0 引言
得益于海洋表面对高频(3～30 MHz)垂直极化波的高电导率，高频地波雷达(High Frequency Surface Wave Radar, HFSWR)具有超视距探测能力，在遥感探测和海洋动力学参数(风[1]、浪[2]、流[3])反演等方面发挥了重要作用[4]。HFSWR系统与其他行业共享频段，所以不可避免地受到射频干扰(Radio Frequency Interference,RFI)污染，RFI的存在显著降低了HFSWR数据的质量，有效信息的提取变得困难[5]。目前提出的RFI抑制算法主要包括自适应波束形成算法、时域处理算法、极化滤波算法和正交投影算法。虽然自适应频率选择技术[6]可根据雷达带宽实时换频从而主动避免RFI，但却难以找到足够带宽的干净频段；自适应波束形成算法[7]本质上是空域滤波，但该方法不适用于宽波束HFSWR；时域处理算法一般是根据信号时域特征识别后直接剔除，然后利用算法恢复有用信号[8]，但此法对时域密集型RFI抑制效果较差；极化滤波[9]类方法主要是基于HFSWR的垂直极化特征，引入辅助天线估计RFI分量从而抑制RFI，但该法增加了成本和实验场地面积[10]；正交子空间投影是一种适用于宽波束HFSWR系统的RFI抑制方法[11]，但HFSWR接收到的是在距离域、多普勒域和空域中呈现的多维数据，传统子空间投影算法只是进行单一域处理，容易导致对海洋回波、目标信号的衰减，Li等[12]提出了一种基于高阶奇异值分解(Higher Order Singular Value Decomposition, HOSVD)的抑制RFI且不破坏期望信号的方法。上述RFI抑制方法主要针对单场数据进行分析研究，是通过人工识别、人工设置参数来逐一处理，不具备实时应用能力，若提升HFSWR数据质量必须实现对于RFI的自动识别与抑制。
本文提出将深度学习中的YOLO(You Only Look Once)算法，结合高阶张量分析的HOSVD算法，实现RFI自动识别检测与抑制一体化工作。实验结果表示，与之前的RFI抑制技术相比，所提出的YOLO-HOSVD算法具有显著优势，既能够自动识别RFI并定位，又能在不损坏所需信号的情况下快速抑制RFI，能够实现自动实时化HFSWR信号处理工作，可以实际落地到HFSWR系统应用中进行实时精细化处理。
1 基本原理
近年来，深度学习算法逐渐用于雷达图像识别和信号处理方面，如基于SAR的目标检测[13]，利用CNN和Nanodet等网络对车辆[14]、飞机[15]、舰船[16]等目标进行检测，深度学习应用在雷达领域上相比传统方法具有快速、准确、效率高的优点[17-18]。目前，深度学习主要应用在SAR目标探测，鲜见应用于高频雷达干扰识别与抑制。HFSWR回波数据经过两次快速傅里叶变换(Fast Fourier Transform, FFT)后，数据处理结果反映在距离多普勒谱(Range-Doppler Spectrum, RDS)也是以图像形式，因此可以应用图像处理的方法来进行特征识别。
YOLO-HOSVD算法与传统的干扰检测算法相比，具有自动提取深度特征、准确率高等优点。以YOLO为代表的目标检测算法将检测问题转化为回归问题，实现“端到端”处理[19]，直接预测对象类别和位置，速度和精度取得了良好平衡，可进行实时检测。目前，YOLO已成功应用于农业[20]、地质[21]、遥感[22]和医学[23]等领域。该算法基于RD谱中RFI的特征，能够利用小样本数据训练后实时输出检测结果，定位RFI数据，结合HOSVD算法处理多通道张量数据，自动实时抑制RFI。
1.1 YOLO网络结构
以YOLOv5s为例，模型由4部分组成：输入端负责数据预处理、主干部分提取特征、检测部分采集特征图和预测端输出结果[24]。YOLOv5的网络体系如图1所示。YOLOv5检测时将RDS平均拆分为S2个网格，若待检测对象的中心在某一网格上，此网格就负责预测该对象。每个网格产生多个候选框，每个候选框包含回归位置信息和置信度值，置信度值代表候选框中包含物体的置信度以及候选框的预测准确度的双重信息。模型训练时会预设大小不一的候选框，微调置信度高的候选框后输出预测框，计算二者差值后反向更新，候选框与预测框如图2所示。
图1 YOLOv5s网络体系结构图
图2 候选框与预测框示意图
(1)
公式(1)表示候选框和预测框关系，tx和ty表示待检测目标所在网格的中心位置，候选框的长宽分别为pw和ph，预测框的长宽分别为bw和bh，cx和cy表示偏移左上角值，tw和th代表尺度缩放值，最终得到的预测坐标值是(bx,by,bw,bh)。
YOLOv5使用GIoU作为损失函数，精度(Precision, P)、召回率(Recall, R)、平均精度均值(mean Average Precision,mAP)和每秒传输帧数(Frames Per Second, FPS)作为评估指标[25]。
1.2 RFI特征
HFSWR采用线性调频中断连续波(Frequency Modulated Interrupted Continuous Wave, FMICW)，通过两次FFT提取RDS信息。RFI可以看作是一系列单频信号的线性组合，在第n个扫频周期的t时刻，某一信道的单频RFI信号Sn(t)表示为
Sn(t)= Ajcos (2πfj(t+(n-1)Ts+φj))
(2)
式中，Aj、fj和φj分别为第j个RFI的振幅、载波频率和初始相位，Ts为扫频周期。经过正交混频和低通滤波之后，RFI分量转换为
(3)
RFI存在所有的距离元上，对每个距离元作第二次FFT，RFI在频率上表现为一个脉冲。由于持续时间、调制等原因，RFI通常会沿多普勒轴展宽，此外，RFI来自其他无线电源，具有固定的到达角方向(Direction of Arrival, DOA)。根据MUSIC算法[26]，不同方向的阵列导向矢量相互正交，基于干扰信号与期望信号在空间结构上的差异，在空域中估计出RFI的方位子空间。由于RFI具有较强的距离相关性和方向性，二维SVD可以在空、频域对干扰子空间进行估计，同时，RFI特性使得HOSVD算法更适用于三维雷达数据中RFI子空间的估计。
1.3 YOLO构造HOSVD所需张量
RFI在RDS中通常表现为沿距离轴的明亮条纹，根据RDS特征，结合YOLOv5进行处理并输出模型。构建训练所需的数据集步骤如下：第一步是对回波数据进行两次FFT，得到RDS；第二步是将图像分为两类；第三步是使用标注软件标记对象。
标注软件用矩形框标记RD谱，将对应矩形框的结果整理成Pascal VOC格式可直接被YOLOv5读取，如图3所示，Bragg峰和RFI用矩形框标记，框标签信息保存为xml文件，文件中包含沿矩形框对角线的两点坐标和类别名称等信息。
图3 标记方法和标签信息
Dopplerin=2·(2·Xcenter-1)
(4)
Rangebin=90·(1-2·Ycenter)
(5)
YOLOv5检测结果输出为图4右侧数据结构形式，经过公式(4)和公式(5)映射到RDS上范围，图4中标注了RFI和一个Bragg峰在RDS上和YOLOv5结果对应数据，结合RFI和Bragg峰位置，可以自适应输出训练张量和待抑制张量数据以供HOSVD处理。
图4 YOLOv5检测结果图
1.4 HOSVD抑制RFI方法
1.4.1 HOSVD投影
HOSVD充分利用RFI的多维特性，构造训练张量A∈
I1×I2×I3，I1、I2和I3分别代表距离元、多普勒单元和通道数。为了准确估计干扰子空间，所构造的训练张量一般包含RFI而不包含海洋回波，训练张量和待抑制张量通过YOLOv5检测结果自动匹配，图5为RFI数据进行HOSVD示意图。
图5 HOSVD分解示意图
由文献[27]，A写作模n积形式可得
A=S×1U(1)×2U(2)×3U(3)
(6)
S=A×1U(1)T×2U(2)T×3U(3)T
(7)
HOSVD将A分解为核心张量S∈S1×S2×S3和模n积形式，U(n)(n=1,2,3)分别是沿3个维度的展开矩阵，均为正交矩阵，U(n)U(n)T代表U(n)的投影矩阵。
1.4.2 RFI子空间估计
由于在多普勒维，RFI与海洋回波并不相互独立，结合RFI的空、频域特点对其分量进行联合估计，对模态2和模态3的展开矩阵进行SVD可得
(8)
(9)
U(2)和U(3)进行SVD分解后的左奇异矩阵分别是U2=[u21,u22,…,u2I2]和U3=[u31,u32,…,u3I3]，列向量分别为u2i∈I2×1,i=1,2,…,I2和u3i∈I3×1,i=1,2,…,I3，Σ2I2×I1I3和Σ3I3×I1I2是奇异值矩阵，V2∈I1I3×I1I3和V3∈I1I2×I1I2是右奇异矩阵。
RFI具有很强的距离相关性，而海洋回波没有，当频域存在R2个独立干扰时，选取前R2个大奇异值对应的左奇异矩阵估计频域干扰子空间U2R2=[u21,u22,…,u2R2]，RFI具有固定的DOA，且干扰子空间与来自其他方向的期望信号相互正交，若空域中存在R3个独立干扰，则前R3个大奇异值对应的左奇异矩阵估计方位干扰子空间U3R3=[u31,u32,…,u3R3]。
RFI在三种模态展开矩阵中对应的投影矩阵为
(10)
(11)
(12)
1.4.3 张量投影抑制RFI
图6 构造多维结构RDS中的训练张量
YOLOv5输出的训练张量为A∈I1×I2×I3，待处理张量为χ，如图6所示，其中χ中的多普勒单元和通道数与A相同，I1个距离单元仅存在RFI不存在海洋回波。χ和A中的RFI的空、频域子空间相同，将待处理向量χ向估计的多域干扰子空间投影，即可得χ的RFI子空间投影分量χr是：
χr=χ×1Proj1×2Proj2×3Proj3
(13)
RFI抑制后，期望信号的张量χs为
χs=χ-χr
(14)
1.5 算法流程
基于YOLO-HOSVD算法的自动识别检测与抑制RFI算法基本步骤如图7所示，具体步骤如下：
1) 对HFSWR回波数据进行两次FFT处理后，输出RDS，标记对象制作数据集，输入YOLOv5模型中进行训练，输出训练模型；
2) 回波数据送入训练好的YOLOv5模型进行检测，输出存在RFI干扰的时间和RDS数据等统计数据，自动构造训练张量A和待处理张量χ；
3) 计算张量各模态展开矩阵，应用HOSVD算法计算各模态展开矩阵的左奇异矩阵Un(n=1,2,3)，得到多域RFI投影子空间矩阵Projn(n=1,2,3)；
4) 将待处理张量往估计的子空间投影，得到χ在RFI子空间投影分量χr；
5) 信号张量χ减去投影分量χr，即可得到抑制干扰后的期望信号。
图7 自动识别检测抑制RFI流程图
2 基于仿真数据的结果与分析
2.1 仿真实验
通过仿真对基于YOLO-HOSVD的自动抑制RFI算法性能进行测试，根据中国福建省漳州市东山县(23.6575°N，117.4863°E)的2016年12月27日的HFSWR探测海洋数据为基础，模拟单频信号组成的RFI和目标添加到原始无干扰的数据中，HFSWR的系统参数如表1所示。
表1 雷达参数表
类别参数工作模式1发8收天线阵列8元线阵工作频率/MHz13.15扫频带宽/kHz30扫频周期/s0.5距离分辨率/km5相干积累时间/min5距离元/个40多普勒分辨率/Hz1/600
图8 高频地波雷达距离多普勒谱
原始HFSWR数据的RDS如图8(a)所示，将仿真单频RFI和目标信号依次加入到RDS中，RFI覆盖范围为多普勒频率0.30～0.45 Hz范围内所有距离元，仿真目标位于第34距离元，速度为4 m/s，多普勒频率为0.36 Hz，目标被RFI覆盖，无法从RDS中直接观测，如图8(b)所示，RFI掩盖一阶Bragg峰和目标时无法提取有用信息，对海态反演和目标检测都有较大的影响。将加入RFI和目标的数据输入到训练好的YOLOv5模型，自动输出训练张量和待抑制张量数据，图8(c)为经过YOLOv5s处理后的输出结果，训练张量A的范围是图8(c)中红色实线框内的8个通道的数据，待抑制张量范围为图8(c)中蓝色实线框内所有通道的数据。图8(d)是经过HOSVD处理后的RDS，结果表明RFI显著减轻，被掩盖的Bragg峰出现，海洋回波得以保留，目标也凸显出来。综上所述，YOLOv5结合HOSVD算法能够在不丢失有用信息的情况下实时自动识别并抑制RFI，即使RFI覆盖海洋回波和目标，HOSVD也能有效抑制干扰。
2.2 仿真结果分析
仿真实验中，对RDS进行识别分类用了0.01 s，抑制RFI用了0.04 s。分析可得，YOLO-HOSVD算法在几乎不损失有用信号的同时可以自动地检测并抑制RFI，即使在RFI覆盖海洋回波和目标的情况下依然适用，增加了HFSWR系统自动识别抑制RFI的能力，为海态反演和目标探测提供有力帮助。
3 基于实测数据的结果与分析3.1 实测数据背景介绍
本次实测数据选取2021年8月8日0时至9月8日24时的东山和龙海双站双频组网探测的试验数据，两个长时间运行的双频多输入多输出(Multiple Input Multiple Output, MIMO)雷达固定站分别位于图9所示位置，实验为探测海洋采集数据，雷达系统参数如表2所示。
图9 东山和龙海雷达站位置
表2 双站双频地波组网模式
类别低频模式高频模式工作频率/MHz7～910.5～13.5工作模式FMICWFMICW扫频周期/ms250250相干积累时间/s300300扫频带宽/kHz3030
两个雷达站空间直线距离约90 km，分别位于中国福建省的龙海市(24.2674°N，118.1353°E)和漳州市东山县(23.6575°N，117.4863°E)，每个站包含两路高低频发射天线和4个宽带接收天线(6～13.5 MHz)，双站通过GPS同步协同工作，构成双基地、单基地、多频和MIMO的混合系统。
3.2 算法性能分析
本次试验中YOLOv5模型的运行环境：CPU 为AMD Ryzen 7 5800H with Radeon Graphics，GPU为NVIDIA GeForce RTX 3060，操作系统为 window11。将YOLOv5s应用在本次实测数据随机挑选的200张包含RFI的RD谱，进行训练并输出模型。训练集放入YOLO模型训练，以YOLOv5s为例，在一般配置的笔记本电脑上训练300轮仅需0.5 h左右，训练好的模型可供后续数据处理持续使用，处理单场数据仅需11 ms左右。FPS越大，模型检测率越快。当FPS≥30时，可以实现实时处理速度[28]。
一般情况下，损失值越小、mAP值越高则表明训练的模型性能越好。以此次训练综合性能最好的YOLOv5s模型为例，训练300轮的mAP值和损失值变化值如图10所示，该模型在训练100轮左右后基本都达到稳定，说明模型收敛速度较快，利用训练好的模型检测RDS时，FPS达到90左右。YOLOv5系列模型都具备出色的性能，YOLOv5s以训练时间和检测时间最快作为本次实验的最佳输出模型处理HFSWR数据。
图10 YOLOv5s模型的训练结果
3.3 实测结果分析
应用训练好的YOLOv5s模型对2021年8月12日0时到24时的HFSWR实测数据进行RFI检测处理，单站单频共288场数据，双站双频共1 152场数据，RFI污染的时间分布如图11所示，黑色表示被RFI污染的时间段，红色数字表示受RFI污染时间比。
图11 RFI时间分布图
利用YOLOv5s模型计算2021年8月8日至9月8日31天内双频双站干扰存在率，结果展示在图12中。
从图12可以看出，频率不同、位置不同的站点受干扰污染的情况也不同，且在一个月连续不间断的实测中，双站双频雷达几乎每天都会受到RFI污染，只是程度不一样。说明抑制RFI对于实测数据处理是不可避免的一项工作，抑制RFI可以保证有用信息的提取，提高HFSWR数据利用率，有利于海态反演和目标信号检测处理工作。
图12 双频双站RFI存在率
图13 雷达距离多普勒谱图
选取4场不同特征的RFI抑制结果展示，图13所示为8月12日上午11时35分的雷达RDS图，图13(a)显示该场数据存在一较强能量的RFI，部分海洋回波被掩盖。应用YOLOv5s模型后输出结果为多普勒范围在0.33～0.74 Hz范围内红色框覆盖的距离元的4通道张量作为训练数据A，待抑制张量为多普勒0.33～0.74 Hz范围内所有距离元数据，如图13(b)所示，抑制RFI后结果如图13(c)所示，识别和抑制过程共用了0.41 s，经过处理，RFI被消除，之前被RFI掩盖的海洋回波有效保留。
从RDS中可以看出，距离元位置不同，海洋回波的能量也不同，为了验证HOSVD对海洋回波能量的影响，计算RDS中覆盖海洋回波的0～10距离元的RFI抑制前后信号与干扰加噪声比(Signal to Interference plus Noise Ratio, SINR)变化，如图14所示。结果表明，系统的SINR有了明显的提高。增加幅度最高是第6个距离元的18.32 dB，SINR平均增加约14.42 dB。
图14 RFI抑制前后信噪比变化曲线
图15为8月12日凌晨2时10分的RFI抑制前后RDS图，图15(a)中包括4个明显的RFI污染和大范围电离层干扰，图15(b)为YOLOv5输出张量结果图，图15(c)为经过抑制后处理的结果，处理该场数据用了1.78 s，结果显示4个RFI都得到了明显抑制，对电离层和期望信号数据没有影响。
图15 雷达距离多普勒谱图
图16为9月8日上午12时的RFI抑制前后结果RDS图，图16(a)中包括两个不明显的RFI污染和小范围电离层干扰，多普勒范围为-1.5～-1.2 Hz和0.5～0.7 Hz区域内覆盖了RFI，0.8～2.0 Hz多普勒范围覆盖了电离层干扰，经过YOLOv5处理后结果如图16(b)所示，蓝色框和红色框分别代表待抑制张量和训练张量范围，图16(c)展示了YOLO-HOSVD处理后抑制结果，两个不明显的RFI被抑制，算法处理时间为1.48 s。
图16 雷达距离多普勒谱图
图17展示了8月12日凌晨2时15分的RDS应用本算法的结果，图17(a)中显示RDS中弥散着RFI回波，与背景强度相差不大，从图像看，几乎掩盖了一半的海洋回波，干扰覆盖多普勒范围为-1.44～-0.89 Hz和0.56～1.11 Hz，但特征不足够明显，这增加了YOLOv5模型的识别检测困难。图17(a)为YOLOv5s首次识别情况和输出张量图，虚线框为模型检测Bragg和RFI位置框，黑色虚线框代表Bragg，紫红色虚线框标记的是检测到的RFI，实线框为输出张量范围框，蓝色实线框为待抑制张量，红色实线框为训练张量，可以看出模型仅标记了部分强烈的RFI干扰，还有部分较弱的RFI没有被识别出来，图17(b)显示在图17(a)中被标记的RFI已经被抑制，信噪比有所增强，部分海洋回波基本显现出来，处理该场数据花费时间为1.58 s。此结果显示，对于类似的RDS图像，应用此算法虽有明显效果，但不能一次使用就把全部RFI识别出来，为了解决这种情况，可以尝试进行二次检测与抑制，将抑制后的RDS重新输入到YOLOv5s检测模型，通过调整置信度再次检测并抑制。
图17 雷达距离多普勒谱图
从图17(b)可以看出，经过一次YOLO-HOSVD处理后，部分强烈RFI被抑制，再次通过YOLOv5s检测后的结果如图17(c)所示，标记出了第一次未被检测出的RFI，应用HOSVD处理后的结果如图17(d)所示，可以看出剩余RFI已被抑制。
为统计分析YOLO-HOSVD算法识别和抑制RFI性能，展示9月8日东山站低频发射数据处理前后统计结果，作为本次整月实测数据中RFI存在率最高的一天，将其全部数据应用YOLO-HOSVD算法进行处理，并将处理后的结果重新输入到YOLOv5s模型中进行检测，抑制前RFI存在时间分布图如图18(a)所示，抑制RFI后数据再次检测的RFI存在时间分布图如图18(b)所示。
图18 抑制前后干扰时间存在时间分布图
从图18可以看出，该算法抑制RFI后干扰存在率降低了56.60%，抑制效率达到93.68%。 YOLO-HOSVD算法没有达到100%完全抑制效果可能存在的原因有2种，一是存在其他强烈干扰与RFI干扰形态相似，导致RFI误判，另一种是部分RFI并没有被完全抑制。经过人工对比后，第二次经过YOLOv5算法检测后的结果的确存在RFI干扰，说明YOLO并未存在误判情况，可能存在原因是部分RFI污染没有完全抑制，例如图17中展示情况，解决方案是将抑制后数据重新送入YOLO模型中检测，如若重复出现干扰即进行二次抑制即可提高RFI抑制效果。
从以上结果得出结论，YOLO-HOSVD算法应用在实测数据可以在不影响有用信号的同时自动识别抑制RFI，算法处理时间与干扰范围有关系，YOLO选择的待处理范围越大，算法所需时间越久，处理单场数据时间在0.05～1.8 s范围内，经过YOLO-HOSVD算法处理后对RFI抑制效率可达到93.68%，通过循环应用算法处理可提高RFI抑制效率。
4 结束语
本文将深度学习算法应用于HFSWR干扰抑制中，提出了基于YOLO-HOSVD的HFSWR系统自动识别检测与抑制RFI的算法，充分利用了YOLO和HOSVD算法的优点，利用YOLO模型识别RDS中的RFI和Bragg，自动划分训练张量和待抑制张量，实时输出张量数据，将HOSVD算法应用于多通道HFSWR数据的三维张量来估计干扰子空间，利用了多通道HFSWR数据的固有结构和射频信号在频域和空间域的特性，从而提高了RFI抑制性能。仿真和实测结果表明，YOLO-HOSVD算法实现了对HFSWR中RFI的自动识别与抑制，应用在普通性能的笔记本处理单场数据不超过1.8 s，将该方法应用于长期遭受严重RFI影响的HFSWR数据上，可以实时有效准确地统计回波谱遭受RFI污染情况，并自动抑制干扰。此算法打破了传统RFI抑制算法不能在工程应用中大规模处理数据的限制，可作为HFSWR信号处理的系统方法，进行实时精细化处理，也为雷达数据质量评估提供参考，有利于后续海流反演、目标探测等信号处理工作。
[1] CHU X, ZHANG J, JI Y, et al. Extraction of Wind Direction from the HF Hybrid Sky-Surface Wave Radar Sea Echoes[J]. IEEE Aerospace and Electronic Systems Magazine, 2018,33(3):42-47.
[2] PABLO L, MARCOS S, LOTFI A, et al. Extreme Wave Height Events in NW Spain: A Combined Multi-Sensor and Model Approach[J]. Remote Sensing, 2018, 10(1):1.
[3] WYATT L R. Measuring the Ocean Wave Directional Spectrum ‘First Five’ with HF Radar[J]. Ocean Dynamics, 2019, 69(1):123-144.
[4] LI C, WU X, YUE X, et al. Extraction of Wind Direction Spreading Factor from Broad-Beam High-Frequency Surface Wave Radar Data[J]. IEEE Trans on Geoscience and Remote Sensing, 2017, 55(9):5123-5133.
[5] AI X, LUO Y, ZHAO G. Transient Interference Excision in Over-the-Horizon Radar by Robust Principal Component Analysis with a Structured Matrix[J]. IEEE Geoscience & Remote Sensing Letters, 2015, 13(1):48-52.
[6] GURGEL K W, BARBIN Y, SCHLICK T. Radio Frequency Interference Suppression Techniques in FMCW Modulated HF Radars[C]∥OCEANS 2007-Eu-rope,Aberdeen, UK:IEEE, 2007:1-4.
[7] 李敏乐,毕大平. 宽带波束域频率聚焦自适应波束形成算法[J]. 雷达科学与技术, 2016, 14(6):594-598.
LI Minle,BI Daping.A Frequency-Focusing Adaptive Beamforming Algorithm in Wideband Beamspace[J]. Radar Science and Technology, 2016, 14(6):594-598.(in Chinese)
[8] NAZARI M E, HUANG W, ZHAO C. Radio Frequency Interference Suppression for HF Surface Wave Radar Using CEMD and Temporal Windowing Methods[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(2):212-216.
[9] 杨俊. 高频地波雷达干扰抑制方法研究[D]. 武汉：武汉大学, 2004.
[10] 刘爱军. 基于极化信息的高频地波雷达干扰抑制方法研究[D]. 哈尔滨：哈尔滨工业大学, 2011.
[11] ZHEN T,WEN B,JIN L, et al. Radio Frequency Interference Suppression Algorithm in Spatial Domain for Compact High-Frequency Radar[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 15(1):102-106.
[12] LI Y, YUE X, WU X, et al. A Higher-Order Singular Value Decomposition-Based Radio Frequency Interference Mitigation Method on High-Frequency Surface Wave Radar[J]. IEEE Trans on Geoscience and Remote Sensing, 2020, 58(4):2770-2781.
[13] 夏勇，田西兰，常沛，等. 基于深度学习的复杂沙漠背景SAR目标检测[J]. 雷达科学与技术, 2019, 17(3):305-309.
XIA Yong，TIAN Xilan，CHANG Pei，et al. SAR Target Detection in Complex Desert Background Images Based on Deep Learning[J]. Radar Science and Technology, 2019, 17(3):305-309.(in Chinese)
[14] 常沛，夏勇，李玉景，等. 基于CNN的SAR车辆目标检测[J]. 雷达科学与技术, 2019, 17(2):220-224.
CHANG Pei, XIA Yong, LI Yujing,et al. SAR Vehicle Target Detection Based on CNN[J]. Radar Science and Technology, 2019, 17(2):220-224.(in Chinese)
[15] 王思雨，高鑫，孙皓,等，基于卷积神经网络的高分辨率SAR图像飞机目标检测方法[J].雷达学报，2017,6(2):195-203.
[16] 刘方坚, 李媛. 基于视觉显著性的SAR遥感图像NanoDet舰船检测方法[J]. 雷达学报, 2021, 10(6):885-894.
[17] 张云,穆慧琳,姜义成,等.基于深度学习的雷达成像技术研究进展[J].雷达科学与技术,2021,19(5):467-478.
ZHANG Yun, MU Huilin, JIANG Yicheng,et al. Overview of Radar Imaging Techniques Based on Deep Learning[J]. Radar Science and Technology, 2021, 19(5):467-478.(in Chinese)
[18] 毕海霞，魏志强. 深度学习在极化SAR图像分类上的应用综述[J]. 雷达科学与技术, 2021, 19(5):539-551.
BI Haixia, WEI Zhiqiang. A Survey: the Application of Deep Learning in PolSAR Image Classification[J]. Radar Science and Technology, 2021, 19(5):539-551.(in Chinese)
[19] 聂凡杰. 基于端到端的深度学习目标检测算法研究[D].北京:北京邮电大学,2018.
[20] 陈斌,张漫,徐弘祯,等.基于改进YOLOv3-tiny的全景图像农田障碍物检测[J].农业机械学报,2021,52(S1):58-65.
[21] GAO J, CHEN Y, WEI Y, et al. Detection of Specific Building in Remote Sensing Images Using a Novel YOLO-S-CIOU Model. Case: Gas Station Identification[J]. Sensors, 2021, 21(4):1375.
[22] PANG L, LIU H, CHEN Y , et al. Real-Time Concealed Object Detection from Passive Millimeter Wave Images Based on the YOLOv3 Algorithm[J]. Sensors, 2020, 20(6):1678-1693.
[23] YAO S J, CHEN Y W, TIAN X , et al. An Improved Algorithm for Detecting Pneumonia Based on YOLOv3[J]. Applied Sciences, 2020, 10(5):1818.
[24] LI S W, GU X Y, XU X G, et al. Detection of Concealed Cracks from Ground Penetrating Radar Images Based on Deep Learning Algorithm[J]. Construction and Building Materials, 2021, 273:121949.
[25] YAN B, FAN P, LEI X, et al. A Real-Time Apple Targets Detection Method for Picking Robot Based on Improved YOLOv5[J]. Remote Sensing, 2021, 13(9):1619.
[26] 杨绍麟，柯亨玉，侯杰昌，等.OSMAR2000基于MUSIC的超分辨率海洋表面流算法[J].武汉大学学报(理学版),2001(5):601-608.
[27] NGUYEN V D, KAIIM A M, LINH-TRUNG N. Fast Tensor Decompositions for Big Data Processing[C]∥2016 International Conference on Advanced Technologies for Communications (ATC), Hanoi, Vietnam:IEEE, 2016:215-221.
[28] MA H, LIU Y, REN Y, et al. Detection of Collapsed Buildings in Post-Earthquake Remote Sensing Images Based on the Improved YOLOv3[J]. Remote Sensing, 2020, 12(1):44.
