CN112285666A - 基于深度U-Inception网络的雷达干扰抑制方法 - Google Patents

基于深度U-Inception网络的雷达干扰抑制方法 Download PDF

Info

Publication number
CN112285666A
CN112285666A CN202011128110.8A CN202011128110A CN112285666A CN 112285666 A CN112285666 A CN 112285666A CN 202011128110 A CN202011128110 A CN 202011128110A CN 112285666 A CN112285666 A CN 112285666A
Authority
CN
China
Prior art keywords
layer
channels
convolution kernel
scale
convolution
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.)
Pending
Application number
CN202011128110.8A
Other languages
English (en)
Inventor
廖阔
武玉霞
金一帆
陈耀
刘昂昂
沈晓峰
周代英
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 CN202011128110.8A priority Critical patent/CN112285666A/zh
Publication of CN112285666A publication Critical patent/CN112285666A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Artificial Intelligence (AREA)
  • Software Systems (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 Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明属于雷达技术领域，具体是涉及一种基于深度U‑Inception网络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‑Inception网络，通过编码器和解码器两部分结构，使得解码器部分的输入数据由前一层输出和对应编码器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

基于深度U-Inception网络的雷达干扰抑制方法
技术领域
本发明属于雷达技术领域，具体是涉及一种基于深度U-Inception网络的雷达干扰抑制方法。
背景技术
间歇采样重复转发式干扰是指干扰机在截获雷达照射信号之后，通过复制并调制发射一个或多个在幅度、时延、频率和波形构成上存在差异的干扰信号，以虚假目标机制误导雷达的检测和跟踪系统，使雷达获取错误的目标信号，消耗甚至饱和雷达系统资源，扰乱雷达系统的正常工作，大幅降低雷达系统的工作性能。基于DRFM(Digital RadioFrequency Memory) 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，使得假目标能获得与真实目标相当的处理增益。还可通过不断重复发射截获的雷达信号，形成大量密集假目标，在欺骗的同时达到压制的效果，使得干扰信号难于抑制。
深度学习以数据为驱动，不需要建立明确的数学模型。将深度学习引入雷达抗干扰信号处理，只需在训练的过程中学习我方雷达信号和干扰信号，深度学习网络可通过高层的特征表示实现对真实目标和干扰目标信号细微差异的自动感知，从而建立对应的干扰抑制模型。
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，提出一种基于稀疏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、构建稀疏型深度网络模型：
U-Inception深度网络模型为编码器-解码器对称结构，包括稀疏网络模块，最大值池化层和上卷积层，其中，稀疏网络模块分为4个尺度，第一尺度由卷积核大小为1的一维卷积层构成；第二尺度第一层为卷积核大小为1的一维卷积层，第二层为卷积核大小为3的一维卷积层；第三尺度第一层为卷积核大小为1的一维卷积层，第二层为卷积核大小为3的一维卷积层；第四尺度第一层为尺寸为3的最大值池化层，第二层为卷积核大小为1的一维卷积层；最后，将四个尺度的输出拼接，得到稀疏型网络模块的最终输出，输入下一层进行计算。步骤S2预处理后的数据作为稀疏型深度网络模型的输入，每一个稀疏网络模块之后都增加一个尺寸为2的最大值池化层，池化层输出继续输入稀疏网络模块，编码器部分共有4个稀疏网络模块，滤波器数量逐层倍增，上采样部分同样有4个稀疏网络模块，每一个稀疏网络模块的输入由上一层模块输出和对称模块的输出特征图拼接构成，滤波器数量逐层递减，直至4个模块结束，最后一层一维卷积核为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：
Figure BDA0002734243290000021
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-Inception深度网络模型进行训练，并通过验证数据进行调参，获得训练好的稀疏型深度网络模型；
S5、使用训练好的U-Inception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-Inception网络，其中在编码器部分，每一个Inception网络模块之后增加一个最大值池化层，解码器部分，每一个Inception网络模块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-Inception深度网络模型的具体结构为：除输入层外共包含9个Inception网络模块，依次为：4个Inception网络模块构成的下采样自编码部分，4个Inception 网络模块构成的上采样解码部分，最后1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Inception网络模块block1，第一尺度通道数为16，卷积核为1*1；第二尺度第一层通道数为16，卷积核为1*1，第二层通道数为32，卷积核为1*3；第三尺度第一层通道数为 4，卷积核为1*1，第二层通道数为8，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为8，卷积核为1*1；整个模块激活函数均为Relu；第一最大池化层；
第二Inception网络模块block2，第一尺度通道数为32，卷积核为1*1；第二尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*3；第三尺度第一层通道数为 8，卷积核为1*1，第二层通道数为16，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为16，卷积核为1*1；整个模块激活函数均为Relu；第二最大池化层；
第三Inception网络模块block3，第一尺度通道数为64，卷积核为1*1；第二尺度第一层通道数为96，卷积核为1*1，第二层通道数为128，卷积核为1*3；第三尺度第一层通道数为 16，卷积核为1*1，第二层通道数为32，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为32，卷积核为1*1；整个模块激活函数均为Relu；第三最大池化层；
第四Inception网络模块block4，第一尺度通道数为128，卷积核为1*1；第二尺度第一层通道数为128，卷积核为1*1，第二层通道数为256，卷积核为1*3；第三尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为64，卷积核为1*1；整个模块激活函数均为Relu；第一Dropout层；第四最大池化层；
第五Inception网络模块block5，第一尺度通道数为256，卷积核为1*1；第二尺度第一层通道数为256，卷积核为1*1，第二层通道数为512，卷积核为1*3；第三尺度第一层通道数为64，卷积核为1*1，第二层通道数为128，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为128，卷积核为1*1；整个模块激活函数均为Relu；第二Dropout 层；
上采样解码部分的层次结构依次为：
第一上采样层；第一一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第一连接层，连接第一Dropout层和第一一维卷积层的输出；
第六Inception网络模块block6，第一尺度通道数为128，卷积核为1*1；第二尺度第一层通道数为128，卷积核为1*1，第二层通道数为256，卷积核为1*3；第三尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为64，卷积核为1*1；整个模块激活函数均为Relu；
第二上采样层；第二一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第二连接层，连接block3层和第二一维卷积层的输出；
第七Inception网络模块block7，第一尺度通道数为64，卷积核为1*1；第二尺度第一层通道数为96，卷积核为1*1，第二层通道数为128，卷积核为1*3；第三尺度第一层通道数为 16，卷积核为1*1，第二层通道数为32，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为32，卷积核为1*1；整个模块激活函数均为Relu；
第三上采样层；第三一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第三连接层，连接block2层和第三一维卷积层的输出；
第八Inception网络模块block8，第一尺度通道数为32，卷积核为1*1；第二尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*3；第三尺度第一层通道数为 8，卷积核为1*1，第二层通道数为16，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为16，卷积核为1*1；整个模块激活函数均为Relu；
第四上采样层；第四一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第四连接层，连接block1层和第四一维卷积层的输出；
第九Inception网络模块block9，第一尺度通道数为16，卷积核为1*1；第二尺度第一层通道数为16，卷积核为1*1，第二层通道数为32，卷积核为1*3；第三尺度第一层通道数为 4，卷积核为1*1，第二层通道数为8，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为8，卷积核为1*1；整个模块激活函数均为Relu；
第五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；
第六一维卷积层，通道数为1，卷积核为1*1，输出预测信号。
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-Inception网络结构，通过编码器和解码器两部分结构，使得解码器部分的输入数据由前一层输出和对应编码器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 Inception网络模块结构图；
图2 U-Inception网络模型结构图；
图3基于U-Inception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。
本发明的方法，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9个Inception网络模块，每个模块由7层网络构成，前4个模块位于编码器部分，后四个模块位于解码器部分，最后由两个一维卷积层实现预测信号输出，整个模型共由91层构成。
编码器部分的层次结构依次是：
一个Inception网络模块block1:第一尺度，一维卷积层(Layer1)，通道数为16，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer2)，，通道数为16，卷积核为1*1；第二层为一维卷积层(Layer3)，，通道数为32，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer4)，通道数为4，卷积核为1*1；第二层为一维卷积层(Layer5)，通道数为8，卷积核为1*5；第四尺度，第一层为最大池化层(Layer6)，第二层为一维卷积层(Layer7)，，通道数为8，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer8)将Layer1，Layer3，Layer5， Layer7的特征图拼接；后接一个1*2的最大池化层(Layer9)；
一个Inception网络模块block2:第一尺度，一维卷积层(Layer10)，通道数为32，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer11)，，通道数为32，卷积核为1*1；第二层为一维卷积层(Layer12)，，通道数为64，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer13)，通道数为8，卷积核为1*1；第二层为一维卷积层(Layer14)，，通道数为16，卷积核为1*5；第四尺度，第一层为最大池化层(Layer15)，第二层为一维卷积层(Layer16)，通道数为16，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer17)将Layer10，Layer12，Layer14，Layer16的特征图拼接；后接一个1*2的最大池化层(Layer18)；
一个Inception网络模块block3:第一尺度，一维卷积层(Layer19)，通道数为64，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer20)，，通道数为96，卷积核为1*1；第二层为一维卷积层(Layer21)，通道数为128，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer22)，通道数为16，卷积核为1*1；第二层为一维卷积层(Layer23)，，通道数为32，卷积核为1*5；第四尺度，第一层为最大池化层(Layer24)，第二层为一维卷积层(Layer25)，通道数为32，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer26)将Layer19，Layer21，Layer23，Layer25的特征图拼接；后接一个1*2的最大池化层(Layer27)；
一个Inception网络模块block4:第一尺度，一维卷积层(Layer28)，通道数为128，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer29)，，通道数为128，卷积核为1*1；第二层为一维卷积层(Layer30)，通道数为256，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer31)，通道数为32，卷积核为1*1；第二层为一维卷积层(Layer32)，，通道数为64，卷积核为1*5；第四尺度，第一层为最大池化层(Layer33)，第二层为一维卷积层(Layer34)，通道数为64，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer35)将Layer28，Layer30，Layer32，Layer34的特征图拼接；后接一个1*2的最大池化层(Layer36)；
一个Inception网络模块block5:第一尺度，一维卷积层(Layer37)，通道数为256，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer38)，，通道数为256，卷积核为1*1；第二层为一维卷积层(Layer39)，通道数为512，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer40)，通道数为64，卷积核为1*1；第二层为一维卷积层(Layer41)，，通道数为128，卷积核为1*5；第四尺度，第一层为最大池化层(Layer42)，第二层为一维卷积层(Layer43)，通道数为128，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer44)将Layer37，Layer39，Layer41，Layer43的特征图拼接；后接一个1*2的最大池化层(Layer45)；
解码器部分的层次结构依次是：
一个1*2的上采样层(Layer46)；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(Layer47)；再接一个连接层(Layer48)，将Layer47层输出的特征图和Layer35 层输出的特征图进行通道扩展连接；
一个Inception网络模块block6:第一尺度，一维卷积层(Layer49)，通道数为128，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer50)，，通道数为128，卷积核为1*1；第二层为一维卷积层(Layer51)，通道数为256，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer52)，通道数为32，卷积核为1*1；第二层为一维卷积层(Layer53)，，通道数为64，卷积核为1*5；第四尺度，第一层为最大池化层(Layer54)，第二层为一维卷积层(Layer55)，通道数为64，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer56)将Layer49，Layer51，Layer53，Layer55的特征图拼接；
一个1*2的上采样层(Layer57)；后接个一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu(Layer58)；再接一个连接层(Layer59)，将Layer58层输出的特征图和Layer26 层输出的特征图进行通道扩展连接；
一个Inception网络模块block7:第一尺度，一维卷积层(Layer60)，通道数为64，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer61)，，通道数为96，卷积核为1*1；第二层为一维卷积层(Layer62)，通道数为128，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer63)，通道数为16，卷积核为1*1；第二层为一维卷积层(Layer64)，，通道数为32，卷积核为1*5；第四尺度，第一层为最大池化层(Layer65)，第二层为一维卷积层(Layer66)，通道数为32，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer67)将Layer60，Layer62，Layer64，Layer66的特征图拼接；
一个1*2的上采样层(Layer68)；后接个一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu(Layer69)；再接一个连接层(Layer70)，将Layer69层输出的特征图和Layer17 层输出的特征图进行通道扩展连接；
一个Inception网络模块block8:第一尺度，一维卷积层(Layer71)，通道数为32，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer72)，，通道数为32，卷积核为1*1；第二层为一维卷积层(Layer73)，，通道数为64，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer74)，通道数为8，卷积核为1*1；第二层为一维卷积层(Layer135)，，通道数为16，卷积核为1*5；第四尺度，第一层为最大池化层(Layer76)，第二层为一维卷积层(Layer77)，通道数为16，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer78)将Layer71，Layer73，Layer75，Layer77的特征图拼接；
一个1*2的上采样层(Layer79)；后接个一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu(Layer80)；再接一个连接层(Layer81)，将Layer80层输出的特征图和Layer8层输出的特征图进行通道扩展连接；
一个Inception网络模块block9:第一尺度，一维卷积层(Layer82)，通道数为16，卷积核为1*1；第二尺度，第一层为一维卷积层(Layer83)，，通道数为16，卷积核为1*1；第二层为一维卷积层(Layer84)，，通道数为32，卷积核为1*3；第三尺度，第一层为一维卷积层(Layer85)，通道数为4，卷积核为1*1；第二层为一维卷积层(Layer86)，通道数为8，卷积核为1*5；第四尺度，第一层为最大池化层(Layer87)，第二层为一维卷积层(Layer88)，，通道数为8，卷积核为1*1；激活函数均为Relu，最后再接一个连接层(Layer89)将Layer82，Layer84，Layer86，Layer88的特征图拼接；
输出分类层的层次结构依次是：
一个一维卷积层(Laye90)，通道数为256，卷积核为1*3，激活函数为Relu；一个一维卷积层(Layer91)，通道数为1，卷积核为1*1，最后输出预测信号。
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}
其中，
Figure BDA0002734243290000101
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_sigi|i＝1,2,...,10000}
其中，
Figure BDA0002734243290000102
N1＝20000
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91层的U-Inception网络。编码器部分由Inception网络模块和最大值池化层构成，解码器部分由Inception网络模块和连接层组合。连接层输入由上一层输出和对应编码器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}
其中，
Figure BDA0002734243290000111
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-Inception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64dB，经模型处理后，预测信号干信比为-12dB，干信比改善约为76dB。

Claims (2)

1.基于深度U-Inception网络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、构建稀疏型(U-Inception)深度网络模型：
U-Inception深度网络模型为编码器-解码器对称结构，包括多个稀疏网络模块，最大值池化层和上卷积层，其中，稀疏网络模块分为4个尺度，第一尺度由卷积核大小为1的一维卷积层构成；第二尺度第一层为卷积核大小为1的一维卷积层，第二层为卷积核大小为3的一维卷积层；第三尺度第一层为卷积核大小为1的一维卷积层，第二层为卷积核大小为3的一维卷积层；第四尺度第一层为尺寸为3的最大值池化层，第二层为卷积核大小为1的一维卷积层；最后，将四个尺度的输出拼接，得到稀疏型网络模块的最终输出；步骤S2预处理后的数据作为U-Inception深度网络模型的输入，每一个稀疏网络模块之后都具有一个尺寸为2的最大值池化层，池化层输出继续输入稀疏网络模块，编码器部分共有4个稀疏网络模块，滤波器数量逐层倍增，上采样部分同样有4个稀疏网络模块，每一个稀疏网络模块的输入由上一层模块输出和对称模块的输出特征图拼接构成，滤波器数量逐层递减，直至4个模块结束，最后一层一维卷积核为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：
Figure FDA0002734243280000011
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-Inception深度网络模型进行训练，并通过验证数据进行调参，获得训练好的稀疏型深度网络模型；
S5、使用训练好的U-Inception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所述的基于深度U-Inception网络的雷达干扰抑制方法，其特征在于，所述U-Inception深度网络模型的具体结构为：除输入层外共包含9个稀疏(Inception)网络模块，依次为：4个Inception网络模块构成的下采样自编码部分，4个Inception网络模块构成的上采样解码部分，最后1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Inception网络模块block1：第一尺度通道数为16，卷积核为1*1；第二尺度第一层通道数为16，卷积核为1*1，第二层通道数为32，卷积核为1*3；第三尺度第一层通道数为4，卷积核为1*1，第二层通道数为8，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为8，卷积核为1*1；整个模块激活函数均为Relu；第一最大池化层；
第二Inception网络模块block2：第一尺度通道数为32，卷积核为1*1；第二尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*3；第三尺度第一层通道数为8，卷积核为1*1，第二层通道数为16，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为16，卷积核为1*1；整个模块激活函数均为Relu；第二最大池化层；
第三Inception网络模块block3：第一尺度通道数为64，卷积核为1*1；第二尺度第一层通道数为96，卷积核为1*1，第二层通道数为128，卷积核为1*3；第三尺度第一层通道数为16，卷积核为1*1，第二层通道数为32，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为32，卷积核为1*1；整个模块激活函数均为Relu；第三最大池化层；
第四Inception网络模块block4：第一尺度通道数为128，卷积核为1*1；第二尺度第一层通道数为128，卷积核为1*1，第二层通道数为256，卷积核为1*3；第三尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为64，卷积核为1*1；整个模块激活函数均为Relu；第一Dropout层；第四最大池化层；
第五Inception网络模块block5：第一尺度通道数为256，卷积核为1*1；第二尺度第一层通道数为256，卷积核为1*1，第二层通道数为512，卷积核为1*3；第三尺度第一层通道数为64，卷积核为1*1，第二层通道数为128，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为128，卷积核为1*1；整个模块激活函数均为Relu；第二Dropout层；
上采样解码部分的层次结构依次为：
第一上采样层；第一一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第一连接层，连接第一Dropout层和第一一维卷积层的输出；
第六Inception网络模块block6：第一尺度通道数为128，卷积核为1*1；第二尺度第一层通道数为128，卷积核为1*1，第二层通道数为256，卷积核为1*3；第三尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为64，卷积核为1*1；整个模块激活函数均为Relu；
第二上采样层；第二一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第二连接层，连接block3层和第二一维卷积层的输出；
第七Inception网络模块block7：第一尺度通道数为64，卷积核为1*1；第二尺度第一层通道数为96，卷积核为1*1，第二层通道数为128，卷积核为1*3；第三尺度第一层通道数为16，卷积核为1*1，第二层通道数为32，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为32，卷积核为1*1；整个模块激活函数均为Relu；
第三上采样层；第三一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第三连接层，连接block2层和第三一维卷积层的输出；
第八Inception网络模块block8：第一尺度通道数为32，卷积核为1*1；第二尺度第一层通道数为32，卷积核为1*1，第二层通道数为64，卷积核为1*3；第三尺度第一层通道数为8，卷积核为1*1，第二层通道数为16，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为16，卷积核为1*1；整个模块激活函数均为Relu；
第四上采样层；第四一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第四连接层，连接block1层和第四一维卷积层的输出；
第九Inception网络模块block9：第一尺度通道数为16，卷积核为1*1；第二尺度第一层通道数为16，卷积核为1*1，第二层通道数为32，卷积核为1*3；第三尺度第一层通道数为4，卷积核为1*1，第二层通道数为8，卷积核为1*5；第四尺度第一层为尺寸为3的最大值池化层，第二层通道数为8，卷积核为1*1；整个模块激活函数均为Relu；
第五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；
第六一维卷积层，通道数为1，卷积核为1*1，输出预测信号。
CN202011128110.8A 2020-10-21 2020-10-21 基于深度U-Inception网络的雷达干扰抑制方法 Pending CN112285666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011128110.8A CN112285666A (zh) 2020-10-21 2020-10-21 基于深度U-Inception网络的雷达干扰抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011128110.8A CN112285666A (zh) 2020-10-21 2020-10-21 基于深度U-Inception网络的雷达干扰抑制方法

Publications (1)

Publication Number Publication Date
CN112285666A true CN112285666A (zh) 2021-01-29

Family

ID=74424422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011128110.8A Pending CN112285666A (zh) 2020-10-21 2020-10-21 基于深度U-Inception网络的雷达干扰抑制方法

Country Status (1)

Country Link
CN (1) CN112285666A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657477A (zh) * 2021-08-10 2021-11-16 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN114509731A (zh) * 2022-01-24 2022-05-17 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
CN115169422A (zh) * 2022-09-07 2022-10-11 湖南师范大学 一种基于堆栈自编码器的大地电磁信号去噪方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509911A (zh) * 2018-04-03 2018-09-07 电子科技大学 基于卷积神经网络的干扰信号识别方法
CN108614884A (zh) * 2018-05-03 2018-10-02 桂林电子科技大学 一种基于卷积神经网络的服装图像检索方法
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
CN110557209A (zh) * 2019-07-19 2019-12-10 中国科学院微电子研究所 一种宽带信号干扰监测方法
CN110826630A (zh) * 2019-11-08 2020-02-21 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
CN111783558A (zh) * 2020-06-11 2020-10-16 上海交通大学 一种卫星导航干扰信号类型智能识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509911A (zh) * 2018-04-03 2018-09-07 电子科技大学 基于卷积神经网络的干扰信号识别方法
CN108614884A (zh) * 2018-05-03 2018-10-02 桂林电子科技大学 一种基于卷积神经网络的服装图像检索方法
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
CN110557209A (zh) * 2019-07-19 2019-12-10 中国科学院微电子研究所 一种宽带信号干扰监测方法
CN110826630A (zh) * 2019-11-08 2020-02-21 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
CN111783558A (zh) * 2020-06-11 2020-10-16 上海交通大学 一种卫星导航干扰信号类型智能识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁思远: ""基于深度学习的雷达抗干扰方法研究"" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657477A (zh) * 2021-08-10 2021-11-16 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN113657477B (zh) * 2021-08-10 2022-04-08 南宁五加五科技有限公司 一种短临降水的预报方法、装置及系统
CN114509731A (zh) * 2022-01-24 2022-05-17 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
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
CN115169422A (zh) * 2022-09-07 2022-10-11 湖南师范大学 一种基于堆栈自编码器的大地电磁信号去噪方法及系统
CN115169422B (zh) * 2022-09-07 2022-11-25 湖南师范大学 一种基于堆栈自编码器的大地电磁信号去噪方法及系统

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
CN110456332B (zh) 一种基于自动编码器的水声信号增强方法
CN109932699A (zh) 一种雷达辐射源识别方法、装置、计算机设备和存储介质
CN113221781B (zh) 一种基于多任务深度卷积神经网络的载波信号检测方法
CN108922513A (zh) 语音区分方法、装置、计算机设备及存储介质
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
CN114509731B (zh) 一种基于双阶段深度网络的雷达主瓣抗干扰方法
CN113191178A (zh) 一种基于听觉感知特征深度学习的水声目标识别方法
CN112859012A (zh) 一种基于级联卷积神经网络的雷达欺骗干扰识别方法
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
CN116068493A (zh) 一种深海大深度垂直分布式水听器被动声源定位方法
Ristea et al. Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks
CN115469179A (zh) 一种海底电缆缺陷定位方法、装置、存储介质及系统
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
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
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
CN113935240A (zh) 基于生成式对抗网络算法的人工地震波模拟方法
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
CN112133326A (zh) 一种基于对抗神经网络的枪声数据增广与检测方法
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
CN114936570A (zh) 基于轻量化cnn网络的干扰信号智能识别方法
CN114070688A (zh) 多制式水声通信信号调制识别方法和系统
CN114298093A (zh) Iff信号智能分类识别方法
CN114520758A (zh) 一种基于瞬时特征的信号调制识别方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210129