25、MLANS：分组与识别的最大似然自适应神经网络系统解析

MLANS：分组与识别的最大似然自适应神经网络系统解析

1. SAR 模型相关内容

在雷达信号建模中，高斯模型虽应用广泛，但因其无法适配雷达信号的特定物理现象，并不适用于该领域。为解决这一问题，从 SAR 信号的基本物理特性出发，推导出了多种非高斯混合模型。

• 混合模型类型 ：
  • 复 Wishart 模型 ：能很好地刻画自然杂波。以不同极化方式下的幅度绝对值分布为例，如 |shh|、|svh|、|svv| ，Wishart 分量在相应坐标轴上呈现出瑞利分布特征；当以 Real(shh) 为横坐标时，Wishart 分量则表现为高斯分布。自然杂波通常需要两种模式来描述，分别对应小截面类型杂波和大截面类型杂波。
  • Rician 混合模型 ：目标数据具有多峰特性，难以用 Wishart 混合模型描述，而 Rician 混合模型是更合适的选择。例如，对于某些目标数据，采用一个 Wishart 分量和三个 Rician 分量的混合模型能较好地拟合。

2. MLANS 收敛性分析

MLANS 学习算法的收敛性是一个重要的研究内容，它关系到算法能否在有限数据下完成学习过程。

2.1 收敛与学习的区别

学习是指从给定数据中提取最大有用信息的能力，包括寻找有用数据。而收敛则是学习算法在有限数据下能够结束学习过程的特性。在之前的研究中，已证明了一般 MFT 在迭代过程中增量参数变化的收敛性，这里进一步证明了 Eq