基于深度CNN模型的SAR圖像有源干擾類型識別方法

陳思偉 崔興超 李銘典 陶臣嵩 李郝亮

(國防科技大學(xué)電子科學(xué)學(xué)院電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點實驗室 長沙 410073)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)作為一種全天時、全天候微波成像雷達(dá)，能夠獲得成像場景的高分辨雷達(dá)圖像，在各個領(lǐng)域都得到了廣泛應(yīng)用[1-4]。作為重要的偵察工具，SAR也是電子干擾領(lǐng)域的重要研究對象。

為破壞SAR對己方的偵察，國內(nèi)外文獻(xiàn)公開報道了一系列對SAR干擾方法，主要包括無源干擾和有源干擾兩大類。無源干擾主要有箔條[5]、偽裝網(wǎng)[6,7]、角反射器[8-10]、充氣模型[11]和人工電磁材料[12]等。有源干擾主要包括同頻干擾[13]等無意干擾和噪聲壓制干擾[14,15]、有源轉(zhuǎn)發(fā)干擾[16,17]、散射波干擾[18,19]等有意干擾等。干擾信號給SAR圖像目標(biāo)檢測識別以及情報生成等帶來了極大困難[20]。為有效應(yīng)對SAR干擾技術(shù)挑戰(zhàn)，國內(nèi)外諸多學(xué)者也提出了一系列SAR干擾抑制和抗干擾技術(shù)方法[21-27]。這些SAR抗干擾技術(shù)方法大多針對給定的單一干擾類型。從SAR偵察和情報生成角度分析，在運用SAR抗干擾技術(shù)之前，通常先開展SAR干擾存在性檢測。當(dāng)確定干擾存在后，再開展SAR干擾類型識別。當(dāng)前，SAR干擾存在性檢測只有零星報道[28,29]，而SAR干擾類型識別研究則還未見公開報道。

本文針對SAR圖像有源干擾類型識別開展研究。選取噪聲壓制干擾[14,15]、移頻類轉(zhuǎn)發(fā)干擾[30-33]、間歇采樣轉(zhuǎn)發(fā)干擾[34,35]、微動調(diào)制轉(zhuǎn)發(fā)干擾[20,36]和延遲多抽頭轉(zhuǎn)發(fā)干擾[20]等5種干擾樣式，并根據(jù)干擾參數(shù)，進(jìn)一步細(xì)分為9種干擾類型作為干擾識別對象。通過分析這些典型有源干擾類型的物理原理，構(gòu)建了干擾數(shù)據(jù)仿真模型。利用MiniSAR實測數(shù)據(jù)，通過逆成像處理，在回波域疊加干擾仿真數(shù)據(jù)，再經(jīng)過成像處理得到SAR圖像有源干擾數(shù)據(jù)集。

近年來，深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在圖像處理領(lǐng)域獲得成功應(yīng)用[37-39]，通過增加CNN模型的深度能夠進(jìn)一步提高圖像分類識別準(zhǔn)確率[37]。研究人員提出VGG(Visual Geometry Group)深度CNN模型[37]。根據(jù)網(wǎng)絡(luò)模型深度的不同，VGG模型可進(jìn)一步細(xì)分為VGG-16和VGG-19等。以VGG-16模型為例，其包含13個卷積層以及3個全連接層。為解決CNN模型深度加深后導(dǎo)致的網(wǎng)絡(luò)優(yōu)化困難、訓(xùn)練和測試誤差增大等問題，研究人員提出一種殘差網(wǎng)絡(luò)ResNet(Residual Network)，通過跨層連接的方式使網(wǎng)絡(luò)對殘差值進(jìn)行優(yōu)化，取得了更好的分類性能[40]。ResNet主干網(wǎng)絡(luò)采用ResNet-18，包含8個殘差模塊，每個殘差模塊包含2個卷積層、2個Batch Norm層以及2個激活層。除了使用殘差結(jié)構(gòu)來解決深度CNN模型訓(xùn)練問題，研究人員還提出一種Inception v4模型[41]。該模型采用并行結(jié)構(gòu)，同樣能夠很好地訓(xùn)練深度CNN模型。在現(xiàn)有CNN模型的基礎(chǔ)上，本文提出了一種結(jié)合注意力機(jī)制的深度CNN模型，實現(xiàn)SAR圖像典型有源干擾類型的識別。

2 對SAR典型有源干擾

本節(jié)分別介紹噪聲壓制干擾、移頻類干擾、間歇采樣轉(zhuǎn)發(fā)干擾、微動調(diào)制干擾和延遲多抽頭干擾等典型有源干擾樣式的基本原理。

2.1 SAR回波模型

SAR通常采用線性調(diào)頻信號，可表示為

其中，τ為距離向快時間，η為方位向慢時間。ωr(τ)=rect(τ/TP)，TP為脈寬。f0為載頻，kr為距離向調(diào)頻率。

2.2 噪聲壓制干擾

噪聲壓制干擾有多種生成方式，包括射頻噪聲干擾、噪聲調(diào)幅干擾、噪聲調(diào)頻干擾和噪聲調(diào)相干擾[14,15]等。噪聲壓制干擾的信號模型可統(tǒng)一建模為

其中，t=τ+η為全時間。信號幅度U0、中心頻率ω0和 初始相位φ0均為常數(shù)。包絡(luò)Un(t)、頻率調(diào)制斜率KFM、相位調(diào)制斜率KPM、噪聲信號u(t)、相位?(t)為可調(diào)干擾參數(shù)。

對不同噪聲壓制干擾類型，式(2)中可調(diào)干擾參數(shù)是不同的。其中，射頻噪聲干擾中Un(t)服從瑞利分布，?(t)在 [0,2π)的區(qū)間上服從均勻分布，KFM,KPM,u(t)均 為0；噪聲調(diào)幅干擾中Un(t)服從零均值高斯分布，KFM,KPM,u(t),?(t)均為0；噪聲調(diào)頻干擾中u(t)服 從零均值高斯分布且KFM為非零常數(shù)，Un(t),KPM,?(t)均為0；噪聲調(diào)相干擾中u(t)服 從零均值高斯分布且KPM為 非零常數(shù)，Un(t),KFM,?(t)均為0。

需要指出的是，由于射頻噪聲干擾、噪聲調(diào)幅干擾、噪聲調(diào)頻干擾和噪聲調(diào)相干擾在SAR圖像上呈現(xiàn)為相近的壓制干擾特性，因此在后續(xù)的干擾類型中不再細(xì)分。

2.3 移頻類干擾

線性調(diào)頻信號在時延和頻移之間存在強(qiáng)耦合特性，當(dāng)頻率發(fā)生移動時，將產(chǎn)生相應(yīng)的時間延遲。定義移頻量為慢時間η的 函數(shù)fd(η)，根據(jù)移頻函數(shù)的不同可定義多種移頻干擾類型。移頻類干擾的信號模型可統(tǒng)一建模為

隨機(jī)移頻干擾的移頻量在合成孔徑時間內(nèi)隨機(jī)變化[31]

其中，ξ(η)為 [a,b]的 隨機(jī)數(shù)且有(-1＜a＜b＜1)。

步進(jìn)移頻干擾的移頻量在合成孔徑時間內(nèi)步進(jìn)變化[32]

其中，fd0為初始移頻量，TL為合成孔徑時間。

分段移頻干擾的移頻量在不同的方位時間段內(nèi)變化。假設(shè)分段數(shù)量為N，則移頻量可以表示為[33]

其中，ηk-1和ηk分別為第k個時間段的起止時間。

綜合不同類型的移頻干擾，其基本原理都是調(diào)制頻率的移動以產(chǎn)生時間延遲。時間延遲在SAR圖像中指示了假目標(biāo)干擾出現(xiàn)的位置偏移。當(dāng)干擾機(jī)的轉(zhuǎn)發(fā)時延為0時，為產(chǎn)生位置偏移為R的假目標(biāo)干擾，移頻量Δfd為

2.4 間歇采樣轉(zhuǎn)發(fā)干擾

間歇采樣轉(zhuǎn)發(fā)干擾包括距離向間歇采樣轉(zhuǎn)發(fā)干擾和方位向間歇采樣轉(zhuǎn)發(fā)干擾。距離向間歇采樣轉(zhuǎn)發(fā)干擾中，干擾機(jī)在截獲SAR信號后，先高保真地采樣其中一小段進(jìn)行轉(zhuǎn)發(fā)，再采樣下一小段并轉(zhuǎn)發(fā)，采樣與轉(zhuǎn)發(fā)交替工作至大時寬信號結(jié)束。方位向間歇采樣轉(zhuǎn)發(fā)干擾中，干擾機(jī)在截獲SAR信號后，通常先進(jìn)行全脈沖高保真采樣，并在下一個脈沖重復(fù)周期轉(zhuǎn)發(fā)，采樣與轉(zhuǎn)發(fā)交替工作至合成孔徑時間結(jié)束[34,35]。

距離向間歇采樣信號通常為矩形包絡(luò)脈沖串，可表示為

方位向間歇采樣信號可表示為

其中，Dr為采樣脈沖占空比，δ(·)為沖激函數(shù)，Ts=c/(2Rkr)為采樣周期，R為假目標(biāo)干擾之間的間隔。

2.5 微動調(diào)制干擾

目標(biāo)的振動和轉(zhuǎn)動等微運動會造成SAR回波方位向多普勒調(diào)制，使得目標(biāo)在SAR圖像方位向形成擴(kuò)展假目標(biāo)。當(dāng)目標(biāo)做勻速旋轉(zhuǎn)運動時，對SAR回波調(diào)制相位近似為正弦信號[42,43]?；诖嗽?，對SAR微動調(diào)制干擾信號可表示為[20]

其中，Am=L/(2R)為調(diào)制幅度，L為假目標(biāo)方位向跨度，R為假目標(biāo)干擾之間的間隔。fm=2Rv/(λR0)為調(diào)制頻率，其中λ為 波長。φ為調(diào)制信號初始相位。

2.6 延遲多抽頭干擾

在截獲SAR線性調(diào)頻信號后，延遲多抽頭干擾先對雷達(dá)信號進(jìn)行轉(zhuǎn)發(fā)，延遲一定時間T后再轉(zhuǎn)發(fā)該雷達(dá)信號。根據(jù)確定的抽頭個數(shù)N，可延遲轉(zhuǎn)發(fā)N次。延遲多抽頭干擾可產(chǎn)生N個相互間隔的假目標(biāo)干擾[20]，信號模型可表示為

其中，N表示抽頭個數(shù)，T=2R/c表示抽頭時延，R為假目標(biāo)干擾之間的間隔。

3 SAR圖像有源干擾仿真數(shù)據(jù)

3.1 仿真數(shù)據(jù)構(gòu)建原理

對SAR多種樣式的有源干擾實測數(shù)據(jù)，通常難以直接獲取，且無法公開。對此，本文采用實測數(shù)據(jù)與干擾仿真數(shù)據(jù)相結(jié)合的構(gòu)建策略，生成SAR圖像有源干擾仿真數(shù)據(jù)集。首先，根據(jù)SAR系統(tǒng)參數(shù)和干擾參數(shù)，仿真干擾回波數(shù)據(jù)。其次，若有SAR原始回波數(shù)據(jù)，則將干擾回波與SAR原始回波疊加；若沒有SAR原始回波數(shù)據(jù)，則通過逆成像技術(shù)，將SAR復(fù)圖像數(shù)據(jù)轉(zhuǎn)換到回波域，并與干擾回波疊加，得到疊加干擾信號的SAR回波數(shù)據(jù)。最后，通過對疊加有干擾信號的SAR回波數(shù)據(jù)進(jìn)行成像處理，得到SAR有源干擾圖像。以距離向間歇采樣轉(zhuǎn)發(fā)干擾為例，給出了SAR有源干擾數(shù)據(jù)構(gòu)建流程圖，如圖1所示。

圖1 干擾數(shù)據(jù)構(gòu)建流程圖Fig.1 Flowchart of jamming data construction

3.2 仿真數(shù)據(jù)構(gòu)建

選取美國Sandia實驗室2005年的MiniSAR圖像數(shù)據(jù)作為圖像模板。MiniSAR系統(tǒng)工作于Ku波段，距離和方位分辨率約為0.1 m。該批次獲取的MiniSAR數(shù)據(jù)共包含20景，部分?jǐn)?shù)據(jù)成像場景相同，但觀測視角和時間存在差異。成像場景中包含多種地物類型和人造目標(biāo)，主要包括草地、裸地、機(jī)場等地物背景，以及飛機(jī)、車輛、建筑物等人造目標(biāo)。共選取14景觀測視角差異較大且包含不同人造目標(biāo)的數(shù)據(jù)構(gòu)造有源干擾仿真數(shù)據(jù)集。14景數(shù)據(jù)中根據(jù)成像區(qū)域的不同可劃分為7組，每組包括同一場景的兩個不同觀測視角或不同時間成像數(shù)據(jù)對。從每一景數(shù)據(jù)中提取大小為723×723的矩形區(qū)域切片，用于干擾數(shù)據(jù)集構(gòu)建。圖2給出了14景MiniSAR數(shù)據(jù)切片圖。其中，每一行包括7個區(qū)域，選取自7個不同場景的成像數(shù)據(jù)。每一列包括兩個區(qū)域，選自同一場景的不同觀測角度或不同觀測時間的數(shù)據(jù)。需要指出的是，為提高數(shù)據(jù)集代表性，同一場景不同觀測視角數(shù)據(jù)中，選取的區(qū)域并不相同。因此，圖2中每一列數(shù)據(jù)也存在差異。

圖2 MiniSAR數(shù)據(jù)切片F(xiàn)ig.2 Image chips of MiniSAR data

基于選取的14個SAR圖像切片，構(gòu)造干擾仿真數(shù)據(jù)集。對于選取的5類干擾樣式，移頻類干擾可進(jìn)一步細(xì)分為固定移頻干擾、隨機(jī)移頻干擾、步進(jìn)移頻干擾和分段移頻干擾4種；間歇采樣轉(zhuǎn)發(fā)干擾可細(xì)分為距離向間歇采樣轉(zhuǎn)發(fā)干擾和方位向間歇采樣轉(zhuǎn)發(fā)干擾2種。因此，5類干擾樣式可細(xì)分為9種干擾類型。對于每個切片，假定只有一部干擾機(jī)發(fā)揮干擾作用，共隨機(jī)設(shè)置9種不同的干擾機(jī)位置。設(shè)置8種不同的干信比(Jamming to Signal Ratio,JSR)，其中干信比定義為干擾功率和原始回波信號功率的比值

其中，PJ表示干擾功率，PS表示原始回波信號功率。

總體而言，干擾仿真數(shù)據(jù)集中包括14個SAR圖像切片，每個切片中分別設(shè)置9個干擾機(jī)位置，每個干擾機(jī)位置分別添加9種干擾類型，表1總結(jié)了不同干擾類型的參數(shù)設(shè)置。每種干擾類型包括5.0 dB,7.5 dB,10.0 dB,12.5 dB,15.0 dB,17.5 dB,20.0 dB和22.5 dB共8種干信比。因此，干擾仿真數(shù)據(jù)集中切片數(shù)量為14×9×9×8=9072個。

表1 干擾參數(shù)設(shè)置Tab.1 Jamming parameter configuration

以車輛目標(biāo)SAR圖像切片為例，圖3為干信比5.0 dB時不同干擾類型和不同干擾機(jī)位置的SAR圖像干擾樣本。其中，每一行從左到右表示不同的干擾類型，依次是噪聲壓制干擾、固定移頻干擾、隨機(jī)移頻干擾、步進(jìn)移頻干擾、分段移頻干擾、距離向間歇采樣轉(zhuǎn)發(fā)干擾、方位向間歇采樣轉(zhuǎn)發(fā)干擾、微動調(diào)制干擾和延遲多抽頭干擾。每一列從上到下表示不同的干擾機(jī)位置。9種干擾類型呈現(xiàn)出不同的干擾效果。其中，噪聲壓制干擾覆蓋整個場景；固定移頻干擾沿距離向產(chǎn)生1個假目標(biāo)；隨機(jī)移頻干擾在二維圖像中產(chǎn)生沿距離向條帶狀干擾；步進(jìn)移頻干擾沿距離向產(chǎn)生干擾且沿方位向有一定展寬；分段移頻干擾、微動調(diào)制干擾和延遲多抽頭干擾在一定范圍內(nèi)產(chǎn)生若干個假目標(biāo)；間歇采樣轉(zhuǎn)發(fā)干擾沿整個方位向或距離向產(chǎn)生假目標(biāo)串。總體而言，不同類型的有源干擾在SAR圖像上表現(xiàn)出不同特性，給干擾類型識別奠定了基礎(chǔ)。

4 SAR圖像有源干擾類型識別方法

從圖3可知，不同類型有源干擾在SAR圖像中呈現(xiàn)的效果各異。從計算機(jī)視覺角度，有源干擾在SAR圖像中更多地表現(xiàn)為一種異常現(xiàn)象，并具有視覺顯著性。通常，注意力機(jī)制能夠敏感于圖像中視覺顯著性區(qū)域。為了使網(wǎng)絡(luò)模型能夠?qū)W習(xí)到干擾在SAR圖像空域中的非局部相關(guān)性，本文以VGG-16為主干網(wǎng)絡(luò)，提出一種結(jié)合注意力機(jī)制的有源干擾類型識別網(wǎng)絡(luò)。采用文獻(xiàn)[44]提出的一種非局部注意力模塊，對圖像全局特征進(jìn)行建模，從而挖掘像素之間的非局部相關(guān)性。網(wǎng)絡(luò)模型的深度特征提取結(jié)構(gòu)由注意力單元組成，如圖4(a)所示。每個單元由卷積層、非局部注意力模塊、BatchNorm層以及激活層組成。將13個這樣的注意力單元與池化層進(jìn)行拼接，構(gòu)成深度特征提取結(jié)構(gòu)。最后通過3個全連接層以及Softmax層后得到最終干擾類型識別結(jié)果。本文所提網(wǎng)絡(luò)模型記為VGG-16+Attention Net (VGG-16+AN)，網(wǎng)絡(luò)模型整體結(jié)構(gòu)如圖4(b)所示。

圖3 包含9種干擾類型和9種干擾機(jī)位置的車輛目標(biāo)SAR圖像切片((a) 噪聲壓制干擾，(b) 固定移頻干擾，(c) 隨機(jī)移頻干擾，(d) 步進(jìn)移頻干擾，(e) 分段移頻干擾，(f) 距離向間歇采樣轉(zhuǎn)發(fā)干擾，(g) 方位向間歇采樣轉(zhuǎn)發(fā)干擾，(h) 微動調(diào)制干擾，(i) 延遲多抽頭干擾)Fig.3 SAR image chips with vehicle targets containing 9 jamming types and 9 jammer positions((a) Noise suppression jamming,(b) Fixed shift-frequency jamming,(c) Random shift-frequency jamming,(d) Stepped shift-frequency jamming,(e) Blocked shift-frequency jamming,(f) Intermittent sampling repeater jamming in range,(g) Intermittent sampling repeater jamming in azimuth,(h) Micro-motion modulation jamming,(i) Delayed multi-taps jamming)

圖4 結(jié)合注意力機(jī)制的有源干擾類型識別網(wǎng)絡(luò)模型Fig.4 Active jamming type recognition network model based on attention mechanism

需要指出的是，本文也研究了將注意力機(jī)制和ResNet-18模型、Inception v4模型相結(jié)合的網(wǎng)絡(luò)模型，即ResNet-18+AN和Inception v4+AN。然而，初步實驗表明，ResNet-18+AN模型訓(xùn)練難以收斂，而Inception v4+AN模型并未帶來識別性能的提升。如何優(yōu)化設(shè)計注意力機(jī)制模塊與ResNet-18和Inception v4等模型的結(jié)合，將在以后研究中探討。因此，在下一節(jié)對比實驗中，本文只考慮VGG-16,ResNet-18,Inception v4和VGG-16+AN這4種模型方法。

5 對比實驗

本節(jié)利用構(gòu)建的SAR圖像有源干擾仿真數(shù)據(jù)集，驗證不同深度CNN模型對不同干擾類型的識別性能。所有網(wǎng)絡(luò)模型均采用ADAM優(yōu)化器進(jìn)行參數(shù)優(yōu)化。ADAM優(yōu)化器參數(shù)設(shè)置為β1=0.9,β2=0.99 以 及ε=10-8。訓(xùn)練次數(shù)為100，初始學(xué)習(xí)率為10-4，并采用多步學(xué)習(xí)率衰減策略，即在第40,60以及80次訓(xùn)練時，將學(xué)習(xí)率衰減為原來的20%，以使得模型在訓(xùn)練后期不會有太大的波動。采用Pytorch框架實現(xiàn)網(wǎng)絡(luò)模型，并利用NVIDIA RTX A6000顯卡進(jìn)行訓(xùn)練。本文共設(shè)計了兩組對比實驗，驗證所提方法的有效性。實驗1重點考察干信比的影響，干擾參數(shù)設(shè)置如表1所示，利用5 dB,10 dB,15 dB和20 dB等4種干信比數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，以7.5 dB,12.5 dB,17.5 dB和22.5 dB等4種干信比數(shù)據(jù)測試網(wǎng)絡(luò)性能。實驗2重點考察干擾調(diào)制參數(shù)的影響，在干信比為5 dB,10 dB,15 dB和20 dB的情況下，利用干擾調(diào)制參數(shù)R=20數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，以R=20,22,24,26,28和30共6種干擾調(diào)制參數(shù)數(shù)據(jù)測試網(wǎng)絡(luò)性能。為避免訓(xùn)練樣本隨機(jī)選取對識別性能的影響，每組實驗重復(fù)5次。

5.1 不同干信比下的干擾類型識別

干信比是影響干擾效果的重要參數(shù)。本節(jié)利用4種深度CNN模型對不同干信比條件下典型有源干擾類型開展識別研究。具體地，以5 dB,10 dB,15 dB以及20 dB等4種干信比的有源干擾數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，分別測試該模型對7.5 dB,12.5 dB,17.5 dB和22.5 dB等4種干信比數(shù)據(jù)的干擾識別性能，分別記為JSR_7.5,JSR_12.5,JSR_17.5以及JSR_22.5。實驗1中訓(xùn)練損失值隨迭代次數(shù)的變化曲線如圖5(a)所示，迭代次數(shù)超過40次時，4種模型均已達(dá)到收斂狀態(tài)，收斂速度基本相當(dāng)。

對于實驗1，5次實驗識別結(jié)果的均值和標(biāo)準(zhǔn)差如表2所示。其中，OA (Overall Accuracy)表示總體識別精度。實驗1中4種方法的總體識別精度折線圖如圖5(b)所示，隨著測試數(shù)據(jù)干信比的增加，4種方法識別精度整體呈上升趨勢?？梢杂^察到，本文所提方法在不同干信比數(shù)據(jù)中的總體識別精度最高，達(dá)到99.79%以上。除此之外，本文所提方法的總體識別精度標(biāo)準(zhǔn)差是最小的，表明本文方法更加穩(wěn)健。

表2 實驗1有源干擾類型識別結(jié)果(%)Tab.2 Active jamming type recognition results of experiment 1 (%)

5.2 不同干擾調(diào)制參數(shù)下的干擾類型識別

本節(jié)對不同干擾調(diào)制參數(shù)下的干擾類型識別效果開展實驗。采用干擾調(diào)制參數(shù)R分別為20,22,24,26,28和30的數(shù)據(jù)，分別記為Para_20,Para_22,Para_24,Para_26,Para_28以及Para_30。除干擾調(diào)制參數(shù)外，訓(xùn)練集和測試集的干信比相同，包括5 dB,10 dB,15 dB和20 dB等4種干信比數(shù)據(jù)。本文使用數(shù)據(jù)Para_20訓(xùn)練網(wǎng)絡(luò)模型，并對數(shù)據(jù)Para_20,Para_22,Para_24,Para_26,Para_28以及Para_30分別進(jìn)行測試。

不同網(wǎng)絡(luò)模型對于不同干擾調(diào)制參數(shù)的識別結(jié)果如表3所示。值得注意的是實驗1與實驗2使用的訓(xùn)練數(shù)據(jù)集相同，因此實驗2中使用實驗1訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測試。實驗2的平均總體識別精度如圖6所示，不同干擾調(diào)制參數(shù)的識別結(jié)果中，本文提出的VGG-16+AN方法的總體識別精度優(yōu)于其他3種方法。另外，從表3可以觀察到，隨著干擾調(diào)制參數(shù)R的增大，即訓(xùn)練集與測試集測差異增大，不同網(wǎng)絡(luò)的識別精度呈現(xiàn)下降趨勢。當(dāng)干擾調(diào)制參數(shù)R為30時，本文提出的方法仍取得了83.17%的平均總體識別精度，優(yōu)于其他3種方法。

圖6 實驗2平均總體識別精度Fig.6 Mean overall accuracy of experiment 2

表3 實驗2有源干擾類型識別結(jié)果(%)Tab.3 Active jamming type recognition results of experiment 2 (%)

續(xù)表 3

綜合上述對比實驗，本文驗證了基于深度CNN模型對SAR有源干擾類型的識別能力。同時，本文提出的結(jié)合注意力機(jī)制的VGG-16+AN方法在識別精度和穩(wěn)健性方面取得了更好的性能。

6 結(jié)語

SAR作為電子偵察和遙感情報獲取的主力傳感器，在電子對抗博弈中發(fā)揮著關(guān)鍵作用，也成為復(fù)雜電磁干擾的主要對象。為有效應(yīng)對干擾挑戰(zhàn)，發(fā)展一套成體系和智能化的SAR抗干擾技術(shù)框架具有重要價值。從SAR情報生成流程考慮，該抗干擾技術(shù)框架可以包括：干擾存在性檢測[28,29]、干擾定位、干擾類型識別、干擾抑制等關(guān)鍵技術(shù)。本文著重針對有源干擾類型識別開展研究，提出了一種結(jié)合注意力機(jī)制的深度CNN模型，實現(xiàn)對9種典型有源干擾類型的有效識別。相比于傳統(tǒng)深度CNN模型，對比實驗驗證了本文方法具有更好的識別精度和穩(wěn)健性能。

總體而言，本文是SAR圖像有源干擾類型識別的初探研究。未來，將著重考慮進(jìn)一步增加樣本數(shù)量，豐富可識別的干擾類型，并結(jié)合外場實測干擾數(shù)據(jù)進(jìn)行深化研究和驗證。