CN110927706B - 基于卷积神经网络的雷达干扰检测识别方法 - Google Patents

基于卷积神经网络的雷达干扰检测识别方法 Download PDF

Info

Publication number
CN110927706B
CN110927706B CN201911259145.2A CN201911259145A CN110927706B CN 110927706 B CN110927706 B CN 110927706B CN 201911259145 A CN201911259145 A CN 201911259145A CN 110927706 B CN110927706 B CN 110927706B
Authority
CN
China
Prior art keywords
time
frequency
interference
signals
adopting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911259145.2A
Other languages
English (en)
Other versions
CN110927706A (zh
Inventor
张伟
刘强
康慧
吴筱诺
李�浩
曹建蜀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911259145.2A priority Critical patent/CN110927706B/zh
Publication of CN110927706A publication Critical patent/CN110927706A/zh
Application granted granted Critical
Publication of CN110927706B publication Critical patent/CN110927706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/006Theoretical aspects
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于卷积神经网络的雷达干扰检测识别方法,其包括对雷达信号预处理;采用短时傅里叶变换对预处理后信号进行时域变换;对时频图像a依次执行恒虚警检测和干扰测量,得到干扰信号的时间参数和频率参数;根据时间参数,提取雷达信号中的干扰信号;根据频率参数,采用带通滤波器对提取的干扰信号进行滤波处理;将滤波后的信号采用短时傅里叶变换进行时域变换得到时频图像b,并进行归一化处理;采用维纳滤波算法对归一化处理后的时频图像b进行平滑处理,之后对平滑处理结果进行自适应裁剪;采用双三次插值算法对自适应裁剪后的图像进行缩放得到识别数据;将识别数据输入预训练CNN模型进行识别,得到干扰信号的类型。

Description

基于卷积神经网络的雷达干扰检测识别方法
技术领域
本发明涉及干扰信号类型的识别,具体涉及一种基于卷积神经网络的雷达干扰检测识别方法。
背景技术
随着数字射频存储(DFRM)技术的出现和迅速应用,现代电子战中雷达有源干扰的逼真度更高,形式复杂多样,对雷达的正常工作及生存造成了严重的威胁,因此如何有效对抗干扰越来越成为现代雷达的迫切需求。抗干扰的前提是干扰的正确识别,传统的方法是基于特征提取的干扰分类,但该类方法需人工选取特征且泛化能力弱。近年来,也有许多雷达干扰识别算法不断涌现,但仅仅关注于某几类干扰或分类算法研究,针对雷达干扰的识别,缺乏一种泛华能力强且自主化高的方法。
发明内容
针对现有技术中的上述不足,本发明提供的基于卷积神经网络的雷达干扰检测识别方法解决了现有技术进行雷达识别时需要人工选取特征且泛化能力弱的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于卷积神经网络的雷达干扰检测识别方法,其包括:
S1、对采集的雷达信号/仿真的雷达信号进行下变频和降采样预处理;
S2、采用低频率分辨率、高时间分辨率的短时傅里叶变换对预处理后信号进行时域变换得到时频图像a;
S3、对时频图像a依次执行恒虚警检测和干扰测量,得到干扰信号的时间参数和频率参数;
S4、根据时间参数,提取采集的雷达信号/仿真的雷达信号中的干扰信号;根据频率参数,采用带通滤波器对提取的干扰信号进行滤波处理;
S5、将滤波后的信号采用高频率分辨率、低时间分辨率的短时傅里叶变换进行时域变换得到时频图像b,并对时频图像b进行归一化处理;
S6、采用维纳滤波算法对归一化处理后的时频图像b进行平滑处理,之后对平滑处理结果进行自适应裁剪;
S7、采用双三次插值算法对自适应裁剪后的图像进行缩放得到识别数据;
S8、将识别数据输入预训练CNN模型进行识别,得到干扰信号的类型。
本发明的有益效果为:采用较低频率分辨率的短时傅立叶变换加恒虚警检测可以在时频图像中快速检测干扰并测量其时频参数,同时为干扰分离提取和干扰类型识别提供参考,保证了干扰提取的准确性。
对提取的干扰进行类别识别时,不用人工提取各类干扰的特征,CNN模型可自动学习并提取干扰信号的深度特征;本方案的识别方法鲁棒性好,可适用于多类雷达干扰且对干扰的参数变化适应性强。
附图说明
图1为基于卷积神经网络的雷达干扰检测识别方法的流程图。
图2为恒虚警检测方法的原理框图。
图3为自适应裁剪前后示意图,其中a为裁剪前的三维时频图像,b为裁剪后的三维时频图像;
图4为4dB时频数据集示意图。
图5为干扰的混淆矩阵图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了基于卷积神经网络的雷达干扰检测识别方法的流程图,如图1所示,该方法S包括步骤S1至步骤S8。
在步骤S1中,对采集的雷达信号/仿真的雷达信号进行下变频和降采样预处理;
在步骤S2中,采用低频率分辨率、高时间分辨率的短时傅里叶变换对预处理后信号进行时域变换得到时频图像a;短时傅里叶变换后得到的时频图像a为一个矩阵。
其中,短时傅里叶变换的计算公式为:
Figure BDA0002311131970000031
其中,a(i,j)为源图像A对应坐标(xi,yj);G(x-xi)为关于xi的基函数计算;G(y-yi)为关于yj的基函数计算。
在步骤S3中,对时频图像a依次执行恒虚警检测和干扰测量,得到干扰信号的时间参数和频率参数;
如图2所示,本方案优选对时频图像a执行恒虚警检测的方法包括:
S311、采用顺序滑窗向平方律检波器中输入时频图像a中未选取的前n个数据,并将输出值按大小进行排序;实施时,本方案优选按从大到小的顺序进行排序。
S312、选取第k个数据的输出值与门限因子d相乘作为判决阈值,将输出值与判据阈值的差异大于设定门限的数据标记为干扰信号,其余标记为背景信号,按照时频图像a中数据原始顺序重置标记顺序;
S313、判断时频图像a中的所有数据是否都进行标记,若是,完成检测,否则,返回步骤S311。
本方案恒虚警检测后得到结果为一个恒虚警矩阵;其中恒虚警检测方法的虚警率PFA为:
Figure BDA0002311131970000041
其中,d为门限因子;n为每次检测所取的数据数目,应远小于a中数据总数;k为选取的标定数据的排序编号;n!为n的阶乘;
在本发明的一个实施例中,对恒虚警检测结果进行干扰测量的方法包括:
S321、根据恒虚警检测结果,向时间维投影获得干扰信号的时间维起始点数和结束点数;
S322、删除时间小于设定阈值的干扰信号的时间维起始点数和结束点数,以达到对时间很短的杂波的去除,以保证干扰测量得到干扰信息的准确性。
将余下时间维起始点数和结束点数乘上时间分辨率,得到干扰信号时间参数开始时间和结束时间;
S323、采用时间维起始点数和结束点数查找恒虚警检测结果中对应的干扰,并向频率维投影,得到干扰信号的时间参数起始频率点数和结束频率点数;
S324、将干扰信号起始频率点数和结束频率点数乘上时间分辨率,得到干扰信号的频率参数中的起始频率和结束频率;
S325、根据干扰信号的起始频率和结束频率,计算干扰信号的频率参数中的中心频率和带宽:
fj=(f1_j+f2_j)/2
Bj=f2_j-f1_j
其中,f1_j为干扰信号起始频率;f2_j为干扰信号结束频率;fj为中心频率(MHz);Bj为带宽Bj(MHz);
在步骤S4中,根据时间参数,提取采集的雷达信号/仿真的雷达信号中的干扰信号;根据频率参数,采用带通滤波器对提取的干扰信号进行滤波处理;
实施时,本方案优选提取采集的雷达信号/仿真的雷达信号中的干扰信号包括如下步骤:
S51、将干扰信号时间参数开始时间和结束时间乘上预处理时的降采样倍数,之后除以时间分辨率,得到干扰信号在采集的雷达信号中的起始点数和结束点数;
S52、根据干扰信号在采集的雷达信号/仿真的雷达信号中的起始点数和结束点数,提取采样信号/仿真的雷达信号中的干扰信号。
在步骤S5中,将滤波后的信号采用高频率分辨率、低时间分辨率的短时傅里叶变换进行时域变换得到时频图像b,并对时频图像b进行归一化处理;
在步骤S6中,采用维纳滤波算法对归一化处理后的时频图像b进行平滑处理,之后对平滑处理结果进行自适应裁剪,自适应裁剪前后对比参考图3;
实施时,本方案优选采用维纳滤波算法对时频图像b/c进行平滑处理包括:
B1、估算时频图像b/c上任一目标点在矩形模板内的均值:
Figure BDA0002311131970000061
其中,μi为第i个目标点的均值;a(x,y)为时频图像b/c上第i个目标点的像素值;wi为第i个目标点对应的矩形模板,矩形模板的大小为N*M;
B2、根据目标点在矩形模板内的均值,计算目标点的方差:
Figure BDA0002311131970000062
其中,σi为第i个目标点的方差;
B3、更新时频图像b/c中目标点的像素值:
Figure BDA0002311131970000063
其中,ν为时频图像b/c中噪声的方差;n为时频图像b/c的目标点总个数。
实施时,本方案优选对平滑处理后的时频图像b/c进行自适应裁剪进一步包括:
C1、从频率维两端逐列向平滑处理后的时频图像b/c中心搜索,分别找到第一个大于等于a*fmax的像素值所在列h1和h2,fmax为平滑处理后的时频图像b/c中的最大像素值;
C2、从列h1和h2分别向两端逐列搜索找到第一个小于等于b*fmax的像素值所在的列h3和h4,a和b为小于1的系数,且a>b;
C3、截取列h3和h4之间的图像。
在步骤S7中,采用双三次插值算法对自适应裁剪后的图像进行缩放得到识别数据;双三次插值算法的具体实施过程如下:
由于图像裁剪完成后大小不一,本方案采用双三次插值算法(把经过自适应裁剪的图像统一至128*128大小,双三次插值又称立方卷积插值,三次运算可以得到更接近高分辨率图像的放大效果。算法描述如下,假设源图像A(自适应裁剪后的图像)大小为m*n,缩放后的目标图像B(识别数据)的大小为M*N。那么根据比例可以得到B(X,Y)在A上的对应坐标:
A(x,y)=A(X*(m/M),Y*(n/N))
在双三次插值算法中选取坐标处最近的16个像素点作为计算目标图像B(X,Y)处像素值的参数,16个像素点如表1所示:
表1 16个像素点
a<sub>00</sub> a<sub>01</sub> a<sub>02</sub> a<sub>02</sub>
a<sub>10</sub> a<sub>11</sub>(P) a<sub>12</sub> a<sub>13</sub>
a<sub>20</sub> a<sub>21</sub> a<sub>22</sub> a<sub>23</sub>
a<sub>30</sub> a<sub>31</sub> a<sub>32</sub> a<sub>33</sub>
如1表所示,P点就是目标图像B在(X,Y)处对应于源图像A中的位置,P的坐标位置会出现小数部分,假设P的坐标为p(x+u,y+v),其中x、y分别表示整数部分,u、v分别表示小数部分。
那么可以得到如表1所示的最近16个像素的位置,在这里用a(i,j)(i,j=0,1,2,3)表示源图像A对应坐标(xi,yj)。本方案的双三次插值算法选取如下的基函数:
Figure BDA0002311131970000071
对待插值的像素点(x,y)(x和y可以为浮点数),按如下公式进行插值计算:
Figure BDA0002311131970000072
其中,a(i,j)为源图像A对应坐标(xi,yj);G(x-xi)为关于xi的基函数计算;G(y-yi)为关于yj的基函数计算。
在步骤S8中,将识别数据输入预训练CNN模型进行识别,得到干扰信号的类型。
在本发明的一个实施例中,预训练CNN模型的训练方法包括:
A1、利用仿真的纯干扰信号的频率参数,并根据预设的频率参数,采用带通滤波器对纯干扰信号进行滤波处理;其中,带通滤波器的设计方法包括:
A11、预设仿真的纯干扰信号的载频f和带宽B;
A12、根据载频f和带宽B,配置带通滤波器的阻带频率为f-2*B和f+2*B,通带频率为f-B和f+B。
A2、将滤波后的信号采用高频率分辨率、低时间分辨率的短时傅里叶变换进行时域变换得到时频图像c,并对时频图像c进行归一化处理;
高频率分辨率、低时间分辨率的短时傅里叶变换与低频率分辨率、高时间分辨率的短时傅里叶变换的唯一区别就是窗口的大小不同,其他实现方式完全相同。
A3、采用维纳滤波算法对归一化后的时频图像c进行平滑处理,之后对平滑处理结果进行自适应裁剪;
A4、采用双三次插值算法对自适应裁剪后的图像进行缩放得到训练数据;
A5、重复步骤A1至步骤A4得到设定数量的训练数据,并将所有训练数据送入CNN模型进行训练,得到识别干扰信号类别的预训练CNN模型。
下面结合仿真分析对本方案的效果进行描述:
为了验证本方法的有效性,搭建的卷积神经网络模型参数如表2所示:
表2卷积神经网络模型
Figure BDA0002311131970000091
从表2可知,卷积神经网络输入为128×128×1,表示长宽都为128个像素点,彩色通道数为1,即是灰度图;网络输出是干扰的分类预测;除了输入输出外,网络共10层,第一层是卷积层,Conv.(5,5,16)是指16个5×5的卷积核,strides=1表示卷积核每次移动的步数为1,padding=“SAME”表示对当前层输入矩阵边界加入全0填充(zero-padding),激活函数ReLU的表达式是f(x)=max(x,0),其中x是输入。
第二层池化层中Max-Pool.(2,2),表示采用最大池化算法,池化层过滤器大小2×2,padding=“SAME”表示对当前层输入矩阵边界加入全0填充(zero-padding)。其余卷积层和池化层与前两层类似,第九层是展平层,即把三维输入展开为行矩阵1×8192。第十层是全连接层,512个神经元,采用遗忘因子dropout=0.5,每次迭代后遗忘全连接层50%的神经元。
本方案用9种LFM雷达干扰((噪声调幅干扰(AM)、噪声调频干扰(FM)、噪声卷积干扰(CN)、噪声乘积干扰(CM)、频谱弥散干扰(SMSP)、切片重构干扰(C&I)、密集复制假目标干扰(MT)、间歇采样转发干扰(IS)和梳状谱干扰(COMB))进行仿真验证。
干扰总体参数:采样率为2.4GHz,信噪比为0dB、2dB、4dB、6dB和8dB,训练数据和测试数据的具体仿真参数如表3和表4:
表3训练集的三种干扰信号参数
Figure BDA0002311131970000101
Figure BDA0002311131970000111
表4测试集的两种干扰信号参数
Figure BDA0002311131970000112
按本方案提供的预训练CNN模型的训练方法中的步骤A1至步骤A4将仿真干扰制作成训练数据,训练数据构成的训练集的每种干扰在各信噪比处设置三组不同参数,每组参数100张图片。测试集中的识别数据则按照本方案的步骤S1至步骤S7生成,测试集的每种干扰在每一个信噪比点上设置两种不同于对应测试集的参数,每组参数60张图片。训练集共13500张图片,测试集2700张图片,其中,4dB下训练集如图4所示。
本实验的服务器是Windows7系统,运行内存32GB,8核处理器,搭载NVIDA NVS315GPU,模型的建立使用的是TensorFlow框架,且使用了NVDIA Cuda对GPU计算进行加速。设置学习率0.0012,BatchSize=10,drouput的遗忘比例0.5,为了不影响训练的效率,训练与测试的代码分开运行,每迭代训练1000次保存一个新模型,新模型保存后立刻被调用用于测试集分类识别。
测试结果,在迭代训练8000次后,9种干扰整体识别率为98.667%。识别率混淆矩阵如图5所示,字母A、B、C、F、G、H、I、J、K分别对应噪声调幅干扰、噪声调频干扰、梳状谱干扰、切片重构干扰、间歇转发干扰、频谱弥散干扰、密集假目标干扰、噪声乘积干扰和噪声卷积干扰9种干扰,纵轴是图像的真实标签,横轴是模型的预测标签,当两种标签对应时表示识别准确,方块上的数值是其识别率,分别是97%、100%、100%、95%、100%、99%、98%、100%、99%。
综上所述,通过上述仿真分析可知,本方案提供的雷达干扰检测识别准确率高,具有较强的鲁棒性。

Claims (7)

1.基于卷积神经网络的雷达干扰检测识别方法,其特征在于,包括:
S1、对采集的雷达信号/仿真的雷达信号进行下变频和降采样预处理;
S2、采用低频率分辨率、高时间分辨率的短时傅里叶变换对预处理后信号进行时域变换得到时频图像a
S3、对时频图像a依次执行恒虚警检测和干扰测量,得到干扰信号的时间参数和频率参数;
S4、根据时间参数,提取采集的雷达信号/仿真的雷达信号中的干扰信号;根据频率参数,采用带通滤波器对提取的干扰信号进行滤波处理;
S5、将滤波后的信号采用高频率分辨率、低时间分辨率的短时傅里叶变换进行时域变换得到时频图像b,并对时频图像b进行归一化处理;
S6、采用维纳滤波算法对归一化处理后的时频图像b进行平滑处理,之后对平滑处理结果进行自适应裁剪;
S7、采用双三次插值算法对自适应裁剪后的图像进行缩放得到识别数据;
S8、将识别数据输入预训练CNN模型进行识别,得到干扰信号的类型;
对平滑处理后的时频图像b进行自适应裁剪进一步包括:
C1、从频率维两端逐列向平滑处理后的时频图像b中心搜索,分别找到第一个大于等于
Figure 359030DEST_PATH_IMAGE001
的像素值所在列h 1h 2
Figure 547434DEST_PATH_IMAGE002
为平滑处理后的时频图像b中的最大像素值;
C2、从列h 1h 2分别向两端逐列搜索找到第一个小于等于
Figure 405056DEST_PATH_IMAGE003
的像素值所在的列h 3h 4,a和b为小于1的系数,且a>b;
C3、截取列h 3h 4之间的图像。
2.根据权利要求1所述的基于卷积神经网络的雷达干扰检测识别方法,其特征在于,所述预训练CNN模型的训练方法包括:
A1、利用仿真的纯干扰信号的频率参数,并根据预设的频率参数,采用带通滤波器对纯干扰信号进行滤波处理;
A2、将滤波后的信号采用高频率分辨率、低时间分辨率的短时傅里叶变换进行时域变换得到时频图像c,并对时频图像c进行归一化处理;
A3、采用维纳滤波算法对归一化后的时频图像c进行平滑处理,之后对平滑处理结果进行自适应裁剪;
A4、采用双三次插值算法对自适应裁剪后的图像进行缩放得到训练数据;
A5、重复步骤A1至步骤A4得到设定数量的训练数据,并将所有训练数据送入CNN模型进行训练,得到识别干扰信号类别的预训练CNN模型。
3.根据权利要求1所述的基于卷积神经网络的雷达干扰检测识别方法,其特征在于,对时频图像a执行恒虚警检测的方法包括:
S311、采用顺序滑窗向平方律检波器中输入时频图像a中未选取的前n个数据,并将输出值按大小进行排序;
S312、选取第k个数据的输出值与门限因子d相乘作为判决阈值,将输出值与判据阈值的差异大于设定门限的数据标记为干扰信号,其余标记为背景信号,按照时频图像a中数据原始顺序重置标记顺序;
S313、判断时频图像a中的所有数据是否都进行标记,若是,完成检测,否则,返回步骤S311。
4.根据权利要求1所述的基于卷积神经网络的雷达干扰检测识别方法,其特征在于,对恒虚警检测结果进行干扰测量的方法包括:
S321、根据恒虚警检测结果,向时间维投影获得干扰信号的时间维起始点数和结束点数;
S322、删除时间小于设定阈值的干扰信号的时间维起始点数和结束点数,并将余下时间维起始点数和结束点数乘上时间分辨率,得到干扰信号时间参数开始时间和结束时间;
S323、采用时间维起始点数和结束点数查找恒虚警检测结果中对应的干扰,并向频率维投影,得到干扰信号的时间参数起始频率点数和结束频率点数;
S324、将干扰信号起始频率点数和结束频率点数乘上时间分辨率,得到干扰信号的频率参数中的起始频率和结束频率;
S325、根据干扰信号的起始频率和结束频率,计算干扰信号的频率参数中的中心频率和带宽。
5.根据权利要求1所述基于卷积神经网络的雷达干扰检测识别方法,其特征在于,根据时间参数,提取采集的雷达信号/仿真的雷达信号中的干扰信号进一步包括:
S51、将干扰信号时间参数开始时间和结束时间乘上预处理时的降采样倍数,之后除以时间分辨率,得到干扰信号在采集的雷达信号中的起始点数和结束点数;
S52、根据干扰信号在采集的雷达信号/仿真的雷达信号中的起始点数和结束点数,提取采样信号/仿真的雷达信号中的干扰信号。
6.根据权利要求1所述基于卷积神经网络的雷达干扰检测识别方法,其特征在于,所述带通滤波器的设计方法包括:
A11、预设仿真的纯干扰信号的载频f和带宽B
A12、根据载频f和带宽B,配置带通滤波器的阻带频率为f-2*Bf+2*B,通带频率为f-Bf+B
7.根据权利要求1或2所述基于卷积神经网络的雷达干扰检测识别方法,其特征在于,采用维纳滤波算法对时频图像b或时频图像c进行平滑处理进一步包括:
B1、估算时频图像b或时频图像c上任一目标点在矩形模板内的均值:
Figure 746039DEST_PATH_IMAGE004
其中,
Figure 395195DEST_PATH_IMAGE005
为第i个目标点的均值;
Figure 805317DEST_PATH_IMAGE006
为时频图像b或时频图像c上第i个目标点的像素值;
Figure 198121DEST_PATH_IMAGE007
为第i个目标点对应的矩形模板,矩形模板的大小为N*M;
B2、根据目标点在矩形模板内的均值,计算目标点的方差:
Figure 108789DEST_PATH_IMAGE008
其中,
Figure 945158DEST_PATH_IMAGE009
为第i个目标点的方差;
B3、更新时频图像b或时频图像c中目标点的像素值:
Figure 842576DEST_PATH_IMAGE010
其中,
Figure 773492DEST_PATH_IMAGE012
为时频图像b或时频图像c中噪声的方差;n为时频图像b或时频图像c的目标点总个数。
CN201911259145.2A 2019-12-10 2019-12-10 基于卷积神经网络的雷达干扰检测识别方法 Active CN110927706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911259145.2A CN110927706B (zh) 2019-12-10 2019-12-10 基于卷积神经网络的雷达干扰检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911259145.2A CN110927706B (zh) 2019-12-10 2019-12-10 基于卷积神经网络的雷达干扰检测识别方法

Publications (2)

Publication Number Publication Date
CN110927706A CN110927706A (zh) 2020-03-27
CN110927706B true CN110927706B (zh) 2022-05-24

Family

ID=69858665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911259145.2A Active CN110927706B (zh) 2019-12-10 2019-12-10 基于卷积神经网络的雷达干扰检测识别方法

Country Status (1)

Country Link
CN (1) CN110927706B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464773A (zh) * 2020-04-08 2020-07-28 湖南泽天智航电子技术有限公司 一种多路视频显示方法及系统
CN111541511B (zh) * 2020-04-20 2022-08-16 中国人民解放军海军工程大学 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN113688655B (zh) * 2020-05-19 2023-12-15 广州海格通信集团股份有限公司 干扰信号的识别方法、装置、计算机设备和存储介质
CN111983569B (zh) * 2020-08-17 2024-01-19 西安电子科技大学 基于神经网络的雷达干扰抑制方法
CN112014801B (zh) * 2020-09-08 2023-10-24 南京航空航天大学 一种基于SPWVD和改进AlexNet的复合干扰识别方法
CN112378660A (zh) * 2020-10-28 2021-02-19 西北工业大学 一种基于数据驱动的航空发动机轴承智能故障诊断方法
CN112435356B (zh) * 2020-11-04 2021-11-26 南京航天工业科技有限公司 一种etc干扰信号的识别方法及检测系统
CN112630739B (zh) * 2020-11-30 2024-02-20 海鹰企业集团有限责任公司 一种梳状谱信号的宽带条件任意速度副本产生方法
CN112507621B (zh) * 2020-12-16 2023-04-07 电子科技大学 一种基于标签传播的雷达干扰半监督识别方法
CN112881986B (zh) * 2021-01-15 2022-08-23 电子科技大学 基于优化深度模型的雷达切片存储转发式干扰抑制方法
CN112904282A (zh) * 2021-01-20 2021-06-04 北京理工大学 基于pwvd与卷积神经网络的雷达干扰信号识别方法
CN113176542B (zh) * 2021-03-24 2022-04-29 中国人民解放军空军预警学院 一种时域自适应抗主瓣自卫式干扰方法及系统
CN113093165B (zh) * 2021-04-14 2024-04-12 苏州矽典微智能科技有限公司 基于毫米波雷达的车内活体检测方法及系统
CN113255571B (zh) * 2021-06-16 2021-11-30 中国科学院自动化研究所 抗jpeg压缩的伪造图像检测方法
CN113759320A (zh) * 2021-07-07 2021-12-07 中国人民解放军国防科技大学 基于递归图和深度学习的雷达有源干扰信号识别方法
CN113534059B (zh) * 2021-07-22 2022-12-02 西安电子科技大学 开集场景下基于深度卷积网络的雷达有源干扰识别方法
CN113920320B (zh) * 2021-08-27 2024-06-04 北京临近空间飞行器系统工程研究所 一种面向典型有源干扰的雷达图像目标检测系统
CN113985393B (zh) * 2021-10-25 2024-04-16 南京慧尔视智能科技有限公司 一种目标检测方法、装置及系统
CN114305373A (zh) * 2021-12-31 2022-04-12 佳禾智能科技股份有限公司 运动心率监测耳机
CN114818778B (zh) * 2022-03-18 2023-07-11 北京遥感设备研究所 有源角度欺骗场景数据获取方法、装置、设备和存储介质
CN114818777B (zh) * 2022-03-18 2023-07-21 北京遥感设备研究所 有源角度欺骗干扰识别模型的训练方法及装置
CN114866172B (zh) * 2022-07-05 2022-09-20 中国人民解放军国防科技大学 基于倒残差深度神经网络的干扰识别方法和装置
CN115276847B (zh) * 2022-07-12 2023-11-24 山东大学 基于卷积神经网络的无线电调频引信干扰信号识别方法
CN116660876B (zh) * 2023-05-26 2024-07-30 吉林大学 一种中华白海豚回声定位信号自动检测和定位方法
CN117289218B (zh) * 2023-11-24 2024-02-06 西安电子科技大学 一种基于注意力级联网络的有源干扰识别方法
CN117909665A (zh) * 2024-03-18 2024-04-19 青岛哈尔滨工程大学创新发展中心 基于傅里叶滤波的船舶运动包络预报数据处理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004078637A (ja) * 2002-08-20 2004-03-11 Sharp Corp 顔部位抽出装置
CN105741263A (zh) * 2016-01-20 2016-07-06 杭州电子科技大学 一种手轮廓提取及定向算法
CN105825485A (zh) * 2016-03-30 2016-08-03 努比亚技术有限公司 一种图像处理系统和方法
CN105844669A (zh) * 2016-03-28 2016-08-10 华中科技大学 一种基于局部哈希特征的视频目标实时跟踪方法
CN106330385A (zh) * 2016-08-29 2017-01-11 电子科技大学 一种干扰类型识别方法
CN109379311A (zh) * 2018-09-30 2019-02-22 中国人民解放军战略支援部队信息工程大学 基于卷积神经网络的超短波特定信号识别方法
CN110291791A (zh) * 2018-04-02 2019-09-27 北京大学 用于视频编解码的方法和设备
CN110414357A (zh) * 2019-06-28 2019-11-05 上海工程技术大学 一种基于车辆类型识别的前方车辆定位方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1382997A (zh) * 2002-06-13 2002-12-04 上海交通大学 基于神经网络的机动目标精确跟踪方法
CN109116312A (zh) * 2018-07-20 2019-01-01 电子科技大学 基于qmfb与卷积神经网络的雷达信号分类方法
CN109633588A (zh) * 2018-12-29 2019-04-16 杭州电子科技大学 基于深度卷积神经网络的雷达辐射源识别方法
CN110045336B (zh) * 2019-02-28 2021-05-25 合肥工业大学 基于卷积神经网络的雷达干扰识别方法和装置
CN110109109B (zh) * 2019-04-26 2023-03-21 西安电子科技大学 基于多分辨率注意力卷积网络的hrrp目标识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004078637A (ja) * 2002-08-20 2004-03-11 Sharp Corp 顔部位抽出装置
CN105741263A (zh) * 2016-01-20 2016-07-06 杭州电子科技大学 一种手轮廓提取及定向算法
CN105844669A (zh) * 2016-03-28 2016-08-10 华中科技大学 一种基于局部哈希特征的视频目标实时跟踪方法
CN105825485A (zh) * 2016-03-30 2016-08-03 努比亚技术有限公司 一种图像处理系统和方法
CN106330385A (zh) * 2016-08-29 2017-01-11 电子科技大学 一种干扰类型识别方法
CN110291791A (zh) * 2018-04-02 2019-09-27 北京大学 用于视频编解码的方法和设备
CN109379311A (zh) * 2018-09-30 2019-02-22 中国人民解放军战略支援部队信息工程大学 基于卷积神经网络的超短波特定信号识别方法
CN110414357A (zh) * 2019-06-28 2019-11-05 上海工程技术大学 一种基于车辆类型识别的前方车辆定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LPI雷达信号调制类型识别研究;张帆;《万方数据库》;20160505;全文 *
低截获概率雷达信号检测与识别算法研究;姬嘉文;《万方数据库》;20190124;全文 *
李陆军 ; 等.基于时频分布的弹道导弹目标识别方法.《火力与指挥控制》.2017, *
熊坤来 ; 等.基于时频图像和神经网络的LPI雷达信号调制识别.《弹箭与制导学报》.2011, *

Also Published As

Publication number Publication date
CN110927706A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110927706B (zh) 基于卷积神经网络的雷达干扰检测识别方法
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN110163813B (zh) 一种图像去雨方法、装置、可读存储介质及终端设备
CN108647588A (zh) 物品类别识别方法、装置、计算机设备和存储介质
CN114429156A (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN103116763A (zh) 一种基于hsv 颜色空间统计特征的活体人脸检测方法
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
CN111967464B (zh) 一种基于深度学习的弱监督目标定位方法
CN112904282A (zh) 基于pwvd与卷积神经网络的雷达干扰信号识别方法
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
CN112507621B (zh) 一种基于标签传播的雷达干扰半监督识别方法
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Andriyanov et al. Pattern recognition on radar images using augmentation
CN113850725A (zh) 一种滤波增强深度学习的被动式太赫兹图像目标检测方法
CN112764003A (zh) 一种雷达辐射源信号时频特征识别方法、装置及存储介质
Kosarevych et al. Detection of pixels corrupted by impulse noise using random point patterns
CN106097257B (zh) 一种图像去噪方法及装置
CN109034070B (zh) 一种置换混叠图像盲分离方法及装置
CN106940904A (zh) 基于人脸识别和语音识别的考勤系统
CN104268852B (zh) 红外序列图像中弱小目标的检测方法及其检测装置
Tiwari A pattern classification based approach for blur classification
CN116958132A (zh) 基于视觉分析的手术导航系统
CN106707789A (zh) 一种基于指纹识别的智能家居控制系统
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant