结合旋转域极化特征的极化SAR地物分类

地物分类是极化合成孔径雷达(SAR)图像理解与解译的重要应用方向。利用H/A/a/SPAN等旋转不变特征参数的极化SAR地物分类是一种常用的分类方法。然而,目标的后向散射响应与其方位取向等姿态密切相关,极易引起散射机理的解译模糊,也限制了仅使用旋转不变特征参数作为分类特征集的极化SAR地物分类方法的精度。针对这一问题,有文献提出了在绕雷达视线的旋转域中解译目标散射特性的统一的极化矩阵旋转理论,并导出了一系列旋转域极化特征,刻画目标旋转域隐含信息。基于该理论,该文将旋转域极化特征用于极化SAR地物辨识与分类,并发展了一种结合旋转域极化特征与旋转不变特征H/A/a/SPAN的极化SAR地物分类方法。该方法将优选的旋转域极化特征参数和H/A/a/SPAN作为支持向量机(SVM)分类器的输入,利用两类特征对不同地物类别区分辨识能力的互补,以达到更好的分类性能。对AIRSAR和UAVSAR实测数据的对比实验表明,相较于仅以H/A/a/SPAN作为SVM分类器输入的传统方法,该方法得到更好的分类精度和稳健性。其中,对于AIRSAR数据十五类地物的分类,该方法总体分类精度达到92.3%,优于传统方法的91.1%。此外,对于多时相UAVSAR数据七类地物的分类,该方法平均总体分类精度达到95.72%,显著优于传统方法的87.80%,验证了该方法对多时相数据的稳健性。该文研究进一步证实了通过深入挖掘旋转域中目标极化散射信息能够为极化SAR图像的解译与应用提供新的可行途径。

采用格基规约算法的空间调制检测方案

空间调制是未来5G蜂窝通信系统的物理层备选技术之一,为研究LLL、嵌入式两种格基规约算法对空间调制技术的影响,设计了两种检测方案,分别为LLL辅助MMSE检测方案和嵌入式检测方案.在不同的调制符号、不同的天线数目下,通过仿真比较两种检测方案的误比特率性能.然后通过矩阵运算理论对两种检测方案的运算复杂度进行分析,为使分析结果更直观,在不同天线数目下,对两种方案的运算复杂度进行了仿真.理论分析和仿真结果表明,嵌入式检测方案在误比特率和运算复杂度两方面均优于LLL辅助MMSE检测方案,它更适用于空间调制技术.

基于深度CNN模型的SAR图像有源干扰类型识别方法

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。

基于深度学习模型的SAR图像间歇采样转发 干扰检测

间歇采样转发干扰(interrupted sampling repeater jamming,ISRJ)利用合成孔径雷达的匹配滤波特性,在其图像中产生间隔分布的假目标,对目标检测等造成欺骗效果,故针对ISRJ的检测与抑制具有重大意义,而现阶段相关研究主要集中在信号域。对此,在图像域中开展ISRJ检测研究。首先将实测数据与仿真干扰相结合,基于不同实测场景与仿真参数构建ISRJ样本;其次针对假目标间隔分布的特点,选用深度学习检测领域具有代表性的“两阶段”与“单阶段”模型;再次,使用单一场景的ISRJ样本对模型进行训练,再利用训练好的模型对其他场景的样本进行测试;最终,得到ISRJ检测结果。基于MiniSAR数据的实验表明,对于不同类别、不同场景以及不同参数的ISRJ样本,所用深度学习模型能够达到95.75%的平均总体检测精度,具有很强的泛化能力。此外,对于尺寸大小为501像素×501像素的样本,上述模型的最少检测用时为0.035 s。