CN111983569A - 基于神经网络的雷达干扰抑制方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的雷达干扰抑制方法，主要解决现有技术对目标检测率较低的问题。其实现方案是：1)对雷达接收信号依次进行脉冲压缩和短时傅里叶变换得到时频特征，并将多组时频特征构成训练数据集和测试数据集；2)搭建一个自上而下由输入层、双向循环卷积层和全连接层构成的分类网络；3)利用训练数据集对分类网络进行训练，得到训练好的分类网络；4)利用测试数据集对训练好的分类网络进行测试获取测试数据集对应的标签；5)将标签中干扰项所对应的位置用随机数替换，得到替换后的数据；6)对替换后的数据进行短时傅里叶变换，得到干扰抑制后的信号。本发明的分类准确，提高了目标的检测率，可以用于雷达目标检测。

Description

基于神经网络的雷达干扰抑制方法

技术领域

本发明属于雷达信号处理技术领域，特别涉及雷达干扰抑制方法，可以用于雷达目标检测。

技术背景

雷达先进技术的更新日新月异，雷达干扰与抗干扰技术也愈加趋于成熟，而干扰感知技术也成为抗干扰技术中的重要组成部分。在抗干扰过程中，雷达系统会识别干扰类型，进而可以采用相对应的抗干扰措施对特定种类的干扰进行抑制，因此干扰感知对抗干扰的实现具有突出作用。电子干扰技术日益发展成熟，带动最新型干扰设备的持续开发，使得雷达的工作环境愈加复杂，如何在恶劣的电磁环境中占据上风，己成为取得信息战胜败的关键一环。因此，雷达干扰技术对于目标检测起到关键性作用。

对于干扰抑制，由于机器学习、深度学习等技术的不断发展，到现在国内外的学者们也一直在研究。

来自美国的Blair W D等人在Multiplatform-multisensor tracking withsurveillance radars一文中对干扰的幅度起伏度参数进行了提取，从而成功识别了干扰类型，但无法将干扰抑制掉。Chen V C和Miceli W J等人在Simulation of ISAR imagingof moving targets一文中将微多普勒特征与多种时频分析方法，如小波变化相结合，用于各种不同形状的运动目标的检测和识别，受此启发，同时可将这种方法用于干扰感知。HillP C J和Truffert V在Statistical processing techniques for detecting DRFMrepeat-jam radar signals一文中通过JNR的信息，利用相应的量化位数对目标信号和干扰信号进行了识别。Davis R M等人在Microwave and millimetre-wave starting arraytechnology一文中通过欺骗式干扰间的频率差别对欺骗式干扰成功进行了识别。来自纽约州立大学的Akhtar J在Implementation and analysis of wavelet imagedecomposition and SPIHT algorithm一文中利用图像波形分类的方法，对干扰机接收的信号与雷达发射的探测信号进行匹配滤波，用以抑制欺骗式干扰。

上述这些现有方法，虽然都具有一定的识别效果，但仍存在一些问题：1)在干扰种类较多的情况下干扰类别识别效果偏低。2)大部分算法只进行了识别任务，而无法将识别的干扰进行抑制，仍然会导致后续目标的检测准确率低。

发明内容

本发明目的在于针对上述现有技术的不足，提出一种基于神经网络的雷达干扰抑制方法，以提高目标检测的准确性。

为实现上述目的，本发明的技术方案包括如下：

(1)对雷达接收信号依次进行脉冲压缩和短时傅里叶变换，得到对应的时频特征S(t,ω)；

(2)重复(1)操作，共得到2000组时频特征样本，从样本中随机选择80％作为训练数据集，20％作为测试数据集；

(3)对所有训练数据集和测试数据集进行归一化预处理，得到预处理后的训练数据集X及测试数据集P；

(4)搭建一个自上而下由输入层、双向循环卷积层和全连接层构成的分类网络，并利用训练数据集X对其训练得到训练后的分类网络；

(5)将测试数据集P输入到已训练好的分类网络中，获得测试数据集P的标签，该标签包括目标、干扰和噪声；

(6)将测试数据集P的标签中干扰所对应的位置用随机数替换，并对替换后的测试数据集P进行逆短时傅里叶变换，得到干扰抑制后的数据。本发明与现有技术相比，具有如下优点：

1.本发明由于对雷达接收信号进行脉冲压缩后的结果进行了短时傅里叶变换得到时频特征，使得分类网络更易学习到干扰的特征，保证了分类网络输出的准确性。

2.本发明由于搭建了分类网络，且在训练过程中对干扰、目标和噪声的特征进行了深层次的学习，使得网络输出的目标、干扰和噪声的分类结果更加准确，从而提高了目标检测的准确性。

附图说明

图1是本发明的实现流程图。

图2是本发明中搭建的分类网络整体结构图。

具体实施方式

以下结合附图对本发明做进一步详细描述。

参照图1，本发明的实现步骤如下：

步骤1，制作训练数据集和测试数据集。

1.1)对雷达接收信号s(t)进行脉冲压缩,得到脉冲压缩后的脉压信号z(t)：

其中，f₀表示雷达接收信号的载频；

1.2)对脉压信号z(t)进行短时傅里叶变换，得到对应的时频特征S(t,ω)：

其中，γ(τ-t)为窗函数，e^-jωt为蝶形因子；

1.3)改变信号载频、目标数目、干扰数目这些参数，重复步骤1.1)到1.3)获取不同的时频特征S(t,ω)，共得到2000组时频特征样本，从这些特征样本中随机选取80％作为训练样本，20％作为测试数据集，其中，每组时频特征S(t,ω)维度大小为f×t，f＝256表示频域维点数，t＝4000表示时域维点数；

1.4)将步骤1.3)中获取的训练数据集和测试数据集分别进行归一化处理得到预处理后的训练数据集X及测试数据集P，公式如下：

其中，

代表第k行数据的归一化结果，x_k代表第k行数据，min(·)代表取最小值，max(·)代表取最大值。

步骤2，搭建分类网络。

参照图2，本实例搭建的分类网络自上而下由输入层、双向循环卷积层和全连接层构成，其中：

输入层，由一层卷积神经网络构成，卷积神经网络的卷积核大小为3*3，边缘填充为2，采用激活函数sigmoid为网络加入非线性因素；

双向循环卷积层，由一层双向长短期记忆循环神经网络构成，双向长短期记忆循环神经网络的隐藏单元个数为64；

全连接层，由5个神经元构成，对应输出为5类，分别为目标、噪声、直接转发式干扰、重复转发式干扰和循环转发式干扰。

步骤3，利用训练数据集X对分类网络训练。

3.1)将归一化后训练数据集X中的训练数据依次输入到搭建的分类网络中，得到网络输出标签y_i，该标签包括目标、噪声、直接转发式干扰、重复转发式干扰和循环转发式干扰，其中，目标的标签标记为0，噪声的标签标记为1，直接转发式干扰的标签标记为2，重复转发式干扰的标签标记为3，循环转发式干扰的标签标记为4；

3.2)根据输出标签y_i计算损失函数loss：

其中，y_r是实际数据的标签，n表示训练数据的总样本量；

3.3)计算分类网络中输入层、双向循环卷积层及全连接层中参数的梯度

公式如下：

其中，w_h表示更新前的输入层、双向循环卷积层及全连接层中的参数，h取1、2、3，h＝1代表输入层，h＝2代表双向循环卷积层，h＝3代表全连接层，down(·)表示向下取整，x表示当前训练数据，u表示当前训练数据的第u行，v表示当前训练数据的第v行；

3.4)利用3.3)中得到的输入层、双向循环卷积层及全连接层中参数的梯度

分别更新其输入层、双向循环卷积层及全连接层中的参数，完成一次迭代：

其中，θ_h表示更新后的输入层、双向循环卷积层及全连接层中的参数，α表示学习率；

3.5)设定迭代次数T＝50，判断当前迭代次数是否满足迭代次数T：

若训练次数达到设定的迭代次数T，则训练结束，得到训练好的分类网络；

否则，返回步骤3.1)继续训练。

步骤4，获取干扰抑制后的数据。

4.1)将测试数据集P输入到步骤3中已训练好的分类网络中，获得测试数据集P的标签；

4.2)将测试数据集P的标签中干扰所对应的位置用随机数rand替换，即S(t_b,ω_b)＝rand，得到替换后的测试数据集P'，其中，S(t_b,ω_b)表示第t_b行、第ω_b列的时频特征数据，且

(t_b,ω_b)表示干扰所对应的位置，随机数rand范围为0～50；

4.3)对替换后的测试数据集P'进行逆短时傅里叶变换，得到干扰抑制后的信号o(t)：

其中，

γ(τ-t)为窗函数，e^jωt为蝶形因子，S(τ,ω)为时频特征。

本发明的效果可以通过以下仿真证明：

利用本发明方法对1600组训练样本进行分类网络的训练，利用400组测试样本对训练好的分类网络进行测试，分别计算干扰识别率、目标检测率和测试时间，并与其他现有方法结果进行对比，结果如表1所示：

表1

方法	干扰识别率	目标检测率	时间
				小波变换	72.32％	68.59％	155.61ms
EMD多模态	81.55％	80.45％	151.31ms
				稀疏重构	88.74％	90.21％	1110.02ms
本发明方法	95.41％	96.71％	80.21ms

根据表中的干扰识别率和目标检测率可以得到，相较于小波变换、EMD多模态以及稀疏重构等方法，本发明方法具体较高的干扰识别率，大幅度的提高了目标检测率。

Claims (6)

1.一种基于神经网络的雷达干扰抑制方法，其特征在于，包括如下：

(1)对雷达接收信号依次进行脉冲压缩和短时傅里叶变换，得到对应的时频特征S(t,ω)；

(2)重复(1)操作，共得到2000组时频特征样本，从样本中随机选择80％作为训练数据集，20％作为测试数据集；

(3)对所有训练数据集和测试数据集进行归一化预处理，得到预处理后的训练数据集X及测试数据集P；

(4)搭建一个自上而下由输入层、双向循环卷积层和全连接层构成的分类网络，并利用训练数据集X对其训练得到训练后的分类网络；

(5)将测试数据集P输入到已训练好的分类网络中，获得测试数据集P的标签，该标签包括目标、干扰和噪声；

(6)将测试数据集P的标签中干扰所对应的位置用随机数替换，并对替换后的测试数据集P进行逆短时傅里叶变换，得到干扰抑制后的数据。

2.根据权利要求1所述的方法，其中(1)中得到的时频特征S(t,ω)，表示如下：

其中，z(t)为脉冲压缩后的脉压信号，γ(τ-t)为窗函数，e^-jωt为蝶形因子。

3.根据权利要求1所述的方法，其中(3)对训练数据集和测试数据集进行归一化处理，公式如下：

其中，

代表第k行数据的归一化结果，x_k代表第k行数据，min(·)代表取最小值，max(·)代表取最大值。

4.根据权利要求1所述的方法，其中(4)构建的分类网络中各层结构参数如下：

输入层，采用一层卷积神经网络，其卷积核大小为3*3，边缘填充为2，激活函数为sigmoid；

双向循环卷积层，采用双向长短期记忆循环神经网络，其隐藏单元个数为64；

全连接层，使用了5个神经元。

5.根据权利要求1所述的方法，其中(4)中利用训练数据集X对分类网络训练，实现如下：

(4a)将训练数据集X中的训练数据依次到输入到搭建的分类网络中，得到输出标签y_i；

(4b)根据输出标签y_i计算损失函数loss：

其中，y_r是实际数据的标签，n表示训练数据的总样本量；

(4c)计算分类网络中输入层、双向循环卷积层及全连接层中参数的梯度，并更新参数，完成一次迭代；

(4d)设定迭代次数T＝50，判断当前训练次数是否满足迭代次数T：

若训练次数达到设定的迭代次数T，则训练结束，得到训练好的分类网络；

否则，返回步骤(4a)。

6.根据权利要求1所述的方法，其中(6)中对替换后的测试数据集P进行逆短时傅里叶变换，公式如下：

其中，

为输入信号，γ(τ-t)为窗函数，e^jωt为蝶形因子，S(τ,ω)为时频特征。

Images