基于深度CNN模型的SAR图像有源干扰类型识别方法

陈思伟; 崔兴超; 李铭典; 陶臣嵩; 李郝亮

doi:10.12000/JR22143

基于深度CNN模型的SAR图像有源干扰类型识别方法

DOI: 10.12000/JR22143

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

基金项目: 国家自然科学基金(62122091, 61771480)，湖南省自然科学基金(2020JJ2034)

详细信息

作者简介:
陈思伟，博士，教授，主要研究方向为极化雷达成像与目标识别、机器学习、电子对抗等

崔兴超，博士生，主要研究方向为极化雷达成像与目标识别

李铭典，博士生，主要研究方向为极化雷达成像与目标识别

陶臣嵩，博士生，主要研究方向为电子对抗、机器学习

李郝亮，博士生，主要研究方向为极化雷达成像与目标识别

通讯作者:
陈思伟 chenswnudt@163.com

责任主编：毕大平 Corresponding Editor: BI Daping
中图分类号: TN958
计量
- 文章访问数: 2575
- HTML全文浏览量: 1157
- PDF下载量: 490
- 被引次数: 9
出版历程
- 收稿日期: 2022-07-09
- 修回日期: 2022-09-19
- 网络出版日期: 2022-09-30
- 刊出日期: 2022-10-28

SAR Image Active Jamming Type Recognition Based on Deep CNN Model

The State Key Laboratory of Complex Electromagnetic Environment Effects on Electronics and Information System, College of Electronic Science, National University of Defense Technology, Changsha 410073, China

Funds: The National Natural Science Foundation of China (62122091, 61771480), The Natural Science Foundation of Hunan Province (2020JJ2034)

More Information

Corresponding author: CHEN Siwei, chenswnudt@163.com

摘要

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。
- 合成孔径雷达 /
- 有源干扰 /
- 深度学习 /
- 注意力机制 /
- 识别
Abstract: Synthetic Aperture Radar (SAR) can acquire high-resolution radar images of region of interest under all-day and all-weather conditions, a capability that has been successfully applied in many fields. In the environment of military confrontation games, complex electromagnetic jamming severely impacts SAR image interpretation and intelligence generation. Scholars have proposed numerous SAR anti-jamming approaches to date. However, the recognition of SAR image jamming types, which is the prerequisite of anti-jamming, has rarely been reported. This work focuses on active jamming type recognition in SAR images. First, five typical active jamming modes are selected and further subdivided into nine jamming types based on various jamming parameters, which serve as the objects of jamming recognition. The typical active jamming datasets are then constructed based on the stacking of simulated jamming signal echoes and real-measured MiniSAR data in the echo domain and SAR imaging processing. Based on the jamming datasets, an attention-combining deep Convolutional Neural Network (CNN) model has been proposed. Thereafter, comparative experiments are performed. Experiments show that, compared with traditional deep CNN models, the proposed method achieves more accurate recognition and more stable performance across various scenes and jamming parameter configurations.
- Synthetic Aperture Radar (SAR) /
- Active jamming /
- Deep learning /
- Attention mechanism /
- Recognition

HTML全文

1. 引言

多目标跟踪的目的是从一系列被噪声、漏检和虚警污染的传感器量测中估计出目标的数目和状态^[1]。解决此类问题的一个重要环节是建立量测和目标状态之间的关系模型。传统跟踪方法^[2]假设一个目标最多只能产生一个量测，所建立的模型称为标准量测模型，目标被称为点目标。这一模型显著降低了多目标跟踪的复杂度，因而获得了广泛应用。但是随着传感器技术的发展，标准量测模型在许多情况下已不再适用。一方面当传感器的分辨率比较高或目标与传感器之间的距离比较近时，目标可能会占据多个分辨单元，从而产生多个量测。例如，当采用车载雷达对车辆进行跟踪和采用激光测距传感器对行人进行跟踪时，都可能引起一个目标产生多个量测的现象，且量测的分布往往能反映出目标的形状特征。这种类型的目标称为扩展目标^[3]。另一方面，海上的舰船或空中的飞机等一些军事目标经常以编队的形式出现，当这些目标与传感器之间的距离较远时可能会出现一个“群”目标产生多个量测的情形。由于雷达分辨率的制约，群内的目标往往是不可分辨的，此时合理的处理方式是将这一群目标视为一个独立的目标进行跟踪，因而这类目标被称为“群目标”。由于不满足标准量测模型的要求，扩展/群目标的跟踪需要采用非标准量测模型。

随着信号处理以及计算机技术的发展，在过去的十多年间，对扩展/群目标跟踪问题的研究已获得越来越多的关注。由于群目标和扩展目标在量测过程上的相似性，许多文献把它们作为一类目标进行研究。Gilholm和Salmond^[3]假设每个时刻接收的量测数为泊松分布，在此前提下提出一种扩展目标跟踪方法。Boers等人^[4]采用类似的方法对具有一维扩展特性的“竿”形目标进行联合检测和跟踪。Mahler^[5]在文献[3]所提模型的基础上推导了一种扩展目标概率假设密度(Extended Target Probability Hypothesis Density, ET-PHD)滤波器，并指出ET-PHD实现的前提是对量测集进行合理划分。Granström等人^[6,7]利用高斯混合(Gaussian Mixture, GM)实现了Mahler提出的ET-PHD滤波器，称为ET-GM-PHD，并且提出了距离划分和子划分两种量测划分方法。但是在文献[6,7]中，为降低算法的复杂度，作者只估计了目标中心的运动特性，而忽略了对目标扩展的估计。其后，为实现扩展目标数目的更准确估计，Orguner^[8,9]用高斯混合实现了带势估计的PHD滤波器。Koch^[10]在假设扩展目标具有椭圆形状的前提下，提出了一种随机矩阵模型^[11-14]，对目标的运动状态采用高斯分布建模，扩展状态采用逆威沙特分布建模。Granström^[11]提出了基于该模型的高斯逆威沙特PHD(Gaussian Inverse Wishart PHD, GIW-PHD)滤波器，弥补了ET-GM-PHD无法估计目标扩展状态的不足，并且针对大小不同且空间邻近的扩展目标分别提出了预测划分和最大期望划分方法。此外，一些学者还提出了其他量测划分方法^[15-17]。

目前，有关扩展目标跟踪的文献均直接或间接采用空间信息划分量测，在杂波密集情况下一些杂波量测可能在某些划分中被划入目标单元，从而降低目标扩展状态和运动状态估计的准确度。为解决这一问题，将目标和杂波的幅度信息(Amplitude Information, AI)引入GIW-PHD滤波器，通过为量测单元叠加幅度似然，增大目标量测单元的权重，降低包含杂波的量测单元的权重，从而达到抑制杂波的目的。此外，为了降低杂波对计算中心量测的干扰，采用幅度加权的方法计算量测单元的质量中心，以取代文献[11]中的几何中心，从而可以获得更准确的中心量测估计，并进一步提升对扩展目标的状态估计准确度。

2. GIW-PHD滤波器

2.1 基本模型

令 ${{\xi}} _k^{\left( i \right)}$ 表示 $k$ 时刻第 $i$ 个扩展目标的状态，并将 $k$ 时刻扩展目标状态的集合^[11]表示为

$\begin{split} {{{X}}_k} \;&= \left\{ {{{\xi}} _k^{\left( i \right)}} \right\}_{i = 1}^{{N_{{{\xi}} ,k}}},\;{{\xi}} _k^{\left( i \right)} \triangleq \left( {\bar {{\xi}} _k^{\left( i \right)},\alpha _k^{\left( i \right)}} \right),\\ & \bar {{\xi}} _k^{\left( i \right)} \triangleq \left( {{{x}}_k^{\left( i \right)},\bar {{X}}_k^{\left( i \right)}} \right) \end{split}$

(1)

其中， ${N_{{{\xi}} ,k}}$ 为目标的数量， $\bar{{ \xi}} _k^{\left( i \right)}$ 包含了第 $i$ 个目标的运动状态 ${{x}}_k^{\left( i \right)}$ 以及扩展状态 $\bar {{X}}_k^{\left( i \right)}$ , $\alpha _k^{\left( i \right)}$ 为表征目标幅度的参数。令 $\left| \cdot \right|$ 表示集合的势，则有 $\left| {{{{X}}_k}} \right| = {N_{{{\xi}} ,k}}$ 。

假设每个扩展目标的运动状态服从线性高斯模型

${{x}}_{k + 1}^{\left( i \right)} = \left( {{{{F}}_{k + 1|k}} \otimes {{{I}}_d}} \right){{x}}_k^{\left( i \right)} + {{w}}_{k + 1}^{\left( i \right)}$

(2)

其中， ${{w}}_{k + 1}^{\left( i \right)}$ 是协方差为 ${{\Delta}} _{k + 1|k}^{\left( i \right)} = {{{Q}}_{k + 1|k}} \otimes \bar {{X}}_{k + 1}^{\left( i \right)}$ 的零均值高斯过程噪声， $d$ 为目标扩展维度， $\bar {{X}}_k^{\left( i \right)}$ 为 $d \times d$ 维对称正定矩阵， ${{{I}}_d}$ 为 $d$ 维单位矩阵， $\otimes$ 为张量积运算符， ${{{F}}_{k + 1|k}}$ 和 ${{{Q}}_{k + 1|k}}$ 为

${{{F}}_{k + 1|k}} = \left[ {\begin{array}{*{20}{c}} 1&{{T_{\rm{s}}}}&{{{T_{\rm{s}}^2} / 2}} \\ 0&1&{{T_{\rm{s}}}} \\ 0&0&{{{\rm e}^{ - {{{T_{\rm{s}}}} / \theta }}}} \end{array}} \right] \hspace{45pt}$

(3)

${{{Q}}_{k + 1|k}} = {\Sigma ^2}\left( {1 - {{\rm{e}}^{ - 2{{{T_{\rm{s}}}} / \theta }}}} \right){\rm{diag}}\left( {\left[ {0\;0\;1} \right]} \right)$

(4)

其中， ${T_{\rm{s}}}$ 为采样间隔， $\Sigma$ 为标量加速度标准差， $\theta$ 为机动相关时间。

$k$ 时刻目标产生的量测集表示为

${{{Z}}_k} = \left\{ {{{z}}_k^{\left( j \right)}} \right\}_{j = 1}^{{N_{{{z}},k}}}$

(5)

其中， ${{z}}_k^{\left( j \right)}: = \left[ {{{z}}_{{\rm{P}},k}^{\left( j \right)};a_k^{\left( j \right)}} \right]$ , ${{z}}_{{\rm{P}},k}^{\left( j \right)}$ 为位置量测， $a_k^{\left( j \right)}$ 为幅度量测， ${N_{{{z}},k}} = \left| {{{{Z}}_k}} \right|$ 为量测数。假设传感器具有线性高斯量测模型，则目标的位置量测与目标运动状态之间有如下关系^[11]

${{z}}_{{\rm{P}},k}^{\left( j \right)} = \left( {{{{H}}_k} \otimes {{{I}}_d}} \right){{x}}_k^{\left( j \right)} + {{e}}_k^{\left( j \right)}$

(6)

其中， ${{{H}}_k} = \left[ {1\;0\;0} \right]$ , ${{e}}_k^{\left( j \right)}$ 为白色高斯噪声，其协方差由扩展矩阵 $\bar {{X}}_k^{\left( j \right)}$ 给定。每个目标产生的量测数服从泊松分布，泊松率 $\gamma \left( {{{{\xi}} _k}} \right)$ 为目标状态 ${{{\xi}} _k}$ 的函数。

杂波量测数也采用泊松分布建模，单个时间单位体积内的泊松率为 ${\beta _{{\rm{FA}},k}}$ ，观测区域的体积为 $V$ ，因此单位时间内杂波量测的均值为 ${\beta _{{\rm{FA}},k}}V$ 。

2.2 GIW-PHD的具体实现

GIW-PHD滤波器^[11]采用高斯逆威沙特分布的混合来近似 $k$ 时刻扩展目标的PHD

$\begin{split} {D_{k|k}}\left( {{{{\xi}} _k}} \right) =& \sum\limits_{j = 1}^{{J_{k|k}}} {w_{k|k}^{\left( j \right)}{\cal N}\left( {{{{x}}_k}|{{m}}_{k|k}^{\left( j \right)},{{P}}_{k|k}^{\left( j \right)} \otimes {{\bar {{X}}}_k}} \right)} \\ & \times {\cal I}{\cal W}\left( {{{\bar X}_k};v_{k|k}^{\left( j \right)},{{V}}_{k|k}^{\left( j \right)}} \right) \end{split}$

(7)

其中， ${J_{k|k}}$ 为高斯项数， $w_{k|k}^{\left( j \right)}$ , ${{m}}_{k|k}^{\left( j \right)}$ 和 ${{P}}_{k|k}^{\left( j \right)} \otimes {\bar {{X}}_k}$ 分别为第 $j$ 个高斯项的权重，均值和协方差。 ${\cal I}{\cal W}\left( {\bar {{X}};v,{{V}}} \right)$ 为自由度为 $v$ 且逆尺度矩阵为 ${{V}}$ 的逆威沙特分布。

定义第 $j$ 个GIW项为

${{\xi}} _{k|k}^{\left( j \right)} = \left( {{{m}}_{k|k}^{\left( j \right)},{{P}}_{k|k}^{\left( j \right)},v_{k|k}^{\left( j \right)},{{V}}_{k|k}^{\left( j \right)}} \right)$

(8)

运动状态的协方差和扩展状态的估计为

$\hat {{P}}_{k|k}^{\left( j \right)} = \frac{{{{P}}_{k|k}^{\left( j \right)} \otimes {{V}}_{k|k}^{\left( j \right)}}}{{v_{k|k}^{\left( j \right)} + s - sd - 2}}$

(9)

${\hat{ \bar {{X}}}}_{k|k}^{\left( j \right)} = \frac{{{{V}}_{k|k}^{\left( j \right)}}}{{v_{k|k}^{\left( j \right)} - 2d - 2}} \hspace{15pt}$

(10)

其中， $s$ 为目标运动状态的维度。

GIW-PHD滤波器的具体滤波过程见文献[11]，为节省篇幅，这里仅给出更新部分。

$k$ 时刻更新后的PHD为GIW的混合式

${D_{k|k}}\left( {{{\bar{{ \xi}} }_k}} \right) = D_{k|k}^{{\rm{ND}}}\left( {{{\bar {{\xi}} }_k}} \right) + \sum\limits_{{{P}}\angle {{{Z}}_k}} {\sum\limits_{{{W}} \in {{P}}} {D_{k|k}^{{\rm D}}\left( {{{\bar {{\xi}} }_k},{ W}} \right)} }$

(11)

其中， ${{P}}$ 为一个划分， ${{W}}$ 为划分后的量测子集， $D_{k|k}^{\rm{ND}}\left( \cdot \right)$ 为漏检的PHD

$\begin{split} D_{k|k}^{\rm{ND}}\left( {{{\bar {{\xi}} }_k}} \right) =\;& \sum\limits_{j = 1}^{{J_{k|k - 1}}} {w_{k|k}^{\left( j \right)}{\cal N}\left( {{{{x}}_k}|{{m}}_{k|k}^{\left( j \right)},{{P}}_{k|k}^{\left( j \right)}} \right)} \\ & \times {\cal I}{\cal W}\left( {{{\bar {{X}}}_k};v_{k|k}^{\left( j \right)},{{V}}_{k|k}^{\left( j \right)}} \right) \end{split}$

(12)

$\tag{13a} w_{k|k}^{\left( j \right)} = \left( {1 - \left( {1 - {{\rm e}^{ - \gamma \left( j \right)}}} \right)p_{\rm{D}}^{\left( j \right)}} \right)w_{k|k - 1}^{\left( j \right)} \hspace{10pt}$

$\tag{13b} \bar {{\xi}} _{k|k}^{\left( j \right)} = \bar {{\xi}} _{k|k - 1}^{\left( j \right)} \hspace{114pt}$

$D_{k|k}^{\rm{D}}\left( {{{\bar {{\xi}} }_k},{ W}} \right)$ 为联合似然函数 $\displaystyle\prod\limits_{{{{z}}_k} \in {{W}}} {\dfrac{{{\phi _{{{{z}}_{{\rm P},k}}}}\left( \cdot \right)}}{{{\lambda _k}{c_k}\left( {{{{z}}_{{\rm P},k}}} \right)}}}$ 与式(7)中的预测GIW项的乘积，可以写为

$\begin{split} & \beta _{{\rm{FA}},k}^{ - \left| {W} \right|}{\cal L}_k^{\left( {j,{{ W}}} \right)}{\cal N}\left( {{{{x}}_k}|{{m}}_{k|k}^{\left( {j,{ W}} \right)},{{P}}_{k|k}^{\left( {j,{ W}} \right)} \otimes {{\bar {{X}}}_k}} \right) \\ &\qquad \times {\cal I}{\cal W}\left( {{{\bar {{X}}}_k};v_{k|k}^{\left( {j,{ W}} \right)},{{V}}_{k|k}^{\left( {j,{ W}} \right)}} \right) \end{split}$

(14)

其中

$\tag{15a} {{m}}_{k|k}^{\left( {j,{{W}}} \right)} = {{m}}_{k|k - 1}^{\left( j \right)} + \left( {{{K}}_{k|k - 1}^{\left( {j,{{W}}} \right)} \otimes {{{I}}_d}} \right)\varepsilon _{k|k - 1}^{\left( {j,{{W}}} \right)} \hspace{15pt}$

$\tag{15b} {{P}}_{k|k}^{\left( {j,{{W}}} \right)} = {{P}}_{k|k - 1}^{\left( j \right)} - {{K}}_{k|k - 1}^{\left( {j,{{W}}} \right)}{{S}}_{k|k - 1}^{\left( {j,{{W}}} \right)}{\left( {{{K}}_{k|k - 1}^{\left( {j,{{W}}} \right)}} \right)^{\rm{T}}}$

$\tag{15c} v_{k|k}^{\left( {j,{{W}}} \right)} = v_{k|k - 1}^{\left( j \right)} + \left| {{W}} \right| \hspace{98pt}$

$\tag{15d} {{V}}_{k|k}^{\left( {j,{{W}}} \right)} = {{V}}_{k|k - 1}^{\left( j \right)} + {{N}}_{k|k - 1}^{\left( {j,{{W}}} \right)} + {{Z}}_{{\rm{P}}{\rm{,}}k}^{{W}} \hspace{46pt}$

$\tag{15e} \bar {{z}}_{{\rm{P}},k}^{ W} = \frac{1}{{\left| {{W}} \right|}}\sum\limits_{{{z}}_k^{\left( i \right)} \in {{W}}} {{{z}}_{{\rm{P}},k}^{\left( i \right)}} \hspace{93pt}$

$\tag{15f} {{Z}}_{{\rm{P}},k}^{{W}} = \sum\limits_{{{z}}_k^{\left( i \right)} \in {{W}}} {\left( {{{z}}_{{\rm{P}},k}^{\left( i \right)} - \bar {{z}}_{{\rm{P}},k}^{{W}}} \right){{\left( {{{z}}_{{\rm{P}},k}^{\left( i \right)} - \bar {{z}}_{{\rm{P}},k}^{{W}}} \right)}^{\rm{T}}}} \hspace{5pt}$

$\tag{15g} {{S}}_{k|k - 1}^{\left( {j,{{W}}} \right)} = {{{H}}_k}{{P}}_{k|k - 1}^{\left( j \right)}{{H}}_k^{\rm{T}} + \frac{1}{{\left| {{W}} \right|}} \hspace{56pt}$

$\tag{15h} {{K}}_{k|k - 1}^{\left( {j,{{W}}} \right)} = {{P}}_{k|k - 1}^{\left( j \right)}{{H}}_k^{\rm{T}}{\left( {{{S}}_{k|k - 1}^{\left( {j,{{W}}} \right)}} \right)^{ - 1}} \hspace{46pt}$

$\tag{15i} \varepsilon _{k|k - 1}^{\left( {j,{{W}}} \right)} = \bar {{z}}_{{\rm{P}},k}^{{W}} - \left( {{{{H}}_k} \otimes {{{I}}_d}} \right){{m}}_{k + 1|k}^{\left( j \right)} \hspace{41pt}$

$\tag{15j} {{N}}_{k|k - 1}^{\left( {j,{{W}}} \right)} = {\left( {{{S}}_{k|k - 1}^{\left( {j,{{W}}} \right)}} \right)^{ - 1}}\varepsilon _{k|k - 1}^{\left( {j,{{ W}}} \right)}{\left( {\varepsilon _{k|k - 1}^{\left( {j,{{W}}} \right)}} \right)^{\rm{T}}} \hspace{20pt}$

式(14)中的似然函数为

$\begin{split} & {\cal L}_k^{\left( {j,{{W}}} \right)} \\ & = \frac{1}{{{{{\left( {{\pi ^{\left| {{W}} \right|}}\left| {{W}} \right|{{S}}_{k|k - 1}^{\left( {j,{{ W}}} \right)}} \right)}^{\frac{d}{2}}}}}}\frac{{{{\left| {{{V}}_{k|k - 1}^{\left( j \right)}} \right|}^{\frac{{v_{k|k - 1}^{\left( j \right)}}}{2}}}{\varGamma _d}\left( {\dfrac{{v_{k|k}^{\left( {j,{{W}}} \right)}}}{2}} \right)}}{{{{\left| {{{V}}_{k|k}^{\left( {j,{{W}}} \right)}} \right|}^{\frac{{v_{k|k}^{\left( {j,{{ W}}} \right)}}}{2}}}{\varGamma _d}\left( {\dfrac{{v_{k|k - 1}^{\left( j \right)}}}{2}} \right)}}\\ \end{split}$

(16)

其中， $\left| {{V}} \right|$ 表示 ${{V}}$ 的行列式， $\left| {{W}} \right|$ 表示 ${{W}}$ 中的量测数。更新后GIW项的权重为

$w_{k|k}^{\left( {j,{{W}}} \right)} = \frac{{{w_{{P}}}}}{{{d_{{W}}}}}{\left( {\frac{{\gamma \left( j \right)}}{{{\beta _{{\rm{FA}},k}}}}} \right)^{\left| { W} \right|}}p_{\rm{D}}^{\left( j \right)}{\cal L}_k^{\left( {j,{{W}}} \right)}w_{k|k - 1}^{\left( j \right)}$

(17)

其中， ${w_{{P}}}$ 为某个划分 ${{P}}$ 的权重， ${d_{{W}}}$ 为某个量测单元 ${{W}}$ 的权重^[11]。式(13)～式(17)中下标为 $k|k - 1$ 的量表示从 $k{\rm{ - }}1$ 时刻到 $k$ 时刻的预测值。

3. 基于幅度信息的GIW-PHD滤波器

图1为扩展目标与量测的关系图。其中，T1和T2为两个大小不同的扩展目标，红色圆点为扩展目标的量测，C1～C3为杂波。由图中可见杂波C1距离目标量测较远，容易划入杂波单元；但是C2和C3距离目标量测较近，因而有可能在某种划分下被划入目标单元，导致目标扩展状态的估计误差，并影响运动状态的估计效果。这种情况下，仅利用空间信息已经很难区分目标和杂波的量测，一种可能的途径是利用目标和杂波的幅度信息。

图 1 扩展目标量测

Figure 1. Measurements of the extended targets

下载: 全尺寸图片幻灯片

Lerro^[18]建立了幅度信息模型。Clark^[19]将这一模型引入了标准PHD滤波器，并且用仿真证明利用目标的幅度信息可以更好的区分目标和杂波。但他所采用的标准PHD滤波器本身仅适用于标准量测模型即点目标，并不适用于扩展目标跟踪场景^[6]。本节给出结合幅度信息的GIW-PHD滤波器，称为AI-GIW-PHD滤波器。通过将目标和杂波的幅度信息引入GIW-PHD滤波器，可以增大只包含目标量测的单元的幅度似然，而降低包含杂波量测的单元的幅度似然。由于GIW-PHD在滤波时需要考虑所有可能的量测划分方法和量测子集，因此，这种操作的结果是估计目标扩展状态和运动状态时，仅包含目标量测的单元获得的权重增大，而包含杂波量测的单元的权重降低，从而抑制了杂波对状态估计的影响。

3.1 幅度信息建模

假定目标的幅度和运动状态相互独立，则 $k$ 时刻目标的量测似然函数 $g\left( {{{z}}|{{\xi}} } \right)$ 和杂波的量测似然函数 $c\left( {{z}} \right)$ ^[19]可分别表示为

$g\left( {{{{z}}_k}|{{{\xi}} _k}} \right){\rm{ = }}{g_{{{{z}}_{{\rm{P}},k}}}}({{{z}}_{{\rm{P}},k}}\left| {{{\bar {{\xi}} }_k}} \right.){g_{{a_k}}}({a_k}|{\alpha _k}),{a_k} \ge 0$

(18)

$c({{{z}}_k}){\rm{ = }}{c_{{{{z}}_{{\rm{P}},k}}}}({{{z}}_{{\rm{P}},k}}){c_{{a_k}}}({a_k}),{a_k} \ge 0 \hspace{50pt}$

(19)

其中， ${g_{{{{z}}_{{\rm{P}},k}}}}({{{z}}_{{\rm{P}},k}}\left| {{{\bar {{\xi}} }_k}} \right.)$ 和 ${c_{{{{z}}_{{\rm{P}},k}}}}({{{z}}_{{\rm{P}},k}})$ 分别为目标和杂波关于运动状态的似然函数， ${g_{{a_k}}}({a_k}|{\alpha _k})$ 和 ${c_{{a_k}}}({a_k})$ 分别为目标和杂波关于幅度的似然函数。由此计算检测概率 $p_{\rm{D}}^\tau$ 和虚警概率 $p_{{\rm{FA}}}^\tau$ ^[18]为

$p_{\rm{D}}^\tau = \int\limits_\tau ^\infty {{g_a}(a|\alpha ){\rm{d}}a}$

(20)

$p_{{\rm{FA}}}^\tau = \int\limits_\tau ^\infty {{c_a}(a){\rm{d}}a} \hspace{5pt}$

(21)

其中， $\tau$ 为检测门限。则过门限检测后，目标和杂波的幅度似然函数分别为

$g_a^\tau (a|\alpha ) = \frac{1}{{p_D^\tau }}{g_a}(a|\alpha ),\;\;a > \tau$

(22)

$c_a^\tau (a) = \frac{1}{{p_{FA}^\tau }}{c_a}(a),\;\;a > \tau \hspace{15pt}$

(23)

3.2 Rayleigh杂波下目标的幅度似然函数

当杂波为复高斯分布且幅度为Swerling 1型起伏时，杂波和目标的幅度为Rayleigh分布。杂波幅度的概率密度函数(Probability Density Function, PDF)为^[19]

${c_a}(a) = \frac{{2a}}{{{\sigma _n}}}\exp \left( { - \frac{{{a^2}}}{{{\sigma _n}}}} \right), a > 0$

(24)

其中， ${\sigma _n}$ 为复高斯分布的协方差。目标幅度 ${A_k}$ 的PDF为

${g_a}({A_k}) = \frac{{2{A_k}}}{{{\sigma _t}}}\exp \left( { - \frac{{{A_k}^{\!\! 2}}}{{{\sigma _t}}}} \right),\;{A_k} > 0$

(25)

其中， ${\sigma _t}$ 为目标幅度的均方值。则目标加杂波的幅度的PDF为

${g_a}(a) = \frac{{2a}}{{{\sigma _n} + {\sigma _t}}}\exp \left( { - \frac{{{a^2}}}{{{\sigma _n} + {\sigma _t}}}} \right), a > 0$

(26)

现在令 $\alpha = {{{\sigma _t}} / {{\sigma _n}}}$ ，并令 ${\sigma _n} = 1$ ，则有 $\alpha = {\sigma _t}$ 。将 ${\sigma _n}$ 和 $\alpha$ 代入式(24)和式(26)可得

${c_a}(a) = 2a\exp \left( { - {a^2}} \right),\;\;a > 0 \hspace{47pt}$

(27)

${g_a}(a|\alpha ) = \frac{{2a}}{{1 + \alpha }}\exp \left( { - \frac{{{a^2}}}{{1 + \alpha }}} \right),\;\;a > 0$

(28)

由于信杂比的定义^[19]为

${\rm{SCR}} = 10\lg \left( {\frac{{{\sigma _n} + {\sigma _t}}}{{{\sigma _n}}}} \right)$

(29)

将 ${\sigma _n}$ 和 $\alpha$ 代入式(29)可得

${\rm{SCR}} = 10\lg \left( {1 + \alpha } \right)$

(30)

3.3 AI-GIW-PHD滤波器

下面给出AI-GIW-PHD的具体算法。

由于AI-GIW-PHD只改进了GIW-PHD的更新部分，而预测部分保持不变，因此这里只给出AI-GIW-PHD的更新步骤。

${D_{k|k}}\left( {{{\bar {{\xi}} }_k}} \right) = D_{k|k}^{\rm{ND}}\left( {{{\bar {{\xi}} }_k}} \right) + \sum\limits_{{{P}}\angle {{{W}}_k}} {\sum\limits_{{{W}} \in {{P}}} {D_{k|k}^{\rm{D}}\left( {{{\bar {{\xi}} }_k},{{W}}} \right)} }$

(31)

(32)

$w_{k|k}^{\left( j \right)} = \left( {1 - \left( {1 - {{\rm{e}}^{ - \gamma \left( j \right)}}} \right)p_{\rm{D}}^{\tau ,\left( j \right)}} \right)w_{k|k - 1}^{\left( j \right)} \hspace{18pt}$

(33)

其中， $p_{\rm{D}}^{\tau ,\left( j \right)}$ 为根据式(20)计算出的检测概率。

每个单元中所有量测的似然函数为

$\prod\limits_{{{{z}}_k} \in { W}} {\frac{{{\phi _{{{{z}}_{{\rm{P}},k}}}}\left( \cdot \right)p_{\rm{D}}^\tau \left( \alpha \right)g_a^\tau (a|\alpha )}}{{{\lambda _k}{c_k}\left( {{{{z}}_{{\rm{P}},k}}} \right)p_{{\rm{FA}}}^\tau c_a^\tau (a)}}}$

(34)

其中， $p_{\rm{D}}^\tau \left( \alpha \right)$ 和 $p_{{\rm{FA}}}^\tau$ 分别由式(20)和式(21)给出， $g_a^\tau (a|\alpha )$ 和 $c_a^\tau (a)$ 分别由式(22)和式(23)给出。

根据式(34)，增加幅度信息后式(16)中的 ${\cal L}_k^{\left( {j,{{ W}}} \right)}$ 变为

$\tilde {\cal L}_k^{\left( {j,{{W}}} \right)} = {\cal L}_k^{\left( {j,{{W}}} \right)}\prod\limits_{{{{z}}_k} \in {{W}}} {\frac{{p_{\rm{D}}^\tau \left( \alpha \right)g_a^\tau (a|\alpha )}}{{p_{{\rm{FA}}}^\tau c_a^\tau (a)}}}$

(35)

将式(35)代入式(17)可得GIW项的新的权重为

$w_{k|k}^{\left( {j,{{W}}} \right)} = \frac{{{w_{{P}}}}}{{{d_{{W}}}}}{\left( {\frac{{\gamma \left( j \right)}}{{{\beta _{{\rm{FA}},k}}}}} \right)^{\left| {{W}} \right|}}p_{\rm{D}}^{\tau ,\left( j \right)}\tilde {\cal L}_k^{\left( {j,{{W}}} \right)}w_{k|k - 1}^{\left( j \right)}$

(36)

3.4 中心量测的计算

根据式(15(e))，当计算某个单元的中心量测时，对该单元中的所有量测取几何平均值。然而，当该单元中混入了杂波量测时，采用这一方法将导致计算得到的中心量测偏离真实的中心量测，从而增大状态估计误差。为解决这一问题，计算中心量测时，采用幅度加权的方法来计算量测的质量中心，以取代式(15(e))中所用的几何中心

$\bar {{z}}_{{\rm{P}},k}^{ W} = \frac{1}{{\left| {{W}} \right|}}\sum\limits_{{{z}}_k^{\left( i \right)} \in {{W}}} {{{\rm{\omega}} ^{\left( i \right)}}{{z}}_{{\rm{P}},k}^{\left( i \right)}}$

(37)

其中，幅度的加权因子 ${{\rm{\omega}} ^{\left( i \right)}}$ 为

${{\rm{\omega}} ^{\left( i \right)}}{\rm{ = }}\frac{{{a^{\left( i \right)}}}}{{\displaystyle\sum\limits_{{{z}}_k^{\left( i \right)} \in {{W}}} {{a^{\left( i \right)}}} }}$

(38)

其中， ${a^{\left( i \right)}}$ 为量测 $i$ 的幅度。

通过幅度加权，当量测单元中包含了杂波时，由于通常情况下杂波的幅度小于目标量测的幅度，因此能够更多地利用目标量测的信息，并减少杂波对中心量测的影响。

4. 仿真

为检验所提AI-GIW-PHD算法的性能，通过仿真实验将其与标准的GIW-PHD滤波器进行对比。

4.1 仿真设置

雷达观测区域的面积为[–500, 500] × [–500, 500] m。在总计31 s的观测时间内有4个目标进入观测区域。目标的真实航迹如图2所示。图中每种颜色的航迹代表一个目标，可以看到有2个扩展目标为匀速直线运动，另外2个目标为匀速转弯运动，且目标的航迹之间出现了多次交叉。

图 2 扩展目标真实航迹(SCR=13 dB)

Figure 2. Real trajectories of the extended targets (SCR=13 dB)

下载: 全尺寸图片幻灯片

目标的真实扩展为

$\bar {{X}}_k^{\left( i \right)} = {{R}}_k^{\left( i \right)}{\rm{diag}}\left( {\begin{array}{*{20}{c}} {\upsilon _i^2}&{\iota _i^2} \end{array}} \right){\left( {{{R}}_k^{\left( i \right)}} \right)^{\rm{T}}}$

其中， ${{R}}_k^{\left( i \right)}$ 为旋转矩阵，用于保证目标的主轴平行于目标的运动方向， ${\upsilon _i}$ 和 ${\iota _i}$ 分别为长轴和短轴的长度。本文仿真主要考察幅度对跟踪性能的影响，因此4个目标的长短轴均为 $\left( {{\upsilon _i},{\iota _i}} \right) = \left( {20,5} \right)$ 。扩展目标产生量测的期望数与扩展目标的尺寸 ${\cal V}_k^{\left( i \right)} \triangleq \pi \sqrt {\left| {X_k^{\left( i \right)}} \right|} = \pi {\upsilon _i}{\iota _i}$ 有关，这里采用如下的模型

$\gamma _k^{\left( i \right)} = \left\lfloor {\sqrt {\frac{4}{\pi }{\cal V}_k^{\left( i \right)}} + 0.5} \right\rfloor = \left\lfloor {2\sqrt {{\upsilon _i}{\iota _i}} + 0.5} \right\rfloor$

(39)

每个扩展目标产生的量测，在幅度上均独立的服从参数为 ${\sigma _t}$ 的Rayleigh分布，且在帧间独立的服从Swerling 1型起伏。

杂波在每一帧的总数服从均值为1000的泊松分布，虚警率为0.05，则理论上每一帧的虚警数服从均值为50的泊松分布。

运动模型的参数为： ${T_{\rm{s}}} = 1 \; {\rm{s}}$ , $\theta = 1 \; {\rm{s}}$ , $\Sigma$ =0.1 ${\rm{m}}/{{\rm{s}}^2}$ , $\tau {\rm{ = 5}} \; {\rm{s}}$ 。新生目标的参数为 ${J_{b,k}}$ =4, $w_{b,k}^{\left( j \right)}=0.1$ ，并且有 $m_{b,k}^{\left( j \right)} = {\left[ {{{\left( {{{x}}_0^{\left( j \right)}} \right)}^{\rm{T}}}{\bf{0}}_4^{\rm{T}}} \right]^{\rm{T}}}$ , $P_{b,k}^{\left( j \right)}$ = diag([100² 25² 25²]), $v_{b,k}^{\left( j \right)} = 7$ , ${{V}}_{b,k}^{\left( j \right)} = {\rm{diag}}\left( {\left[ {1{\rm{ 1}}} \right]} \right)$ ，即新生目标的起始位置为每个目标航迹的起始处。

设置目标的信杂比分别为SCR=13 dB和SCR= 6 dB。本文通过计算每种算法的OSPA误差^[20]来评价算法的跟踪性能。

4.2 仿真结果

图3，图4为SCR=13 dB时未利用幅度信息的GIW-PHD和利用幅度信息的AI-GIW-PHD在某次仿真中的航迹滤波结果。图3中，黑色“*”表示目标真实位置，红色“Ο”表示状态估计值。从该图可以看到，GIW-PHD出现了比较明显的航迹漏检现象。这是因为当杂波率较高时，目标量测与杂波量测有可能相距很近，状态估计容易受到杂波的干扰，导致一些GIW项权重降低，从而估计出的目标数目也会减少。图4中，蓝色“.”表示目标真实位置，黑色“Ο”表示状态估计值。可以看到，利用了幅度信息的AI-GIW-PHD可以非常准确地估计出目标航迹，基本上没有漏检。这是因为，由于采用了幅度信息，相距较近的目标和杂波的量测能够得到更好的区分，从而降低了杂波对目标GIW项的干扰。

图 3 GIW-PHD单次航迹估计结果(SCR=13 dB)

Figure 3. Track estimation of the GIW-PHD in a run (SCR=13 dB)

下载: 全尺寸图片幻灯片

图 4 AI-GIW-PHD单次航迹估计结果(SCR=13 dB)

Figure 4. Track estimation of the AI-GIW-PHD in a run (SCR=13 dB)

下载: 全尺寸图片幻灯片

图5为GIW-PHD在该次仿真中的扩展状态估计结果。图5中绿色填充带表示目标的真实扩展状态，红色椭圆表示GIW-PHD估计出的目标扩展状态。可以看到，由于存在大量的航迹漏检，GIW-PHD对目标扩展状态的估计也出现了大量漏检。当能够估计出目标航迹时，GIW-PHD也能够比较准确地估计出目标的扩展状态，但在滤波开始时刻还存在比较明显的估计错误。

图 5 GIW-PHD单次扩展状态估计结果(SCR=13 dB)

Figure 5. Extended state estimation of the GIW-PHD in a run (SCR=13 dB)

下载: 全尺寸图片幻灯片

图6为AI-GIW-PHD在该次仿真中的扩展状态估计结果。图6中蓝色填充带表示目标的真实扩展状态，黑色椭圆表示AI-GIW-PHD估计出的目标扩展状态。可以看到，AI-GIW-PHD始终能够比较准确地估计出目标的扩展状态，并且在滤波初始时刻也没有出现明显的错误估计。

图 6 AI-GIW-PHD单次扩展状态估计结果(SCR=13 dB)

Figure 6. Extended state estimation of the AI-GIW-PHD in a run (SCR=13 dB)

下载: 全尺寸图片幻灯片

图7为SCR=13 dB时GIW-PHD和AI-GIW-PHD经过20次蒙特卡洛仿真后统计得到的平均OSPA位置误差。可以看到，在大部分时刻AI-GIW-PHD的误差比GIW-PHD稍大一些。但是，这并不能说明AI-GIW-PHD的滤波性能不如GIW-PHD。这是因为与单目标跟踪时位置误差的计算不同，多目标跟踪时OSPA位置误差的计算需要统计所有航迹的滤波误差。由于GIW-PHD出现了明显的航迹漏检，用于误差统计的航迹数少于AI-GIW-PHD，因而统计得到的OSPA位置误差小于AI-GIW-PHD。当GIW-PHD不发生漏检时，其位置误差会更大。这与文献[19]中的情况相似。虽然从图7无法直接判定GIW-PHD和AI-GIW-PHD的滤波性能，但是根据图3、图4可以看到，当没有漏检时，这两种算法都能够准确地跟踪目标。

图 7 平均OSPA位置误差(SCR=13 dB)

Figure 7. Averaged OSPA location error (SCR=13 dB)

下载: 全尺寸图片幻灯片

图8为SCR=13 dB时GIW-PHD和AI-GIW-PHD经过20次仿真后得到的平均目标数目估计值。可以看到，随着滤波的进行，GIW-PHD总体上会出现越来越明显的数目欠估计现象。这是因为杂波对GIW项的干扰越来越严重。相比之下，结合了幅度信息的AI-GIW-PHD始终保持了对目标数目的准确估计。这是因为，通过利用幅度信息，杂波与目标量测的区分会更加容易，从而使GIW项受到的杂波干扰显著下降。

图 8 平均势估计结果(SCR=13 dB)

Figure 8. Averaged cardinality estimation (SCR=13 dB)

下载: 全尺寸图片幻灯片

图9为SCR=13 dB时GIW-PHD和AI-GIW-PHD经过20次仿真后得到的平均OSPA势误差。通过该图，可以更加清楚地看到在目标数目估计方面，AI-GIW-PHD显著优于GIW-PHD。这再次证明了幅度信息对扩展目标跟踪的有效性。

图 9 平均OSPA势误差(SCR=13 dB)

Figure 9. Averaged OSPA cardinality error (SCR=13 dB)

下载: 全尺寸图片幻灯片

图10为SCR=6 dB时GIW-PHD和AI-GIW-PHD经过20次仿真后统计得到的平均OSPA位置误差。结合图10和图7可以看到，随着SCR从13 dB降到6 dB，未采用幅度信息的GIW-PHD的跟踪误差明显增大，而采用了幅度信息的AI-GIW-PHD的跟踪误差变化不大。这是因为当SCR降低后目标的检测概率也会下降，因而GIW-PHD算法中GIW项受到的杂波干扰会大大增加，导致状态估计出现较大偏差。相比之下，AI-GIW-PHD由于利用了幅度信息从而能够较好地区分目标和杂波，减轻了GIW项受到的杂波干扰，保持了状态估计的准确度。

图 10 平均OSPA位置误差(SCR=6 dB)

Figure 10. Averaged OSPA location error (SCR=6 dB)

下载: 全尺寸图片幻灯片

图11为SCR=6 dB时GIW-PHD和AI-GIW-PHD经过20次仿真后得到的平均目标数目估计值。可以看到，在低SCR条件下，GIW-PHD由于受到杂波的干扰导致目标数目估计始终存在很大的误差，而AI-GIW-PHD在大部分时刻保持了对目标数目的准确估计，仅在倒数第2帧出现了比较明显的偏差。

图 11 平均势估计结果(SCR=6 dB)

Figure 11. Averaged cardinality estimation (SCR=6 dB)

下载: 全尺寸图片幻灯片

图12为SCR=6 dB时GIW-PHD和AI-GIW-PHD经过20次仿真后得到的平均OSPA势误差。可以看到，与图11显示的结果一致，AI-GIW–PHD在目标数目估计方面显著优于GIW-PHD。

图 12 平均OSPA势误差(SCR=6 dB)

Figure 12. Averaged OSPA cardinality error (SCR=6 dB)

下载: 全尺寸图片幻灯片

5. 结束语

GIW-PHD扩展目标滤波器在进行量测划分和状态估计时都只利用了量测的空间信息，在杂波密集环境下状态估计和势估计性能不佳。为解决这一问题，提出了结合幅度信息的GIW-PHD滤波器，利用量测的幅度信息来区分相距较近的目标和杂波量测，赋予目标量测单元更高的似然值，从而提升目标GIW项的权重，降低杂波的影响。在计算量测单元的中心时采用幅度加权的质量中心取代仅包含空间信息的几何中心，从而进一步降低杂波的干扰。仿真结果表明，所提算法对扩展目标的势估计性能显著增强，在低信杂比环境下的状态估计性能明显优于GIW-PHD滤波器。但是，计算幅度似然会在一定程度上增加算法的运算成本。

图 1 干扰数据构建流程图

Figure 1. Flowchart of jamming data construction

下载: 全尺寸图片幻灯片

图 2 MiniSAR数据切片

Figure 2. Image chips of MiniSAR data

下载: 全尺寸图片幻灯片

图 3 包含9种干扰类型和9种干扰机位置的车辆目标SAR图像切片((a) 噪声压制干扰，(b) 固定移频干扰，(c) 随机移频干扰，(d) 步进移频干扰，(e) 分段移频干扰，(f) 距离向间歇采样转发干扰，(g) 方位向间歇采样转发干扰，(h) 微动调制干扰，(i) 延迟多抽头干扰)

Figure 3. SAR image chips with vehicle targets containing 9 jamming types and 9 jammer positions((a) Noise suppression jamming, (b) Fixed shift-frequency jamming, (c) Random shift-frequency jamming, (d) Stepped shift-frequency jamming, (e) Blocked shift-frequency jamming, (f) Intermittent sampling repeater jamming in range, (g) Intermittent sampling repeater jamming in azimuth, (h) Micro-motion modulation jamming, (i) Delayed multi-taps jamming)

下载: 全尺寸图片幻灯片

图 4 结合注意力机制的有源干扰类型识别网络模型

Figure 4. Active jamming type recognition network model based on attention mechanism

下载: 全尺寸图片幻灯片

图 5 实验1模型训练过程损失值曲线和平均总体识别精度

Figure 5. Loss value in model training process and mean overall accuracy of experiment 1

下载: 全尺寸图片幻灯片

图 6 实验2平均总体识别精度

Figure 6. Mean overall accuracy of experiment 2

下载: 全尺寸图片幻灯片

表 1 干扰参数设置

Table 1. Jamming parameter configuration

干扰类型	参数设置
噪声压制干扰	JSR=5.0, 7.5, 10.0, 12.5, 15.0, 17.5, 20.0, 22.5 dB
固定移频干扰	$R = 20$
随机移频干扰	$R = 20$ , $a = - 1$ , $b = 1$
步进移频干扰	$R = 20$ , ${f_{{{\text{d}}_{\text{0}}}}} = 0$
分段移频干扰	$R = 20$ , $N = 3$ , ${f_1} = {f_{\text{d}}}$ , ${f_2} = 0$ , ${f_3} = - {f_{\text{d}}}$
距离向间歇采样转发干扰	$R = 20$ , ${D_{\rm r}} = 0.1$
方位向间歇采样转发干扰	$R = 20$ , ${D_{\rm r}} = 0.1$
微动调制干扰	$R = 20$ , $L = 100$
延迟多抽头干扰	$R = 20$ , $N = 2$

下载: 导出CSV

表 2 实验1有源干扰类型识别结果(%)

Table 2. Active jamming type recognition results of experiment 1 (%)

测试集	方法	噪声干扰	固定移频	随机移频	分段移频	步进移频	距离向间歇采样	方位向间歇采样	延迟多抽头	微动干扰	OA
JSR_7.5	VGG-16	100±0	98.41±2.46	100±0	97.46±2.15	99.68±0.63	100±0	100±0	94.29±4.33	99.37±0.78	98.80±0.70
	ResNet-18	100±0	70.48±9.66	100±0	90.79±2.54	86.35±5.37	92.06±5.22	100±0	69.21±2.94	91.11±3.11	88.89±1.59
	Inception v4	90.79±9.64	85.08±3.84	100±0	93.65±6.43	97.46±1.27	75.56±7.88	99.68±0.63	87.62±4.64	94.60±2.94	91.60±0.56
	VGG-16+AN	100±0	99.68±0.63	100±0	99.05±0.78	100±0	100±0	100±0	99.37±0.78	100±0	99.79±0.13
JSR_12.5	VGG-16	100±0	99.15±0.98	100±0	98.31±1.93	99.89±0.21	100±0	100±0	95.56±3.61	99.47±0.67	99.15±0.63
	ResNet-18	100±0	75.87±8.75	100±0	93.86±2.45	90.69±3.82	96.40±2.38	100±0	73.12±4.06	93.97±3.20	91.55±1.32
	Inception v4	96.03±4.89	88.89±2.39	100±0	95.24±5.48	98.10±0.86	84.97±4.50	99.89±0.21	90.90±3.13	96.51±2.43	94.50±0.57
	VGG-16+AN	100±0	99.89±0.21	100±0	99.58±0.40	99.79±0.42	100±0	100±0	99.58±0.62	100±0	99.87±0.11
JSR_17.5	VGG-16	100±0	99.37±0.74	100±0	98.65±1.60	99.92±0.16	100±0	100±0	96.03±3.33	99.60±0.50	99.29±0.55
	ResNet-18	100±0	78.81±7.79	100±0	95.00±2.21	92.06±3.57	97.30±1.78	100±0	74.68±3.75	94.92±2.98	92.53±1.20
	Inception v4	97.02±3.67	90.48±2.20	100±0	95.79±5.16	98.49±0.77	87.62±4.03	99.92±0.16	91.75±3.14	97.14±2.11	95.36±0.63
	VGG-16+AN	100±0	99.92±0.16	100±0	99.68±0.30	99.84±0.32	100±0	100±0	99.44±0.59	100±0	99.88±0.10
JSR_22.5	VGG-16	100±0	99.49±0.59	100±0	98.92±1.28	99.94±0.13	99.24±0.25	100±0	96.44±3.08	99.68±0.40	99.30±0.51
	ResNet-18	100±0	81.33±6.96	100±0	95.94±1.84	93.52±3.07	96.51±2.10	99.94±0.13	76.13±3.86	95.81±2.51	93.24±1.01
	Inception v4	97.62±2.93	91.94±2.07	100±0	96.32±4.42	98.73±0.72	89.52±3.83	99.94±0.13	91.87±3.24	97.65±1.69	95.95±0.64
	VGG-16+AN	100±0	99.94±0.13	100±0	99.75±0.24	99.87±0.25	99.49±0.52	100±0	99.37±0.57	100±0	99.82±0.12

下载: 导出CSV

表 3 实验2有源干扰类型识别结果(%)

Table 3. Active jamming type recognition results of experiment 2 (%)

测试集	方法	噪声干扰	固定移频	随机移频	分段移频	步进移频	距离向间歇采样	方位向间歇采样	延迟多抽头	微动干扰	OA
Para_20	VGG-16	100±0	99.37±0.74	100±0	98.49±1.38	99.60±0.25	99.84±0.19	100±0	96.67±2.95	99.68±0.30	99.29±0.48
	ResNet-18	99.86±0.28	77.94±7.19	100±0	93.89±2.47	91.11±3.30	94.37±2.51	100±0	72.86±3.31	93.65±2.50	91.52±1.27
	Inception v4	94.03±3.11	89.92±2.87	100±0	94.76±5.05	98.10±1.16	84.44±5.12	99.44±0.59	91.67±3.65	96.98±1.41	94.37±0.77
	VGG-16+AN	100±0	99.92±0.16	100±0	99.52±0.30	99.92±0.16	100±0	100±0	99.37±0.78	100±0	99.86±0.09
Para_22	VGG-16	100±0	98.89±0.95	100±0	93.10±5.64	99.84±0.19	99.76±0.32	100±0	87.30±5.42	82.38±7.44	95.70±1.41
	ResNet-18	99.94±0.12	72.86±6.93	99.76±0.48	86.67±5.85	89.37±3.82	92.14±3.97	99.76±0.32	62.46±8.97	65.00±5.47	85.33±2.26
	Inception v4	94.15±3.18	91.75±4.37	100±0	73.50±16.35	95.71±1.21	83.49±5.11	99.29±0.53	91.90±4.68	72.22±8.26	89.12±1.43
	VGG-16+AN	100±0	99.44±0.69	100±0	96.59±4.34	99.60±0.35	99.84±0.19	100±0	95.16±6.31	93.81±2.85	98.27±1.14
Para_24	VGG-16	100±0	99.37±0.48	100±0	94.29±4.17	100±0	99.84±0.32	100±0	91.19±4.06	8.73±4.46	88.16±0.53
	ResNet-18	99.98±0.04	72.54±7.96	99.84±0.32	88.57±5.84	89.37±4.85	94.05±3.47	100±0	60.95±5.30	15.16±2.61	80.05±2.31
	Inception v4	94.21±3.38	92.46±2.81	100±0	76.11±9.43	96.35±2.67	83.41±5.06	98.49±0.85	91.11±8.15	8.89±6.80	82.34±0.64
	VGG-16+AN	100±0	99.68±0.30	100.0±0	99.29±1.24	100±0	99.60±0.50	100±0	92.70±8.58	6.51±4.93	88.64±1.36
Para_26	VGG-16	100±0	99.37±0.89	100±0	95.71±4.74	99.44±0.78	99.68±0.39	100±0	69.60±16.78	4.76±6.06	85.40±2.01
	ResNet-18	99.88±0.24	66.59±8.44	99.84±0.32	88.02±4.01	85.56±8.16	89.44±4.07	100±0	44.21±6.53	12.62±3.28	76.24±2.34
	Inception v4	94.17±3.60	91.67±3.98	100±0	64.60±17.06	93.49±3.28	84.44±4.49	99.84±0.32	73.80±13.37	7.78±4.67	78.88±0.95
	VGG-16+AN	100±0	99.84±0.32	100±0	92.5±12.77	99.05±1.17	98.33±2.39	100±0	73.40±23.68	1.19±1.20	84.94±3.68
Para_28	VGG-16	100±0	99.92±0.16	100±0	85.5±16.14	98.73±1.38	98.73±1.16	100±0	33.20±19.38	17.50±13.83	81.53±3.88
	ResNet-18	99.88±0.24	71.1±10.00	99.76±0.32	81.03±5.15	84.05±7.81	84.44±6.63	100±0	38.41±3.30	30.08±4.91	76.54±1.47
	Inception v4	94.07±3.67	92.46±3.21	100±0	49.1±22.05	93.73±4.39	81.59±5.35	99.60±0.43	52.90±17.55	26.90±11.50	76.72±2.78
	VGG-16+AN	100±0	100±0	99.84±0.32	82.7±19.32	97.22±3.13	97.14±2.71	100±0	42.50±26.56	29.60±11.54	83.25±5.08
Para_30	VGG-16	100±0	99.21±0.75	100±0	73.3±26.03	96.75±4.36	94.76±6.04	99.92±0.16	20.30±16.48	31.20±17.88	79.51±5.44
	ResNet-18	99.82±0.36	59.50±12.56	99.84±0.32	75.32±7.83	73.70±13.23	76.35±6.43	99.68±0.63	37.54±5.86	36.35±5.60	73.13±2.42
	Inception v4	93.91±3.35	89.84±3.76	100±0	45.60±20.60	88.41±8.62	78.57±6.04	99.13±0.30	39.50±16.96	37.90±10.90	74.77±2.82
	VGG-16+AN	100±0	99.84±0.19	99.84±0.32	79.7±19.91	94.92±4.77	93.25±6.03	99.92±0.16	34.30±26.16	46.67±7.65	83.17±4.71

下载: 导出CSV

参考文献(44)

[1]	CUMMING I G and WONG F H. Digital Processing of Synthetic Aperture Radar Data[M]. Boston: Artech House, 2005.
[2]	Bu-Chin Wang. Digital Signal Processing Techniques and Applications in Radar Image Processing[M]. Hoboken: John Wiley & Sons, 2008.
[3]	王雪松, 陈思伟. 合成孔径雷达极化成像解译识别技术的进展与展望[J]. 雷达学报, 2020, 9(2): 259–276. doi: 10.12000/JR19109 WANG Xuesong and CHEN Siwei. Polarimetric synthetic aperture radar interpretation and recognition: Advances and perspectives[J]. Journal of Radars, 2020, 9(2): 259–276. doi: 10.12000/JR19109
[4]	CHEN Siwei, WANG Xuesong, XIAO Shunping, et al. Target Scattering Mechanism in Polarimetric Synthetic Aperture Radar: Interpretation and Application[M]. Singapore: Springer, 2018.
[5]	陈静. 雷达无源干扰原理[M]. 北京: 国防工业出版社, 2009: 88–95. CHEN Jing. Principles of Radar Passive Jamming[M]. Beijing: National Defense Industry Press, 2009: 88–95.
[6]	李永波, 黄成亮, 赵桥, 等. 伪装网的发展现状及趋势[J]. 材料导报, 2021, 35(S1): 576–577, 599. LI Yongbo, HUANG Chengliang, ZHAO Qiao, et al. The development status and trend of the camouflage mat[J]. Materials Reports, 2021, 35(S1): 576–577, 599.
[7]	肖冰, 李军念, 陈秦, 等. 国外军用伪装网技术的现状及发展趋势[J]. 四川兵工学报, 2003, 24(5): 64–66. doi: 10.3969/j.issn.1006-0707.2003.05.022 XIAO Bing, LI Junnian, CHEN Qin, et al. The status and developmental trend of the military camouflage net[J]. Journal of Ordnance Equipment Engineering, 2003, 24(5): 64–66. doi: 10.3969/j.issn.1006-0707.2003.05.022
[8]	李郝亮, 陈思伟, 王雪松. 海面角反射器的极化旋转域特性研究[J]. 系统工程与电子技术, 2022, 44(7): 2065–2073. doi: 10.12305/j.issn.1001-506X.2022.07.01 LI Haoliang, CHEN Siwei, and WANG Xuesong. Study on characterization of sea corner reflectors in polarimetric rotation domain[J]. Systems Engineering and Electronics, 2022, 44(7): 2065–2073. doi: 10.12305/j.issn.1001-506X.2022.07.01
[9]	胡海, 张林, 张小东. 舰载充气式角反射体反导装备发展及运用[J]. 国防科技, 2018, 39(2): 74–77. doi: 10.13943/j.issn671-4547.2018.02.12 HU Hai, ZHANG Lin, and ZHANG Xiaodong. A study on equipment developments and operational using of ship born gas-filled anti-missile multi-corner reflector[J]. Defense Technology Review, 2018, 39(2): 74–77. doi: 10.13943/j.issn671-4547.2018.02.12
[10]	张志远, 张介秋, 屈绍波, 等. 雷达角反射器的研究进展及展望[J]. 飞航导弹, 2014(4): 64–70. doi: 10.16338/j.issn.1009-1319.2014.04.021 ZHANG Zhiyuan, ZHANG Jieqiu, QU Shaobo, et al. Research progress and prospect of radar corner reflector[J]. Aerodynamic Missile Journal, 2014(4): 64–70. doi: 10.16338/j.issn.1009-1319.2014.04.021
[11]	秋云. 充气武器, 以假乱真迷惑敌人[J]. 科学启蒙, 2011(11): 27. QIU Yun. Inflatable weapons confuse the enemy with the real[J]. Science Initiation, 2011(11): 27.
[12]	崔铁军. 电磁超材料——从等效媒质到现场可编程系统[J]. 中国科学:信息科学, 2020, 50(10): 1427–1461. doi: 10.1360/SSI-2020-0123 CUI Tiejun. Electromagnetic metamaterials—from effective media to field programmable systems[J]. Scientia Sinica Informationis, 2020, 50(10): 1427–1461. doi: 10.1360/SSI-2020-0123
[13]	LENG Xiangguang, JI Kefeng, and KUANG Gangyao. Radio frequency interference detection and localization in sentinel-1 images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(11): 9270–9281. doi: 10.1109/TGRS.2021.3049472
[14]	汪日超. 星载SAR压制式干扰与抗干扰技术研究[D]. [硕士论文], 电子科技大学, 2017. WANG Richao. Research on spaceborne SAR compression interference and anti-jamming technology[D]. [Master dissertation], University of Electronic Science and Technology of China, 2017.
[15]	宋杰, 张华春, 郑慧芳. 基于微动调制的梳状谱灵巧噪声压制干扰[J]. 雷达科学与技术, 2020, 18(5): 531–538, 545. doi: 10.3969/j.issn.1672-2337.2020.05.011 SONG Jie, ZHANG Huachun, and ZHENG Huifang. Suppression jamming of comb spectrum smart noise based on micro-motion modulation[J]. Radar Science and Technology, 2020, 18(5): 531–538, 545. doi: 10.3969/j.issn.1672-2337.2020.05.011
[16]	邓云凯, 郑远, 胡英辉. 合成孔径雷达转发式干扰分析[J]. 电子与信息学报, 2010, 32(1): 69–74. doi: 10.3724/SP.J.1146.2008.01636 DENG Yunkai, ZHENG Yuan, and HU Yinghui. Analysis of synthetic aperture radar repeater jamming[J]. Journal of Electronics &Information Technology, 2010, 32(1): 69–74. doi: 10.3724/SP.J.1146.2008.01636
[17]	赵博, 杨军, 孙光才, 等. 一种虚假大场景SAR快速转发式欺骗干扰方法研究[J]. 电子与信息学报, 2012, 34(4): 963–968. doi: 10.3724/SP.J.1146.2011.0050 ZHAO Bo, YANG Jun, SUN Guangcai, et al. A method of SAR fast repeater deception jamming for large false scene[J]. Journal of Electronics &Information Technology, 2012, 34(4): 963–968. doi: 10.3724/SP.J.1146.2011.0050
[18]	陈思伟, 代大海, 李永祯, 等. SAR二维余弦调相转发散射波干扰原理[J]. 电子学报, 2009, 37(12): 2620–2625. doi: 10.3321/j.issn:0372-2112.2009.12.003 CHEN Siwei, DAI Dahai, LI Yongzhen, et al. The theory of 2-D cosinusoidal phase-modulated repeater scatter-wave jamming to SAR[J]. Acta Electronica Sinica, 2009, 37(12): 2620–2625. doi: 10.3321/j.issn:0372-2112.2009.12.003
[19]	房明星, 毕大平, 沈爱国. 多通道SAR-GMTI二维余弦调相散射波干扰[J]. 上海交通大学学报, 2018, 52(3): 356–364. doi: 10.16183/j.cnki.jsjtu.2018.03.015 FANG Mingxing, BI Daping, and SHEN Aiguo. 2-D cosinusoidal phase-modulated scatter-wave jamming to multi-channel SAR-GMTI[J]. Journal of Shanghai Jiaotong University, 2018, 52(3): 356–364. doi: 10.16183/j.cnki.jsjtu.2018.03.015
[20]	王雪松, 肖顺平, 李永祯, 等. 合成孔径雷达微动干扰[M]. 北京: 科学出版社, 2016. WANG Xuesong, XIAO Shunping, LI Yongzhen, et al. Micro-Motion Jamming of Sunthetic Aperture Radar[M]. Beijing: Science Press, 2016.
[21]	黄岩, 赵博, 陶明亮, 等. 合成孔径雷达抗干扰技术综述[J]. 雷达学报, 2020, 9(1): 86–106. doi: 10.12000/JR19113 HUANG Yan, ZHAO Bo, TAO Mingliang, et al. Review of synthetic aperture radar interference suppression[J]. Journal of Radars, 2020, 9(1): 86–106. doi: 10.12000/JR19113
[22]	赵宗锋. 基于信号波形设计的SAR抗干扰技术研究[D]. [硕士论文], 国防科学技术大学, 2007. ZHAO Zongfeng. SAR anti-jamming based on waveform design[D]. [Master dissertation], National University of Defense Technology, 2007.
[23]	AXELSSON S R J. Noise radar using random phase and frequency modulation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(11): 2370–2384. doi: 10.1109/TGRS.2004.834589
[24]	ZHAO Bo, HUANG Lei, LI Jian, et al. Target reconstruction from deceptively jammed single-channel SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(1): 152–167. doi: 10.1109/TGRS.2017.2744178
[25]	YANG Huizhang, HE Yaomin, DU Yanlei, et al. Two-dimensional spectral analysis filter for removal of LFM Radar interference in spaceborne SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5219016. doi: 10.1109/TGRS.2021.3132495
[26]	YANG Huizhang, LI Kun, LI Jie, et al. BSF: Block subspace filter for removing narrowband and wideband radio interference artifacts in single-look complex SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5211916. doi: 10.1109/TGRS.2021.3096538
[27]	周超, 刘泉华, 胡程. 间歇采样转发式干扰的时频域辨识与抑制[J]. 雷达学报, 2019, 8(1): 100–106. doi: 10.12000/JR18080 ZHOU Chao, LIU Quanhua, and HU Cheng. Time-frequency analysis techniques for recognition and suppression of interrupted sampling repeater jamming[J]. Journal of Radars, 2019, 8(1): 100–106. doi: 10.12000/JR18080
[28]	TAO Mingliang, ZHOU Feng, and ZHANG Zijing. Wideband interference mitigation in high-resolution airborne synthetic aperture Radar data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 74–87. doi: 10.1109/TGRS.2015.2450754
[29]	陶臣嵩, 陈思伟, 肖顺平. 基于深度学习模型的SAR图像间歇采样转发干扰检测[J/OL]. 系统工程与电子技术. 待出版. TAO Chensong, CHEN Siwei, and XIAO Shunping. SAR image interrupted sampling repeater jamming detection based on deep learning models[J/OL]. Systems Engineering and Electronics, in press.
[30]	黄洪旭, 黄知涛, 周一宇. 对合成孔径雷达的移频干扰研究[J]. 宇航学报, 2006, 27(3): 463–468. doi: 10.3321/j.issn:1000-1328.2006.03.027 HUANG Hongxu, HUANG Zhitao, and ZHOU Yiyu. A study on the shift-frequency jamming to SAR[J]. Journal of Astronautics, 2006, 27(3): 463–468. doi: 10.3321/j.issn:1000-1328.2006.03.027
[31]	黄洪旭, 黄知涛, 周一宇. 对合成孔径雷达的随机移频干扰[J]. 信号处理, 2007, 23(1): 41–45. doi: 10.3969/j.issn.1003-0530.2007.01.009 HUANG Hongxu, HUANG Zhitao, and ZHOU Yiyu. Randomly-shift-frequency jamming style to SAR[J]. Signal Processing, 2007, 23(1): 41–45. doi: 10.3969/j.issn.1003-0530.2007.01.009
[32]	黄洪旭, 黄知涛, 吴京, 等. 对合成孔径雷达的步进移频干扰[J]. 宇航学报, 2011, 32(4): 898–902. doi: 10.3873/j.issn.1000-1328.2011.04.028 HUANG Hongxu, HUANG Zhitao, WU Jing, et al. Stepped-shift-frequency jamming to SAR[J]. Journal of Astronautics, 2011, 32(4): 898–902. doi: 10.3873/j.issn.1000-1328.2011.04.028
[33]	吴晓芳, 邢世其, 王雪松, 等. 对合成孔径雷达的脉间分段移频干扰[J]. 航天电子对抗, 2010, 26(1): 53–57. doi: 10.3969/j.issn.1673-2421.2010.01.016 WU Xiaofang, XING Shiqi, WANG Xuesong, et al. Interpulse subsection-shift-frequency jamming to SAR[J]. Aerospace Electronic Warfare, 2010, 26(1): 53–57. doi: 10.3969/j.issn.1673-2421.2010.01.016
[34]	王雪松, 刘建成, 张文明, 等. 间歇采样转发干扰的数学原理[J]. 中国科学E辑:信息科学, 2006, 36(8): 891–901. doi: 10.3969/j.issn.1674-7259.2006.08.007 WANG Xuesong, LIU Jiancheng, ZHANG Wenming, et al. The mathematic principle of intermittent sampling repeater jamming[J]. Scientia Sinica Informationis, 2006, 36(8): 891–901. doi: 10.3969/j.issn.1674-7259.2006.08.007
[35]	吴晓芳, 柏仲干, 代大海, 等. 对SAR的方位向间歇采样转发干扰[J]. 信号处理, 2010, 26(1): 1–6. doi: 10.3969/j.issn.1003-0530.2010.01.001 WU Xiaofang, BAI Zhonggan, DAI Dahai, et al. Azimuth intermittent sampling repeater jamming to SAR[J]. Signal Processing, 2010, 26(1): 1–6. doi: 10.3969/j.issn.1003-0530.2010.01.001
[36]	陈思伟, 王雪松, 刘阳, 等. 合成孔径雷达二维余弦调相转发干扰研究[J]. 电子与信息学报, 2009, 31(8): 1862–1866. doi: 10.3724/SP.J.1146.2008.01218 CHEN Siwei, WANG Xuesong, LIU Yang, et al. The 2-D cosinusoidal phase modulation repeater jamming of SAR[J]. Journal of Electronics &Information Technology, 2009, 31(8): 1862–1866. doi: 10.3724/SP.J.1146.2008.01218
[37]	SIMONYAN K and ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. arXiv: 1409.1556, 2014.
[38]	CHEN Siwei and TAO Chensong. PolSAR image classification using polarimetric-feature-driven deep convolutional neural network[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4): 627–631. doi: 10.1109/LGRS.2018.2799877
[39]	LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278–2324. doi: 10.1109/5.726791
[40]	HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]. 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 770–778.
[41]	SZEGEDY C, IOFFE S, VANHOUCKE V, et al. Inception-v4, inception-ResNet and the impact of residual connections on learning[C]. The 31st AAAI Conference on Artificial Intelligence, San Francisco, USA, 2017: 4278–4284.
[42]	RUEGG M, MEIER E, and NUESCH D. Vibration and rotation in millimeter-wave SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(2): 293–304. doi: 10.1109/TGRS.2006.887025
[43]	CHEN, V C, LI Fayin, HO S S, et al. Micro-doppler effect in radar: Phenomenon, model, and simulation study[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(1): 2–21. doi: 10.1109/TAES.2006.1603402
[44]	CAO Yue, XU Jiarui, LIN Stephen, et al. GCNet: Non-local networks meet squeeze-excitation networks and beyond[C]. 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), Seoul, Korea (South), 2019: 1971–1980.

施引文献

期刊类型引用(4)

1.	严灵杰，顾杰，姜余，徐敏，高昭昭，田保立，张铁男. 基于随机有限集的多目标跟踪技术综述. 电子信息对抗技术. 2024(01): 81-88 . 百度学术
2.	孙志强. 基于均方误差的多目标概率假设密度滤波器. 清远职业技术学院学报. 2023(02): 68-73 . 百度学术
3.	柳超，王月基. 对海探测雷达多目标跟踪技术综述. 雷达学报. 2021(01): 100-115 . 本站查看
4.	胡琪，杨超群. 基于标签多贝努利多传感器组网目标跟踪算法. 系统工程与电子技术. 2021(06): 1541-1546 . 百度学术

其他类型引用(5)

资源附件(0)

访问统计

图(6) / 表(3)

计量

文章访问数: 2575
HTML全文浏览量: 1157
PDF下载量: 490
被引次数: 9

1. 引言
2. GIW-PHD滤波器
2.1 基本模型
2.2 GIW-PHD的具体实现
3. 基于幅度信息的GIW-PHD滤波器
3.1 幅度信息建模
3.2 Rayleigh杂波下目标的幅度似然函数
3.3 AI-GIW-PHD滤波器
3.4 中心量测的计算
4. 仿真
4.1 仿真设置
4.2 仿真结果
5. 结束语

基于深度CNN模型的SAR图像有源干扰类型识别方法

DOI: 10.12000/JR22143

通讯作者:
陈思伟 chenswnudt@163.com

计量

SAR Image Active Jamming Type Recognition Based on Deep CNN Model

Corresponding author: CHEN Siwei, chenswnudt@163.com

1. 引言

2. GIW-PHD滤波器

2.1 基本模型

2.2 GIW-PHD的具体实现

3. 基于幅度信息的GIW-PHD滤波器

3.1 幅度信息建模

3.2 Rayleigh杂波下目标的幅度似然函数

3.3 AI-GIW-PHD滤波器

3.4 中心量测的计算

4. 仿真

4.1 仿真设置

4.2 仿真结果

5. 结束语

期刊类型引用(4)

其他类型引用(5)

计量

目录

1. 引言

2. GIW-PHD滤波器

2.1 基本模型

2.2 GIW-PHD的具体实现

3. 基于幅度信息的GIW-PHD滤波器

3.1 幅度信息建模

3.2 Rayleigh杂波下目标的幅度似然函数

3.3 AI-GIW-PHD滤波器

3.4 中心量测的计算

4. 仿真

4.1 仿真设置

4.2 仿真结果

5. 结束语

期刊介绍

联系我们

基于深度CNN模型的SAR图像有源干扰类型识别方法

DOI: 10.12000/JR22143

通讯作者: 陈思伟 chenswnudt@163.com

计量

出版历程

SAR Image Active Jamming Type Recognition Based on Deep CNN Model

Corresponding author: CHEN Siwei, chenswnudt@163.com

1. 引言

2. GIW-PHD滤波器

2.1 基本模型

2.2 GIW-PHD的具体实现

3. 基于幅度信息的GIW-PHD滤波器

3.1 幅度信息建模

3.2 Rayleigh杂波下目标的幅度似然函数

3.3 AI-GIW-PHD滤波器

3.4 中心量测的计算

4. 仿真

4.1 仿真设置

4.2 仿真结果

5. 结束语

期刊类型引用(4)

其他类型引用(5)

计量

出版历程

目录

1. 引言

2. GIW-PHD滤波器

2.1 基本模型

2.2 GIW-PHD的具体实现

3. 基于幅度信息的GIW-PHD滤波器

3.1 幅度信息建模

3.2 Rayleigh杂波下目标的幅度似然函数

3.3 AI-GIW-PHD滤波器

3.4 中心量测的计算

4. 仿真

4.1 仿真设置

4.2 仿真结果

5. 结束语

期刊介绍

联系我们

通讯作者:
陈思伟 chenswnudt@163.com