纹理异常感知SAR自监督学习干扰抑制方法韩朝赟① 岑 熙① 崔嘉禾② 李亚超*① 张 鹏①①(西安电子科技大学雷达信号处理国家重点实验室 西安 710071)②(中国科学院微小卫星创新研究院 上海 201314)摘要：面对日渐复杂的电磁干扰环境，合成孔径雷达干扰抑制已成为亟须解决的难题。现有主流合成孔径雷达非参数/参数化干扰抑制方法，严重依赖干扰先验和强能量差异，存在计算复杂度高、信号损失严重等问题，难以满足对抗日益复杂的干扰的需求。针对上述问题，该文提出一种基于纹理异常感知的SAR自监督学习干扰抑制方法，利用正常雷达回波与干扰的时频域纹理差异性特征克服干扰先验的约束。首先，构建了一种干扰时频定位网络模型Location-Net，对雷达回波时频谱进行压缩重构，根据网络的重构误差对干扰进行时频定位；其次，针对干扰抑制损失问题，构建了一种信号修复神经网络模型Recovery-Net，实现对干扰抑制后回波信号损失修复。相比传统方法，所提方法克服对干扰先验的需求，可有效对抗多种复杂干扰类型，具备较强的泛化能力。基于仿真和实测数据的抗干扰处理结果，验证了所提方法对多种有源主瓣压制干扰的有效性，并通过与3种现有抗干扰方法进行对比，体现了该算法的优越性。最后，对比了所提神经网络与主流轻量化神经网络的复杂度差异，结果表明设计的两个神经网络计算复杂度更低，具备实时应用前景。关键词：干扰抑制；信号修复；合成孔径雷达；深度学习；自监督学习中图分类号：TN974 文献标识码：A 文章编号：2095-283X(2022)x-0001-19DOI: 10.12000/JR22168引用格式：韩朝赟, 岑熙, 崔嘉禾, 等. 纹理异常感知SAR自监督学习干扰抑制方法[J]. 雷达学报.doi:10.12000/JR22. 168Reference format: HAN Zhaoyun, CEN Xi, CUI Jiahe, et al. Self-supervised learning method for SARinterference suppression based on abnormal texture perception[J]. Journal of Radars.doi:10.12000/JR22.168Self-supervised Learning Method for SAR Interference SuppressionBased on Abnormal Texture PerceptionHAN Zhaoyun① CEN Xi① CUI Jiahe② LI Yachao*① ZHANG Peng①①(National Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China)②(Institute of Microsatellite Innovation, Chinese Academy of Science, Shanghai 201314, China)Abstract: Facing the increasingly complex electromagnetic interference environment, Synthetic Aperture Radar(SAR) interference suppression has become an urgent problem to be solved. The existing mainstream syntheticaperture radar nonparametric/parametric interference suppression methods, which heavily rely on interferencepriori and strong energy difference, have serious problems such as high computational complexity and signalloss, and have difficulty in meeting the needs of countering increasingly complex interference. To solve theaforementioned problems, we propose an anti-interference method using self-supervised learning based on deep收稿日期：2022-08-09；改回日期：2022-10-10*通信作者： 李亚超 ycli@mail.xidian.edu.cn *Corresponding Author: LI Yachao, ycli@mail.xidian.edu.cn基金项目：国家重点研发计划(2018YFB2202500)，国家自然科学基金 (62171337, 62101396)，陕西省重点研发计划 (2017KW-ZD-12)，陕西省杰出青年科学基金 (S2020-JC-JQ-0056)，中央高校基本科研业务费专项资金(XJS212205)Foundation Items: The National Key R&D Program of China (2018YFB2202500), The National Natural Science Foundation of China(62171337, 62101396), The Key R&D Program of Shaanxi Province (2017KW-ZD-12), Shaanxi Province Funds for Distinguished YoungYouths (S2020-JC-JQ-0056), Fundamental Research Funds for the Central Universities (XJS212205)责任主编：张磊 Corresponding Editor: ZHANG Lei第1 1 卷第x 期雷 达 学 报Vol. 11No. x2 0 2 2年1 0月Journal of Radars Oct. 2022网络首发时间：2022-10-11 15:25:46网络首发地址：https://kns.cnki.net/kcms/detail/10.1030.TN.20221010.1603.002.htmllearning, which uses the time-frequency domain texture difference between normal radar echo and interferenceto overcome the constraint of using interference prior. First, we construct an interference location networkmodel Location-Net, which compresses and reconstructs the time-frequency spectrum of the radar echo andlocates the interference according to the network’s reconstruction error. Second, aiming at the signal loss causedby interference suppression, a signal recovery neural network model Recovery-Net is constructed to recover theecho signal after interference suppression. Compared with traditional methods, our method overcomes the needfor interference prior, can effectively resist various complex interference types and has strong generalizationability. The anti-interference processing results based on simulation and measured data verify the effectivenessof the proposed method for various active main lobe suppression interference and show the superiority of thealgorithm proposed here by comparing it with three existing anti-interference methods. Finally, comparing thecomplexity difference between the proposed and mainstream lightweight neural networks shows that the neuralnetworks designed here have low computational complexity and real-time application prospects.Key words: Interference suppression; Signal recovery; Synthetic Aperture Radar (SAR); Deep learning; Selfsupervisedlearning1 引言合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种重要的探测系统，能够实现对目标场景进行高分辨成像，在民用和军用领域具有广泛的应用[1,2]。然而，在当前日趋复杂的电磁干扰环境下，针对合成孔径雷达研究的干扰方法日益多样[3]，已严重制约了合成孔径雷达的工作性能。因此，开展合成孔径雷达干扰抑制技术研究显得越来越迫切。现有主流合成孔径雷达干扰抑制方法按照技术途径，可划分为非参数化、参数化以及半参数化干扰抑制方法[4]。非参数化方法主要适用于强干扰情况，且需要进行干扰判决，主要分为陷波滤波器、自适应滤波器和子空间投影方法。陷波滤波器和自适应滤波器方法通过在信号频域[5]或时频域[6]构建滤波器来实现对强干扰主瓣的抑制，如文献[5]提出了一种自适应检测方法对干扰进行定位，并据此确定滤波器带宽，从而实现对窄带干扰的抑制。但陷波/自适应滤波器在抑制干扰时，都不可避免地导致部分回波信号的损失。基于子空间投影的抗干扰方法[7,8]试图构建相互正交的信号子空间和干扰子空间，利用雷达回波信号在干扰子空间的投影实现对干扰的分离，如文献[9]提出的基于时频域的子空间投影方法，可有效对抗窄/宽带压制干扰，但该类方法的子空间相互正交假设对截取-转发的间歇采样转发等有源相参压制干扰效果有限，且具有较高的计算复杂度。参数化[10–12]与半参数化[13–15]方法的思路类似，通过构建干扰的半参数/参数化模型，并利用优化理论求解其模型参数，从而实现干扰的提取和分离。文献[13]提出一种基于稀疏重构理论的半参数化抗干扰方法，其分别构建的SAR信号和干扰信号的稀疏字典，完成优化建模，并采用稀疏重构优化求解目标和干扰信号模型参数，实现信干分离。然而，参数化方法存在计算复杂度高、模型依赖干扰先验等缺陷，在面对干扰类型变化多样、调制方法复杂的干扰情况，其抗干扰效果有待提升。近些年，深度学习凭借对结构化数据进行特征提取方面的优势，已在诸多领域获得了广泛应用。目前，深度学习在抗干扰领域的应用主要集中于干扰类型的识别[16–19]，而直接将深度学习应用于干扰抑制处理的尝试则较少。文献[20]提出了一种基于分类网络的干扰判决方法，并试图基于干扰先验，构建一个卷积神经网络模型来实现干扰抑制。文献[21]将生成对抗网络应用到上述网络模型的构建中，实现干扰抑制性能提升；文献[22,23]则分别提出一维卷积神经网络和门控循环单元(GatedRecurrent Unit, GRU)模型，实现时域干扰抑制，训练网络学习将受到干扰的回波映射至干净的回波。然而，上述基于深度学习的干扰抑制方法均简单采用“端-端”方式，使用匹配的干扰-无干扰数据对神经网络进行监督训练，而忽略了现实中不同干扰能量强度的随机性。这时，不同干信比下回波信号归一化后数值分布差异大，难以有效完成干扰-无干扰的映射学习，不具有实用性。此外，监督学习训练的神经网络模型依赖于干扰先验，仅能够对抗训练集内的干扰类型，缺乏泛化性；若引入更多干扰类型，则需要提升网络模型容量，使得模型训练难度增大，计算复杂度随之提高。针对上述方法存在的问题，本文提出了一种基于纹理异常感知的SAR自监督干扰抑制方法：(1)针对干扰类型复杂多样、现有方法依赖干扰先验问题，本文依据干扰的时频纹理异常，基于自监2 雷 达 学 报第1 1 卷督学习构建干扰时频定位网络模型Location-Net实现干扰信号的时频定位与抑制，从而使得方法具有较强的泛化性，保证抗干扰类型多样；(2)针对目标与干扰信号时频谱重叠而导致的信号损失问题，构建了一种信号修复网络模型Recovery-Net对缺失的目标信号进行修复。仿真和实测数据抗干扰结果表明了本文所提方法的有效性。同时考虑到实时性，将本文方法与主流轻量化卷积神经网络的计算复杂度进行了对比。2 基于纹理异常感知的干扰抑制原理2.1 典型SAR干扰的时频聚集特性分析对于受到干扰的合成孔径雷达，其接收脉冲回波由目标回波信号、干扰信号以及背景噪声3部分构成：r(n) = s(n) + i(n) + !(n) (1)s(n) i(n)!(n)i(n)其中，n为时间采样点， 表示目标回波信号，表示雷达接收到的干扰信号， 表示背景噪声。对于干扰信号的构成，典型强脉冲式干扰、窄带压制干扰、调频宽带压制干扰等不同类型干扰具有不同的调制方式，但在局部时间窗内，都可近似为宽/窄带调频干扰。这时，干扰信号模型可以表示为复杂宽/窄带调频干扰的组合：i(n) =ΣLl=1Al
g (n ��� nl)
exp(φl(n)) (2)g (n ��� nl) nl Alφl(n)r(n)R(n; k)其中，l为干扰段编号， 为中心位置，宽度的矩形窗函数， 为第l 段干扰的幅度，为第l段干扰的频率调制。在任意瞬时时刻，式(2)中干扰频率取值单一且随时间变化。因此，这时将转化到时频域进行分析，可得其时频谱R(n; k) =Σmr(m)w(m ��� n) exp(���j2πkm/L)=S(n; k) + I(n; k) + Ω(n; k) (3)w(m ��� n)S(n; k)I(n; k) Ω(n; k)n0 R(n0; k)I(n0; k) w(m ��� n0)I(n0; k) R(n0; k)S(n0; k)其中，k为频率采样点， 为以n为中心的滑窗，L为滑窗窗长， 为目标回波时频谱，为干扰时频谱， 为背景噪声时频谱。对于时刻的瞬时谱， 干扰瞬时谱为干扰信号在滑窗内的频谱，频率范围较窄，干扰瞬时谱在中覆盖范围较小，与目标回波瞬时谱重合度低，使得干扰在时频谱内呈现出较强的聚集性。如图1所示，分别列举了间歇采样转发干扰、非均匀间歇采样转发干扰、线性函数移频干扰下实测SAR脉冲回波数据时/频/时频图。图1(a)—图1(c)分别对应于3组受干扰信号的时域波形，图1(d)—图1(f)分别对应于3组受干扰信号频谱。显然，时域与频域中回波信号均受到干扰的大范围覆盖，难以分辨。然而，观察图1(g)—图1(i)所对应的时频谱图，发现干扰能量离散分布于一系列瞬时谱中，其中每一瞬时谱内的干扰频率范围小，即二维时频谱内干扰的聚集性强。这时，目标与干扰信号重合度较低，干扰呈现出可分离性。因此可利用该特性开展SAR有源干扰抑制方法研究。2.2 干扰抑制与信号修复Rc(n; k)Feature根据2.1节分析可知，强脉冲式有源主瓣干扰类型在时频域中呈现出较强的聚集性，且干扰时频分量仅局部存在于回波时频谱中，大部分目标回波时频分量不受干扰影响。此外，实际中干扰类型/幅度多样，特征分布各不相同，纹理特征差异较大，但正常雷达回波分布与纹理特征则相对稳定。因此，基于这一特性，考虑卷积神经网络对结构化数据的局部纹理特征的提取能力，构建卷积神经网络模型学习正常目标回波时频谱的纹理特征分布：Fc = models(Rc(n; k))Rc(n; k) = Sc(n; k) + Ωc(n; k)}(4)Fc(n; k) 2 Feature (5)models(
) FcSc(n; k) Rc(n; k)Ωc(n; k) Rc(n; k) Fc(n; k)(n; k)Rj(n; k)其中， 为卷积神经网络模型， 为网络输出的特征图， 为中的回波时频谱，为噪声时频谱， 为特征图中点的特征向量。这时，如果将受干扰雷达回波时频谱输入网络进行运算：Fj = models(Rj(n; k))Rj(n; k) = Sj(n; k) + Ij(n; k) + Ωj(n; k)}(6)Sj(n; k) Ij(n; k) Ωj(n; k) Rj(n; k)Rj(n; k)Feature其中， , , 分别为对应中的目标时频谱、干扰时频谱和噪声时频谱。则对于中异于正常回波纹理的干扰部分而言，其特征提取结果将不属于特征分布：Fj(n; k) /2Feature, Ij(n; k) ̸= 0 (7)因此，根据式(6)中神经网络特征提取结果，可实现对时频谱中干扰分量的检测：Mask(n; k) ={1; Fj(n; k) 2 Feature0; Fj(n; k) /2Feature(8)Mask(n; k)Mask(n; k)掩模即为干扰时频定位结果，其中0代表时频谱对应位置中包含干扰，1代表不包含干扰，进而可通过对接收回波时频谱进行干扰抑制：第x 期韩朝赟等：纹理异常感知SAR自监督学习干扰抑制方法3Rj(n; k) = Rj(n; k) ⊙ Mask(n; k) (9)RjIj(n; k)其中， 代表干扰抑制后的雷达回波时频谱，抑制后，时频谱中的干扰部分将基本得到滤除：Rj(n; k) = (Sj(n; k) + Ωj(n; k)) ⊙ Mask(n; k) (10)Sj(n; k)Ij(n; k)Mask(n; k)然而，由于实际目标回波信号时频谱与干扰时频谱存在部分重叠，经式(10)处理后，将使得部分目标回波信号也会受到掩模抑制，造成目标信息损失，因而需要对其进行损失修复。从原理出发，目标回波可以理解为目标场景对发射信号的调制，部分回波信号损失并不会导致目标信息的完全丢失。因此，根据受损回波时频特性，可考虑利用训练神经网络模型来提取目标特征信息，从而预测完整回波的时频谱：⌢S(n; k) = modelr(Rj(n; k)) (11)modelr(
)⌢S(n; k)^s(n)其中， 为用于损失信号修复的神经网络模型， 为修复后的回波信号时频谱。经神经网络模型修复后，通过时频变换(本文采用短时傅里叶逆变换(Inverse Short Time Fourier Transform,ISTFT))可将修复后的回波变换到时域，即。然而，ISTFT对时频谱进行的二维滑窗加权求和处理，其本质是仅沿时间维滑动的二维卷积层运算过程。因此，对于滑窗窗长为L的ISTFT处(a) 时域-间歇采样转发干扰(a) Time, interrupted-samplingand repeater jamming(b) 时域-非均匀间歇采样转发干扰(b) Time, heterogeneous interruptedsamplingand repeater jamming(c) 时域-线性函数移频干扰(c) Time, linear functionfrequency shift jamming(d) 频域-间歇采样转发干扰(d) Frequency, interrupted-samplingand repeater jamming(e) 频域-非均匀间歇采样转发干扰(e) Frequency, heterogeneous interruptedsamplingand repeater jamming(f) 频域-线性函数移频干扰(f) Frequency, linear functionfrequency shift jamming(g) 时频域-间歇采样转发干扰(g) Time-frequency, interruptedsamplingand repeater jamming(h) 时频域-非均匀间歇采样转发干扰(h) Time-frequency, heterogeneous interruptedsamplingand repeater jamming(i) 时频域-线性函数移频干扰(i) Time-frequency, linear functionfrequency shift jamming1000 2000 3000 40001000 2000 3000 40000 1000 2000 3000 4000时间点数00.51.0归一化幅度频率点数00.51.0归一化幅度时间点数0 0 0204060频率点数1000 2000 3000 40001000 2000 3000 40000 1000 2000 3000 4000时间点数00.51.0归一化幅度频率点数00.51.0归一化幅度时间点数204060频率点数1000 2000 3000 40001000 2000 3000 40000 1000 2000 3000 4000时间点数00.51.0归一化幅度频率点数00.51.0归一化幅度时间点数204060频率点数图 1 间歇采样转发/非均匀间歇采样转发/线性函数移频干扰的多域特性图Fig. 1 Multi-domain of interrupted-sampling and repeater jamming/heterogeneous interrupted-sampling andrepeater jamming/linear function frequency shift jamming4 雷 达 学 报第1 1 卷理，其变换过程可以写为时频谱与L  L卷积核的卷积：^s(n) =ISTFT(⌢S(n; k))=1L2LΣ���1m=0LΣ���1k=0⌢S(n + m; k)
exp(j2πk(L ��� 1 ��� m)/L)
w(L ��� 1 ��� m)���1=weightLL ⌢S (n; k)=convLL(⌢S(n; k)) (12)weightLL L  L convLL(
) L  L其中， 表示卷积核， 代表卷积运算， 表示卷积层。这时，回波信号的时频谱修复与ISTFT过程可写为^s(n) = convLL(modelr(Rj(n; k)))(13)convLL(
)modelr(
) convLL(
)modelr(
)显然，由于卷积层与时频谱修复神经网络模型为串接关系，因而将与融合，从而可直接构建神经网络模型将损失回波时频谱修复为完整时域回波信号：modelr(
) := convLL(modelr(
)) (14)从而直接将损失的回波时频谱修复为完整时域回波信号：^s(n) = modelr(Rj(n; k)) (15)convLL(
)L  L注意，由于卷积层相对于回波时频谱的感受野等同于卷积核形状。所以，融合后的模型设计理应满足感受野不小于。3 干扰抑制神经网络模型3.1 干扰时频定位网络模型(Location-Net)根据2.2节分析可知，干扰时频定位网络特征提取作用于雷达回波的时频谱，并且干扰时频定位结果与输入时频谱保持相同分辨率，因此本文基于卷积自编码器[24]设计了一种全新的干扰时频定位网络模型Location-Net，其利用对目标场景雷达回波时频谱压缩重构，依据重构误差作为信号/干扰的区分特征。网络模型训练目标函数可写为argminmodels| models(R(n; k)) ��� R(n; k)j (16)对于雷达回波时频谱中未受到干扰部分，其重构误差较低；但对于受干扰部分而言，由于模型仅被训练用于重构目标场景回波时频谱的压缩重构，因而其重构结果将会产生较大的误差。所以通过对重构误差设置阈值的方式即可完成对干扰分量的定位：L(n; k) = |models(R(n; k)) ��� R(n; k)jMask(n; k) ={1; L(n; k) > threshold0; L(n; k)  threshold9=; (17)其中，L(n; k)为网络模型的重构误差模型， threshold为重构误差阈值，其取值可根据模型对无干扰时频谱的重构误差计算获得，误差高于阈值部分为干扰时频分量。根据上述分析，本文设计的干扰时频定位网络模型Location-Net如图2所示，网络采用全卷积结构，共包含4层，每层的网络参数如表1所示。网络分为编码/解码器两部分(编码压缩—解码重建)，其中前两层为模型的编码器部分，用于对输入网络的时频谱进行压缩，采用3×3卷积层，卷积步长为2，并在卷积之后级联批归一化层(Batch Normalization,BN[25])和ReLU激活函数[26]；网络后两层为解码部分，用于将时频谱的压缩结果进行重构，同样采用3×3转置卷积层实现上采样，采样步长为2。注意，网络第3层卷积后级联批归一化层和ReLU激活函数，而第4层将前层的运算结果映射到网络输出的形式，卷积后不采用其他操作。此外，3216332331632833332321616普通卷积转置卷积编码器解码器图 2 干扰时频定位网络模型(Location-Net)Fig. 2 Interference time-frequency location network model (Location-Net)第x 期韩朝赟等：纹理异常感知SAR自监督学习干扰抑制方法5在网络卷积前，需要对输入进行宽度为1的补零，且由于批归一化处理，所有卷积层均不设偏置项。3.2 信号修复网络模型(Recovery-Net)相比干扰抑制，信号的损失修复常被学者所忽略。为解决这一问题，基于2.2节分析，本节设计了一种修复卷积神经网络模型Recovery-Net实现损失信号的时频域-时域修复的过程，其网络模型整体呈现为一种收缩结构：网络逐层计算过程中，输入时频谱的频率维由32收缩至1，时间维则不进行大幅下采样；同时，为保证输入时频谱边缘数据能32  32得到同等处理，网络中所有卷积层不进行补零处理。因此，在网络计算中，时频谱特征图的时间维长度将逐层减小。注意，由于本文默认STFT/ISTFT尺寸数为32，故网络的感受野应不小于。5  51  73  3基于上述分析，本文设计的修复网络模型Recovery-Net如图3所示，采用共包含7个卷积层的全卷积结构，各层参数如表2所示。网络前3层均为卷积层，其中前两层沿频率维卷积步长为2，其余卷积步长为1，使得前3层特征图频率维点数收缩至1；4至6层则需满足网络的时间维感受野，均为卷积层，主要沿时间维进行特征提取和；第7层采用1×1卷积层，将前层计算结果映射至输出时域回波形式。注意，除最后一层外，每个卷积层后级联批归一化层和ReLU激活函数，且所有卷积层均不设偏置项，卷积前也不进行补零。在信号修复过程中，各层计算得到的特征图逐层减小，难以引入残差连接[27]来避免网络层数过多导致的模型退化问题。因此，修复网络并未采用常见多个卷积核代替大卷积层的网络设计策略[28]，从而避免出现层数过多问题。3.3 网络训练数据与损失函数由于干扰时频定位与信号修复网络模型均采用全卷积神经网络模型，其本身对于输入数据的时间长度并无限制，因而为方便后续批量化训练，本文将默认采用相同时间维长度的训练数据。此外，为配合干扰时频定位和信号修复网络模型训练，对它们的损失函数也给出了明确定义，其中干扰时频定位网络模型的损失函数为MSE损失函数与SSIM损失函数[29]组合：Losss(y; y) = MSE(y; y) + SSIM(y; y) (18)3214552555581624 325 32 2111117771 325×5卷积1×7卷积1×1卷积111图 3 信号修复网络模型(Recovery-Net)Fig. 3 Signal recovery network model (Recovery-Net)表 1 干扰时频定位网络参数Tab. 1 Interference time-frequency location networkparameter list类型核/步长补零个数BN/激活卷积3×3×16/2 1 是/ReLU卷积3×3×32/2 1 是/ReLU转置卷积3×3×16/2 1 是/ReLU转置卷积3×3×2/2 1 –表 2 基于卷积层的信号修复网络参数Tab. 2 Parameter list of signal recovery network based onconvolution layers核/步长补零个数BN/激活5×5×8/(2,1) 0 是/ReLU5×5×16/(2,1) 0 是/ReLU5×5×24/1 0 是/ReLU1×7×32/1 0 是/ReLU1×7×32/1 0 是/ReLU1×7×32/1 0 是/ReLU1×1×2/1 0 –6 雷 达 学 报第1 1 卷MSE(y; y) =1nΣni=0(yi ��� yi)2 (19)SSIM(y; y) =(2yy + C1)(2yy + C2)(2y + 2y + C1)(2y + 2y + C2)(20)y yiyi y y y yy y y yy yC1 C2y为网络模型的输出， 为对