CN110927706B

CN110927706B - 基于卷积神经网络的雷达干扰检测识别方法

Info

Publication number: CN110927706B
Application number: CN201911259145.2A
Authority: CN
Inventors: 张伟; 刘强; 康慧; 吴筱诺; 李�浩; 曹建蜀
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2019-12-10
Filing date: 2019-12-10
Publication date: 2022-05-24
Anticipated expiration: 2039-12-10
Also published as: CN110927706A

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：

其中，a(i，j)为源图像A对应坐标(x_i,y_j)；G(x-x_i)为关于x_i的基函数计算；G(y-y_i)为关于y_j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P_FA为：

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：

f_j＝(f_{1_j}+f_{2_j})/2

B_j＝f_{2_j}-f_{1_j}

其中，f_{1_j}为干扰信号起始频率；f_{2_j}为干扰信号结束频率；f_j为中心频率(MHz)；B_j为带宽B_j(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：

其中，μ_i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；w_i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：

其中，σ_i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：

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*f_max的像素值所在列h₁和h₂，f_max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*f_max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(x_i,y_j)。本方案的双三次插值算法选取如下的基函数：

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：

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

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

表4测试集的两种干扰信号参数

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。