ارائه یک الگوریتم پیشنهادی به‌منظور تشخیص تداخل در رادار روزنه مصنوعی

رادار روزنه مصنوعی یک رادار تصویر‌برداری است که قدرت تفکیک بالایی دارد. ممکن است تصویر رادار روزنه مصنوعی بر اثر تداخل فرکانس‌های رادیویی تخریب شود و تصویری نامفهومی ایجاد شود. تداخل در رادار روزنه مصنوعی به سه دسته ،  irfni و iwblfmi inblfmi    تقسیم می‌شود. این تداخل‌ها به‌ترتیب بیانگر تداخل نویز فرکانس رادیویی، تداخل باند باریک و تداخل پهن باند هستند. برای کاهش موثرتر تداخل در تصاویر رادار روزنه مصنوعی ابتدا باید وجود تداخل و نوع آن مشخص شود. سپس با استفاده از الگوریتم‌های کاهش تداخل متناسب با نوع تداخل به کاهش تداخل پرداخته می‌شود. در این مقاله به ارائه الگوریتمی به‌منظور تشخیص تداخل و نوع آن در تصاویر رادار روزنه مصنوعی پرداخته می شود. در مقالات گذشته از روش ssd برای تشخیص تداخل استفاده شده‌است. در این مقاله برای تشخیص تداخل از روش faster rcnn مبتنی بر شبکه عصبی کانولوشنی استفاده گردید که سرعت و دقت بالاتری نسبت به ssd دارد. در این روش ابتدا یک شبکه عصبی کانولوشنی با توانایی دسته‌بندی  چندتایی آموزش داده می شود. سپس faster rcnn با کمک شبکه عصبی ساخته شده و تعداد 25 تصویر زمان فرکانس از سیگنال رادار روزنه مصنوعی آموزش داده شد. شبکه آموزش دیده قادر است هر نوع تداخل در سیگنال رادار روزنه مصنوعی را با دقت 99 درصد تشخیص دهد. سرانجام با استفاده از فیلتر تطبیقی حداقل میانگین مربعات نرمال شده کاهش تداخل انجام شد. بعد از شناسایی تداخل با استفاده از الگوریتم پیشنهادی، فیلتر حداقل میانگین مربعات نرمال شده توانست تداخل را کاهش و تصویر رادار را بهبود دهد. این فیلتر در کاهش هر سه نوع تداخل به‌طور یکسان عمل نمود.

The Presentation of an Algorithm for InterferenceDetection in the Synthetic Aperture Radar

The synthetic aperture radar is an imaging radar that has a high resolution. The syntheticaperture radar image may be degraded by the interference of radio frequencies and anincomprehensible image may be created. Interferences in the synthetic aperture radars aredivided into the three categories of , , and , which represent radio frequency noise interference,narrow band interference and wideband interference, respectively. To effectively reduce theinterference in synthetic aperture radar images, first the presence of interference and its typeshould be asserted and then the interference reduction algorithms should be calculated accordingto interference type. In this paper an algorithm for the detection of interference and its type inthe synthetic aperture radar images is presented. Whilst in the previous articles the SSD methodis used for interference detection, in this paper we have used the Faster RCNN method based onneural network convolutional which has a higher speed and accuracy than the SSD method. Inthis method, first a neural network is trained with the ability of multiple classification. Then theFaster RCNN is constructed with the neural network and and is trained by 25 time frequencyimages 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 allthree types of interference.