基于真实数据集和残留注意力模型的雷达的反塞方法
Shuolei Li1, Bin Liu1, Lin Zhou1
1School of Electronic and Optical Engineering, Nanjing University of Science and Technology, Nanjing 210094, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
一个新的残留注意网络 (RA-Net) 能够有效地识别灰尘云,这是一个常见的雷达干扰方法. 这种先进的模型实现了97.10%的准确性,超过了传统技术,并展示了强大的概括能力.
科学领域:
- 雷达系统 雷达系统
- 电子战是一种电子战.
- 信号处理 信号处理
背景情况:
- 灰尘云是一种普遍的被动干扰技术,对雷达系统构成重大挑战.
- 有效的对抗灰云干扰的措施对于保持雷达性能至关重要.
研究的目的:
- 开发一种先进的方法来识别灰尘云高分辨率范围配置文件 (HRRP).
- 为了增强雷达系统的反干扰能力.
主要方法:
- 提出了一种新的剩余注意网络 (RA-Net),其中包含了注意机制.
- 专注于从HRRP数据中提取信息和稳定的层次特征.
- 通过广泛的实地实验,建立了一个全面的数据集,包括云HRRP数据.
主要成果:
- 在测量HRRP数据上,RA-Net实现了97.10%的卓越识别准确度.
- 拟议的网络表现出了出色的概括能力.
- 实际上,RA-Net的性能优于传统的灰云识别方法.
结论:
- RA-Net 在草云 HRRP 识别方面提供了显著的进步.
- 开发的数据集为未来的研究提供了关键资源.
- RA-Net为灰云识别准确性和性能设定了新的基准.
