劉佳偉，達通航，孫金龍，王 松，張文斌

(解放軍63618部隊，新疆 庫爾勒 841000)

0 引 言

隨著合成孔徑雷達(SAR)傳感器和處理算法的快速發(fā)展，其成像能力得到了極大的提升。SAR衛(wèi)星現(xiàn)已經(jīng)被廣泛應(yīng)用于情報偵察等軍事領(lǐng)域。對SAR的干擾研究一直是電子信息對抗領(lǐng)域的熱點問題，如何衡量干擾模式的有效性和干擾機的性能一直以來都是值得關(guān)注的焦點問題。隨著人工智能和深度學(xué)習(xí)的極大發(fā)展，將這2個領(lǐng)域中的先進方法應(yīng)用于對SAR干擾效果的評估是一種必然趨勢。定性定量的干擾效果評估方法，將大大有利于對SAR干擾方法的研究和武器裝備的試驗鑒定。

本文首先對已有的干擾效果評估方法進行了簡述，然后提出了一種基于神經(jīng)網(wǎng)絡(luò)的智能評估方法，并提出了可以定量衡量干擾效果的評價公式，用以完成對不同干擾樣式和情形的綜合評估，最后通過計算仿真對評估方法進行了初步驗證。

1 現(xiàn)有干擾效果評估方法

現(xiàn)有的干擾方法按照評價方式可以分為主觀和客觀2類：主觀方法實用性強，適用范圍廣，主要依靠人工來進行判別，有其主觀性；客觀方法則是通過一定的量化指標(biāo)來進行衡量，容易量化，且可以避免主觀因素的影響，往往存在考慮因素不全、適用范圍窄的問題。下面對目前較常用的幾種效果評估方法進行簡要介紹。

1.1 主觀評估方法

進行主觀效果評估前，首先應(yīng)該進行數(shù)據(jù)和SAR圖像準(zhǔn)備。對同一個場景下的目標(biāo)，首先進行一次無干擾成像。然后在不同的干擾條件下再進行多次成像，在多次成像過程中盡量保證成像的各個條件和參數(shù)與第1次無干擾成像時盡可能一致。邀請多位評判專家，在不知道每幅圖具體信息的情況下對得到的多幅SAR圖像進行干擾效果評估工作,最后將得到的結(jié)果匯總，加權(quán)求和得到最后的干擾評估結(jié)論。主觀評價流程圖如圖1[1]所示，依靠多位有經(jīng)驗的專家進行判讀往往可以得到很好的評估結(jié)論，因此主觀評價方法也是目前最可用和最常用的評估方法。但是這種方法在實施中，打分過分依賴于專家的主觀感受，在定量效果評估方面有一定的局限。

圖1 主觀評價流程圖

1.2 客觀評價方法

冉小輝等[2]對現(xiàn)有電子對抗效果評估技術(shù)中的評估準(zhǔn)則、評估指標(biāo)和評估方法進行了總結(jié)。馬俊霞[3]研究了基于干擾前后SAR圖像之間歐幾里德空間距離的評估方法；周廣濤[4]研究了基于信息熵的評估方法；韓國強[5]等人提出使用多種方法進行組合評估?？陀^評估方法主要依據(jù)干擾前后圖像相關(guān)指標(biāo)的變化來衡量干擾對SAR成像的影響，這個結(jié)論對壓制干擾來說是正確的，但是對欺騙干擾來說卻不一定正確。

使用神經(jīng)網(wǎng)絡(luò)進行干擾效果評估也得到了一些學(xué)者的關(guān)注，員志超[6]探討了一種基于RBF神經(jīng)網(wǎng)絡(luò)的干擾評估方法。林連雷[7]考慮各影響因素與干擾效果之間的函數(shù)關(guān)系，用訓(xùn)練好的支持向量基(SVM)評估干擾效果。李雨辰[8]使用卷積神經(jīng)網(wǎng)絡(luò)判斷了欺騙干擾的成像結(jié)果圖像的質(zhì)量和航跡誤差大小的關(guān)系。以上研究都是通過建立干擾要素對干擾效果的影響關(guān)系來進行干擾效果評估，通過神經(jīng)網(wǎng)絡(luò)得到的是干擾效果和干擾因素之間的一個依賴關(guān)系，缺乏對干擾效果的直觀評價，且沒有充分利用SAR成像本身是一副圖片的事實。

2 SAR圖像干擾的智能評估方法

卷積神經(jīng)網(wǎng)絡(luò)在近幾年發(fā)展迅速，各種先進的目標(biāo)檢測和識別算法先后被提出。將這些方法應(yīng)用于SAR圖像處理，將會使SAR圖像目標(biāo)檢測和干擾效果評估變得更加高效準(zhǔn)確，將逐漸能夠替代人工判別和評估的方法。

這里提出一種新的基于深度學(xué)習(xí)的SAR圖像識別和干擾效果評估方法。

2.1 Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)及其訓(xùn)練

使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基于Faster-RCNN[9]結(jié)構(gòu)，F(xiàn)aster-RCNN在Fast-RCNN的基礎(chǔ)上通過將特征提取和區(qū)域建議尋找(Region Proposal)進行整合而進一步提高了目標(biāo)檢測的速度。其是目前在圖像識別領(lǐng)域幾個最出色的算法之一，且圖像的識別速度能夠達到5～17幀，是一種接近實時的目標(biāo)檢測和識別算法。網(wǎng)絡(luò)結(jié)構(gòu)如圖2左半部分所示。在ILSVRC和COCO比賽中，多個比賽第一名算法的結(jié)構(gòu)都基于Faster-RNN設(shè)計，說明了Faster-RCNN在圖像處理上的巨大優(yōu)勢。由于計算資源有限并且進行方法可行性驗證，在進行SAR圖像特征提取時使用了較為簡單的網(wǎng)絡(luò)結(jié)構(gòu)，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和組成如圖2右側(cè)所示，如果對計算量或者識別時間不敏感，可以使用resnet101等更復(fù)雜的網(wǎng)絡(luò)形式進行特征提取。

圖2 Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)及本文使用的特征識別網(wǎng)絡(luò)

良好的訓(xùn)練是使神經(jīng)網(wǎng)絡(luò)具備良好識別能力的保證，前期的數(shù)據(jù)集標(biāo)注工作更是建立良好數(shù)據(jù)集的基礎(chǔ)。通過對網(wǎng)絡(luò)進行訓(xùn)練，使網(wǎng)絡(luò)具備在SAR圖像中識別船只或其它物體的能力。使用的數(shù)據(jù)集是包括了干凈背景和復(fù)雜場景中的船只SAR圖像切片。部分訓(xùn)練用圖切片如圖3所示。

圖3 數(shù)據(jù)集中部分船舶切片

在訓(xùn)練過程中，為了更好地收斂且較快地完成訓(xùn)練，將學(xué)習(xí)率設(shè)置為1e-4。模型優(yōu)化方法為加入動量的隨機梯度下降方法(SGDM)，可以使訓(xùn)練過程更加平穩(wěn)，使用GPU進行加速。訓(xùn)練過程中的殘差變化如圖4所示。

圖4 訓(xùn)練過程最小批次均方根誤差

只有神經(jīng)網(wǎng)絡(luò)具備了可靠的識別能力，才能夠認為它具備干擾效果的評估能力。用同一個雷達的多幅圖像去訓(xùn)練這個神經(jīng)網(wǎng)絡(luò)可以使網(wǎng)絡(luò)具有更好的對此雷達目標(biāo)的識別性能，如果加入其它類型目標(biāo)的訓(xùn)練，那么網(wǎng)絡(luò)就能夠具有多種目標(biāo)類型的識別能力。

2.2 智能評估準(zhǔn)則

當(dāng)SAR面對干擾時，對于壓制干擾，干擾效果越好，神經(jīng)網(wǎng)絡(luò)對真實目標(biāo)的識別率就會越低。如果用N幅受干擾SAR圖像及其原圖去衡量干擾效果，設(shè)第n幅圖中有Wn個真實目標(biāo)。則壓制干擾效果可具體表示為：

(1)

式中：Sw表示未干擾前第i幅圖中第w個目標(biāo)的識別置信度(神經(jīng)網(wǎng)絡(luò)識別得到的準(zhǔn)確度)；Sw′則表示施加干擾后此目標(biāo)識別的置信度。

對于欺騙干擾，如果施加的假目標(biāo)越逼真，那么神經(jīng)網(wǎng)絡(luò)將其識別為真實目標(biāo)的可能性就越高。同樣用N幅圖去衡量，設(shè)第n幅圖中有Kn個因為干擾而產(chǎn)生的假目標(biāo)，此時欺騙干擾效果可表示為：

(2)

式中：Dk表示第i幅圖中第k個假目標(biāo)在神經(jīng)網(wǎng)絡(luò)進行目標(biāo)識別時的置信度。

若場景中同時存在2種干擾，或考慮假目標(biāo)的加入對于真目標(biāo)的壓制效應(yīng)，可以在進行干擾效果評估時綜合考慮公式(1)和公式(2)中的2種效果?？偟母蓴_效果可表示為：

JA=JS+JD

(3)

通過以上2個公式，就可以對干擾機的不同干擾樣式及多個使用場景干擾效果評估，以此來衡量干擾機在一定使用條件下對SAR成像的干擾能力。

3 仿真驗證

使用訓(xùn)練完的神經(jīng)網(wǎng)絡(luò)對測試集中的圖片進行測試，可以檢驗神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別能力。通過對干擾前和干擾后的SAR圖像進行識別，并應(yīng)用上面提出的干擾評估方法可以獲得不同干擾下的效果評估。

3.1 神經(jīng)網(wǎng)絡(luò)目標(biāo)識別能力

在QuadroM3000M顯卡下，測試單張圖平均用時為0.12 s，識別結(jié)果如圖5所示。可以發(fā)現(xiàn)，目前這個神經(jīng)網(wǎng)絡(luò)在單一場景下對船舶的識別能力是非常強的，但是對于復(fù)雜場景有時候會出現(xiàn)錯判和漏判的情況。導(dǎo)致這種現(xiàn)象的原因：一方面是因為復(fù)雜場景下的識別難度本身就比較大；另外就是在訓(xùn)練過程中數(shù)據(jù)集太小，復(fù)雜場景的切片不夠?qū)е碌?。這個問題可以通過后期搜集SAR圖像船舶樣本，增加訓(xùn)練數(shù)據(jù)數(shù)量來解決。

圖5 簡單背景及復(fù)雜背景下的識別結(jié)果

3.2 干擾效果評估驗證

將窄帶瞄頻調(diào)頻噪聲信號施加到雷達回波數(shù)據(jù)中，雷達未受干擾時的成像結(jié)果見圖6?？刂聘蓴_信號的功率，獲得不同噪聲大小下的成像結(jié)果，將得到的SAR圖像進行目標(biāo)識別，并使用上面得到的干擾效果評估公式進行干擾效果的評估，圖像識別的結(jié)果如圖7所示。

圖6 未施加干擾時的SAR圖像及識別結(jié)果

圖7 存在角反假目標(biāo)時的SAR圖像及識別結(jié)果

圖8和圖9的噪聲干擾仿真結(jié)果展示了神經(jīng)網(wǎng)絡(luò)的干擾效果評估能力。從識別結(jié)果中可以看出：當(dāng)干擾信號的功率增大，SAR成像會嚴(yán)重惡化，這會導(dǎo)致神經(jīng)網(wǎng)絡(luò)識別的置信度降低。根據(jù)公式(1)可以得到在干信比為0 dB時干擾效果指標(biāo)JS1=0.006 1，干信比為3 dB時的干擾擾效果指標(biāo)JS3=0.363 45，這2個值可以作為在此類干擾模式下不同功率干擾信號干擾效果的一個定量評價指標(biāo)。

圖8 干信比為0 dB時的識別結(jié)果

圖9 干信比為3 dB時的識別結(jié)果

考慮存在假目標(biāo)的情況。假設(shè)在地面布置一個用來模擬艦船雷達反射特性的角反群，角反群由25個角反組成，中央角反雷達截面積(RCS)大小為30 dB，其余角反為25 dB，角反群的布局見圖10。將模擬的雷達回波和真實雷達回波進行疊加，獲得此時的SAR成像,如圖10所示。

圖10 角反群的布置位置

將所成的SAR圖像用神經(jīng)網(wǎng)絡(luò)進行識別，結(jié)果見圖10。通過識別結(jié)果可以看到，此時并沒有將地面設(shè)置的角反群識別為船，也就是說欺騙干擾沒有成功。通過和未施加干擾的圖6對比，發(fā)現(xiàn)此時原目標(biāo)的識別置信度下降，這是因為角反作為強散射點，壓制了原目標(biāo)的成像。根據(jù)公式(3)，此時的干擾效果為JA=0.179 63+0=0.179 63，和上面的噪聲干擾相比較，可認為角反假目標(biāo)雖然沒有實現(xiàn)欺騙的目的，但是卻產(chǎn)生了介于瞄頻噪聲在干信比0～3 dB之間的一個壓制效果。

通過以上2種干擾下的干擾評價，可以證明神經(jīng)網(wǎng)絡(luò)判別干擾效果的實用和高效性，同時也克服了主觀評價中不能定量評價的問題。

4 結(jié)束語

將圖像處理算法應(yīng)用于SAR圖像處理中，可以得到非常好的目標(biāo)識別效果。特別是Faster-RCNN類網(wǎng)絡(luò)，可以將目標(biāo)檢測和目標(biāo)識別同步完成，在保證高準(zhǔn)確率的同時大大增加了目標(biāo)識別的速度。神經(jīng)網(wǎng)絡(luò)在目標(biāo)識別中的出色能力使其成為干擾效果檢測的有力手段。使用神經(jīng)網(wǎng)絡(luò)和本文提出的量化公式，可以對同一干擾樣式不同功率或是不同干擾樣式之間的干擾效果進行一定程度的定量評價。后續(xù)通過增加數(shù)據(jù)集質(zhì)量和數(shù)量，可以使此網(wǎng)絡(luò)能力更加完善，進一步提高其目標(biāo)識別能力和干擾效果評估能力。