印度研究團隊開發出名為 DA-ResNet 的全新人工智慧模型，它能在極微弱的訊號和大量雜訊中精準辨識雷達干擾，辨識準確率高達 97.07%，這項技術突破有望大幅提升軍事與民用基礎設施的反干擾能力。
一項由印度研究團隊開發的全新深度學習模型 DA-ResNet，展現出即使在微弱訊號被大量雜訊掩蓋的情況下，仍能精準辨識雷達干擾（敵方發射訊號阻礙雷達正常運作）的卓越能力。這項技術突破有望大幅提升軍事平台與關鍵民生基礎設施的生存能力。
根據《Bioengineer.org》報導，這款名為 DA-ResNet 的人工智慧模型，即使在極低的「干擾雜訊比」（JNR，干擾訊號與背景雜訊的強度比，比值越低代表干擾訊號越難辨識）環境下，也能有效識別雷達干擾訊號。該模型以 ResNet-50 為基礎，並結合多項創新設計，包含能增強對干擾波形模式敏感度的 Gabor 卷積前端，以及用於動態評估特徵重要性的 Squeeze-and-Excitation（SE）注意力區塊。
DA-ResNet 在兩組獨立數據集上進行了嚴格測試，涵蓋的 JNR 範圍從負 10 分貝到正 30 分貝。測試結果顯示，其整體辨識準確率高達 97.07%，超越了現有最先進的方法。同時，該模型在不同訊號條件下仍能保持高準確率，展現出強大的跨訊號雜訊比泛化能力，且運算成本適中。
研究人員指出，雷達能否即時辨識干擾，直接決定了其能部署何種反制措施。DA-ResNet 這類模型將為軍事平台提供關鍵的生存優勢，並能保護像是機場、電網等需要雷達監測的民用基礎設施。這項研究結合了殘差學習、Gabor 初始化、SE 注意力與雙路池化等成熟技術，並針對雷達訊號處理的物理特性進行客製化，體現了「物理資訊深度學習」的優勢。該研究團隊認為，DA-ResNet 在準確性、穩健性與運算效率之間取得了良好平衡，是下一代電子反反制系統的實用候選方案。
這項研究由 Ramrao Adik Institute of Technology 的 Balu P. Bhusari 與 Akshay A. Jadhav，以及 SIES Graduate School of Technology 的研究人員共同完成，地點位於印度新孟買。