It is a feasible and promising way to utilize deep neural networks to learn and extract valuable features from synthetic aperture radar (SAR) images for SAR automatic target recognition (ATR). However, it is too difficult to effectively train the deep neural networks with limited raw SAR images. In this paper, we propose a new approach to do SAR ATR, in which a multiview deep learning framework was employed. Based on the multiview SAR ATR pattern, we first present a flexible mean to generate adequate multiview SAR data, which can guarantee a large amount of inputs for network training without needing many raw SAR images. Then, a unique deep convolutional neural network containing a parallel network topology with multiple inputs is adopted. The features of input SAR images from different views will be learned by the proposed network layer by layer; meanwhile, the learned features from the distinct views are fused in different layers progressively. Therefore, the proposed framework is able to achieve a superior recognition performance, and requires only a small number of raw SAR images for network training samples generation. Experimental results have shown the superiority of the proposed framework based on the Moving and Stationary Target Acquisition and Recognition data set.

Radar pulse trains deinterleaving is a challenging task in modern electronic reconnaissance. The RPMA-TConv model based on multi-branch atrous convolution and feature reconstruction is proposed to solve the problem of deinterleaving parameter-agile emitters. The time of arrival (TOA), center frequency (CF) and pulse width (PW) are used to characterize the relative position and variation pattern of pulse trains. Multi-branch atrous convolutions with different receptive fields are applied to extract multi-scale temporal patterns, ensuring a comprehensive representation of agile parameter characteristics. The feature reconstruction module reconstructs the pulse train information through a learnable process and attributes each pulse to the corresponding emitter. The proposed method can correlate multiple modes of pulse trains generated by the same parameter-agile emitter. Compared with the traditional methods, it will not cause the problem of more clusters than emitters. The method also performs well in scenarios with parameter overlap and noise. Experimental results and performance analysis based on interleaved parameter-agile pulse trains are provided to demonstrate the effectiveness and robustness of the method.

Radar signal sorting is a key component in electronic support measures (ESM). Adaptive sorting algorithms are a type of method that does not require prior understanding of radar information in the sorting scenario. However, these methods have consistently faced the issue of high runtime costs. To address this problem, in this paper, a dual-mode radar signal sorting method based on density clustering is presented. Adaptive density peak clustering (ADPC) is used as the initial algorithm for sorting and extracting radar information from the sorting results, which is defined as prior knowledge. The prior knowledge is then passed to Gaussian mixture model (GMM) to facilitate a more rapid sorting process. When changes in the radar within the sorting scenario are detected, it switches back to ADPC. This method allows for rapid sorting of stable data while promptly generating new prior knowledge in response to data changes. Numerical experimental results demonstrate that the proposed method achieves high precision in sorting results while using a lower time cost compared with the prevailing sorting methods.

In modern complex electromagnetic environments, the received radar signals are often affected by multipath effects. The distortion and noise of the multipath signals make it difficult to recognize the intra-pulse modulation of radar signals. To address this issue, a gram angular field-fusion Inception-Res2Net with squeeze-and-excitation (GFSE-InRes2Net) is proposed. Firstly, in addition to the conventional input of time-frequency domain, gram angular field (GAF) is utilized to convert the multipath radar signals into the polar coordinate domain. This allows for the extraction of additional information regarding the multipath signals, such as angle and phase. Then, within the Inception serving as a multi-scale feature extraction module, the Res2 basic block is employed in lieu of traditional convolution operations, allowing for the representation of features at a granular level. Finally, the squeeze-and-excitation (SE) block is used to weight feature channels, which mitigate the impact of multipath features. The comparison and ablation experiments demonstrate the effectiveness of the proposed method.

Automatic target recognition (ATR) plays a critical role in synthetic aperture radar (SAR) applications. However, existing SAR ATR methods usually assume that the training and test SAR samples have the same imaging resolution but it is hard to satisfy in practice due to the complexity of the SAR imaging process, which results in the discrepancy between different resolution domains and degrades the performance of ATR method. To this end, we propose a class ambiguity regular-ized adversarial domain adaptation method for cross-resolution SAR ATR. First, the feature extractor and domain discriminator are designed with the idea of adversarial learning to eliminate the domain discrepancy. Then, the classifier is used to learn the class information of labeled SAR images, enabling the accurate identification on the labeled domain before adapted to unlabeled target domain. Finally, the class ambiguity regularization is in-troduced to minimize recognition error over unlabeled resolution domain. Extensive experimental results based on the moving and stationary target acquisition and recognition (MSTAR) dataset have shown the superiority of the proposed method on cross-resolution SAR ATR.

Radar systems with anti-jamming capability have become extremely important in the complex electromagnetic environment. In this paper, an anti-jamming strategy generation method based on deep Q-network (DQN) is proposed for slope-varying linear frequency modulation (SV-LFM) signals. First, the radar-jammer confrontation scenario is modeled as a Markov decision process. Subsequently, a reward function is designed by combining the positive reward for suppressing interference and the negative reward for constraining pulse width. In particular, the positive reward is decided by the correlation peak between the jamming and target signals, and the negative reward is determined by the signal energy and the probability of the signal being intercepted. Following the obtained anti-jamming strategy, radar systems can suppress jamming while also avoiding low signal-to-noise ratio (SNR) and high signal interception probability caused by drastic variations in pulse widths. The simulation results verify the effectiveness of the proposed method.

Spectrum coexistence capability is particularly important for radar systems in complex electromagnetic environments, since it can suppress interference arising from signals in the common frequency band. In this paper, a unimodular waveform design method based on the Karush-Kuhn-Tucker (KKT) conditions is proposed to design transmit waveforms with spectral coexistence and pulse-like autocorrelation function. First, we construct the joint optimization problem as a stopband minimization problem subject to energy spectral density (ESD) and amplitude constraints. Subsequently, the constructed optimization problem is decomposed into multiple subproblems with a single constraint. In particular, we solve the coupling variables by analyzing the KKT conditions for the coupling subproblem. The proposed method achieves simultaneous optimization of spectral coexistence and pulse-like autocorrelation by constructing a new optimization framework and introducing a proximal algorithm, which also reduces the computational complexity and improves the efficiency of waveform design. Numerical simulation results demonstrate the effectiveness of the proposed method in terms of runtime and waveform characteristics.