纹理异常感知SAR自监督学习干扰抑制方法

面对日渐复杂的电磁干扰环境,合成孔径雷达干扰抑制已成为亟须解决的难题。现有主流合成孔径雷达非参数/参数化干扰抑制方法,严重依赖干扰先验和强能量差异,存在计算复杂度高、信号损失严重等问题,难以满足对抗日益复杂的干扰的需求。针对上述问题,该文提出一种基于纹理异常感知的SAR自监督学习干扰抑制方法,利用正常雷达回波与干扰的时频域纹理差异性特征克服干扰先验的约束。首先,构建了一种干扰时频定位网络模型Location-Net,对雷达回波时频谱进行压缩重构,根据网络的重构误差对干扰进行时频定位;其次,针对干扰抑制损失问题,构建了一种信号修复神经网络模型Recovery-Net,实现对干扰抑制后回波信号损失修复。相比传统方法,所提方法克服对干扰先验的需求,可有效对抗多种复杂干扰类型,具备较强的泛化能力。基于仿真和实测数据的抗干扰处理结果,验证了所提方法对多种有源主瓣压制干扰的有效性,并通过与3种现有抗干扰方法进行对比,体现了该算法的优越性。最后,对比了所提神经网络与主流轻量化神经网络的复杂度差异,结果表明设计的两个神经网络计算复杂度更低,具备实时应用前景。