.png){kind=icon}
返回
A Time–Frequency-Aware Hierarchical Feature Optimization Method for SAR Jamming Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/TAES.2025.3563141.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
合成孔径雷达（SAR）干扰识别因其对复杂电磁环境下提升雷达系统性能的关键作用而受到广泛关注。然而，现有研究通常仅针对有限的干扰类别，阻碍了需要同时识别多个干扰源的实际应用。此外，特征分布优化中的挑战导致类间特征重叠和类内特征不一致，进而降低了SAR干扰识别的准确性。为解决这些问题，我们提出了一种时频感知的层次化特征优化方法用于SAR干扰识别。具体而言，我们提出了一种时频感知的双注意力机制，通过并行注意力和统一注意力聚焦于SAR干扰信号时频图中的关键特征。此外，我们提出了层次化的干扰特征分布优化方法，进一步提升了SAR干扰特征表示的紧致性和可区分性。我们构建了一个包含50种干扰类型的SAR干扰信号数据集，用于验证所提出的识别方法。消融实验和对比实验的详细结果证明了该方法在不同干扰噪声比条件下均表现出优异性能，证实了其在鲁棒SAR干扰识别中的有效性。
Keyword:
Attention mechanism
feature distribution optimization
synthetic aperture radar (SAR) jamming recognition
期刊
IF:
5.7
论文数:
863
被引数:
2.4W
机构
引用论文
A method of jamming recognition based on multi-domain joint convolutional neural network基于多域联合卷积神经网络干扰识别方法
.png){kind=icon}
PREAI
分享收藏Simulation research on classification and identification of typical active jamming against LFM radar
PREAI
分享收藏
分享收藏
查看更多内容