引言
现代雷达面临有源信号干扰威胁，主要包括数字射频存储（Digital Radio Frequency Memory,DRFM）产生的仿真式干扰和高功率噪声干扰[1]。仿真干扰通过复制雷达信号引入虚假目标回波，使真实目标淹没在虚假信号中；噪声干扰向雷达注入强噪声，降低目标信噪比[2]。这些干扰导致雷达检测性能急剧下降。
为应对有源信号干扰，学者们提出了多种抑制技术。空时自适应处理（Space-Time Adaptive Processing,STAP）通过对天线阵列空间维度和脉冲多普勒时间维度进行二维自适应滤波，实现干扰/杂波抑制。然而在主瓣仿真干扰场景下，常规STAP性能严重退化。稀疏重构方法将干扰视为稀疏分量，通过正交匹配追踪等算法估计干扰子空间，在低快拍情况下具有优势。
深度学习技术为雷达干扰抑制提供了新工具。通过构建稀疏自编码器网络提取雷达回波特征，区分干扰与目标信号。堆栈式稀疏自编码提取射频特征，设计干扰抑制自编码器对含噪回波进行重构，在特征层面滤除干扰分量[3]。
现有方法各有侧重：STAP擅长抑制线性高斯干扰，稀疏方法适用于弱训练条件下的点状强干扰，深度学习擅长挖掘非线性特征[4]。本文融合多种方法优势，提出结合深度学习特征提取与稀疏STAP滤波的干扰抑制算法。
本文主要贡献包括：(1)将深度神经网络提取的干扰特征嵌入STAP权值计算，提高仿真干扰识别和抑制能力；(2)采用稀疏约束空时滤波，在低训练快拍下有效抑制噪声干扰和杂波；(3)仿真验证融合算法在不同干扰场景下均优于传统方法。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007051
作者信息：
陈文瑞，刘方，戴广钊
（中国船舶集团有限公司第七二三研究所，江苏 扬州 225101）
