CN110146855B

CN110146855B - 雷达间断干扰抑制门限计算方法及装置

Info

Publication number: CN110146855B
Application number: CN201910502578.XA
Authority: CN
Inventors: 董博
Original assignee: Beijing Institute of Radio Measurement
Current assignee: Beijing Institute of Radio Measurement
Priority date: 2019-06-11
Filing date: 2019-06-11
Publication date: 2020-10-23
Anticipated expiration: 2039-06-11
Also published as: CN110146855A

Abstract

本发明公开了雷达间断干扰抑制门限计算方法及装置，涉及雷达信号处理领域。该方法包括：根据获取的雷达间断干扰数据生成特征向量；根据卷积神经网络构建干扰抑制门限计算模型；根据特征向量对干扰抑制门限计算模型进行训练；根据训练后的干扰抑制门限计算模型计算雷达的干扰抑制门限值；其中，干扰抑制门限计算模型包括输入层、n个卷积层、n个降采样层和全连接层，n个卷积层和n个降采样层交替连接，n≥2。本发明具有计算过程简便、效率高、不易受干扰的优点，并且具有较强的学习能力和泛化能力，能够满足现代电子战对于自动化、信息化、智能化的电子侦察系统及设备的需要，具有广阔的应用价值和市场前景。

Description

雷达间断干扰抑制门限计算方法及装置

技术领域

本发明涉及雷达信号处理领域，尤其涉及雷达间断干扰抑制门限计算方法及装置。

背景技术

雷达干扰抑制技术一直是雷达信号处理领域最为重要的研究方向之一，雷达系统必须在复杂的电磁干扰环境中保持正常运转，才能在实际电子对抗中赢得优势。间断干扰抑制一直是干扰抑制技术领域的研究重点，其中，干扰抑制门限的计算可以抽象为数据的回归预测，即根据有限的观测数据建立起反映输出和输入之间联系的函数关系，基于先验信息和直方图统计设定一个固定的门限值。

然而，随着高速数字电路技术的快速发展，雷达系统所面临的电磁干扰环境日益恶劣，干扰信号参数多变、形式多样且变化规律复杂，传统的门限值计算方法存在计算量大、过程繁琐和效率较低等问题，严重影响了当前间断干扰抑制技术的发展，难以满足现代电子战对于自动化、信息化、智能化的电子侦察系统及设备的需要。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供了雷达间断干扰抑制门限计算方法、装置及存储介质。

本发明解决上述技术问题的技术方案如下：

一种雷达间断干扰抑制门限计算方法，包括：

根据获取的雷达间断干扰数据生成特征向量；

根据卷积神经网络构建干扰抑制门限计算模型；

根据所述特征向量对所述干扰抑制门限计算模型进行训练；

根据训练后的所述干扰抑制门限计算模型计算雷达的干扰抑制门限值；

其中，所述干扰抑制门限计算模型包括输入层、n个卷积层、n个降采样层和全连接层，n个所述卷积层和n个所述降采样层交替连接，n≥2。

本发明的有益效果是：本发明提供的方法，通过卷积神经网络构建的模型计算干扰抑制门限值，具有计算过程简便、效率高、不易受干扰的优点，并且具有较强的学习能力和泛化能力，能够满足现代电子战对于自动化、信息化、智能化的电子侦察系统及设备的需要，具有广阔的应用价值和市场前景。

本发明解决上述技术问题的另一种技术方案如下：

一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述技术方案所述的雷达间断干扰抑制门限计算方法。

本发明解决上述技术问题的另一种技术方案如下：

一种雷达间断干扰抑制门限计算装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序，实现如上述技术方案所述的雷达间断干扰抑制门限计算方法。

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。

附图说明

图1为本发明一种雷达间断干扰抑制门限计算方法的实施例提供的流程示意图；

图2为本发明一种雷达间断干扰抑制门限计算方法的实施例提供的卷积神经网络结构示意图；

图3为本发明一种雷达间断干扰抑制门限计算装置的实施例提供的结构框架示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，为本发明一种雷达间断干扰抑制门限计算方法的实施例提供的流程示意图，该方法包括：

S1，从雷达系统获取大量雷达间断干扰数据；

S2，根据获取的雷达间断干扰数据生成特征向量；

优选地，可以取雷达回波信号幅度特征的前b维形成特征向量，b的数值可以根据实际需求设置，例如，可以取前1500维；

优选地，可以将特征向量分成训练集和测试集，其中，训练集用于训练卷积神经网络，测试集用于测试卷积神经网络。

S3，根据卷积神经网络构建干扰抑制门限计算模型；

S4，根据所述特征向量对所述干扰抑制门限计算模型进行训练；

优选地，将特征向量分成训练集和测试集后，可以将训练集按固定数量分块后，再输入到卷积神经网络中。

S5，根据训练后的干扰抑制门限计算模型计算雷达的干扰抑制门限值；

其中，干扰抑制门限计算模型包括输入层、n个卷积层、n个降采样层和全连接层，n个卷积层和n个降采样层交替连接，n≥2。

应理解，雷达间断干扰数据指的是雷达系统在电磁干扰环境中，雷达系统的信号处理装置得到雷达回波信号，雷达回波信号经信号处理离散采样得到，例如，雷达回波信号可以为5000点，即幅度和相位均为5000点，可以取幅度的前1500点形成特征向量，即数据的维度是1500维。

在一些可能的实施例中，如图2所示，卷积神经网络可以包括2个卷积层和2个降采样层，该卷积神经网络的输入层I1、卷积层C1、降采样层S1、卷积层C2、降采样层S2和全连接层F1依次连接，其中，输入层I1的大小可以为32*32，卷积核可以为5*5，通过卷积核对输入层I1的图像进行卷积运算，卷积核沿图像逐个像素滑动，每移动一个像素卷积运算得到一个值，并将运算结果输入到激活函数中，并分配一个对应权值得到一个输出，该输出就是相邻卷积层C1的一个单元。

根据卷积运算定义，输出的特征图大小为(32-5+1)*(32-5+1)＝28*28，可以采用6个卷积核对图像做卷积，因此经过卷积核特征映射之后在卷积层C1输出6个特征图，每一个特征图的大小为28*28。

降采样层S1的大小为14*14，卷积核大小是5*5，其作用是进一步减小卷积层C1得到的特征图的维度，同时降低运算量。

卷积层C2的大小为10*10，卷积核大小为2*2，其作用同卷积层C1。

降采样层S2的大小为5*5，，其作用同降采样层S1。

全连接层F1的作用是对前面得到的全部特征进行运算，得到输出值，即干扰抑制门限值。

可选地，卷积神经网络还可以包括3个卷积层和3个降采样层，该卷积神经网络的输入层I1、卷积层C1、降采样层S1、卷积层C2、降采样层S2、卷积层C3、降采样层S3和全连接层F1依次连接，各层作用同上，具体数值可以根据实际需求设置，不再赘述。

需要说明的是，本申请可以通过雷达系统中自带的处理器、计算终端等实现干扰抑制门限值的计算。

本申请的计算方法也可以通过计算机、手机、工业计算机等具有运算功能的终端实现，为了从雷达系统获取雷达间断干扰数据，可以通过数据线、光纤、蓝牙、wifi等有线或无线的通讯方式从雷达系统获取数据，将数据传输到预存有预先训练完成的卷积神经网络的计算终端中进行计算，以实现干扰抑制门限值的计算。

例如，以有线传输为例，可以通过USB数据线及接口连接计算终端和雷达系统，通过预先编写的执行程序从雷达系统读取雷达间断干扰数据。

其中，数据的具体传输方法系本领域公知技术，实现方法有很多，在此不再赘述。

本实施例提供的方法，通过卷积神经网络计算干扰抑制门限值，具有计算过程简便、效率高、不易受干扰的优点，并且具有较强的学习能力和泛化能力，能够满足现代电子战对于自动化、信息化、智能化的电子侦察系统及设备的需要，具有广阔的应用价值和市场前景。

可选地，在一些实施例中，S4之前，还可以包括：

补全特征向量中缺失的数据，对补全后的特征向量进行归一化处理。

应理解，在实际数据采集和录取的过程中可能会出现某条数据缺失的现象，可以通过补全的方式，提高数据的有效性。

例如，可以将该数据对应的全部特征量的均值代替缺失的数据。

又例如，也可以将该数据对应的两端预设数量的特征量的均值代替缺失的数据。

对特征向量进行归一化处理，去掉数据的量纲，可以避免计算过程中因量纲不同而产生较大的误差，可以加快模型的收敛速度，能够提高计算的效率和准确率。

例如，可以将数据均归一化到[0,1]之间。

可选地，在一些实施例中，补全特征向量中缺失的数据，具体可以包括：

获取缺失的数据所在维度的特征向量的平均值；

用平均值补全缺失的数据。

假设某个数据的特征向量分别是a₁、a₂、_、a₄、a₅，其中，数据a₃因某些原因丢失，如雷达系统偶然故障等，信号受干扰接收失败等，那么对于该数据而言，可以取a₁、a₂、a₄、a₅的平均值，将平均值作为a₃完成数据的补全。

可选地，在一些实施例中，可以根据以下公式对补全后的特征向量进行归一化处理：

其中，x_i为第j个样本的第i个特征向量，x_maxi为第i个特征向量的最大值，x_mini为第i个特征向量的最小值，i＝1，2，…，h，h为特征向量的数量，j＝1，2，…，k，k为样本的数量。

应理解，特征向量有多个样本，以3个样本为例，对于数据a而言，其每个样本可以包含10条特征向量的记录，那么对于某个特征向量而言，其就会有3个对应的记录，分别在3个样本中，其中，最大值就是x_maxi，最小值就是x_mini。

可选地，在一些实施例中，S4具体可以包括：

根据特征向量对卷积神经网络的超参数进行训练优化，直到超参数收敛。

训练优化的过程主要是对卷积神经网络进行有监督训练，并将误差逐层反向传播，微调各层超参数，直到收敛。

超参数指的是卷积神经网络的框架参数，也就是进行模型训练时需要预先确定的参数。

可选地，在一些实施例中，超参数可以包括：模型结构、训练过程中的分块大小和循环次数。

其中，模型结构是指隐藏层的个数以及各隐藏层节点的个数，在训练时，需要将训练样本按照固定数量分块输入网络，分块大小是指每块训练样本的数量。

需要说明的是，在能够实现本发明的前提下，本领域技术人员还可以根据实际需求选择和设置其他超参数。

可选地，在一些实施例中，根据训练集对卷积神经网络的超参数进行训练优化，直到超参数收敛，具体可以包括：

设置每种超参数的取值范围；

对每种超参数进行组合，建立多个预测模型；

在取值范围内，计算每个预测模型的预测误差；

将预测误差最小的预测模型作为训练后的干扰抑制门限计算模型，训练后的干扰抑制门限计算模型中的超参数收敛。

需要说明的是，对每种超参数进行组合，指的是对任意两个及以上的超参数进行组合，例如，组合可以为模型结构+分块大小，也可以为分块大小+循环次数，也可以为模型结构+分块大小+循环次数。

通过对不同的超参数进行组合，选择预测误差最小的超参数组合，能够提高预测的精度，得到最优的干扰抑制门限计算模型，一旦确定模型参数，就无需再次训练，有效提升了效率。

可选地，在一些实施例中，计算每个预测模型的预测误差，具体可以包括：

将特征向量输入到第m个预测模型中，分别得到每个特征向量对应的干扰抑制门限的计算值；

分别计算每个特征向量的干扰抑制门限的计算值与实际值的差值，对得到的差值取平均值，得到第m个预测模型的预测误差；

其中，m＝1，2，3，…，M，M为预测模型的数量。

可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。

在本发明的其他实施例中，还提供一种存储介质，存储介质中存储有指令，当计算机读取指令时，使计算机执行如上述任意实施例所述的雷达间断干扰抑制门限计算方法。

需要说明的是，上述实施例是包含在先方法实施例的产品实施例，对于产品实施例的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。

如图3所示，为本发明一种雷达间断干扰抑制门限计算装置的实施例提供的结构框架示意图，该装置包括：

存储器1，用于存储计算机程序；

处理器2，用于执行计算机程序，实现如上述任意实施例所述的雷达间断干扰抑制门限计算方法。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。

本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种雷达间断干扰抑制门限计算方法，其特征在于，包括：

根据获取的雷达间断干扰数据生成特征向量；

根据卷积神经网络构建干扰抑制门限计算模型；

根据所述特征向量对所述干扰抑制门限计算模型进行训练；

2.根据权利要求1所述的雷达间断干扰抑制门限计算方法，其特征在于，根据所述特征向量对所述干扰抑制门限计算模型进行训练之前，还包括：

补全所述特征向量中缺失的数据，对补全后的所述特征向量进行归一化处理。

3.根据权利要求2所述的雷达间断干扰抑制门限计算方法，其特征在于，补全所述特征向量中缺失的数据，具体包括：

获取所述缺失的数据所在维度的特征向量的平均值；

用所述平均值补全所述缺失的数据。

4.根据权利要求2所述的雷达间断干扰抑制门限计算方法，其特征在于，根据以下公式对补全后的所述特征向量进行归一化处理：

其中，x_ij为第j个样本的第i个特征向量，x_maxi为第i个特征向量的最大值，x_mini为第i个特征向量的最小值，i＝1，2，…，h，h为特征向量的数量，j＝1，2，…，k，k为样本的数量。

5.根据权利要求1至4中任一项所述的雷达间断干扰抑制门限计算方法，其特征在于，根据所述特征向量对所述干扰抑制门限计算模型进行训练，具体包括：

根据所述特征向量对所述卷积神经网络的超参数进行训练优化，直到所述超参数收敛。

6.根据权利要求5所述的雷达间断干扰抑制门限计算方法，其特征在于，所述超参数包括：模型结构、训练过程中的分块大小和循环次数。

7.根据权利要求5所述的雷达间断干扰抑制门限计算方法，其特征在于，根据所述特征向量对所述卷积神经网络的超参数进行训练优化，直到所述超参数收敛，具体包括：

设置每种所述超参数的取值范围；

对每种所述超参数进行组合，建立多个预测模型；

在所述取值范围内，计算每个所述预测模型的预测误差；

将预测误差最小的预测模型作为训练后的干扰抑制门限计算模型，训练后的所述干扰抑制门限计算模型中的超参数收敛。

8.根据权利要求7所述的雷达间断干扰抑制门限计算方法，其特征在于，计算每个所述预测模型的预测误差，具体包括：

将所述特征向量输入到第m个预测模型中，分别得到每个特征向量对应的干扰抑制门限的计算值；

其中，m＝1，2，3，…，M，M为所述预测模型的数量。

9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至8中任一项所述的雷达间断干扰抑制门限计算方法。

10.一种雷达间断干扰抑制门限计算装置，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序，实现如权利要求1至8中任一项所述的雷达间断干扰抑制门限计算方法。