CN112214929A - 针对间歇采样重复转发式干扰的雷达干扰抑制方法 - Google Patents

Abstract

本发明属于雷达技术领域，具体是涉及一种针对间歇采样重复转发式干扰的雷达干扰抑制方法。本发明采用深度学习的方法，将有干扰的回波信号作为输入数据，无干扰的回波信号作为标签数据，对网络进行训练。网络模型采用U形结构，通过降采样和上采样两部分结构，使得上采样部分的输入数据由前一层输出和对应降采样部分输出特征图结合组成，结构中若干组跨层特征融合，实现了对信号局部结构和整体结构特征的多尺度提取，进一步提高输出特征对原始信息的表达能力，从而更好的实现干扰滤除的效果。

Description

针对间歇采样重复转发式干扰的雷达干扰抑制方法

技术领域

本发明属于雷达技术领域，具体是涉及一种针对间歇采样重复转发式干扰的雷达干扰抑制方法。

背景技术

近年来，数字射频存储器的发展，使雷达抗干扰技术面临严峻挑战。尤其是基于数字射频存储器(Digital Radio Frequency Memory,DRFM)的存储转发式干扰，更加大了雷达抗干扰技术的研究难度。基于DRFM的干扰机可对雷达发射信号进行精确复制，并释放高保真的相干干扰，由于干扰信号同真实目标信号高度近似，使得假目标能获得与真实目标相当的处理增益，真假目标极难辨别。同时，还可通过密集重复转发截获的雷达信号的方式，在脉压后形成大量密集假目标，在欺骗的同时达到压制的效果。因此，这种以DRFM为基础的，间歇采样并重复转发的干扰方式，使得干扰信号的抑制难上加难。

目前，深度学习发展迅速，它有别于传统的人为设定特征的方式，可利用深度模型从雷达回波数据中自动学习到有利于区分真实目标信号和干扰信号的细微差异性特征。因此，研究基于深度网络模型的雷达抗存储转发型干扰方法有望进一步提高雷达抗干扰能力。

发明内容

本发明的目的是，针对以射频存储转发为基础的间歇采样重复转发式干扰方式，提出一种基于U形网络结构的深度学习雷达干扰抑制方法。

本发明的技术方案为：

针对间歇采样重复转发式干扰的雷达干扰抑制方法，包括以下步骤：

S1、获取样本数据：

获取无干扰的目标回波信号和间歇采样重复转发式干扰信号，分为训练集和验证集，设训练集分别包括N₁个无干扰的目标回波信号和间歇采样重复转发式干扰信号，验证集分别包括N₂个无干扰的目标回波信号和间歇采样重复转发式干扰信号，每个样本具有M个采样点；

S2、对样本数据进行预处理：

对步骤S1获得的数据集进行扩充，固定数据维数为1.2*M，将雷达目标无干扰回波数据在[1,1.2*M]的区间上通过随机平移和加权叠加，模拟出不同距离上出现的10个不同强度目标的情况，通过设置信干比，生成样本个数为50*N₁、维度为1.2*M的回波信号和干扰信号混叠的带干扰的目标回波信号，作为训练数据，无干扰的回波信号集合作为标签信号；同理生成样本个数为50*N₂、维度为1.2*M的回波信号和干扰信号混叠的带干扰的目标回波信号，作为验证数据，无干扰的回波信号集合作为标签信号；

S3、构建U型深度网络模型：

U型深度网络模型分为下采样和上采样两个部分，包括一维卷积层，最大值池化层和上卷积层，步骤S2预处理后的数据作为U型深度网络模型的输入，每两层一维卷积层之后都增加一个最大值池化层，池化层输出继续输入一维卷积层，下采样共有4层一维卷积层，滤波器数量逐层倍增，上采样部分同样有4层一维卷积层，每一层卷积层的输入由上一层卷积层输出和对称卷积层的输出特征图拼接构成，滤波器数量逐层递减，直至4层卷积层结束，最后一层卷积核为1*1，实现干扰抑制输出；损失函数使用均方差函数，误差函数如下：

其中w和b为训练参数集，signalNum为标签信号的个数，pre_sig，real_sig分别为模型的预测信号和真实标签信号；

S4、使用训练数据对构建的U型深度网络模型进行训练，并通过验证数据进行调参，获得训练好的U型深度网络模型；

S5、使用训练好的U型深度网络模型，对叠加了干扰的回波信号进行干扰抑制。

本发明总的技术方案，如图2所示，针对一维雷达回波的数据特点，首先在预处理阶段对数据进行扩充；其次构建U形网络，其中在下采样部分，每两个一维卷积层输出层之后增加一个最大值池化层，上采样部分，每两个一维卷积层之后链接一层上采样层，保证输出维度不变；通过训练数据集和验证数据集对模型进行训练，得到深度干扰抑制模型，最后利用该深度网络对输入样本进行干扰抑制。

进一步的，所述U型深度网络模型的具体结构为：除输入层外共包含36层网络结构，依次为：15层网络构成的下采样自编码部分，18层网络构成的为上采样解码部分，最后4层为输出分类层；

下采样自编码部分的层次结构依次为：

第一一维卷积层、第二一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第一最大池化层；

第三一维卷积层、第四一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第二最大池化层；

第五一维卷积层、第六一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第三最大池化层；

第七一维卷积层、第八一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第四最大池化层；

第九一维卷积层、第十一维卷积层，通道数为1024，卷积核为1*3，激活函数为Relu；第五最大池化层；

上采样解码部分的层次结构依次为：

第一上采样层；第十二一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第一连接层，连接第七一维卷积层和第十二一维卷积层的输出；

第十三一维卷积层、第十四一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第二上采样层；第十五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第二连接层，连接第五一维卷积层和第十五一维卷积层的输出；

第十六一维卷积层、第十七一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第三上采样层；第十八一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第三连接层，连接第三一维卷积层和第十八一维卷积层的输出；

第十九一维卷积层、第二十一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第四上采样层；第二十二一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第四连接层，连接第一一维卷积层和第二十二一维卷积层的输出；

输出分类层的结构依次为：

第二十三一维卷积层、第二十四一维卷积层，通道数为64，卷积核为1*3，激活函数为 Relu；第二十五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；最后输出层为 Softmax层。

本发明的有益效果是：本发明采用深度学习的方法，将有干扰的回波信号作为输入数据，无干扰的回波信号作为标签数据，对网络进行训练。网络模型采用U形结构，通过降采样和上采样两部分结构，使得上采样部分的输入数据由前一层输出和对应降采样部分输出特征图结合组成，结构中若干组跨层特征融合，实现了对信号局部结构和整体结构特征的多尺度提取，进一步提高输出特征对原始信息的表达能力，从而更好的实现干扰滤除的效果。

附图说明

图1干扰抑制U形网络模型结构图；

图2基于U形网络的雷达干扰抑制方法流程图。

具体实施方式

下面结合附图及实施例，详细描述本发明的技术方案。

实施例中，可以利用MATLAB仿真雷达发射信号为线性调频信号，并生成无干扰的目标回波信号、间隙采样重复转发式干扰信号、以及二者混叠的雷达回波信号。将仿真生成的数据随机分为训练数据集、验证数据集以及测试数据集。训练数据集合记为：

train_sig＝{train_sig_i|i＝1,2,...,N₁}

train_jam＝{train_jam_i|i＝1,2,...,N₁}

信号和干扰混叠形成的带干扰的目标回波如下：

train_sigjam＝{train_sigjam_i|i＝1,2,...,N₁}

其中，train_sig，train_sigjam分别代表用于模型训练的雷达无干扰信号标签数据集、目标叠加干扰信号后的回波数据集。每类数据集中的样本个数均为N₁，每个样本是有M个采样点的回波信号。

验证数据集合记为：

val_sig＝{val_sig_i|i＝1,2,...,N₂}

val_jam＝{val_jam_i|i＝1,2,...,N₂}

信号和干扰混叠形成的带干扰的目标回波如下：

val_sigjam＝{val_sigjam_i|i＝1,2,...,N₂}

其中，val_sig，val_sigjam分别代表用于模型验证的雷达目标无干扰回波数据集、目标叠加干扰信号后的回波数据集。每类数据集中的样本个数均为N₂，样本长度为 M。

用于测试模型干扰抑制效果的测试数据集合记为：

test_sigjam＝{test_sigjam_i|i＝1,2,...,N₃}

其中样本为目标叠加干扰信号后的回波数据，样本个数N₃，样本维数为M。

为扩充数据集，对获得的所有样本集合中的数据进行扩充，固定数据维数为1.2*M，将雷达目标无干扰回波数据在[1,1.2*M]的区间上随机平移和加权叠加，模拟出不同距离上出现最多10个不同强度目标的情况。为了进一步扩增数据集，对信号和干扰进行信干比调整，生成新的雷达回波信号集。扩充后的训练集样本个数为50*N₁，维度为1.2*M。

如图1所示，本发明构建的网络除输入层外共包含36层网络结构，依次为：15层网络构成的降采样自编码部分，18层网络构成的为上采样解码部分，最后4层为输出分类层。

降采样自编码部分的层次结构依次是：

两个一维卷积层(Layer1,Layer2)，通道数为64，卷积核为1*3，激活函数为Relu；后接一个1*2的最大池化层(Layer3)；

两个一维卷积层(Layer4,Layer5)，通道数为128，卷积核为1*3，激活函数为Relu；后接一个1*2的最大池化层(Layer6)；

两个一维卷积层(Layer7,Layer8)，通道数为256，卷积核为1*3，激活函数为Relu；后接一个1*2的最大池化层(Layer9)；

两个一维卷积层(Layer10，Layer11)，通道数为512，卷积核为1*3，激活函数为Relu；后接一个1*2的最大池化层(Layer12)；

两个一维卷积层(Layer13，Layer14)，通道数为1024，卷积核为1*3，激活函数为Relu；后接一个1*2的最大池化层(Layer15)；

上采样解码部分的层次结构依次是：

一个1*2的上采样层(Layer16)；后接个一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu(Layer17)；再接一个连接层(Layer18)，将Layer10层输出的特征图和Layer17 输出的特征图进行通道扩展连接；

两个一维卷积层(Layer19，Layer20)，通道数为512，卷积核为1*3，激活函数为Relu；一个1*2的上采样层(Layer21)；一维卷积层(Layer22)，通道数为256，卷积核为1*3，激活函数为Relu；再接一个连接层(Layer23)，将Layer7层输出的特征图和Layer22输出的特征图进行通道扩展连接；

两个一维卷积层(Layer24，Layer25)，通道数为256，卷积核为1*3，激活函数为Relu；一个1*2的上采样层(Layer27)；一维卷积层(Layer28)，通道数为128，卷积核为1*3，激活函数为Relu；再接一个连接层(Layer28)，将Layer4层输出的特征图和Layer27输出的特征图进行通道扩展连接；

两个一维卷积层(Layer29，Layer30)，通道数为128，卷积核为1*3，激活函数为Relu；一个1*2的上采样层(Layer31)；一维卷积层(Layer32)，通道数为64，卷积核为1*3，激活函数为Relu；再接一个连接层(Laye33)，将Layer1层输出的特征图和Layer32输出的特征图进行通道扩展连接；

输出分类层的层次结构依次是：

两个一维卷积层(Layer34，Layer35)，通道数为64，卷积核为1*3，激活函数为Relu；一个一维卷积层(Layer36)，通道数为256，卷积核为1*3，激活函数为Relu；最后输出层为Softmax层。

实施例

根据上述方法，利用MATLAB生成线性调频雷达回波信号以及存储转发式干扰仿真数据。雷达发射信号带宽为5*10⁶Hz，脉冲宽度为300*10^-6s，调频斜率为1*10⁹，间歇采样重复转发式干扰设采样时长为30*10^-6s，转发时长设置为60*10^-6s，训练数据集包含2000个真实回波信号样本和2000个对应的干扰信号样本，验证数据集包括800个真实回波信号样本和800个对应的干扰信号样本，每个样本均包含16000个采样点。有干扰的雷达回波信号经过深度U形网络处理后，可得到干扰被抑制的雷达回波信号。所有干扰抑制处理都是在脉冲压缩之前进行。

对训练集于验证集中的数据进行预处理，首先固定数据维数为20000，将雷达目标无干扰回波数据在[1,20000]的区间上随机平移和加权叠加，模拟出不同距离上出现不同强度目标的情况，通过扩充，训练数据集样本个数为100000，样本维度为20000，然后设置干信比为 30dB,得到有干扰的雷达回波信号。

带有干扰的雷达回波信号集合为：

train_sigjam＝{train_sigjam_i|i＝1,2,...,10000}

其中，

N₁＝20000

训练模型的标签信号集合为无干扰的回波信号集合，记为：

train_sig＝{train_sig_i|i＝1,2,...,10000}

其中，

N₁＝20000

验证数据的标签信号集合为：

val_sig＝{val_sig_i|i＝1,2,...，4000}

验证数据的带有干扰的雷达回波信号集合为：

val_sigjam＝{val_sigjam_i|i＝1,2,...,4000}

构造一个36层的U形网络，其中最后一层为一个SoftMax分类器。降采样部分由一维卷积层和最大值池化层构成，上采样部分由一维卷积层和连接层组合。连接层输入由上一层输出和对应降采样部分的输出组合而成。

根据训练样本对模型进行训练，通过迭代，得到最后的深度干扰抑制网络模型。

对测试集合中的数据进行预处理，将雷达目标无干扰回波数据在[1,20000]的区间上随机平移和加权叠加，实现数据多样性，然后设置测试干信比为30dB,得到测试数据集为

test_sigjam＝{test_sigjam_i|i＝1,2,...,6000}

其中，

N₃＝20000

将测试数据输入已经训练好的模型中，输出层即为预测信号和预测干扰。

采用仿真数据验证本发明的基于U形网络的雷达抗存储转发式干扰方法的效果。仿真产生了雷达回波数据和存储转发式干扰数据，将仿真数据按5：2：3的比例随机分为了训练数据集、验证数据集和测试数据集。通过对测试数据集中的各样本进行验证，输入测试信号干信比为30dB，经模型处理后，预测信号干信比为-2.7775dB，干信比改善约为33dB。

Claims (2)

1.针对间歇采样重复转发式干扰的雷达干扰抑制方法，其特征在于，包括以下步骤：

S1、获取样本数据：

获取无干扰的目标回波信号和间歇采样重复转发式干扰信号，分为训练集和验证集，设训练集分别包括N₁个无干扰的目标回波信号和间歇采样重复转发式干扰信号，验证集分别包括N₂个无干扰的目标回波信号和间歇采样重复转发式干扰信号，每个样本具有M个采样点；

S2、对样本数据进行预处理：

对步骤S1获得的数据集进行扩充，固定数据维数为1.2*M，将雷达目标无干扰回波数据在[1,1.2*M]的区间上通过随机平移和加权叠加，模拟出不同距离上出现的10个不同强度目标的情况，通过设置信干比，生成样本个数为50*N₁、维度为1.2*M的回波信号和干扰信号混叠的带干扰的目标回波信号，作为训练数据，无干扰的回波信号集合作为标签信号；同理生成样本个数为50*N₂、维度为1.2*M的回波信号和干扰信号混叠的带干扰的目标回波信号，作为验证数据，无干扰的回波信号集合作为标签信号；

S3、构建U型深度网络模型：

U型深度网络模型分为下采样和上采样两个部分，包括一维卷积层，最大值池化层和上卷积层，步骤S2预处理后的数据作为U型深度网络模型的输入，每两层一维卷积层之后都增加一个最大值池化层，池化层输出继续输入一维卷积层，下采样共有4层一维卷积层，滤波器数量逐层倍增，上采样部分同样有4层一维卷积层，每一层卷积层的输入由上一层卷积层输出和对称卷积层的输出特征图拼接构成，滤波器数量逐层递减，直至4层卷积层结束，最后一层卷积核为1*1，实现干扰抑制输出；损失函数使用均方差函数，误差函数如下：

其中w和b为训练参数集，SignalNum为标签信号的个数，pre_sig，real_sig分别为模型的预测信号和真实标签信号；

S4、使用训练数据对构建的U型深度网络模型进行训练，并通过验证数据进行调参，获得训练好的U型深度网络模型；

S5、使用训练好的U型深度网络模型，对叠加了干扰的回波信号进行干扰抑制。

2.根据权利要求1所述的针对间歇采样重复转发式干扰的雷达干扰抑制方法，其特征在于，所述U型深度网络模型的具体结构为：除输入层外共包含36层网络结构，依次为：15层网络构成的下采样自编码部分，18层网络构成的为上采样解码部分，最后4层为输出分类层；

下采样自编码部分的层次结构依次为：

第一一维卷积层、第二一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第一最大池化层；

第三一维卷积层、第四一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第二最大池化层；

第五一维卷积层、第六一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第三最大池化层；

第七一维卷积层、第八一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第四最大池化层；

第九一维卷积层、第十一维卷积层，通道数为1024，卷积核为1*3，激活函数为Relu；第五最大池化层；

上采样解码部分的层次结构依次为：

第一上采样层；第十二一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第一连接层，连接第七一维卷积层和第十二一维卷积层的输出；

第十三一维卷积层、第十四一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第二上采样层；第十五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第二连接层，连接第五一维卷积层和第十五一维卷积层的输出；

第十六一维卷积层、第十七一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第三上采样层；第十八一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第三连接层，连接第三一维卷积层和第十八一维卷积层的输出；

第十九一维卷积层、第二十一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第四上采样层；第二十二一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第四连接层，连接第一一维卷积层和第二十二一维卷积层的输出；

输出分类层的结构依次为：

第二十三一维卷积层、第二十四一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第二十五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；最后输出层为Softmax层。

Images