申请/专利权人：东南大学;上海卫星工程研究所

申请日：2022-07-04

公开（公告）日：2023-01-24

公开（公告）号：CN115639557A

主分类号：G01S13/90

分类号：G01S13/90;G01S7/02;G06F18/214;G06F18/241;G06N3/04;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.02.14#实质审查的生效;2023.01.24#公开

摘要：本发明公开了一种合成孔径雷达典型干扰检测和识别方法，对于被五种常见电磁干扰：单音干扰、多音干扰、线性扫频干扰、部分频带干扰和噪声调频干扰污染的合成孔径雷达信号，在时域、频域、时频域、分数阶傅里叶域等域提取7个有用特征值：单频能量聚集度、平均频谱平坦系数、分数阶傅里叶域能量聚集度、频域矩峰度系数、频域矩偏度系数、频域参数、时域矩峰度系数。接着搭建全连接神经网络对干扰类型进行分类，达到98.78％的准确率。本发明创新地使用特征提取和神经网络分类方法，具有自动检测并识别污染SAR图像的干扰类型的能力，且检测和分类准确率较高。

主权项：1.一种合成孔径雷达典型干扰检测和识别方法，其特征在于，针对在合成孔径雷达中电磁干扰，使用特征提取和机器学习方法进行检测和识别，该方法包括以下步骤：步骤1：选取没有被干扰污染的合成孔径雷达信号，在快时间域添加若干种电磁干扰，被干扰污染的合成孔径雷达信号与没有被干扰污染的合成孔径雷达信号组成数据集；步骤2：将没有被干扰污染的信号和各被干扰污染的信号标记为不同类别，构成训练数据集；步骤3：对构建的训练数据集在时域、频域、时频域进行特征提取；步骤4：通过步骤3所示的特征提取操作将步骤2中获得的数据集化简为由特征值和类别标签组成的干扰数据集；步骤5：搭建全连接神经网络并对步骤4中得到的干扰数据集进行训练得到干扰检测和类型识别模型，优化参数和网络结构得到高准确率模型；步骤6：应用步骤5中得到的干扰检测和类型识别模型来进行干扰检测和类型识别，使用训练好的干扰检测和类型识别模型对测试数据就进行干扰检测和类型识别，得到分类结果并输出。

全文数据：

权利要求：

百度查询： 东南大学;上海卫星工程研究所 一种合成孔径雷达典型干扰检测和识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD