雷达学报

作者：陈思伟, 崔兴超, 李铭典, 陶臣嵩, 李郝亮

单位：国防科技大学电子科学学院电子信息系统复杂电磁环境效应国家重点实验室 长沙 410073；

关键词：合成孔径雷达, 有源干扰, 深度学习, 注意力机制, 识别

基金：国家自然科学基金(62122091, 61771480)，湖南省自然科学基金(2020JJ2034)

合成孔径雷达(SAR)能够全天时全天候获取感兴趣区域的高分辨率雷达图像，在诸多领域获得了成功应用。在电子对抗博弈环境下，SAR图像解译与情报生成也面临复杂电磁干扰的严重影响。当前，国内外学者提出了许多SAR抗干扰技术方法。然而，作为抗干扰的前提，SAR图像干扰类型识别这一关键技术却鲜有报道。该文针对SAR图像典型有源干扰类型识别开展研究。首先，选取5种典型有源干扰样式，并根据干扰参数，细分为9种干扰类型，作为干扰识别对象。其次，开展干扰信号回波仿真，通过与MiniSAR实测数据进行回波域叠加和成像处理，构建了典型有源干扰类型样本集。在此基础上，提出了一种结合注意力机制的深度卷积神经网络(CNN)模型，并开展了对比实验验证。实验表明，对不同场景和不同干扰参数情形，相比于传统深度CNN模型，该文方法取得了更高的识别精度和更稳健的性能。

来源：2022年第5期

《雷达学报》期刊编辑部

查看雷达学报杂志2022年第5期