ارائه يك الگوريتم پيشنهادي به‌منظور تشخيص تداخل در رادار روزنه مصنوعي

The Presentation of an Algorithm for Interference Detection in the Synthetic Aperture Radar

رادار روزنه مصنوعي يك رادار تصوير‌برداري است كه قدرت تفكيك بالايي دارد. ممكن است تصوير رادار روزنه مصنوعي بر اثر تداخل فركانس‌هاي راديويي تخريب شود و تصويري نامفهومي ايجاد شود. تداخل در رادار روزنه مصنوعي به سه دسته ، و تقسيم مي‌شود. اين تداخل‌ها به‌ترتيب بيانگر تداخل نويز فركانس راديويي، تداخل باند باريك و تداخل پهن باند هستند. براي كاهش مؤثرتر تداخل در تصاوير رادار روزنه مصنوعي ابتدا بايد وجود تداخل و نوع آن مشخص شود. سپس با استفاده از الگوريتم‌هاي كاهش تداخل متناسب با نوع تداخل به كاهش تداخل پرداخته مي‌شود. در اين مقاله به ارائه الگوريتمي به‌منظور تشخيص تداخل و نوع آن در تصاوير رادار روزنه مصنوعي پرداخته مي­شود. در مقالات گذشته از روش SSD براي تشخيص تداخل استفاده شده‌است. در اين مقاله براي تشخيص تداخل از روش Faster RCNN مبتني بر شبكه عصبي كانولوشني استفاده گرديد كه سرعت و دقت بالاتري نسبت به SSD دارد. در اين روش ابتدا يك شبكه عصبي كانولوشني با توانايي دسته‌بندي چندتايي آموزش داده مي­شود. سپس Faster RCNN با كمك شبكه عصبي ساخته شده و تعداد 25 تصوير زمان- فركانس از سيگنال رادار روزنه مصنوعي آموزش داده شد. شبكه آموزش ديده قادر است هر نوع تداخل در سيگنال رادار روزنه مصنوعي را با دقت 99 درصد تشخيص دهد. سرانجام با استفاده از فيلتر تطبيقي حداقل ميانگين مربعات نرمال شده كاهش تداخل انجام شد. بعد از شناسايي تداخل با استفاده از الگوريتم پيشنهادي، فيلتر حداقل ميانگين مربعات نرمال شده توانست تداخل را كاهش و تصوير رادار را بهبود دهد. اين فيلتر در كاهش هر سه نوع تداخل به‌طور يكسان عمل نمود.

The synthetic aperture radar is an imaging radar that has a high resolution. The synthetic aperture radar image may be degraded by the interference of radio frequencies and an incomprehensible image may be created. Interferences in the synthetic aperture radars are divided into the three categories of , , and , which represent radio frequency noise interference, narrow band interference and wideband interference, respectively. To effectively reduce the interference in synthetic aperture radar images, first the presence of interference and its type should be asserted and then the interference reduction algorithms should be calculated according to interference type. In this paper an algorithm for the detection of interference and its type in the synthetic aperture radar images is presented. Whilst in the previous articles the SSD method is used for interference detection, in this paper we have used the Faster RCNN method based on neural network convolutional which has a higher speed and accuracy than the SSD method. In this method, first a neural network is trained with the ability of multiple classification. Then the Faster RCNN is constructed with the neural network and and is trained by 25 time - frequency images from the artificial aperture radar signal. The trained network is able to detect anyinterference in the radar signal of a synthetic window with 99% accuracy. After detecting theinterference by the proposed algorithm, the normalized least mean square filter is able to reducethe interference and improve the radar image. This filter operates similarly in decreasing all three types of interference.