CN110221256A - 基于深度残差网络的sar干扰抑制方法 - Google Patents

基于深度残差网络的sar干扰抑制方法 Download PDF

Info

Publication number
CN110221256A
CN110221256A CN201910542610.7A CN201910542610A CN110221256A CN 110221256 A CN110221256 A CN 110221256A CN 201910542610 A CN201910542610 A CN 201910542610A CN 110221256 A CN110221256 A CN 110221256A
Authority
CN
China
Prior art keywords
interference
network
residual error
panel
depth residual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910542610.7A
Other languages
English (en)
Other versions
CN110221256B (zh
Inventor
周峰
荣鹏帅
樊伟伟
刘磊
石晓然
白雪茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910542610.7A priority Critical patent/CN110221256B/zh
Publication of CN110221256A publication Critical patent/CN110221256A/zh
Application granted granted Critical
Publication of CN110221256B publication Critical patent/CN110221256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于深度残差网络的SAR干扰抑制方法，该方法的具体步骤为：首先，利用短时傅里叶变换将原始SAR回波信号变换到时频域，其次，建立干扰检测网络和基于深度残差的干扰抑制网络，最后，采用干扰检测网络检测时频域回波信号中是否存在干扰；对存在干扰的信号通过干扰抑制网络进行干扰抑制，得到无干扰的时频谱图。本发明无需对干扰进行精细建模，弥补了干扰抑制效果依赖于模型准确度的缺陷，且无需手动选择滤波结构，降低了干扰抑制算法的设计难度。

Description

基于深度残差网络的SAR干扰抑制方法
技术领域
本发明属于信号处理技术领域，尤其涉及一种基于深度残差网络的SAR干扰抑制方法。本发明可以对SAR回波中的窄带干扰和宽带干扰进行抑制，从而获得高质量的SAR成像结果。
背景技术
压制干扰会在合成孔径雷达(SAR)图像上产生条状或网状等噪声，从而对地面目标形成遮盖，严重影响SAR成像质量。目前主要的SAR干扰抑制方法可以分为参数法和非参数法。参数法指的是利用特定的数学模型构建干扰，并通过一系列的最优化准则对干扰参数进行估计，实现干扰重构，然后从原始SAR回波中将干扰滤除。一般来说，参数化方法需要对干扰进行精细建模，当模型比较准确时，可以达到很好的干扰抑制效果。但是，若模型出现失配，将出现较大的估计误差，影响干扰抑制效果。非参数法指的是通过利用目标信号和干扰的不同特性，将SAR原始回波变换到其它表征域(如时频域、时空域等)，尽可能地放大两者的表现差异，从而进行滤波。虽然非参数化的干扰抑制方法无需进行建模及参数估计，但是获得能有效区分干扰与目标回波的映射变换也并非易事，大多数映射方法都有其局限性，并且在自适应滤波处理时，容易对有用信号造成一定的损失。
Guo等人在文献“A new method for SAR radio frequency interferencemitigation based on maximum a posterior estimation”(2017 XXXIInd GeneralAssembly and Scientific Symposium of the International Union of Radio Science会议，2017年8月)中提出了一种基于MAP和贝叶斯推断的干扰估计与抑制的方法，该方法在建立窄带干扰和SAR回波的概率分布模型的基础上，把窄带干扰估计问题转换为已知观测和概率分布模型的MAP参数估计和贝叶斯推断问题，通过梯度下降方法快速迭代求解出概率分布模型参数，精确重构出窄带干扰，但是，参数化方法对模型准确性要求较高，模型误差会严重制约干扰抑制效果。Huang等人在文献“Narrowband RFI Suppression for SARSystem via Efficient Parameter-Free Decomposition Algorithm”(IEEETransactions on Geoscience and Remote Sensing，第56卷第6期，2018年)中提出了一种非参数化的窄带干扰抑制算法，它利用窄带干扰的低秩特性与目标信号的稀疏特性设计了一种分解模型，可以快速提取干扰。但是，由于宽带干扰不满足低秩要求，因此该方法无法在宽带干扰存在的情况下获得好的干扰抑制效果。
发明内容
为了解决上述问题，本发明的目的是提出一种基于深度残差网络的SAR干扰抑制方法。相比于参数化干扰抑制方法，本发明无需对干扰进行精细建模，弥补了干扰抑制效果依赖于模型准确度的缺陷。相比于传统的非参数化干扰抑制方法，本发明无需手动选择滤波结构，降低了干扰抑制算法的设计难度。本发明充分利用了深度卷积神经网络在特征提取与图像生成方面的能力，通过深度卷积神经网络检测原始SAR回波中是否存在干扰，并从中提取有用的目标信号，从而实现对干扰的抑制。
实现本发明的基本思路是：首先，利用短时傅里叶变换(Short Time FourierTransform，STFT)将原始SAR回波信号变换到时频域，其次，建立干扰检测网络和基于深度残差的干扰抑制网络，最后，采用干扰检测网络检测时频域回波信号中是否存在干扰；对存在干扰的信号通过干扰抑制网络进行干扰抑制，得到无干扰的时频谱图。
为了达到上述目的，本发明采用以下技术方案予以解决。
基于深度残差网络的SAR干扰抑制方法，包括以下步骤：
步骤1，SAR周期性地发射脉冲信号，并接收时域回波信号；建立干扰模型。
步骤2，对时域回波信号进行短时傅里叶变换，将回波信号从时域变换到时频域，得到时频域的回波信号
步骤3，对时频域的回波信号进行预处理，得到预处理后的时频域的回波信号；对时频域的回波信号依次进行取模和归一化，得到归一化后的时频域回波信号；
步骤4，建立干扰检测网络(Interference Detection Network，IDN)，并优化干扰检测网络。
步骤5，建立基于深度残差的干扰抑制网络(Interference Mitigation Network，IMN)，并优化基于深度残差的干扰抑制网络。
步骤6，采用优化后的干扰检测网络，对归一化后的时频域的回波信号进行干扰判定，若判定为有干扰，则转至步骤7，若判定为无干扰，则直接输出。
步骤7，采用优化后的基于深度残差的干扰抑制网络，对与有干扰对应的预处理后的时频域的回波信号进行干扰抑制，输出干扰抑制后的时频域的回波信号。
与现有技术相比，本发明的有益效果为：
(1)本发明利用深度卷积神经网络对时频谱图进行特征提取，从而实现干扰判别，无需像其它检测方法一样进行阈值选择，更加简单方便。
(2)本发明充分利用了深度残差网络在层级提取特征方面的能力，不需要手动设计干扰滤波器，降低了干扰抑制算法的设计难度。
(3)本发明既适用于原始SAR回波中存在窄带干扰的情况，也适用于存在宽带干扰的情况，并且通过并行处理能够快速实现干扰抑制。
附图说明
图1为本发明的流程图；
图2为本发明的干扰检测网络的结构图；
图3为本发明的基于深度残差的干扰抑制网络的结构图；
图4为采用本发明方法对存在仿真窄带干扰的时频谱图进行干扰抑制的前后对比图；其中，(a)为存在仿真窄带干扰的时频谱图，(b)为采用本发明方法对(a)进行干扰抑制后的时频谱图；
图5为采用本发明方法对存在仿真宽带干扰的时频谱图进行干扰抑制的前后对比图，其中，(a)为存在仿真宽带干扰的时频谱图，(b)为采用本发明方法对(a)进行干扰抑制后的时频谱图；
图6为存在窄带干扰的实测数据和经本发明方法进行干扰抑制后数据的成像结果图；其中，(a)为存在窄带干扰的实测数据的成像结果图，(b)为经本发明方法进行干扰抑制后数据的成像结果图；
图7为存在宽带干扰的实测数据和采用本发明方法进行干扰抑制后的数据的成像结果，其中，(a)为存在宽带干扰的实测数据的成像结果图，(b)为经本发明方法进行干扰抑制后数据的成像结果图。
具体实施方式
下面结合附图对本发明的实施例及效果作进一步详细描述。
步骤1：SAR周期性地发射脉冲信号，并接收时域回波信号；建立干扰模型。
对于处在复杂电磁环境中的SAR系统，其接收到的每个回波信号可以看成是目标回波信号、干扰和加性观测噪声三部分信号的叠加，其表达式为：
其中，表示快时间，tm表示慢时间，表示目标回波信号，表示干扰，表示加性观测噪声。
由于本发明中沿着方位向依次对每个回波信号进行处理，因此针对每次处理过程，省略慢时间，上式可简化为：
则无干扰的回波信号的表达式为：
对于上述干扰模型，可分为以下几种情况：
对于窄带干扰，通常情况下，可以将其看作一系列单频信号的叠加，因此可以其表达式为：
其中，表示窄带干扰，表示第Nk个单频干扰分量的复包络，fNk表示第Nk个单频干扰分量的频率，θNk表示第Nk个单频干扰分量的初相，且Nk＝1，…，K1，K1表示单频干扰分量的总个数。
对于宽带干扰，通常考虑线性调频宽带干扰(CMWBI)和正弦调频宽带干扰(SMWBI)两种调制形式。
对于线性调频宽带干扰，其表达式如下：
其中，表示线性调频宽带干扰，表示第Ck个线性调频宽带干扰分量的复包络，fCk第Ck个线性调频宽带干扰分量的频率，γCk表示第Ck个线性调频宽带干扰分量的调频率，且Ck＝1，…，K2，K2表示线性调频宽带干扰分量的总个数。
对于正弦调频宽带干扰，其表达式如下：
其中，表示线性调频宽带干扰，表示第Sk个正弦调频宽带干扰分量的复包络，fSk表示第Sk个正弦调频宽带干扰分量的频率，γSk表示第Sk个正弦调频宽带干扰分量的调频率，βSk表示第Sk个正弦调频宽带干扰分量的调制系数，θSk表示第Sk个正弦调频宽带干扰分量的初始相位，且Sk＝1，…，K3，K3表示正弦调频宽带干扰分量的总个数。
步骤2：对时域回波信号进行短时傅里叶变换，将回波信号从时域变换到时频域，得到时频域的回波信号
其中，j表示虚数单位，(·)*代表复数共轭，γ(t)表示分析窗函数，μ表示时频域的时间，f表示时频域的频率。对于给定快时刻也可以认为是该时刻的瞬时频谱。
步骤3：对时频域的回波信号进行预处理，得到预处理后的时频域的回波信号；对时频域的回波信号依次进行取模和归一化，得到归一化后的时频域回波信号。
由于经过短时傅里叶变换后获得的时频域回波信号为复数，因此需要将时频域回波信号分为实部与虚部，并对实部和虚部分别进行归一化操作，得到归一化后的实部数据和虚部数据，即为预处理后的时频域的回波信号。
所述归一化的具体公式为：
其中，X′为归一化后的数据，X为待归一化的数据，即时频域回波信号的实部数据与虚部数据，Xmin为待归一化的数据X的最小值，Xmax待归一化的数据X的最大值。
步骤4：建立干扰检测网络，并优化干扰检测网络。
如附图2所示的基于VGG-16的神经网络进行干扰检测，此干扰检测网络(IDN)的输入为大小为64×64的时频谱图，输出为存在干扰与否的判定结果。
所述干扰检测网络包括依次连接的卷积层、修正线性单元(ReLU)、池化层、全连接层、softmax函数层。
所述池化层采用最大池化。
本实施例中的干扰检测网络由13个卷积层、13个修正线性单元(ReLU)、5个池化层、3个全连接层以及一个softmax层组成。卷积层的卷积核大小为3×3，步长为1，池化层采用最大池化，其核的大小为2×2，步长为2。
所述优化干扰检测网络，按照以下步骤实施：
(4a)分别生成干扰检测网络的训练数据集和测试数据集
在进行干扰检测之前首先需要对干扰检测网络进行训练。采用matlab软件按照步骤1中干扰模型，即实测的无干扰的回波信号和窄带干扰、线性调频宽带干扰、正弦调频宽带干扰的表达式，以及步骤3的归一化，生成两组对应信号的归一化后的时频谱图，分别作为干扰检测网络的训练样本和测试样本，多个干扰检测网络的训练样本即形成干扰检测网络的训练数据集，多个干扰检测网络的测试样本即形成干扰检测网络的测试数据集。
所述训练数据集中样本数与测试数据集中样本数之比为9∶1。
所述干扰检测网络的训练数据集中无干扰的回波信号对应的训练样本的个数占总训练样本数的50％；所述训练数据集中窄带干扰、线性调频宽带干扰、正弦调频宽带干扰对应的训练样本的个数之比为2∶1∶1。
所述干扰检测网络的测试数据集中无干扰的回波信号对应的训练样本的个数占总测试样本数的50％；所述测试数据集中窄带干扰、线性调频宽带干扰、正弦调频宽带干扰对应的测试样本的个数之比为2∶1∶1。
所述对应信号的时频谱图为将该回波信号依次进行短时傅里叶变换、取模和归一化后，得到的时频谱图。
这样使训练样本包含两类，一类是不存在干扰的时频谱图，一类是存在干扰的时频谱图。此外，存在干扰的时频谱图中既要包括存在窄带干扰的时频谱图，也要包括存在宽带干扰的时频谱图，从而使得干扰检测网络同时具备检测窄带干扰和宽带干扰的能力。
(4b)采用干扰检测网络的训练数据集对干扰检测网络进行训练，得到优化后的干扰检测网络。
将干扰检测网络的训练数据集作为干扰检测网络的输入，初始化干扰检测网络，并采用动量梯度下降算法，对干扰检测网络中的卷积层参数和全连接层参数进行更新优化，完成对干扰检测网络的优化，得到优化后的干扰检测网络。
所述初始化干扰检测网络为：设置干扰检测网络的最小批量数据、动量、权值衰减系数、学习率、初始权重参数。
本实施例中，设置最小批量数据为16个样本，动量设置为0.9，权值衰减系数为0.0005，学习率为0.0001，初始权重参数为均值为0，方差为0.01的高斯分布，偏差为常数0.1。
所述采用动量梯度下降算法，对干扰检测网络中的卷积层参数和全连接层参数进行更新优化，其具体为：
以交叉熵损失函数为目标函数，按下式进行参数的迭代更新：
其中，W(k)表示第k次迭代时卷积层或全连接层中的权值向量，b(k)表示第k次迭代时卷积层或全连接层中的偏置向量，d·表示求微分，表示W(k)的更新方向，表示b(k)的更新方向，α为干扰检测网络的学习率，β为干扰检测网络的控制指数加权平均数，k为迭代次数。
当训练次数达到某一定值时，即可认为干扰检测网络已训练完成，转入下一步。
所述交叉熵损失函数的计算公式为：
其中，Loss表示训练损失，Yi表示期望输出，表示实际输出，log(·)表示对数函数；n表示总类别数量。
(4c)采用干扰检测网络的测试数据集作为输入，对优化后的干扰检测网络进行测试，输出每个测试样本对应的类别，判断优化后的干扰检测网络是否合格。
具体地，首先，设定检测门限；
其次，计算分类正确率，若分类正确率不小于检测门限，则判定优化后的干扰检测网络合格，否则，转至步骤(4a)，继续对优化后的干扰检测网络进行训练和测试，直到判定优化后的干扰检测网络合格，转至步骤5。
所述分类正确率为正确分类的测试样本个数占干扰检测网络的测试数据集的总样本数的比率。
步骤5：建立基于深度残差的干扰抑制网络，并优化基于深度残差的干扰抑制网络。
利用附图3所示的基于深度残差的神经网络进行干扰抑制。此基于深度残差的干扰抑制网络的输入为存在干扰的大小为64×64的时频谱图，输出为无干扰的大小为64×64的时频谱图。
所述基于深度残差的干扰抑制网络包括多个残差块，所述残差块由依次连接的卷积层、批归一化层、修正线性单元和元素相加层组成。
本实施例中，基于深度残差的干扰抑制网络(IMN)共由16个残差块组成，残差块用于解决干扰梯度随着网络结构的加深而逐渐衰减的问题。每个残差块由2个卷积层、2个批归一化层、1个ReLU以及一个元素相加层组成。其中，IMN中卷积核的大小均为3×3，步长为1，每个卷积层输出64个特征图。
(5a)分别生成基于深度残差的干扰抑制网络的训练数据集和测试数据集
在进行干扰抑制之前，需要先进行IMN的训练。按照步骤1的干扰模型和步骤3的预处理，生成对应信号的预处理后的时频谱图，作为基于深度残差的干扰抑制网络的训练样本和测试样本，多个训练样本组成基于深度残差的干扰抑制网络的训练数据集，多个测试样本组成基于深度残差的干扰抑制网络的测试数据集。同样地，基于深度残差的干扰抑制网络的训练样本包含两类由原始回波信号经过STFT获得的时频谱图，一类是存在窄带干扰的时频谱图，一类是存在宽带干扰的时频谱图。
(5b)采用基于深度残差的干扰抑制网络的训练数据集作为输入，对基于深度残差的干扰抑制网络进行训练，得到优化后的基于深度残差的干扰抑制网络。
将基于深度残差的干扰抑制网络的训练数据集作为基于深度残差的干扰抑制网络的输入，初始化基于深度残差的干扰抑制网络，并采用动量梯度下降算法，对基于深度残差的干扰抑制网络的卷积层参数和批归一化层参数进行更新优化，完成对基于深度残差的干扰抑制网络的优化，得到优化后的基于深度残差的干扰抑制网络。
所述初始化基于深度残差的干扰抑制网络为：设置基于深度残差的干扰抑制网络的最小批量数据、动量、权值衰减系数、学习率和初始权重参数。
本实施例中，设置最小批量数据为64个样本，动量设置为0.9，权值衰减系数为0.0005，学习率为0.0001，权值参数初始化为均值为0，方差为0.01的高斯分布，偏差为常数0.1。
所述采用动量梯度下降算法，对基于深度残差的干扰抑制网络的卷积层参数和批归一化层参数进行更新优化，其具体为：
以均方误差损失函数为目标函数，按下式进行卷积层参数和批归一化层参数的迭代更新：
其中，W′(k)表示第k次迭代时卷积层或批归一化层的权值向量，b′(k)表示第k次迭代时卷积层或批归一化层的偏置向量，d·表示求微分，表示W′(k)的更新方向，表示b′(k)的更新方向，α'为基于深度残差的干扰抑制网络的学习率，β'为基于深度残差的干扰抑制网络的控制指数加权平均数，k为迭代次数。
当训练次数达到某一定值时，即可认为干扰抑制网络已训练完成，转入下一步。
所述均方误差损失函数的具体表达形式如下：
其中，M和N表示图像的大小，Iori(m,n)表示无干扰分量的回波时频谱图在坐标(m,n)处对应的灰度值，GIMN(Iinp(m,n))为存在干扰分量的回波时频谱图经过干扰抑制后在坐标(m,n)处对应的灰度值。
(5c)采用基于深度残差的干扰抑制网络的测试数据集作为输入，对优化后的基于深度残差的干扰抑制网络进行测试，输出干扰抑制后的时频谱图，判断优化后的基于深度残差的干扰抑制网络是否合格。
具体地，首先，设定损失函数的目标阈值；
其次，计算损失函数值，若损失函数值不大于目标阈值，则判定优化后的基于深度残差的干扰抑制网络合格，否则，转至步骤(5a)，继续对优化后的基于深度残差的干扰抑制网络进行训练和测试，直到判定优化后的基于深度残差的干扰抑制网络合格，转至步骤6。
步骤6：采用优化后的干扰检测网络，对归一化后的时频域的回波信号进行干扰判定，若判定为有干扰，则转至步骤7，若判定为无干扰，则直接输出。
将每次回波经过STFT且归一化后的时频谱图作为输入，利用附图2所示的网络进行干扰检测，根据输出结果进行判断。若判断无干扰，则直接输出。若有干扰，则继续执行步骤7。
步骤7：采用优化后的基于深度残差的干扰抑制网络，对与有干扰对应的预处理后的时频域的回波信号进行干扰抑制，输出干扰抑制后的时频域的回波信号。
具体地，将每次预处理后的时频谱图作为输入，利用附图3所示的网络进行干扰抑制，得到干扰抑制后的时频谱图。
重复步骤6-步骤7，对所有时频域的回波信号进行干扰抑制，得到所有干扰抑制后的时频谱图。
本发明中，得到所有干扰抑制后的时频谱图后，对其进行逆短时傅里叶变换，得到所有干扰抑制后的时域回波信号。
假设将IMN处理后的时频谱图记作利用逆短时傅里叶变换将IMN处理后的时频谱图变换到时域，得到时域回波信号
其中，g(·)为综合窗函数，μ为时频域的时间，f为时频域的频率。
采用距离-多普勒(RD)或线性调频变标(CS)成像算法，对所有干扰抑制后的时域回波信号进行成像，得到无干扰的SAR成像图。
实验验证
试验中干扰检测网络与干扰抑制网络的设置参数，参照具体实施例中的步骤4和步骤5的设置；采用Tensorflow在英伟达Titan-X GPU上进行干扰检测网络和基于深度残差的干扰抑制网络的训练和测试，采用SAR雷达发射脉冲信号，并接受回波信号。
本发明的效果可以通过图4和图5所示的仿真数据处理结果以及图6和图7所示的实测数据处理结果进一步说明。
其中，图4、图5中的目标信号及图6中的原始回波都由X波段的机载条带SAR获取，载频为9.6GHz，带宽为180MHz，采样频率为200MHz，脉冲重复频率为1666.7。取无干扰的SAR数据作为图4和图5中的目标信号，取存在干扰的SAR数据作为图6中的整体回波。图7中的数据由TOPSAR模式下的sentinel卫星获取，载频为5.405GHz，带宽为56.59MHz，采样频率为64.345MHz，脉冲重复频率为1717.1。
图4为采用本发明方法对存在仿真窄带干扰的时频谱图进行干扰抑制的前后对比图，其中，图4(a)为存在仿真窄带干扰的时频谱图，图4(b)为采用本发明方法对图4(a)进行干扰抑制后的时频谱图，图中，横轴为时间单元，纵轴为频率单元。该仿真中的干扰为一个单频干扰。由图4(a)可以看出，干扰抑制之前的时频谱图在图形中间部分有一条横向的亮线，其由窄带干扰引起。从图4(b)可以看出，经过本发明方法的干扰抑制后，图中亮线被滤除，且剩余图像几乎不变，说明本发明方法在滤除仿真窄带干扰的同时保留了大部分有用信号。
图5为采用本发明方法对存在仿真宽带干扰的时频谱图进行干扰抑制的前后对比图，其中，图5(a)为存在仿真宽带干扰的时频谱图，图5(b)为采用本发明方法对图5(a)进行干扰抑制后的时频谱图，图中，横轴为时间单元，纵轴为频率单元。该仿真中的干扰为一个线性调频干扰。由图5(a)可以看出，干扰抑制之前的时频谱图中间有一条倾斜的亮线，其由线性调频干扰引起；而图5(b)可以看出，经过本发明方法的干扰抑制后，滤除了此亮线，且干扰所处位置的信号均得到有效的恢复，说明本发明方法对仿真宽带干扰的具有良好的抑制能力和信号恢复能力。
图6为存在窄带干扰的实测数据和经本发明方法进行干扰抑制后数据的成像结果图，其中，图6(a)为存在窄带干扰的实测数据的成像结果图，图6(b)为经本发明方法进行干扰抑制后数据的成像结果图，图中横轴为方位向，纵轴为距离向。从图6(a)可以看出，直接对原始回波成像的结果图中有一些亮的竖线，对地面的农田等形成了遮挡，降低了图像的解译能力。而图6(b)中亮线被滤除，原本被遮挡的农田也得到了很好的恢复。说明本发明方法对存在窄带干扰的实测数据具有良好的滤波效果，且基于本发明方法抑制干扰后的成像效果能够恢复干扰带来的遮挡。
图7为存在宽带干扰的实测数据和采用本发明方法进行干扰抑制后的数据的成像结果，其中，图7(a)为存在宽带干扰的实测数据的成像结果图，图7(b)为经本发明方法进行干扰抑制后数据的成像结果图，横轴为方位向，纵轴为距离向。从图7(a)可以看出，若直接对SAR回波成像，得到的结果图中会产生一些“白色”的线条，严重影响了SAR获取信息的功能，而图7(b)中利用本发明方法处理后的成像结果中干扰线条被滤除，被覆盖的山脉得以呈现。此实验说明本发明方法对于存在宽带干扰的实测SAR回波也具有良好的处理能力。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.基于深度残差网络的SAR干扰抑制方法，其特征在于，包括以下步骤：
步骤1，SAR周期性地发射脉冲信号，并接收时域回波信号；建立干扰模型；
步骤2，对时域回波信号进行短时傅里叶变换，将回波信号从时域变换到时频域，得到时频域的回波信号
步骤3，对时频域的回波信号进行预处理，得到预处理后的时频域的回波信号；对时频域的回波信号依次进行取模和归一化，得到归一化后的时频域回波信号；
步骤4，建立干扰检测网络，并优化干扰检测网络；
步骤5，建立基于深度残差的干扰抑制网络，并优化基于深度残差的干扰抑制网络；
步骤6，采用优化后的干扰检测网络，对归一化后的时频域的回波信号进行干扰判定，若判定为有干扰，则转至步骤7，若判定为无干扰，则直接输出；
步骤7，采用优化后的基于深度残差的干扰抑制网络，对与有干扰对应的预处理后的时频域的回波信号进行干扰抑制，输出干扰抑制后的时频域的回波信号。
2.根据权利要求1所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，步骤1中，所述时域回波信号为目标回波信号、干扰和加性观测噪声的叠加，其表达式为：
其中，表示快时间，tm表示慢时间，表示目标回波信号，表示干扰，表示加性观测噪声；
则每个方位向的时域回波信号的表达式为：
3.根据权利要求2所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，步骤1中，所述干扰模型具体为：
对于窄带干扰，将其看作K1个单频信号的叠加，则其表达式为：
其中，表示窄带干扰，表示第Nk个单频干扰分量的复包络，fNk表示第Nk个单频干扰分量的频率，θNk表示第Nk个单频干扰分量的初相，且Nk＝1，…，K1，K1表示单频干扰分量的总个数；
对于宽带干扰，分为线性调频宽带干扰和正弦调频宽带干扰：
所述线性调频宽带干扰的表达式为：
其中，表示线性调频宽带干扰，表示第Ck个线性调频宽带干扰分量的复包络，fCk第Ck个线性调频宽带干扰分量的频率，γCk表示第Ck个线性调频宽带干扰分量的调频率，且Ck＝1，…，K2，K2表示线性调频宽带干扰分量的总个数；
所述正弦调频宽带干扰的表达式为：
其中，表示线性调频宽带干扰，表示第Sk个正弦调频宽带干扰分量的复包络，fSk表示第Sk个正弦调频宽带干扰分量的频率，γSk表示第Sk个正弦调频宽带干扰分量的调频率，βSk表示第Sk个正弦调频宽带干扰分量的调制系数，θSk表示第Sk个正弦调频宽带干扰分量的初始相位，且Sk＝1，…，K3，K3表示正弦调频宽带干扰分量的总个数。
4.根据权利要求1所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，所述预处理的具体步骤为：
将时频域回波信号分为实部与虚部，并对实部和虚部分别进行归一化，得到归一化后的实部数据和虚部数据，即为预处理后的时频域的回波信号；
其中，所述归一化的具体公式为：
上式中，X′为归一化后的数据，X为待归一化的数据，即时频域回波信号的实部数据与虚部数据，Xmin为待归一化的数据X的最小值，Xmax待归一化的数据X的最大值。
5.根据权利要求1所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，步骤4中，所述干扰检测网络包括依次连接的卷积层、修正线性单元、池化层、全连接层、softmax函数层。
6.根据权利要求1所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，所述优化干扰检测网络，按照以下步骤实施：
(4a)分别生成干扰检测网络的训练数据集和测试数据集，其具体为：
按照步骤1中干扰模型和步骤3的归一化，分别生成两组对应信号的归一化后的时频谱图，分别作为干扰检测网络的训练样本和测试样本，多个干扰检测网络的训练样本即形成干扰检测网络的训练数据集，多个干扰检测网络的测试样本即形成干扰检测网络的测试数据集；
(4b)采用干扰检测网络的训练数据集对干扰检测网络进行训练，得到优化后的干扰检测网络；其具体为：
将干扰检测网络的训练数据集作为干扰检测网络的输入，初始化干扰检测网络，并采用动量梯度下降算法，对干扰检测网络中的卷积层参数和全连接层参数进行更新优化，完成对干扰检测网络的优化，得到优化后的干扰检测网络；
其中，所述初始化干扰检测网络为：设置干扰检测网络的最小批量数据、动量、权值衰减系数、学习率、初始权重参数；
所述采用动量梯度下降算法，对干扰检测网络中的卷积层参数和全连接层参数进行更新优化，其具体为：
以交叉熵损失函数为目标函数，按下式进行卷积层参数或全连接层参数的迭代更新：
其中，所述全连接层参数为全连接层中的权值向量和偏置向量；所述卷积层参数为卷积层中的权值向量和偏置向量；W(k)表示第k次迭代时全连接层中的权值向量，b(k)表示第k次迭代时全连接层中的偏置向量，d·表示求微分，表示W(k)的更新方向，表示b(k)的更新方向，α为干扰检测网络的学习率，β为干扰检测网络的控制指数加权平均数，k为迭代次数；
(4c)采用干扰检测网络的测试数据集作为输入，对优化后的干扰检测网络进行测试，输出每个测试样本对应的类别，判断优化后的干扰检测网络是否合格，即设定检测门限；计算分类正确率，若分类正确率不小于检测门限，则判定优化后的干扰检测网络合格，否则，转至步骤(4a)，继续对优化后的干扰检测网络进行训练和测试，直到判定优化后的干扰检测网络合格，转至步骤5；
其中，分类正确率为正确分类的测试样本个数占干扰检测网络的测试数据集的总样本数的比率。
7.根据权利要求6所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，所述干扰检测网络的训练数据集中不含干扰的回波信号对应的训练样本的个数占总训练样本数的50％；所述训练数据集中窄带干扰、线性调频宽带干扰、正旋调频宽带干扰对应的训练样本的个数之比为2∶1∶1；
所述干扰检测网络的测试数据集中不含干扰的回波信号对应的训练样本的个数占总测试样本数的50％；所述测试数据集中窄带干扰、线性调频宽带干扰、正旋调频宽带干扰对应的测试样本的个数之比为2∶1∶1。
8.根据权利要求1所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，步骤5中，所述基于深度残差的干扰抑制网络包括多个残差块，所述残差块由依次连接的卷积层、批归一化层、修正线性单元和元素相加层组成。
9.根据权利要求1所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，所述优化基于深度残差的干扰抑制网络，按照以下步骤实施：
(5a)按照步骤1中干扰模型和步骤3的预处理，分别生成对应信号的预处理后的时频谱图，作为基于深度残差的干扰抑制网络的训练数据集和测试数据集；
(5b)采用基于深度残差的干扰抑制网络的训练数据集作为输入，对基于深度残差的干扰抑制网络进行训练，得到优化后的基于深度残差的干扰抑制网络，其具体为：
将基于深度残差的干扰抑制网络的训练数据集作为基于深度残差的干扰抑制网络的输入，初始化基于深度残差的干扰抑制网络，并采用动量梯度下降算法，对基于深度残差的干扰抑制网络的卷积层参数和批归一化层参数进行更新优化，完成对基于深度残差的干扰抑制网络的优化，得到优化后的基于深度残差的干扰抑制网络；
其中，所述初始化基于深度残差的干扰抑制网络为：设置基于深度残差的干扰抑制网络的最小批量数据、动量、权值衰减系数、学习率和初始权重参数；
(5c)采用基于深度残差的干扰抑制网络的测试数据集作为输入，对优化后的基于深度残差的干扰抑制网络进行测试，输出干扰抑制后的时频谱图，并判断优化后的基于深度残差的干扰抑制网络是否合格，即设定损失函数的目标阈值；然后计算损失函数值，若损失函数值不大于目标阈值，则判定优化后的基于深度残差的干扰抑制网络合格，否则，转至步骤(5a)，继续对优化后的基于深度残差的干扰抑制网络进行训练和测试，直到判定优化后的基于深度残差的干扰抑制网络合格，转至步骤6。
10.根据权利要求9所述的基于深度残差网络的SAR干扰抑制方法，其特征在于，所述采用动量梯度下降算法，对基于深度残差的干扰抑制网络的卷积层参数和批归一化层参数进行更新优化，其具体为：
以均方误差损失函数为目标函数，按下式进行卷积层参数参数或批归一化层参数的迭代更新：
其中，所述卷积层参数为卷积层中的权值向量和偏置向量；所述批归一化层参数为批归一化层中的权值向量和偏置向量；W′(k)表示第k次迭代时卷积层或批归一化层的权值向量，b′(k)表示第k次迭代时卷积层或批归一化层的偏置向量，d·表示求微分，表示W′(k)的更新方向，表示b′(k)的更新方向，α′为基于深度残差的干扰抑制网络的学习率，β′为基于深度残差的干扰抑制网络的控制指数加权平均数，k为迭代次数；
其中，所述均方误差损失函数的表达式为：
其中，M和N表示图像的大小，Iori(m，n)表示无干扰分量的回波时频谱图在坐标(m，n)处对应的灰度值，GIMN(Iinp(m，n))为存在干扰分量的回波时频谱图经过干扰抑制后在坐标(m，n)处对应的灰度值。
CN201910542610.7A 2019-06-21 2019-06-21 基于深度残差网络的sar干扰抑制方法 Active CN110221256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542610.7A CN110221256B (zh) 2019-06-21 2019-06-21 基于深度残差网络的sar干扰抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542610.7A CN110221256B (zh) 2019-06-21 2019-06-21 基于深度残差网络的sar干扰抑制方法

Publications (2)

Publication Number Publication Date
CN110221256A true CN110221256A (zh) 2019-09-10
CN110221256B CN110221256B (zh) 2023-01-17

Family

ID=67814336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542610.7A Active CN110221256B (zh) 2019-06-21 2019-06-21 基于深度残差网络的sar干扰抑制方法

Country Status (1)

Country Link
CN (1) CN110221256B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159891A (zh) * 2019-12-27 2020-05-15 南京航空航天大学 基于dnn神经网络的单样本极化滤波器系数预测方法
CN111398912A (zh) * 2020-04-03 2020-07-10 西北工业大学 基于张量低秩逼近的合成孔径雷达干扰抑制方法
CN112666528A (zh) * 2020-12-02 2021-04-16 西安电子科技大学 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
CN113064122A (zh) * 2021-02-25 2021-07-02 上海卫星工程研究所 P波段sar干扰抑制算法的性能评价方法、系统及介质
CN113433514A (zh) * 2021-06-18 2021-09-24 西北工业大学 基于展开式深度网络的参数自学习干扰抑制方法
CN114092748A (zh) * 2021-11-30 2022-02-25 中国科学院空天信息创新研究院 Sar无意识干扰检测方法、装置、设备和介质
CN116359851A (zh) * 2022-01-06 2023-06-30 上海交通大学 一种基于融合网络的雷达有源干扰检测识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323819A (zh) * 2013-06-17 2013-09-25 西安电子科技大学 基于时频谱图分解的sar时变窄带干扰抑制方法
CN105974376A (zh) * 2016-05-09 2016-09-28 中国人民解放军国防科学技术大学 一种sar射频干扰抑制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323819A (zh) * 2013-06-17 2013-09-25 西安电子科技大学 基于时频谱图分解的sar时变窄带干扰抑制方法
CN105974376A (zh) * 2016-05-09 2016-09-28 中国人民解放军国防科学技术大学 一种sar射频干扰抑制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孔舒亚等: "一种新的SAR窄带干扰抑制方法", 《国外电子测量技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159891A (zh) * 2019-12-27 2020-05-15 南京航空航天大学 基于dnn神经网络的单样本极化滤波器系数预测方法
CN111159891B (zh) * 2019-12-27 2022-03-15 南京航空航天大学 基于dnn神经网络的单样本极化滤波器系数预测方法
CN111398912A (zh) * 2020-04-03 2020-07-10 西北工业大学 基于张量低秩逼近的合成孔径雷达干扰抑制方法
CN112666528A (zh) * 2020-12-02 2021-04-16 西安电子科技大学 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
CN112666528B (zh) * 2020-12-02 2023-10-03 西安电子科技大学 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
CN113064122A (zh) * 2021-02-25 2021-07-02 上海卫星工程研究所 P波段sar干扰抑制算法的性能评价方法、系统及介质
CN113064122B (zh) * 2021-02-25 2023-02-17 上海卫星工程研究所 P波段sar干扰抑制算法的性能评价方法、系统及介质
CN113433514A (zh) * 2021-06-18 2021-09-24 西北工业大学 基于展开式深度网络的参数自学习干扰抑制方法
CN114092748A (zh) * 2021-11-30 2022-02-25 中国科学院空天信息创新研究院 Sar无意识干扰检测方法、装置、设备和介质
CN114092748B (zh) * 2021-11-30 2022-06-14 中国科学院空天信息创新研究院 Sar无意识干扰检测方法、装置、设备和介质
CN116359851A (zh) * 2022-01-06 2023-06-30 上海交通大学 一种基于融合网络的雷达有源干扰检测识别方法及装置

Also Published As

Publication number Publication date
CN110221256B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN110221256A (zh) 基于深度残差网络的sar干扰抑制方法
Guan et al. Adaptive fractional Fourier transform-based detection algorithm for moving target in heavy sea clutter
CN106468770B (zh) K分布杂波加噪声下的近最优雷达目标检测方法
CN106772646B (zh) 一种地面核磁共振信号提取方法
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
Chen et al. Interrupted-sampling repeater jamming suppression based on stacked bidirectional gated recurrent unit network and infinite training
CN103901416B (zh) 一种基于稳健主成分分析法的多通道杂波抑制方法
CN106443183B (zh) 一种从电磁频谱中提取频率源数量及基频值的方法
CN104849590B (zh) 一种混合噪声干扰下微弱脉冲信号检测方法
CN105425223B (zh) 广义帕累托杂波下稀疏距离扩展雷达目标的检测方法
CN108594177A (zh) 基于改进hht的雷达信号调制方式分析方法、信号处理系统
CN105022044B (zh) 基于去噪处理的实测海杂波建模方法
CN111273238A (zh) 一种基于低秩恢复的sar宽窄带干扰同时抑制方法
CN108717698A (zh) 一种基于深度卷积生成对抗网络的高质量图像生成方法
CN113887398A (zh) 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法
CN112269168A (zh) 基于贝叶斯理论与低秩分解的sar宽带干扰抑制方法
CN113671498A (zh) 基于低秩与双重稀疏矩阵分解的sar射频干扰抑制方法
CN109934101A (zh) 基于卷积神经网络的雷达杂波识别方法
CN105699947B (zh) 一种sar图像旁瓣抑制方法
CN108828658A (zh) 一种海底地震数据重构方法
CN112882115A (zh) 基于gwo优化小波阈值的大地电磁信号去噪方法及系统
CN106125134A (zh) 基于双曲时窗的地震数据信噪比计算方法
CN107479050A (zh) 基于对称谱特性和次对称特性的目标检测方法和装置
CN112526599A (zh) 基于加权l1范数稀疏准则的子波相位估计方法及系统
CN109521411A (zh) 一种距离扩展目标的检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant