14、合成孔径雷达干扰抑制的机器学习方法与未来趋势

合成孔径雷达干扰抑制的机器学习方法与未来趋势

1. 宽带干扰（WBI）抑制

在合成孔径雷达（SAR）系统中，宽带干扰（WBI）的带宽占据了SAR带宽的很大一部分，在距离频域中，WBI实际上并不稀疏。以往只有少数研究关注SAR系统的WBI抑制问题。

大多数先前的研究借助短时傅里叶变换（STFT）将单脉冲接收信号转换到时间 - 频率域，这样可以清晰地观察到如CM WBI和SM WBI等宽带干扰。之后，可以应用时频域的陷波滤波器去除强WBI所在的时频带。

与陷波滤波器方法不同，机器学习框架也可用于分解WBI和真实回波。例如，特征子空间滤波方法（实际上是主成分分析（PCA）框架）被提出，将单脉冲接收信号投影到干扰空间，该干扰空间由对应于主特征值的特征向量构成，去除投影信号后，可得到有用信号的残余时频谱。

陷波滤波器方法和特征子空间滤波（ESP）方法的恢复结果显示，1D和2D陷波滤波器在强WBI频谱处产生明显的零点，而ESP方法能通过特征子空间滤波彻底去除WBI频谱。需要注意的是，WBI抑制问题比窄带干扰（NBI）抑制问题更复杂，近年来更多机器学习研究聚焦于同时抑制NBI和WBI。

2. 复杂NBI和WBI的同时抑制

以往大多数研究分析的是简单的WBI场景，即干扰在时频域中是孤立的。但实际测量的干扰更为复杂，包含不同类型的干扰，如NBI和WBI，且混合干扰主导了整个时频谱。在这种情况下，参数方法难以抑制干扰，因为很难对这种混合干扰进行建模。

机器学习方法被证明是同时抑制混合干扰的有效工具。在实际应用中，复杂干扰的特征（如频率）在短时间内相对稳定。STFT是一种线性变换，第l个脉冲的STFT系数向量可表示为：