CN112214929B - 针对间歇采样重复转发式干扰的雷达干扰抑制方法 - Google Patents
针对间歇采样重复转发式干扰的雷达干扰抑制方法 Download PDFInfo
- Publication number
- CN112214929B CN112214929B CN202011030707.9A CN202011030707A CN112214929B CN 112214929 B CN112214929 B CN 112214929B CN 202011030707 A CN202011030707 A CN 202011030707A CN 112214929 B CN112214929 B CN 112214929B
- Authority
- CN
- China
- Prior art keywords
- layer
- interference
- convolutional
- dimensional
- relu
- 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
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 52
- 230000001629 suppression Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000004913 activation Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 31
- 238000012360 testing method Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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_sigi|i=1,2,...,N1}
train_jam={train_jami|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_sigjami|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_sigi|i=1,2,...,N2}
val_jam={val_jami|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_sigjami|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_sigjami|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_sigjami|i=1,2,...,10000}
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_sigi|i=1,2,...,10000}
验证数据的标签信号集合为:
val_sig={val_sigi|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_sigjami|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_sigjami|i=1,2,...,6000}
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011030707.9A CN112214929B (zh) | 2020-09-27 | 2020-09-27 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011030707.9A CN112214929B (zh) | 2020-09-27 | 2020-09-27 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112214929A CN112214929A (zh) | 2021-01-12 |
CN112214929B true CN112214929B (zh) | 2022-12-02 |
Family
ID=74051120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011030707.9A Active CN112214929B (zh) | 2020-09-27 | 2020-09-27 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214929B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114609596B (zh) * | 2022-01-21 | 2024-07-05 | 中山大学 | 一种基于间歇采样的回波特性精确控制干扰方法及系统 |
CN114509731B (zh) * | 2022-01-24 | 2023-09-05 | 电子科技大学 | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 |
CN114578296B (zh) * | 2022-03-02 | 2022-10-04 | 哈尔滨工业大学 | 基于相位编码信号的间歇采样干扰抑制方法 |
CN115208722B (zh) * | 2022-07-28 | 2024-03-01 | 电子科技大学 | 一种新的帧同步扰码解扰方法 |
CN115453485B (zh) * | 2022-08-31 | 2024-06-18 | 广东工业大学 | 基于深度学习的船载雷达同频异步互扰抑制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0228577D0 (en) * | 2002-12-07 | 2003-07-23 | Qinetiq Ltd | Signal processing apparatus and method |
US7982653B1 (en) * | 2007-12-20 | 2011-07-19 | Raytheon Company | Radar disruption device |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN111610518A (zh) * | 2020-06-09 | 2020-09-01 | 电子科技大学 | 基于深度残差分离卷积网络的二次雷达信号去噪方法 |
CN111626961A (zh) * | 2020-05-29 | 2020-09-04 | 中国人民解放军海军航空大学 | 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 |
CN111665570A (zh) * | 2020-05-26 | 2020-09-15 | 广西电网有限责任公司南宁供电局 | 一种基于3d探地雷达的地下电缆管线成像检测方法与装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200278419A1 (en) * | 2019-02-28 | 2020-09-03 | A-Elektronik D.O.O. | Method for suppresing noise and increasing speed in miniaturized radio frequency signal detectors |
CN110826630B (zh) * | 2019-11-08 | 2022-07-15 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
CN111652170A (zh) * | 2020-06-09 | 2020-09-11 | 电子科技大学 | 基于二通道残差深度神经网络的二次雷达信号处理方法 |
-
2020
- 2020-09-27 CN CN202011030707.9A patent/CN112214929B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0228577D0 (en) * | 2002-12-07 | 2003-07-23 | Qinetiq Ltd | Signal processing apparatus and method |
US7982653B1 (en) * | 2007-12-20 | 2011-07-19 | Raytheon Company | Radar disruption device |
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN111665570A (zh) * | 2020-05-26 | 2020-09-15 | 广西电网有限责任公司南宁供电局 | 一种基于3d探地雷达的地下电缆管线成像检测方法与装置 |
CN111626961A (zh) * | 2020-05-29 | 2020-09-04 | 中国人民解放军海军航空大学 | 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 |
CN111610518A (zh) * | 2020-06-09 | 2020-09-01 | 电子科技大学 | 基于深度残差分离卷积网络的二次雷达信号去噪方法 |
Non-Patent Citations (2)
Title |
---|
Research on Decision-making System of Cognitive Jamming against Multifunctional Radar;Bokai Zhang等;《2019 IEEE International Conference on Signal Processing, Communications and Computing 》;20190922;第1-6页 * |
基于深度学习的雷达抗干扰方法研究;梁思远;《中国优秀硕士学位论文全文数据库》;20200215(第2期);I136-2136 * |
Also Published As
Publication number | Publication date |
---|---|
CN112214929A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112214929B (zh) | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 | |
CN112285666A (zh) | 基于深度U-Inception网络的雷达干扰抑制方法 | |
US11581967B2 (en) | Wireless channel scenario identification method and system | |
CN110456332B (zh) | 一种基于自动编码器的水声信号增强方法 | |
CN103901416B (zh) | 一种基于稳健主成分分析法的多通道杂波抑制方法 | |
CN109738887B (zh) | 一种适用于微动干扰场景的目标人体运动状态识别方法 | |
CN108922513A (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN112859012B (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
CN115219997B (zh) | 基于认知波形与滤波器联合设计的抗多间歇采样干扰方法 | |
CN106383340A (zh) | 一种随机脉冲初始相位雷达的速度假目标识别方法 | |
CN114509731B (zh) | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 | |
JP2023534325A (ja) | 条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法 | |
CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
CN111562597A (zh) | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 | |
Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
CN116399588A (zh) | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 | |
CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN112881986B (zh) | 基于优化深度模型的雷达切片存储转发式干扰抑制方法 | |
CN115169422A (zh) | 一种基于堆栈自编码器的大地电磁信号去噪方法及系统 | |
CN112307926B (zh) | 一种基于生成对抗网络的声学被动式舰船目标分类方法 | |
CN115951315B (zh) | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 | |
CN114298093A (zh) | Iff信号智能分类识别方法 | |
CN115980668A (zh) | 一种基于宽度神经网络的广义互相关的声源定位方法 | |
CN115236620B (zh) | 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法 |
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 |