引言
自从Mikolov在他2013年的论文“Efficient Estimation of Word Representation in Vector Space”提出词向量的概念后，NLP领域仿佛一下子进入了embedding的世界，Sentence2Vec、Doc2Vec、Everything2Vec。词向量基于语言模型的假设——“一个词的含义可以由它的上下文推断得出“，提出了词的Distributed Representation表示方法。相较于传统NLP的高维、稀疏的表示法(One-h
基于压缩感知的下视三维合成孔径雷达（DL 3D SAR）成像算法可以采用低于Nyquist采样率的采样数据实现平台正下方的高分辨成像。但是已有的算法在跨航向重构时采用的大都是单测量向量（SMV）模型，存在重构耗时长、受噪声干扰大的缺点。从单测量向量的推广形式即多重测量向量（MMV）模型出发，将DL 3D SAR中的跨航向处理与沿航迹向处理顺序交换，利用多重测量向量恢复具有相同稀疏结构的跨航向信号，提出了一种基于MMV模型的DL 3D SAR成像算法。相比于SMV模型的DL 3D SAR成像算法，
