從高斯分布，信噪比和信雜比分別設(shè)置為20 dB和-12 dB左右。圖2(a)給出了場景回波在距離-多普勒算法(range-Doppler，RD)成像后信號(hào)幅值的三維分布情況，可見運(yùn)動(dòng)目標(biāo)完全淹沒在雜波和噪聲中。運(yùn)動(dòng)目標(biāo)幅度如圖2(b)所示。

表2 運(yùn)動(dòng)目標(biāo)的相關(guān)參數(shù)

圖2 幅度分布圖

圖3 不同加權(quán)參數(shù)下的運(yùn)動(dòng)目標(biāo)提取結(jié)果

若要準(zhǔn)確提取運(yùn)動(dòng)目標(biāo)且不包括任何雜波或噪聲分量，則必須為各矩陣分解方法選擇恰當(dāng)?shù)募訖?quán)參數(shù)，實(shí)驗(yàn)結(jié)果如圖3中的第2行圖像所示，其中基于SRS-RPCA模型方法選用的是自適應(yīng)加權(quán)參數(shù)λadp。

為客觀評(píng)價(jià)恰當(dāng)加權(quán)參數(shù)下各矩陣分解方法的動(dòng)目標(biāo)提取效果，本文采用殘差、幅度比值、迭代次數(shù)以及運(yùn)行時(shí)間指標(biāo)進(jìn)行分析。殘差指標(biāo)是用來衡量各方法的運(yùn)動(dòng)目標(biāo)提取結(jié)果與運(yùn)動(dòng)目標(biāo)真實(shí)場景分布矩陣間的誤差。若將運(yùn)動(dòng)目標(biāo)成像后的信號(hào)分布矩陣表示為T，將實(shí)際檢測結(jié)果表示為T*，則殘差定義為

(12)

為細(xì)致觀察具體某個(gè)運(yùn)動(dòng)目標(biāo)的提取強(qiáng)度，本文引入幅度比值的概念。具體定義為，運(yùn)動(dòng)目標(biāo)實(shí)際提取的幅值(t*)與目標(biāo)真實(shí)幅值(t)之間的比值：

(13)

因?yàn)樗俣认拗?，慢速運(yùn)動(dòng)目標(biāo)的信號(hào)強(qiáng)度相對(duì)表現(xiàn)較弱，地面運(yùn)動(dòng)目標(biāo)檢測方法對(duì)此類目標(biāo)的檢測能力也有一定局限性。為探究上述方法對(duì)慢速目標(biāo)的檢測效果，本文重點(diǎn)對(duì)慢速運(yùn)動(dòng)目標(biāo)3的幅度比值參數(shù)進(jìn)行分析，相關(guān)幅度信息已標(biāo)注在圖2(b)、圖3中。針對(duì)圖3第2行圖像的性能指標(biāo)對(duì)比結(jié)果詳見表3。

表3 主要性能指標(biāo)對(duì)比

基于殘差數(shù)據(jù)指標(biāo)分析可知，相比RPCA、L12-RPCA和rm-RPCA的目標(biāo)提取方法，本文方法對(duì)場景內(nèi)運(yùn)動(dòng)目標(biāo)的提取結(jié)果更為準(zhǔn)確。從慢速運(yùn)動(dòng)目標(biāo)3的幅度比值參數(shù)來看，RPCA與L12-RPCA目標(biāo)提取方法對(duì)慢速目標(biāo)的提取效果相對(duì)較差，rm-RPCA目標(biāo)提取方法與本文方法明顯在慢速目標(biāo)提取上更有優(yōu)勢。從迭代次數(shù)上看，本文方法收斂速度更快，而RPCA與L12-RPCA方法需單獨(dú)處理矩陣的實(shí)數(shù)部分和虛數(shù)部分，實(shí)際迭代次數(shù)翻倍。在時(shí)間開銷方面，本文方法通常比其他方法耗時(shí)更多，其額外的時(shí)間主要花費(fèi)在單調(diào)算子迭代求解式(7)的過程。針對(duì)這個(gè)問題，本文將進(jìn)一步尋找更優(yōu)的數(shù)值求解算法。

為進(jìn)一步驗(yàn)證自適應(yīng)加權(quán)參數(shù)的適用性，圖4比較了不同圖像尺寸下，本文方法處理結(jié)果的對(duì)比，相關(guān)性能指標(biāo)如表4所示。主要考慮的是場景大小為100×150、250×300、500×600、950×1 000、1 400×900這5種情況，其余相關(guān)參數(shù)參考表1與表2。在所有場景中，加權(quán)參數(shù)均設(shè)置為自適應(yīng)參數(shù)值λadp。由圖3(d)、圖4可知，運(yùn)動(dòng)目標(biāo)均被準(zhǔn)確提取且不包含任何雜波或噪聲，此時(shí)運(yùn)動(dòng)目標(biāo)提取殘差也保持較小。表4的最后2列給出了模型求解過程中的總迭代次數(shù)與總時(shí)間開銷。正如第2.2節(jié)模型算法部分討論的內(nèi)容，數(shù)值求解需要基于多次迭代循環(huán)。在表4中，迭代次數(shù)幾乎保持恒定，說明無論場景多大，本文提出的方法總能以較快的速度進(jìn)行收斂。

圖4 利用本文方法從不同大小場景中提取運(yùn)動(dòng)目標(biāo)

表4 利用本文方法對(duì)不同大小場景進(jìn)行運(yùn)動(dòng)目標(biāo)提取

3.2 實(shí)測數(shù)據(jù)驗(yàn)證與分析

本節(jié)利用雙通道的GF-3 SAR衛(wèi)星數(shù)據(jù)，來驗(yàn)證本文方法在運(yùn)動(dòng)目標(biāo)提取方面的有效性。GF-3衛(wèi)星是中國首顆分辨率達(dá)到1 m的C頻段SAR成像衛(wèi)星。本文采用雙通道GMTI試驗(yàn)?zāi)Ｊ降幕夭〝?shù)據(jù)進(jìn)行驗(yàn)證，原始圖像如圖5(a)所示。圖中運(yùn)動(dòng)目標(biāo)因?yàn)樗俣鹊挠绊懏a(chǎn)生了位置偏移，如鐵軌附近的一列火車、高速公路附近的一些車輛。從地面雜波來看，圖5(a)中鐵軌的信號(hào)強(qiáng)度是遠(yuǎn)高于其他雜波的，也借此來考察本文方法對(duì)強(qiáng)雜波的抑制效果。

先采用一種常規(guī)的雜波抑制方法[11]進(jìn)行處理，結(jié)果見圖5(b)。圖中除檢測到的火車及部分汽車目標(biāo)外，左上角還存在模糊現(xiàn)象，鐵軌的抑制效果也不明顯。為方便觀察和比較動(dòng)目標(biāo)檢測效果，將運(yùn)動(dòng)目標(biāo)分布區(qū)域主要?jiǎng)澐殖?個(gè)部分：區(qū)域1、區(qū)域2、區(qū)域3。

圖5 實(shí)測數(shù)據(jù)

圖6 3個(gè)目標(biāo)區(qū)域的處理結(jié)果

為觀察強(qiáng)雜波的抑制效果，特取部分鐵軌區(qū)域的處理結(jié)果進(jìn)行放大，如圖7所示。通過比較可見，本文方法對(duì)強(qiáng)雜波的抑制作用更有效。

圖7 強(qiáng)雜波抑制結(jié)果

4 結(jié)論

基于多通道SAR-GMTI系統(tǒng)的數(shù)據(jù)特性，本文提出一種新的基于低秩和一維稀疏矩陣分解的多通道SAR-GMTI方法，主要根據(jù)GMTI特性設(shè)計(jì)了一個(gè)自適應(yīng)的加權(quán)參數(shù)和新矩陣分解模型?；诜抡鏀?shù)據(jù)和GF-3 SAR衛(wèi)星數(shù)據(jù)的實(shí)驗(yàn)結(jié)果證明，本文提出的方法在矩陣分解上更為準(zhǔn)確，強(qiáng)雜波抑制和慢速運(yùn)動(dòng)目標(biāo)提取方面的性能也得到進(jìn)一步加強(qiáng)。