典型文献
基于深度CNN模型的SAR图像有源干扰类型识别方法
文献摘要：
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。
文献关键词：
合成孔径雷达;有源干扰;深度学习;注意力机制;识别
中图分类号：
作者姓名：
陈思伟;崔兴超;李铭典;陶臣嵩;李郝亮
作者机构：
国防科技大学电子科学学院电子信息系统复杂电磁环境效应国家重点实验室 长沙 410073
文献出处：
引用格式：
[1]陈思伟;崔兴超;李铭典;陶臣嵩;李郝亮-.基于深度CNN模型的SAR图像有源干扰类型识别方法
)[J].雷达学报,2022(05):897-908
A类：
MiniSAR
B类：
有源干扰,干扰类型,类型识别,合成孔径雷达,天时,全天候,感兴趣区域,雷达图像,成功应用,电子对抗,图像解译,情报,电磁干扰,抗干扰技术,这一关,样式,干扰识别,识别对象,干扰信号,回波仿真,成像处理,样本集,注意力机制,深度卷积神经网络,同场,识别精度,更稳
AB值：
0.26911
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
