基于深度学习的雷达图像智能化抗干扰方法研究文献综述

 2023-08-14 04:08
  1. 选题背景和意义:

随着现代信息化战争中高强度“电子战”和“网络电磁空间战”威胁的与日俱增,各种人为或非人为干扰问题日益突出。合成孔径雷达(Synthetic Aperture Radar,SAR)是一种利用相参合成原理获得观测区域内电磁散射系数二维分布的主动式微波遥感器。自 20 世纪 50 年代“合成孔径成像”概念提出以来,SAR 作为一种全天候、全天时、高分辨率的对地观测手段已经取得了飞跃式的进展,在灾害监测、环境监测、海洋观测、资源勘察、灾害预警、农作物估产、森林调查、地形测绘和战场侦察等领域的应用上具有独特的优势,可发挥可见光、红外等其他对地观测手段难以发挥的作用,越来越受到世界各国的重视。

随着 SAR 在战场信息获取等方面的地位得到广泛认可,不少国家在发展 SAR技术的同时,都很重视 SAR 干扰技术的研究技术的同时,都很重视 SAR 干扰技术的研究。对 SAR 的干扰是指所有破坏和扰乱敌方利用 SAR 对目标进行侦察、检测、成像的战略、战役和战术措施的总称。SAR 干扰技术的目的就是通过对 SAR 的先期侦察和实时干扰,破坏和阻碍SAR 对目标的成像,削弱(甚至使之丧失)其提供正确信息的能力。

为了满足雷达中对抗干扰的要求,实现有针对性的自适应智能化抗干扰就显得尤为迫切。

  1. 课题关键问题及难点:
  2. 如何根据有用目标信号与干扰在时频域的差异来识别SAR回波中是否存在干扰;
  3. 如何在利用短时傅立叶变换(STFT)对SAR回波信号进行时频表征时分离出复值的SAR回波信号;
  4. 如何运用IMN实现基于ResNet的干扰抑制算法,并与传统的干扰抑制进行比较观察其抑制效果;
  5. 更深层的网络通常需要进行数周的训练,考虑到这一缺陷,把它应用在实际场景下的成本非常高,考虑到这点,如何在训练过程中任意丢弃一些层来降低训练时间。
  1. 文献综述(或调研报告):

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达,在遥感、侦察、空间监视、态势感知等领域发挥着非常重要的作用。在实际应用中,SAR主要是机载的,或者应用于星载平台,随着技术发展,出现了弹载、地载SAR、无人机SAR、临近空间平台SAR等多种形式平台搭载的合成孔径雷达。SAR具有全天候、远距离、宽测绘带、高分辨率成像等优点,它已经在国防和经济建设中发挥出重大作用。

合成孔径雷达与其它大多数雷达一样,是通过发射电磁脉冲和接收目标回波之间的时间差来测定距离,其分辨率与脉冲宽度或脉冲持续时间有关,脉宽越窄分辨率越高。合成孔径雷达按平台的运动航迹来测距和二维成像,其两维坐标信息分别为距离信息和垂直于距离上的方位信息。方位分辨率与波束宽度成正比,与天线尺寸成反比,就像光学系统需要大型透镜或反射镜来实现高精度一样,雷达在低频工作时也需要大的天线或孔径来获得清晰的图像。

然而,测量的SAR数据可能会受到频段内的其他电子系统的干扰,如通信系统、无线电定位雷达、电视网和其他军事辐射源。这时,合成孔径雷达的抗干扰能力就显得非常重要,提高其抗干扰能力能够进一步提高其在不同环境中的生存能力。SAR受到的干扰可以简单分为无源干扰和有源干扰,有源干扰又可进一步分为无意干扰和有意干扰,本文主要讨论的是无意干扰中的射频干扰(RFI),并总结出一种基于深度学习的抗干扰方法。SAR成像算法具有较大的相干信号处理增益,可以部分抑制低能量射频干扰(RFI),但聚焦后的SAR图像仍会存在较强的RFI。同时,强RFI的存在会导致对关键多普勒参数(如质心和调制率)的估计不准确,从而导致SAR图像模糊和散焦。SAR图像中存在的雾状RFI掩埋了感兴趣的目标。同时,这严重降低了SAR图像的质量,降低了特征提取的准确性,给SAR图像的解译带来了障碍。因此,有必要研究一种有效的射频干扰检测和抑制方法,以降低射频干扰对SAR成像的影响。

近年来,深度学习(Deep Learning, DL) 和深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)在计算机视觉领域取得了瞩目的表现。DL在计算机成像领域得以成功应用,DCNN能够自动提取图像中目标的层次特征,同时已成功应用于图像分类、目标检测、语义分割、噪声抑制、图像超分辨、图像融合、图像生成、图像变换。随着DL技术在军事领域的应用受到关注,DL在雷达领域的应用探索也日益增多,主要集中在SAR图像的分类与目标识别。Simonyan等人提出了一种视觉几何组(VGG)网络,并在大规模图像识别环境中研究了卷积网络深度对分类精度的影响,在2014图像网络挑战赛上获得了最先进的分类结果。同时,深度残差网络(ResNet)是参考了VGG19的网络,并在其基础上进行了修改,ResNet引入了残差网络结构(residual network),通过这种残差网络结构,可以使网络层变得更深,并且最终达到良好的分类效果,实现图像超分辨率的方法,该方法可以将低分辨率图像转换为高分辨率图像,同时生成的图像包含丰富的纹理细节。最后,在ResNet基础上改进算法,运用随机深度ResNets(Stochastic Depth ResNets, SDR),SDR在学习中随机使卷积层失活并用等值函数取代以达到正则化的效果。在这些进展的推动下,我们将特征提取和图像生成中的深度学习能力结合起来,识别SAR回波中是否包含干扰,并从受干扰污染的SAR回波中重建目标信号。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。