CFAR-Based Interference Mitigation for FMCW Automotive Radar Systems
针对调频连续波（FMCW）雷达干扰抑制问题，提出了基于恒虚警（CFAR）检测器的方法。所提出的方法利用了这样一个事实，即经过去线性调频和低通滤波操作后，FMCW雷达的目标的差拍信号由指数正弦分量组成，而干扰在扫描内呈现短线性调频波。在时频域（$t$ - $f$）中利用一维恒虚警检测器检测出干扰信号的频谱，然后将检测到的频谱图作为干扰抑制的掩模进行扩张。它们适用于存在多个干扰的场景。与现有的方法相比，所提出的方法减少了有用信号的功率损耗，并且计算效率非常高。通过数值模拟和实验结果证明了它们的干扰抑制性能。
2021-01-04 eess.SP
Waveform Design for Mutual Interference Mitigation in Automotive Radar
相似雷达系统之间的相互干扰会导致雷达灵敏度降低和虚警率增加。为了解决类似雷达系统中的同步和异步干扰抑制问题，本文首先提出了两种慢时间编码方案，用于在单输入单输出（SISO）场景下在相干处理间隔（CPI）内调制脉冲。具体地，第一编码方案依赖于多普勒频移，并且第二编码方案基于优化方法来设计。我们进一步扩展我们的讨论更一般的情况下，多输入多输出（MIMO）雷达，并提出了一种有效的算法来设计波形，以减轻在这样的系统中的相互干扰。所提出的编码方案在实践中是计算高效的，并且编码方案的并入仅需要对现有系统进行轻微修改。我们的数值例子表明，所提出的编码方案可以降低干扰功率电平在一个期望的区域的交叉模糊函数显着。
2022-08-08 eess.SP
Matrix-Pencil Approach-Based Interference Mitigation for FMCW Radar Systems
提出了一种基于矩阵变换的FMCW雷达干扰抑制方法。该方法首先将差拍信号中受干扰污染的部分切掉，然后通过将差拍信号建模为复指数和，并利用矩阵束方法估计其参数，重构出被切掉部分的信号样本。通过数值仿真研究了该方法对不同参数（干扰持续时间、信噪比和不同目标场景）干扰的有效性。所提出的干扰抑制方法在实验数据上得到了深入验证。所提出的方法与调零和其他拍频插值技术的比较。仿真结果表明，该方法具有广泛的适用性和优越性，特别是在低信噪比和长干扰持续时间的情况下。
2021-02-23 eess.SP
Taming and Leveraging Interference in Mobile Radar Networks
移动雷达网络，如自动驾驶系统，面临着相互干扰的严峻挑战。尽管调频连续波（FMCW）雷达具有与生俱来的抗干扰能力，但对于密集雷达网，干扰管理是必要的。对抗雷达干扰的方法包括波形参数的定时分集、数据驱动的检测干扰和基于信号处理的干扰解耦。此外，还研究了雷达干扰对推断干扰源信息的影响。在车载网络中存在雷达干扰的情况下进行了仿真，验证了所提算法的性能。
2020-11-17 eess.SP
Automotive Radar Mutual Interference Mitigation Based on Hough Transform in Time-Frequency Domain
本文针对汽车雷达互干扰问题，提出基于功率加权霍夫变换的时频域干扰抑制方法，通过直线检测定位干扰并用自回归模型恢复目标回波，在低信噪比下具有更好的鲁棒性和信号保留能力。
2023-07-10 eess.SP
Reconfigurable Intelligent Surface for OFDM Radar Interference Mitigation
针对OFDM雷达干扰问题，提出利用RIS并通过神经网络与卷积方法优化单元配置，在干扰方向形成零陷以提升SINR和目标检测性能。
2025-02-20 eess.SP
Sparse Reconstruction of Chirplets for Automotive FMCW Radar Interference Mitigation
随着道路上装有雷达传感器的车辆密度的增加，汽车雷达场景中的相互干扰将成为一个主要问题。本文研究调频连续波对调频连续波和连续波干扰的问题。在这种背景下，我们提出了一种信号处理技术，通过使用快速正交匹配追踪（OMP）算法来盲识别和去除干扰，以减少线调频基的干扰信号，并将其从目标信号中分离出来，以最小的信息损失。在模拟和测量数据中观察到噪声加干扰水平的显着降低，后者是用最先进的汽车传感器获得的。
2021-06-10 eess.SP
Fully Convolutional Neural Networks for Automotive Radar Interference Mitigation
汽车行业的兴趣逐渐集中在与驾驶员辅助系统以及自动驾驶汽车相关的主题上。汽车结合了各种传感器来强大地感知周围环境。其中，雷达传感器是必不可少的，因为它们不受照明条件的影响，并且可以直接测量速度。然而，雷达干扰是随着汽车场景中雷达系统数量的增加而变得普遍的问题。在本文中，我们使用全卷积神经网络（FCN）解决了调频连续波（FMCW）雷达的这个问题，这是一种最先进的深度学习技术。我们提出了两个FCNs，拍频信号的频谱图作为输入，并提供相应的干净的距离轮廓作为输出。我们提出了两种架构的干扰缓解优于经典的调零技术。此外，考虑到缺乏用于此任务的数据库，我们以开源方式发布了一个大规模数据集，该数据集可以密切复制单干扰情况下的真实汽车场景，从而使其他人能够客观地比较他们在该领域的未来工作。该数据集可在以下网址下载：www.example.com。
2020-07-21 eess.SP
A Deep Learning Approach for Automotive Radar Interference Mitigation
在汽车系统中，雷达是自动驾驶的关键部件。利用目标发射和反射的雷达信号，可以捕获目标的距离和速度。然而，当干扰信号存在时，噪声基底增加，严重影响目标物体的可探测性。由于这些原因，以前的研究已经提出了消除干扰或重建原始信号。然而，用于消除干扰或重构发射信号的常规信号处理方法是困难的任务，并且还具有许多限制。在这项工作中，我们提出了一种使用深度学习来减轻干扰的新方法。所提出的方法在各种干扰条件下提供高性能，并且具有低处理时间。此外，我们表明，我们提出的方法相比，现有的信号处理方法实现了更好的性能。
2019-11-12 eess.SP
RFI Mitigation for One-bit UWB Radar Systems
射频干扰（RFI）会严重降低超宽带（UWB）雷达的成像能力和目标检测性能，抑制RFI对UWB雷达系统的正常工作至关重要。在本文中，我们解决了一位UWB雷达系统的RFI缓解问题。一位UWB系统通过低成本和高速率的采样方案获得其带符号的测量，称为连续时间二进制值（CTBV）技术。该采样策略将信号与随慢时间变化的已知阈值进行比较，因此可以用于以相当简单和负担得起的硬件实现相当高的采样率和量化分辨率。本文针对RFI源建立了合适的数据模型，并提出了一种新的基于CTBV采样技术的一位超宽带雷达系统RFI抑制方法。具体而言，我们首先将RFI源建模为在相干处理间隔（CPI）期间具有固定频率的正弦曲线的总和，并且我们利用RFI频谱的稀疏性。我们扩展了一个基于优化最小化的1bRELAX算法，称为1bMMRELAX，估计RFI源参数从使用CTBV采样策略获得的有符号的测量。我们还设计了一种新的快速频率初始化方法的基础上的交替方向乘法器（ADMM）的方法，扩展的1bMMRELAX算法，以显着提高其计算效率。此外，基于ADMM的稀疏方法被引入到恢复所需的雷达回波使用的RFI参数估计。仿真和实验结果表明，我们提出的算法优于现有的数字积分方法，特别是对严重的RFI情况下。
2021-03-26 eess.SP
Interference Mitigation for FMCW Radar With Sparse and Low-Rank Hankel Matrix Decomposition
本文研究了具有去调频接收机的调频连续波（FMCW）雷达系统的干扰抑制问题。在去线性调频操作之后，来自目标的散射信号导致拍频信号，即，当干扰导致啁啾状短脉冲时，复指数的和。利用有用信号和干扰之间的这些不同的时间和频率特征，干扰抑制被配制成一个优化问题：通过提升测量值构造的Hankel矩阵的稀疏和低秩分解。然后，提出了一种迭代优化算法来解决这个问题，利用交替方向的乘法器（ADMM）计划。与现有方法相比，该方法不需要检测干扰，也提高了分离出的有用信号的估计精度。点目标的数值模拟和分布式目标的实验结果（即，雨滴）来演示和验证其性能。仿真结果表明，该方法对静止和运动目标干扰抑制具有较好的适用性。
2022-01-28 eess.SP
Distortion Mitigation in Millimeter-Wave Interferometric Radar Angular Velocity Estimation Using Signal Response Decomposition
提出了一种新的毫米波雷达多目标干涉角速度估计失真抑制方法。通常，当存在多个目标时，相关干涉仪的响应被互调失真破坏，使得难以估计单个目标的角速度。我们提出了一种失真缓解方法，其工作原理是将每个天线元件的响应分解为来自各个目标的响应。执行数据关联以匹配每个天线处的个体目标响应，使得仅在相关联的目标之间执行互相关。因此，消除了来自相关不同目标的互调失真（交叉项），并且结果是频率响应，其各个频率与目标的角速度成比例。我们展示了一个自定义的40 GHz的干涉雷达，高精度的运动捕捉系统，提供地面实况位置测量，和两个机器人平台的方法。多目标实验包括三个方案，旨在代表容易，中等和困难的情况下，失真缓解技术。我们表明，减少失真产生角速度估计误差小于$0.008$ rad/s，$0.020$ rad/s，和$0.033$ rad/s的三种情况下，分别为容易，中等，和困难的情况下。
2021-12-17 eess.SP
Enhanced Automotive Radar Collaborative Sensing By Exploiting Constructive Interference
本文提出利用相长干涉的多雷达协同感知方案，通过优化权重矩阵对齐干扰信号与自回波，增强目标检测并降低数据共享带宽需求。
2024-05-27 eess.SP
Radar-STDA: A High-Performance Spatial-Temporal Denoising Autoencoder for Interference Mitigation of FMCW Radars
本文提出Radar-STDA，一种仅14万参数的纳米级时空去噪自编码器，用于FMCW雷达干扰抑制，在保证高SINR的同时实现高帧率推理，并发布了首个雷达干扰合成数据集Ra-inf。
2023-07-18 eess.SP
Automotive Radar Performance in Environments with Multiple Interference Sources
General Motors, Technical Center - Israel（通用汽车以色列技术中心）
本文研究了高密度干扰环境下汽车雷达的性能，提出了一种端到端的仿真框架，评估了多种干扰场景对雷达性能的影响，并验证了传统干扰抑制技术的局限性，强调了未来需要协调和可扩展的干扰管理策略。
2026-05-21 eess.SP
Variational Signal Separation for Automotive Radar Interference Mitigation
本文针对汽车FMCW雷达互干扰问题，提出基于稀疏贝叶斯学习和变分EM的信号分离方法，联合估计目标参数并逐次消除干扰，实验表明其精度可达CRLB并接近无干扰雷达性能。
2024-10-02 eess.SP
Automotive Radar Interference Mitigation Using Adaptive Noise Canceller
调频连续波汽车雷达之间的干扰可以增加噪声基底，这在大多数情况下发生，或在罕见的情况下产生鬼目标。为了解决干扰导致的本底噪声增加问题，提出了一种低计算代价的自适应噪声抵消方法来提高信号干扰比。在正交接收机中，频谱的正半部分中的干扰与频谱的负半部分中的干扰相关，而来自真实目标的拍频总是出现在正频率中。因此，我们估计负频率的功率作为干扰的指示，并将正频率和负频率分量分别馈送到自适应噪声消除器的主信道和参考信道中。采用最小均方算法求解最优滤波器解。仿真和实验结果表明，该方法具有良好的抗干扰性能.
2019-11-14 eess.SP
FMCW Radar Interference Mitigation based on the Fractional Fourier Transform
Graz University of Technology（格拉茨工业大学）；Signal Processing and Speech Communication Laboratory, Graz University of Technology（格拉茨工业大学信号处理与语音通信实验室）
本文提出基于离散分数傅里叶变换的FMCW雷达互干扰抑制方法，通过分数域压缩和零化检测并抑制干扰斜纹，采用多角度中心离散分数傅里叶变换提升效率，实现硬件快速实现。
2026-04-29 eess.SP
Leakage Mitigation in Heterodyne FMCW Radar For Small Drone Detection with Stationary Point Concentration Technique
针对外差式 FMCW 雷达检测小型无人机时发射泄漏导致相位噪声抬升、信噪比恶化的问题，提出无需额外硬件的驻留点集中技术，通过频率规划与数字信号处理显著降低目标距离域噪声基底。
2018-09-15 eess.SP
Waveform Design for One-Bit Radar Systems Under Uncertain Interference Statistics
认知雷达中的一个重要问题是利用先验干扰信息联合设计探测信号和接收滤波器，以提高系统的估计性能。在这种情况下，干扰统计（特别是协方差）的知识在雷达波形的有效设计中起着至关重要的作用。然而，在大多数实际场景中，接收到的信号和干扰统计是可用的，受到一些不确定性的影响。这种实际观测的极端表现出现在采用一位接收机的雷达中，其中只能获得干扰协方差矩阵的归一化版本。在本文中，我们制定了一个波形优化问题，并设计了一个算法来设计的发射波形和接收滤波器的一位雷达给定这样的不确定性，在收购的干扰统计。通过数值分析证实了该算法的有效性。
2019-12-02 eess.SP
VAFER: Signal Decomposition based Mutual Interference Suppression in FMCW Radars
随着调频连续波（FMCW）雷达在自动驾驶汽车中的应用越来越广泛，FMCW雷达之间的相互干扰构成了严重的威胁。通过本文，我们提出了一种新的方法来有效地和优雅地抑制FMCW雷达的相互干扰。我们首先使用变分模式分解（VMD）将接收到的信号分解成模式，并使用傅立叶同步压缩变换（FSST）进行时频分析。然后通过对VMD模式的时频谱应用建议的基于能量熵的阈值操作来重建干扰抑制信号。所提出的方法的有效性进行测量的信号与干扰加噪声比（SINR）和相关系数的模拟和实验的汽车雷达数据中存在的FMCW干扰。与其他现有文献相比，我们所提出的方法表明，在输出SINR的显着改善至少14.07 dB的模拟数据和9.87 dB的实验数据。
2022-12-29 eess.SP
Orthogonal Circular Polarized Transmitter and Receiver Antennas for Mitigation of Mutual Coupling in Monostatic Radars
Indraprastha Institute of Information Technology（印度帕拉萨塔信息技术学院）
本文提出使用正交圆极化发射和接收天线以减少单站雷达中发射机与接收机之间的互耦，同时保留目标的第一反射。
2026-02-10 eess.SP
Leakage Mitigation and Internal Delay Compensation in FMCW Radar for Small Drone Detection
调频连续波（FMCW）雷达的一个臭名昭著的问题是发射机和接收机之间的泄漏。泄漏信号的相位噪声在功率谱上表现为泄漏信号周围的一个边缘。它导致动态范围的恶化，特别是在近距离区域。因此，尽管FMCW雷达由于其工作方式而在近距离目标检测方面比脉冲雷达具有优势，但FMCW雷达的优势可能会因为泄漏而丧失。FMCW雷达的另一个问题是雷达系统中的内部延迟。它导致最大可探测距离的减小。本文提出了一种新的下变频技术，解决了这些问题。详细的理论和程序来实现所提出的技术进行解释。最后通过实验结果验证了该算法的有效性。所提出的技术可以通过频率规划和数字信号处理来实现，而无需额外的部件。结果表明，该技术在近距离区域和2.1 dB，即使在远距离区域降低噪声本底约7.0 dB。此外，结果表明，所提出的技术通过补偿内部延迟来恢复减小的最大可检测范围。
2018-07-17 eess.SP
Secure Dual-Functional Radar-Communication Transmission: Exploiting Interference for Resilience Against Target Eavesdropping
我们研究了双功能雷达通信（DFRC）系统的安全解决方案，该系统同时检测雷达目标并与毫米波（mmWave）无线网络中的下行链路蜂窝用户进行通信。在这种情况下，雷达目标被视为潜在的窃听者，可能会监视由雷达探测信号携带的从基站（BS）发送到通信用户（CU）的信息。在安全性和功率预算约束下，联合设计发射波形和接收波束形成以最大化雷达的信干噪比。我们应用定向调制（DM）的方法来利用建设性干扰（CI），其中已知的多用户干扰（MUI）可以被利用作为有用的信号源。此外，为了进一步恶化雷达目标处的窃听信号，我们通过将目标处的接收符号推向信号星座图的破坏性区域来利用破坏性干扰（DI）。我们的数值结果验证了所提出的设计的有效性，显示了一个安全的传输与增强性能对基准DFRC技术。
2021-07-10 eess.SP
RadChat: Spectrum Sharing for Automotive Radar Interference Mitigation
在汽车领域，雷达和无线通信都容易受到干扰。然而，将雷达和通信系统相结合，即，射频（RF）通信和感测融合具有减轻两个系统中的干扰的潜力。分析了频谱共存的调频连续波（FMCW）雷达与通信系统之间的相互干扰的发生概率和影响，并介绍了一种利用雷达通信抑制FMCW汽车雷达之间干扰（包括自干扰）的分布式组网协议RadChat。实验结果表明，RadChat能够在80 ms内显著降低单跳车载网络中的雷达互扰。
2020-01-13 cs.IT eess.SP math.IT
Quantized Neural Networks for Radar Interference Mitigation
Graz University of Technology（格拉茨技术大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
雷达传感器对于驾驶员辅助系统和自动驾驶汽车的环境感知至关重要。关键性能因素是耐候性和直接测量速度的可能性。随着雷达传感器数量的不断增加和汽车雷达频段的不规范，相互干扰是不可避免的，必须加以处理。在早期处理阶段对雷达数据进行操作的算法和模型需要直接在专用硬件（即雷达传感器）上运行。这种专用硬件通常具有严格的资源约束，即低存储器容量和低计算能力。基于卷积神经网络（CNN）的去噪和干扰抑制方法在性能方面为雷达处理带来了有希望的结果。然而，这些模型通常包含数百万个参数，存储在数百兆字节的内存中，并且在执行期间需要额外的内存。在本文中，我们研究基于CNN的去噪和雷达信号的干扰减轻量化技术。我们通过考虑（i）量化权重和（ii）分段常数激活函数来分析不同基于CNN的模型架构和大小的量化潜力，这分别降低了模型存储和推理步骤的内存需求。
2020-12-01 cs.LG eess.SP
Mitigating Automotive Radar Interference using Onboard Intelligent Reflective Surface
研究提出利用车载智能反射面（IRS）增加车辆有效雷达截面积以缓解雷达干扰，发现有源IRS在15-35 dB反射增益下能有效对抗干扰，而无源IRS反而降低有效RCS。
2024-04-24 eess.SP
Advanced Stationary Point Concentration Technique for Leakage Mitigation and Small Drone Detection with FMCW Radar
针对小型无人机检测需求，本文指出前期提出的FMCW雷达泄漏抑制SPC技术的实现缺陷，提出可保留其优势且克服不足的A-SPC技术，实验验证了该技术的鲁棒性与实用性。
2020-07-14 eess.SP
Multipath Identification and Mitigation with FDA-MIMO Radar
本研究提出一种基于FDA-MIMO雷达的多径识别与抑制策略，通过将多径抑制转化为多径识别问题，在无先验知识下从单帧回波分离多径分量，并联合优化阵列发射加权与频率增量以抑制高阶多径，显著提升了目标检测性能。
2024-07-25 eess.SP
Decentralized Automotive Radar Spectrum Allocation to Avoid Mutual Interference Using Reinforcement Learning
目前，汽车雷达之间的相互干扰已成为人们广泛关注的问题。本文提出了一种分散的频谱分配方法，以避免汽车雷达之间的相互干扰。虽然分散的频谱分配已被广泛研究在认知无线电传感器网络，两个挑战是观察到使用雷达的汽车传感器。首先，分配方法应该是动态的，因为所有雷达都安装在移动的车辆上。第二，每个雷达不与其他雷达通信，因此它的信息非常有限。利用机器学习技术，强化学习，因为它可以在未知的动态环境中学习决策策略。由于单个雷达观测值是不完整的，因此使用长短期记忆递归网络来聚合雷达观测值，使得每个雷达可以通过结合当前和过去的观测值来学习选择频率子带。仿真实验表明，该方法与其他常见的频谱分配方法，如随机和短视的政策，表明我们的方法优于其他方法。
2020-07-15 eess.SP
ADMM-Net for Communication Interference Removal in Stepped-Frequency Radar
复ADMM-Net是一种受交替方向乘法器（ADMM）启发的复值神经网络结构，用于频率步进超分辨雷达角度-距离-多普勒成像中的干扰抑制。针对MIMO雷达与通信共享频谱的非合作场景，ADMM-Net可以恢复雷达图像（假设是稀疏的），同时消除通信干扰，由于频谱利用不足，通信干扰在频域中被建模为稀疏。该方案激发了一个$\ell_1$最小化问题，其ADMM迭代反过来又支撑了神经网络设计，产生了一组具有可学习超参数和操作的广义ADMM迭代。为了训练网络，我们使用根据雷达和通信信号模型生成的随机数据。在数值实验中，ADMM-Net表现出明显低于ADMM和CVX的误差和计算成本。
2020-09-26 eess.SP
Model-Based Deep Learning Tuning of Reconfigurable Intelligent Surface for OFDM Radar Interference Mitigation
本文提出一种基于深度学习的RIS配置优化框架，结合改进MUSIC算法与MLP模型，在多子载波下抑制OFDM雷达干扰，显著提升了SINR与定位精度。
2025-04-06 eess.SP
End-to-End Training of Neural Networks for Automotive Radar Interference Mitigation
Graz University of Technology（格拉茨技术大学）；Infineon Technologies AG（英飞凌科技股份公司）
针对汽车FMCW雷达互干扰抑制问题，提出直接在目标检测图上训练神经网络的端到端方法，通过松弛CA-CFAR检测器构建训练目标，结合可分离卷积降参，在实测数据上检测性能大幅优于传统信号处理方法。
2023-12-15 cs.LG eess.SP
Mitigation of Radar Range Deception Jamming Using Random Finite Sets
Northeastern University（东北大学）
本文提出利用随机有限集缓解雷达距离欺骗干扰，通过多假设跟踪处理虚假距离信息，并提供自适应与非自适应解决方案以提高跟踪精度和干扰检测能力。
2024-08-21 eess.SP
Precoder and Decoder Co-Designs for Radar and Communication Spectrum Sharing
雷达和现代通信系统都在向更高的频段和大规模天线阵列发展，这就增加了它们在硬件结构、信道特性和信号处理流水线方面的相似性。为了抑制由具有共享频谱和硬件资源的通信和雷达系统引起的跨系统干扰，其中通信和雷达/感测系统可以以联合优化的性能并行操作的协同设计理念引起了学术界和工业界的极大关注。在本文中，我们提出了一种基于零空间的联合预编码器和解码器的设计之间的多载波雷达和多用户多载波通信系统的频谱共享，通过采用最大信号干扰噪声比（max-SINR）的标准和干扰对齐（IA）的约束。通过将跨系统干扰投影到设计的零空间，可以实现$K+1$ -雷达-通信-用户干扰信道的最大自由度上界。我们的仿真研究表明，在通信和雷达系统中，干扰几乎可以完全消除。这导致雷达中的检测性能的改善和通信子系统中的更高速率。基于零空间的预编码器的设计也获得了显着的性能增益。
2022-06-09 eess.SP
Radar Altimeter Redesign for Multi-Stage Interference Risk Mitigation in 5G and Beyond
针对5G及未来信号对雷达高度计的干扰风险，提出并验证了系统设计更改策略，涵盖认证流程，以保障飞行安全。
2023-05-09 eess.SP
Interference Detection and Exploitation for Multi-User Radar Sensing
Aalborg University（奥尔堡大学）
本文提出一种多用户雷达感知中的干扰检测与利用算法，通过频谱交错正交频分复用实现干扰检测与利用，提升感知精度和估计性能。
2026-01-29 eess.SP
Deep Interference Mitigation and Denoising of Real-World FMCW Radar Signals
Graz University of Technology（格拉茨工业大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
雷达传感器对于驾驶员辅助系统和自动驾驶汽车的环境感知至关重要。关键性能因素是精细的距离分辨率和直接测量速度的可能性。随着雷达传感器数量的不断增加和汽车雷达频段的不规范，相互干扰是不可避免的，必须加以处理。传感器必须能够检测，甚至减轻干扰的有害影响，包括降低检测灵敏度。在本文中，我们评估了一个卷积神经网络（CNN）为基础的方法，对现实世界的雷达测量干扰减轻。我们将真实测量与模拟干扰相结合，以创建适合训练模型的输入输出数据。我们分析的性能模型的复杂性关系的模拟和测量数据，广泛的参数搜索的基础上。此外，有限样本量性能比较显示了在模拟或真实数据上训练的模型以及迁移学习的有效性。与现有技术的比较性能分析强调了基于CNN的模型在减少干扰和对真实测量进行降噪方面的潜力，同时考虑了硬件的资源限制。
2020-12-04 cs.LG eess.SP
Secure Dual-Functional Radar-Communication System via Exploiting Known Interference in the Presence of Clutter
针对安全双功能雷达通信（DFRC）系统，设计发射波形和接收波束形成器以最大化接收雷达信干噪比（SINR）为目标，将不期望的多用户干扰（MUI）转化为有用功率。在该系统中，DFRC基站（BS）服务于通信用户（CU）并同时检测目标，其中雷达目标被认为是恶意的，因为它可能窃听从BS到CU的传输信息。受相长干涉（CI）方法的启发，CU处接收信号的相位被旋转到松弛决策区域中，并且不期望的MUI被设计为贡献有用功率。然后，采用凸逼近方法（SCA）来解决优化问题。最后，通过数值实验验证了该方法的有效性，表明采用本文提出的技术来保证通信数据的安全是可行的。
2021-06-08 eess.SP
Mitigation of Through-Wall Distortions of Frontal Radar Images using Denoising Autoencoders
本文提出利用去噪自编码器在无需墙体参数和房间几何先验信息的情况下缓解穿墙雷达图像失真，并通过仿真与实测验证其对静态和动态人体目标的有效性。
2019-03-22 eess.SP
a cognitive frequency allocation strategy for multi-carrier radar against communication interference
现代雷达经常采用多载波波形，这在文献中已被广泛讨论。然而，随着民用通信的发展，越来越多的频谱资源被通信网络占用。因此，如何避免通信用户的干扰是多载波雷达应用的一个重要而具有挑战性的课题。本文提出了一种基于历史经验的频率划分策略，并将其表示为一个马尔可夫决策过程（MDP）。在决策步骤中，多载波雷达需要选择多个频率，从而导致组合动作空间。为了应对这一挑战，我们使用了一种新的迭代选择技术，将一个困难的决策任务分解为几个简单的任务。此外，采用有效的深度强化学习算法来处理复杂的频谱动力学。数值结果表明，我们提出的方法优于现有的。
2022-12-23 eess.SP
Clutter Mitigation for Joint RadCom Systems Based On Spatial Modulation
针对联合雷达通信系统中通信信息嵌入引起的杂波调制问题，提出基于空间调制的降维空时自适应处理方法，通过子空间投影和基于幂法的特征分解抑制杂波，仿真验证了其有效性。
2023-11-11 eess.SP
Interference Mitigation Recommender System using U-Net Autoencoders
Virginia Tech（弗吉尼亚理工大学）
本文提出基于U-Net自编码器的干扰抑制推荐系统，通过动态选择最佳抑制策略提升通信鲁棒性。
2025-12-15 eess.SP
Reconfigurable Intelligent Surface-Enabled Array Radar for Interference Mitigation
本文研究RIS辅助阵列雷达的干扰抑制问题，通过联合优化发射、接收波束成形与RIS反射系数最大化SINR，并提出基于交替最小化和二阶RNM的算法，显著提升性能。
2024-01-28 eess.SP
Digital Interference Mitigation in Space Division Multiplexing Self-Homodyne Coherent Detection
提出了一种数字干扰抑制方案，以减小空分复用自零差相干检测中模式耦合的影响，并在3模多模光纤240-Gbps模式复用传输中验证了该方案的有效性。
2021-02-28 eess.SP
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks
University Politehnica of Bucharest（布加勒斯特理工大学）；University of Bucharest（布加勒斯特大学）；Weizmann Institute of Science（魏茨曼科学研究所）
在自动驾驶中，雷达系统在检测道路上的其他车辆等目标方面发挥着重要作用。安装在不同汽车上的雷达会相互干扰，降低检测性能。用于汽车雷达干扰抑制的深度学习方法可以成功地估计目标的幅度，但无法恢复相应目标的相位。在本文中，我们提出了一种高效和有效的技术展开的鲁棒主成分分析（RPCA）的基础上，能够估计的振幅和相位的干扰存在。我们的贡献在于将残差过完备自动编码器（ROC-AE）块引入到展开RPCA的递归架构中，从而产生了一个更深入的模型，其性能显著优于展开RPCA以及其他深度学习模型。
2021-04-17 cs.CV cs.LG eess.SP
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation
Graz University of Technology（格拉茨技术大学）；Infineon Technologies Austria AG（英飞凌科技奥地利公司）
自动驾驶高度依赖于有能力的传感器来感知环境并向车辆的控制系统提供可靠的信息。为了提高其鲁棒性，使用了一组多样化的传感器，包括雷达传感器。雷达是传感信息的重要贡献，提供高分辨率的距离和速度测量。雷达传感器在道路交通中的使用越来越多，这带来了新的挑战。由于迄今为止不受管制的频段变得越来越拥挤，雷达传感器遭受多个雷达传感器之间的相互干扰。必须减轻这种干扰，以确保高和一致的检测灵敏度。在本文中，我们提出了使用复值卷积神经网络（CVCNN）来解决雷达传感器之间的相互干扰问题。我们将以前开发的方法扩展到复域，以便根据其物理特性处理雷达数据。这不仅提高了数据效率，而且改善了滤波期间相位信息的保存，这对于进一步处理（例如角度估计）至关重要。我们的实验表明，CVCNN的使用提高了数据效率，加快了网络训练速度，并大大提高了干扰消除过程中相位信息的保存。
2021-04-29 cs.CV eess.SP
Complex Signal Denoising and Interference Mitigation for Automotive Radar Using Convolutional Neural Networks
Graz University of Technology（格拉茨技术大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
驾驶员辅助系统以及自动驾驶汽车必须依赖传感器来感知其环境。一组异构的传感器被用来执行这项任务鲁棒。其中，雷达传感器是必不可少的，因为它们的距离分辨率和直接测量速度的可能性。由于越来越多的雷达传感器部署在街道上，必须处理相互干扰。在迄今为止未受管制的汽车雷达频段中，传感器必须能够检测或甚至减轻干扰的有害影响，其包括降低的检测灵敏度。在本文中，我们使用卷积神经网络（CNN）来解决这个问题，CNN是最先进的机器学习工具。我们证明了CNN在数据中找到结构化信息的能力，同时保留局部信息，从而实现了卓越的去噪性能。为了实现这一点，使用模拟数据进行训练来找到CNN参数，并将其集成到汽车雷达信号处理链中。所提出的方法进行了比较，与最先进的，突出其有前途的性能。因此，CNN可以用于干扰减轻，作为传统信号处理方法的替代。代码和预训练模型可在https://github.com/johanna-rock/imRICnn上获得。
2019-06-25 cs.CV eess.SP
Temporal Convolutional Autoencoder for Interference Mitigation in FMCW Radar Altimeters
提出时间卷积自编码器(TCAE)直接处理IQ样本抑制干扰，在严重干扰下高度估计误差比LMS自适应滤波降低85%以上，并保持相位保真度。
2026-08-11 cs.LG eess.SP
Interference Cancellation Schemes for Full-Duplex Integrated Sensing and Communication
本文针对全双工联合雷达与通信接收机中的自干扰与互干扰问题，提出简单和迭代干扰消除结构，利用跨功能信息提升检测概率与误码率性能，并通过动态汽车场景验证了方法在降低复杂度的同时保持系统鲁棒性。
2024-10-01 eess.SP
Angle-Equivariant Convolutional Neural Networks for Interference Mitigation in Automotive Radar
Graz University of Technology（格拉茨技术大学）；Infineon Technologies AG（英飞凌科技股份公司）
本文提出一种基于秩三卷积的全卷积神经网络，用于汽车FMCW雷达干扰抑制，通过角度等变设计在不同到达角之间迁移学习模式，在提升性能的同时减少可训练参数并增强鲁棒性。
2023-12-18 cs.LG eess.SP
Resource-efficient Deep Neural Networks for Automotive Radar Interference Mitigation
Graz University of Technology（格拉茨理工大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
雷达传感器对于驾驶员辅助系统和自动驾驶汽车的环境感知至关重要。随着雷达传感器数量的不断增加和汽车雷达频段的不规范，相互干扰是不可避免的，必须加以处理。在雷达数据上运行的算法和模型需要在专用雷达传感器硬件上运行早期处理步骤。这种专用硬件通常具有严格的资源约束，即低存储器容量和低计算能力。基于卷积神经网络（CNN）的去噪和干扰抑制方法在性能方面为雷达处理带来了有希望的结果。然而，关于资源限制，CNN通常远远超过硬件的能力。在本文中，我们研究基于CNN的去噪和雷达信号的干扰减轻量化技术。我们分析了（i）权重和（ii）不同基于CNN的模型架构的激活的量化。这种量化导致模型存储和推理过程中的内存需求减少。我们比较了具有固定和学习位宽的模型，并对比了两种不同的训练量化CNN的方法，即直通梯度估计器和离散权重上的训练分布。我们说明了结构上小的实值基础模型的量化的重要性，并表明，学习位宽产生最小的模型。与实值基线相比，我们实现了约80%的内存减少。然而，由于实际原因，我们建议使用8位的权重和激活，这导致模型只需要0.2 MB的内存。
2022-01-25 cs.CV eess.SP
Mutual Interference Mitigation in PMCW Automotive Radar
针对PMCW汽车雷达互干扰问题，提出协同波形设计方法，仿真验证可显著降低干扰、提升检测性能，且计算成本低、对现有系统影响小。
2023-06-16 cs.SY eess.SP eess.SY
Towards Smarter Sensing: 2D Clutter Mitigation in RL-Driven Cognitive MIMO Radar
Institute of Digital Communication Systems, Ruhr University Bochum（鲁尔大学波鸿分校数字通信系统研究所）
本文提出一种RL增强的认知MIMO雷达系统，通过平面阵列自适应波形与波束形成，结合Wald检测器和SARSA算法抑制二维杂波，显著提升低信噪比多目标检测概率。
2025-02-07 cs.LG eess.SP
