一种SAR图像干扰效果智能评估方法

发布时间：2021-01-22 16:06

　　合成孔径雷达（SAR）在军事侦察领域的应用日益频繁,寻找高效实用的对合成孔径雷达的干扰方法是电子对抗领域研究的重点。为了对多种干扰样式及干扰样式在不同情况下所发挥的干扰效果进行科学定量的评估,构建基于卷积神经网络的深度学习方法,编制高效准确的SAR图像训练数据集。训练好的神经网络具备了对SAR图像的目标识别能力进而用于干扰效果评估工作,可以获得接近人工判别的评估效率。提出了一种针对欺骗和压制的干扰效果评价公式,为不同干扰样式间的定量评估提供了可行办法。仿真验证结果表明,此结构的神经网络具备较好的SAR图像目标识别能力,提出的干扰效果评价公式可以高效快速地完成干扰效果的定量评价工作。 

【文章来源】：舰船电子对抗. 2020,43(04)

【文章页数】：5 页

【部分图文】：

主观评价流程图

使用的神经网络结构基于Faster-RCNN[9]结构,Faster-RCNN在Fast-RCNN的基础上通过将特征提取和区域建议寻找(Region Proposal)进行整合而进一步提高了目标检测的速度。其是目前在图像识别领域几个最出色的算法之一,且图像的识别速度能够达到5～17帧,是一种接近实时的目标检测和识别算法。网络结构如图2左半部分所示。在ILSVRC和COCO比赛中,多个比赛第一名算法的结构都基于Faster-RNN设计,说明了Faster-RCNN在图像处理上的巨大优势。由于计算资源有限并且进行方法可行性验证,在进行SAR图像特征提取时使用了较为简单的网络结构,卷积神经网络结构和组成如图2右侧所示,如果对计算量或者识别时间不敏感,可以使用resnet101等更复杂的网络形式进行特征提取。良好的训练是使神经网络具备良好识别能力的保证,前期的数据集标注工作更是建立良好数据集的基础。通过对网络进行训练,使网络具备在SAR图像中识别船只或其它物体的能力。使用的数据集是包括了干净背景和复杂场景中的船只SAR图像切片。部分训练用图切片如图3所示。

良好的训练是使神经网络具备良好识别能力的保证,前期的数据集标注工作更是建立良好数据集的基础。通过对网络进行训练,使网络具备在SAR图像中识别船只或其它物体的能力。使用的数据集是包括了干净背景和复杂场景中的船只SAR图像切片。部分训练用图切片如图3所示。在训练过程中,为了更好地收敛且较快地完成训练,将学习率设置为1e-4。模型优化方法为加入动量的随机梯度下降方法(SGDM),可以使训练过程更加平稳,使用GPU进行加速。训练过程中的残差变化如图4所示。

【参考文献】：
期刊论文
[1]电子对抗干扰效果评估技术现状[J]. 冉小辉,朱卫纲,邢强.  兵器装备工程学报. 2018(08)
[2]基于RBF神经网络的雷达干扰效能评估方法[J]. 员志超.  软件导刊. 2015(06)
[3]对SAR干扰效果的评估方法[J]. 韩国强,吴晓芳,代大海,邢世其,王雪松.  雷达科学与技术. 2010(01)
[4]基于熵的SAR干扰效果评估方法[J]. 周广涛,石长安,杨英科,李宏.  航天电子对抗. 2006(04)
[5]一种SAR压制干扰效果评估方法[J]. 马俊霞,蔡英武,张海.  现代雷达. 2004(10)

博士论文
[1]支持向量机算法及其在雷达干扰效果评估中的应用研究[D]. 林连雷.哈尔滨工业大学 2009

硕士论文
[1]SAR有源欺骗干扰模版生成与效果评估方法[D]. 李雨辰.西安电子科技大学 2019
[2]对合成孔径雷达干扰技术的研究[D]. 倪燕.电子科技大学 2003



本文编号：2993521