合成孔径雷达射频干扰的检测与抑制技术研究.pdf
合成孔径雷达射频干扰的检测与抑制技术研究
摘要
全天候、全天时工作的合成孔径雷达(SyntheticApertureRadar,SAR)是一种现代
的高分辨率主动微波成像雷达,对科学探索、商业应用和国防安全等领域具有深远的影
响。然而,随着无线电技术的广泛应用,同信道的射频干扰(RadioFrequencyInterference,
RFI)对主动式遥感系统,尤其是具备数百兆赫大带宽的高分辨率SAR系统构成了严峻
的挑战。RFI以多种方式干扰SAR信号的准确测量,不仅影响原始数据的采集,还破坏
图像的形成及后续解读过程。因此,抑制SAR信号中的RFI从而提升SAR回波质量具
有重要意义。本文从RFI对SAR信号的干扰机理、RFI检测算法和RFI抑制算法三方
面进行研究。
首先,本研究从RFI对SAR信号的干扰机理出发,深入探讨了RFI的产生原因及
其在SAR成像过程中的影响。通过建立SAR成像物理模型和RFI数学模型,详细分析
了RFI在时域、频域和时频域的特性,在信号域揭示了其对SAR成像结果的干扰机制。
此外,本研究还对深度学习理论进行了阐述,为后续RFI检测和抑制算法的研究提供了
理论基础。
其次,针对目前RFI检测算法相对于RFI抑制算法的孤立性和低效性,本文提出了
一种轻量化的RFI检测网络。该算法采用深度学习技术,能够有效区分SAR信号时频
谱图中的RFI成分,并对受干扰区域进行精确定位。考虑到检测算法对抑制RFI系统带
来的额外计算量,在网络设计时使用轻量化结构,并对网络进行剪枝。该算法与在时频
域抑制RFI的算法相结合,能够增强RFI抑制效果。相较于基于阈值的RFI检测算法、
基于深度学习的语义分割网络以及专用于RFI检测的AC-UNet,本文提出的算法在平均
交并比上分别提高24.56%、15.31%和7.54%。与AC-UNet相比,提出的算法还将模型
大小减少99.03%,推理延迟减少24.53%,为实时检测RFI提供了可能。当提出的算法
与鲁棒主成分分析和基于深度学习的PISNet算法相结合时,与算法结合前抑制RFI的
时频谱图相比,结构相似性分别提高了2.62%和7.31%。
最后,针对在时频域抑制RFI会不同程度地破坏未被干扰的数据,且未考虑SAR
回波的自有特性的问题,本文提出基于先验信息的RFI抑制网络。该网络旨在在时频域
上抑制RFI,并使用区域约束矩阵保护有用信号。此外,考虑到在时频域中SAR回波信
号的低秩性和RFI信号的稀疏性,网络中还设计了低秩重构模块,并采用联合低秩-稀
疏性质的损失函数来引导网络训练。实验证明,相较于传统的频域陷波滤波法、时频域
哈尔滨工程大学硕士学位论文
陷波滤波法和鲁棒主成分分析以及基于深度学习的PISNet,所提出的算法能更好地抑制
RFI。对于Sentinel-1真实干扰数据,相较于对比算法,提出的算法抑制RFI后的成像结
果中,能量梯度分别提升19.20%、2.76%、7.97%和2.05%。
关键词:合成孔径雷达;射频干扰;干扰检测;干扰抑制;深度学习
合成孔径雷达射频干扰的检测与抑制技术研究
ABSTRACT
Syntheticapertureradar(SAR),operatingaroundtheclockandunderall-weather
conditions,isamodernhigh-resolutionactivemicrowaveimagingradarthatprofoundly
impactsscientificexploration,commercialapplications,andnationaldefensesecurity.
However,withthewidespreadapplicationofradiotechnology,radiofrequencyi