12、合成孔径雷达干扰抑制的机器学习方法

合成孔径雷达干扰抑制的机器学习方法

1. 引言

随着电磁设备的大量涌现，电磁环境变得日益拥挤和复杂。合成孔径雷达（SAR）作为一种广泛应用的主动宽带雷达系统，在科学、商业和国防等领域发挥着重要作用。然而，它常与其他系统产生冲突，受到窄带干扰（NBI）和宽带干扰（WBI）等压制性干扰的影响，这些干扰会对SAR系统的数据采集、图像形成和后续解释过程造成不利影响。

1.1 拥挤的电磁环境

多种电磁设备的爆发式出现使得对更大带宽的需求不断增长。例如，下一代通信网络需要高达1GHz的额外频谱带宽来传输超高清视觉通信和沉浸式多媒体交互。雷达系统为了实现高距离分辨率也需要更大的带宽。此外，从水下传感器到卫星等无人平台的广泛应用，进一步加剧了电磁环境的拥挤和复杂性。

SAR系统能够在昼夜和恶劣天气条件下生成高分辨率雷达图像，但作为宽带雷达系统，它容易与无线电系统、通信系统或其他有源电磁设备发生冲突。这些设备可能具有强大的功率，并占据SAR系统工作的相同频段，其电磁信号被视为对雷达系统的压制性干扰，可分为窄带干扰和宽带干扰。

1.2 干扰对SAR系统的不利影响

压制性干扰的存在对SAR系统的全球和区域科学研究活动有害。SAR根据回波的振幅、频率、时间延迟、极化、多普勒频移和相位等特征提取信息，而压制性干扰会以多种方式破坏所需的雷达测量结果。
- 数据采集过程 ：干扰的存在可能严重降低信号与干扰加噪声比（SINR），淹没弱散射体的响应，并扭曲原始回波的动态范围。此外，接收器对带内高功率发射的饱和很敏感，尤其是当主瓣指向干扰源时。图1展示了有无射频干扰（RFI）时测量的SAR数据的特定距