CN112666528B - 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 - Google Patents
一种基于卷积神经网络的多站雷达系统干扰鉴别方法 Download PDFInfo
- Publication number
- CN112666528B CN112666528B CN202011391149.9A CN202011391149A CN112666528B CN 112666528 B CN112666528 B CN 112666528B CN 202011391149 A CN202011391149 A CN 202011391149A CN 112666528 B CN112666528 B CN 112666528B
- Authority
- CN
- China
- Prior art keywords
- layer
- interference
- output
- network
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000011478 gradient descent method Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000001427 coherent effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于卷积神经网络的多站雷达系统干扰鉴别方法，包括：根据多站雷达系统中的K个雷达得到K组慢时间随机复包络序列；将K组慢时间随机复包络序列依次水平链接得到第一二维数据块；将第一二维训练数据块输入至第一干扰鉴别网络得到第一分类输出结果；采用梯度下降法得到第一干扰鉴别网络的损失函数的最小值以得到第二干扰鉴别网络；将第一二维数据块输入至第二干扰鉴别网络，在第二干扰鉴别网络的误差和小于或者等于阈值时得到第三干扰鉴别网络；将第二二维数据块输入至所述第三干扰鉴别网络得到最终分类输出结果。本发明的干扰鉴别方法提高了多站雷达系统信息处理过程对采样数据的利用率，提高了对欺骗式干扰的鉴别概率。
Description
技术领域
本发明属于雷达技术领域，具体涉及一种基于卷积神经网络的多站雷达系统干扰鉴别方法。
背景技术
随着现代战争中电磁环境日益复杂，对雷达系统而言，有效的电子干扰对抗技术变得尤为重要。众多干扰类型中，欺骗式干扰是雷达系统需要应对的一种重要干扰样式，对截获的雷达信号进行存储、调制和转发，从而在真实目标附近产生大量欺骗式假目标，以干扰和迷惑雷达的检测系统和跟踪系统。
针对欺骗式干扰，单站雷达难以进行对抗，而多雷达系统通过对空间分布的各节点处雷达连接成网，构成网络化探测系统。在网络化探测系统中，各节点处的雷达根据不同的频段、角度、模式等，形成高度密集的多维信号空间，最终使得系统捕获到大量回波数据集，随后系统可以在融合中心将各雷达采集到的信息进行共享与信息融合，从而极大提升系统整体的抗干扰能力。
在此过程中，对多站雷达系统捕获的大量回波数据集进行信息融合是信号处理技术的关键性问题。而现有的算法仅依据人工提取的单一特征对回波数据进行分类识别，但是人工提取特征全面性不够，对多站雷达捕获的大量回波数据集利用率较低，严重影响了干扰鉴别效果。
因此，依据人工提取的单一特征对回波数据进行分类识别的现有算法不能充分利用多站雷达捕获的大量回波数据集，无法充分发挥多站雷达系统抗欺骗式干扰的能力。
发明内容
针对上述在多站雷达系统欺骗式干扰对抗中的不足，本发明的目的在于提出一种基于卷积神经网络的多站雷达系统鉴别欺骗式干扰的方法。利用卷积神经网络很强的模型学习与特征表示能力对欺骗式干扰进行鉴别，弥补了人工提取特征单一、鉴别效果不理想等问题，提高了多站雷达系统鉴别欺骗式干扰的概率。本发明要解决的技术问题通过以下技术方案实现：
一种基于卷积神经网络的多站雷达系统干扰鉴别方法，包括：
步骤1、根据多站雷达系统中的K个雷达得到K组慢时间随机复包络序列，其中，K≥2；
步骤2、将K组所述慢时间随机复包络序列依次水平链接得到第一二维数据块；
步骤3、将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，所述第一分类输出结果为目标信号或者干扰信号，其中，所述干扰鉴别网络包含4个卷积层、2个池化层、2个全连接层，每层均构建若干个权重系数矩阵w和偏置向量b；
步骤4、基于反向传播方法，采用梯度下降法得到所述第一干扰鉴别网络的损失函数的最小值以得到第二干扰鉴别网络；
步骤5、将所述第一二维数据块输入至所述第二干扰鉴别网络，在所述第二干扰鉴别网络的误差和小于或者等于阈值时得到第三干扰鉴别网络；
步骤6、将第二二维数据块输入至所述第三干扰鉴别网络得到最终分类输出结果。
在本发明的一个实施例中，所述步骤1，包括：
步骤1.1、每个所述雷达对接收信号进行匹配滤波、相干积累和恒虚警检测后得到若干预设目标，所述预设目标为目标或者干扰；
步骤1.2、确定所述步骤1.1中所得到的所有预设目标中在距离单元中的预设目标，在所述距离单元中，获得相干处理周期的所有脉冲重复时间，在所有所述脉冲重复时间内对所述距离单元进行匹配滤波后得到若干复幅度，则每个雷达的所有复幅度构成该雷达的慢时间随机复包络序列。
在本发明的一个实施例中，所述慢时间随机复包络序列包括噪声信号序列和不含噪声的慢时间复幅度序列。
在本发明的一个实施例中，所述步骤3，包括：
将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，其中，若第l层为卷积层，第l-1层为池化层或输入层，则第l-1层到第l层的前向计算公式为：
其中，conv2D表示二维卷积，l表示层数，表示第l层的第j个激活后的输出，i表示第l-1层第i个元素，共Nl-1个，/>表示第l层的第j个未激活输出，/>表示第l-1层的第i个激活后的输出，/>表示第l层针对第j个未激活输出的偏置向量，/>表示第l-1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，f(■)表示把■作为输入通过激活函数激活后的输出；
若第l层为池化层，则第l-1层到池化层的前向计算公式为：
其中，表示第l层针对第j个未激活输出的权重，/>表示第l-1层的第i个激活后的输出，down表示下采样函数；
若第l层为全连接层，则第l-1层到全连接层的前向计算公式为：
其中，表示第l-1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，/>表示第l-1层的第i个激活后的输出。
在本发明的一个实施例中，所述损失函数为：
其中，E表示误差和，L表示输出层，NL表示目标和干扰数的总和，d表示第d个元素，表示第L层的输出结果，td表示第d个元素的标签结果。
在本发明的一个实施例中，所述步骤4包括：
步骤4.1、计算所述第一干扰鉴别网络的输出层的误差和，将所述误差和反向传播至所述第一干扰鉴别网络的第一个隐含层，以得到各层的残差；
步骤4.2、基于所述残差，采用梯度下降法计算所述第一干扰鉴别网络的损失函数的最小值得到每层的权重系数矩阵w和偏置向量b；
步骤4.3、根据所述步骤4.2所得到的每层的权重系数矩阵w和偏置向量b得到第二干扰鉴别网络。
在本发明的一个实施例中，所述步骤5.1包括：
计算所述第一干扰鉴别网络的输出层的误差和并反向传播至所述第一干扰鉴别网络的各隐含层，以得到各层的残差，其中，
若第l+1层为卷积层，第l层为池化层，则从第l+1层到第l层的反向传播公式为：
其中，表示一个上采样操作后的输出，up表示上采样函数，ssx、ssy表示池化层横向和纵向的步长，/>表示/>的倒数，β＝(ssx×ssy)-1，/>表示第l层的第j个输出的残差，/>表示第l+1层的第i个输出的残差；
若第l+1层为池化层，第l层为卷积层，则从第l+1层到第l层的反向传播公式为：
其中，rot180(·)表示对卷积核反转180°，conv2Dz(·)表示全卷积运算以使的维度与/>一致；
若第l+1层为全连接层，则从第l+1层到第l层的的反向传播公式为：
在本发明的一个实施例中，所述全连接层中反向传播过程的梯度更新为：
所述卷积层或所述池化层中反向传播过程的梯度更新为：
其中，m、n分别表示第l层第j个卷积核中第m行、第n列的元素点。
在本发明的一个实施例中，所述权重系数矩阵w和偏置向量b表示为：
其中，ε是学习率。
本发明的有益效果：
1、本发明的干扰鉴别方法提高了多站雷达系统信息处理过程对采样数据的利用率，提高了对欺骗式干扰的鉴别概率。
与现有的人工提取单一特征，仅分析数据相关性从而干扰鉴别的技术相比，本发明将人工智能卷积神经网络应用于多站雷达系统中，对未知数据深度学习，挖掘除相关性以外的更全面、更多元、更本质的数据特征，提高了对采样数据的利用率，多特征联合处理，训练出优质高效的鉴别网络，弥补了人工提取特征单一，鉴别效果不理想等问题，提高了多站雷达系统对欺骗式干扰的鉴别概率。
2、针对低噪声比信号，本发明有效降低了噪声和脉冲数量对干扰鉴别概率的影响，提升了多站雷达系统整体抗欺骗式干扰能力。
现有技术鉴别效果在噪声环境并不理想，而本发明由于卷积神经网络参考分析的信息较多，可以有效降低噪声和脉冲数量对干扰鉴别概率的影响，提升多站雷达系统整体抗欺骗式干扰的能力。
3、缓解了非理想条件对干扰对抗技术的限制，从而提升了多站雷达系统整体抗欺骗式干扰的能力。
基于卷积神经网络的干扰鉴别算法，有效降低了目标与多站雷达系统由于空间分集而带来的雷达布站限制，缓解各雷达站距离较近时，复幅度部分相关导致的漏警，以及各雷达站中干扰信号相关性减弱带来的虚警等问题。拓宽应用过程的边界条件。缓解了非理想条件对干扰对抗技术的限制，提升了多站雷达系统整体抗欺骗式干扰的能力。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于卷积神经网络的多站雷达系统干扰鉴别方法的流程示意图；
图2是本发明实施例提供的一种卷积神经网络鉴别流程的流程示意图；
图3是本发明实施例提供的一种多雷达系统目标空间散射示意图；
图4是本发明实施例提供的一种卷积神经网络鉴别模型示意图；
图5是本发明实施例提供的一种低TNR的T-SNE特征平面图；
图6是本发明实施例提供的一种高TNR的T-SNE特征平面图；
图7是本发明实施例提供的一种卷积神经网络模型干扰鉴别效果图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1、图2，图1是本发明实施例提供的一种基于卷积神经网络的多站雷达系统干扰鉴别方法的流程示意图,图2是本发明实施例提供的一种卷积神经网络鉴别流程的流程示意图。本实施例提供了一种基于卷积神经网络的多站雷达系统干扰鉴别方法，该多站雷达系统干扰鉴别方法包括步骤1至步骤6，其中：
步骤1、根据多站雷达系统中的K个雷达得到K组慢时间随机复包络序列，其中，K≥2。
具体地，请参见图3，假设本实施例的多站雷达系统中共有K个节点雷达，构成了网络化探测系统，每个雷达接收信号后会对应得到一组慢时间随机复包络序列。
在一个具体地实施例中，步骤1包括步骤1.1-步骤1.3，其中：
步骤1.1、每个雷达对接收信号进行匹配滤波、相干积累和恒虚警检测后得到若干预设目标。
具体地，假设每个雷达接收信号，在接收信号后，便对该信号依次进行匹配滤波、相干积累和恒虚警检测处理，经过上述处理后便可以得到若干预设目标，其中，预设目标为目标或者干扰。
步骤1.2、确定步骤1.1中所得到的所有预设目标中在距离单元中的预设目标，在距离单元中，获得相干处理周期的所有脉冲重复时间，在所有脉冲重复时间内对距离单元进行匹配滤波后得到若干复幅度，则每个雷达的所有复幅度构成该雷达的慢时间随机复包络序列。
具体地，在距离单元中，确定步骤1.1所得到的所有预设目标中在该距离单元的预设目标，之后，对于该距离单元，获取其相干处理周期中的所有脉冲重复时间，从而在所得到的所有脉冲重复时间对距离单元进行匹配滤波便能得到其对应的所有复幅度，则每个雷达的所有复幅度便构成该雷达的慢时间随机复包络序列，因此K个雷达便会得到K组慢时间随机复包络序列。其中，距离单元为目标所在的分辨单元。
该慢时间随机复包络序列包括噪声信号序列和不含噪声的慢时间复幅度序列，慢时间随机复包络序列表示为：
Ak＝Bk+Wk
式中，Ak表示第k个雷达的慢时间随机复包络序列，Wk表示第k个雷达的噪声信号序列，Bk表示第k个雷达的不含噪声的慢时间复幅度序列，2≤k≤K。
步骤2、将K组慢时间随机复包络序列依次水平链接得到第一二维数据块。
具体地，经过步骤1可以得到K组慢时间随机复包络序列，在融合中心将各雷达的慢时间随机复包络序列Ak依次水平链接，每个雷达的慢时间随机复包络序列分别用一行信息，从而构建第一二维数据块，该第一二维数据块表示为：
Data2D＝[A1；A2；...；AK]
其中，Data2D第一二维数据块。
步骤3、将第一二维数据块输入至第一干扰鉴别网络，经过逐层线性运算和激活运算，得到第一分类输出结果，第一分类输出结果为目标信号或者干扰信号，其中，干扰鉴别网络包含4个卷积层、2个池化层、2个全连接层，每层均构建若干个权重系数矩阵w，偏置向量b。
具体地，请参见图4，本实施例的第一干扰鉴别网络为卷积神经网络，该第一干扰鉴别网络包含4个卷积层、2个池化层、2个全连接层，每层均构建若干个权重系数矩阵w和偏置向量b，其中，输入数据依次连接4个卷积层，第2、4个卷积层后连接一个池化层，再经过两个全连接层后，输出得到分类输出结果。
因此，将步骤2所得到的第一二维数据块作为输入，输入至第一干扰鉴别网络，第一干扰鉴别网络会逐层进行线性和激活运算，相应的第一干扰鉴别网络会输出第一分类输出结果，该第一分类输出结果可能为目标信号，也可能为干扰信号。
进一步地，若第l层为卷积层，第l-1层为池化层或输入层(输入层为输入数据)，则第l-1层到第l层的前向计算公式为：
其中，conv2D表示二维卷积，l表示层数，表示第l层的第j个激活后的输出，i表示第l-1层第i个元素，共Nl-1个，/>表示第l层的第j个未激活输出，/>表示第l-1层的第i个激活后的输出，/>表示第l层针对第j个未激活输出的偏置向量，/>表示第l-1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，f(■)表示把■作为输入通过激活函数激活后的输出；
若第l层为池化层，则第l-1层到池化层的前向计算公式为：
其中，表示第l层针对第j个未激活输出的权重，/>表示第l-1层的第i个激活后的输出，down表示下采样函数；
若第l层为全连接层，则第l-1层到全连接层的前向计算公式为：
其中，表示第l-1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，/>表示第l-1层的第i个激活后的输出。
另外，所有干扰鉴别网络在进行激活时，每层均采用ELU(Exponential LinearUnit，指数线性单元)作为激活函数，该激活函数表示为：
步骤4、基于反向传播方法，采用梯度下降法得到第一干扰鉴别网络的损失函数的最小值以得到第二干扰鉴别网络。
具体地，本实施例以均方误差作为损失函数来度量干扰鉴别网络的输出与真实标签数据之间的误差和，其中误差和即为损失函数，真实标签数据即为步骤2的第一二维数据块，误差和表示为：
其中，E表示误差和，L表示输出层，即干扰鉴别网络的最后一层，NL表示目标和干扰数的总和，d表示第d个元素，元素可能为目标，也可能为干扰，表示第L层的输出结果，td表示第d个元素的标签结果。
根据反向传播，优化第一干扰鉴别网络的参数，使得最终干扰鉴别网络的输出结果尽可能地接近样本真实输出。本实施例采用梯度下降法求损失函数的最小值，通过对目标函数中的各参数求偏导，迭代更新每一层的参数权重系数矩阵w和偏置向量b，最终得到网络最优参数，以得到第二干扰鉴别网络。
在一个具体地实施例中，步骤4包括步骤4.1-步骤4.3，其中：
步骤4.1、计算第一干扰鉴别网络的输出层的误差和，将误差和反向传播至第一干扰鉴别网络的各隐含层，以得到各层的残差。
具体地，根据误差和(即损失函数)的计算公式得到误差和，并将误差和反向传播至第一干扰鉴别网络的各隐含层，以得到各层的残差，其中，输入层和输出层之间的各层都可以称为隐含层。
若第l+1层为卷积层，第l层为池化层，则从第l+1层到第l层的反向传播公式为：
其中，表示一个上采样操作后的输出，up表示上采样函数，ssx、ssy表示池化层横向和纵向的步长，/>表示/>的倒数，β＝(ssx×ssy)-1，/>表示第l层的第j个输出的残差，/>表示第l+1层的第i个输出的残差；
若第l+1层为池化层，第l层为卷积层，则从第l+1层到第l层的反向传播公式为：
其中，rot180(·)表示对卷积核反转180°，conv2Dz(·)表示全卷积运算以使的维度与/>一致；
若第l+1层为全连接层，则从第l+1层到第l层的的反向传播公式为：
其中，表示第l层的第j个激活后的输出与第l+1层的第i个未激活的输出之间的权值。
步骤4.2、基于残差，采用梯度下降法计算第一干扰鉴别网络的损失函数的最小值得到每层的权重系数矩阵w和偏置向量b。
具体地，为获取目标信号或者干扰信号的最小损失函数，需要干扰鉴别网络的参数，使得模型输出结果尽可能地接近样本真实输出。本实施例采用梯度下降法计算损失函数的最小值，其中，全连接层中反向传播过程的梯度更新为：
所述卷积层或所述池化层中反向传播过程的梯度更新为：
其中，m、n分别表示第l层第j个卷积核中第m行、第n列的元素点。
本实施例通过反向传播过程不断更新迭代，得到每一层的权重系数矩阵w和偏置向量b，最终得到全局最优参数解，则权重系数矩阵w和偏置向量b表示为：
其中，ε是学习率。
步骤4.3、根据步骤4.2所得到的每层的权重系数矩阵w和偏置向量b得到第二干扰鉴别网络。
具体地，基于步骤4.2可以得到每层经过优化后所得到的最优的权重系数矩阵w和偏置向量b，便可以得到参数经过优化后的第一干扰鉴别网络，参数经过优化后的第一干扰鉴别网络即为第二干扰鉴别网络。
步骤5、将第一二维数据块输入至第二干扰鉴别网络，在第二干扰鉴别网络的误差和小于或者等于阈值时得到第三干扰鉴别网络。
具体地，干扰鉴别网络的学习过程在参数不断迭代更新中完成，当误差和小于或者等于阈值时，终止学习过程，否则重复执行步骤4和步骤5直至误差和小于或者等于阈值。当误差和小于或者等于阈值时，至此干扰鉴别网络模型构建完成，此时所构建的干扰鉴别网络即为第三干扰鉴别网络，此时再以步骤2构建的数据输入到第三干扰鉴别网络中，便可以实现对测试数据的分类鉴别。
步骤6、将第二二维数据块输入至第三干扰鉴别网络得到最终分类输出结果。
具体地，本实施例通过步骤1和步骤2的方式得到需要鉴别的第二二维数据块，将该第二二维数据块输入至第三干扰鉴别网络得到最终分类输出结果。
本发明对欺骗式干扰的鉴别性能通过以下仿真进一步验证。
实验场景
通过卷积神经网络构建出特征学习模型，对于不同的目标噪声比TNR(真实目标为信噪比SNR，假目标为干噪比JNR)，按照相同的参数产生目标和干扰各1000组测试样本，所有样本设置雷达接收站K为4个，脉冲重复间隔个数Q为12，则每个输入二维数据块由48个复幅度数据组成。
实验内容与分析：
实验一：设置目标噪声比TNR范围为-3～18dB，向训练好的卷积神经网络模型中输入测试样本，提取10维特征向量。对这10个特征进行T-SNE降维处理，将10维特征映射到二维矢量，使信号的每个特征表现在二维平面图上，得到的仿真结果如图5、图6所示。
图5、图6显示了10个特征映射到二维矢量之后的平面图，结果显示出良好的聚类性，这说明卷积神经网络提取的10个特征可有效地将真假目标聚类，从而应用于真假目标鉴别。
实验二：多站雷达系统采用基于卷积神经网络的干扰鉴别算法，设置目标噪声比TNR范围为-3～18dB，设置PRI个数Q的范围为2～24，对不同的PRI分别构建干扰鉴别网络，其中Q小于8时干扰鉴别网络不含池化层，得到鉴别仿真结果如图7所示。
图7给出了在不同噪声比、不同脉冲重复间隔下，本方法对于干扰鉴别的仿真结果。鉴别结果明显优于现有的传统的仅利用人工提取相关系数单一特征的鉴别方法，尤其在低TNR时性能提升更加明显。从图7中可以看出，当TNR为-1dB时卷积神经网络真假目标的联合鉴别概率已经达到90％以上；当TNR为6dB，Q大于8时，即可使得鉴别概率在99％以上。
实验三：设置TNR为6dB，PRI个数为8.在真实目标和干扰信号具有不同相关系数的非理想情况下，通过已构深度神经网络模型，获取真实目标和欺骗式干扰的联合鉴别概率，仿真结果如表1所示。
表1相关系数对联合鉴别概率的影响
仿真结果表明非理想条件带来的相关系数变化对鉴别概率影响较大，文献中欺骗式干扰完全相关，真实目标的相关系数达到0.4时，鉴别概率不足50％，而本算法鉴别概率保持85％以上，即使欺骗式干扰回波的相关系数为0.7，两者均处于非理想状态，鉴别概率仍高于55％，明显优于现有算法。仿真验证了本文算法的普适性，能应用于更多复杂环境的干扰鉴别。
仿真结果说明卷积神经网络充分利用多站雷达系统捕获的信号数据信息，挖掘出数据集的多元本质特征，将多维特征联合处理，获取真假目标的深层特征差异，从而达到更优的鉴别效果，仿真结果证明了本发明能够提升多站雷达系统抗欺骗式干扰的能力。
1、本发明的干扰鉴别方法提高了多站雷达系统信息处理过程对采样数据的利用率，提高了对欺骗式干扰的鉴别概率。
与现有的人工提取单一特征，仅分析数据相关性从而干扰鉴别的技术相比，本发明将人工智能卷积神经网络应用于多站雷达系统中，对未知数据深度学习，挖掘除相关性以外的更全面、更多元、更本质的数据特征，提高了对采样数据的利用率，多特征联合处理，训练出优质高效的鉴别网络，弥补了人工提取特征单一，鉴别效果不理想等问题，提高了多站雷达系统对欺骗式干扰的鉴别概率。
2、针对低噪声比信号，本发明有效降低了噪声和脉冲数量对干扰鉴别概率的影响，提升了多站雷达系统整体抗欺骗式干扰能力。
现有技术鉴别效果在噪声环境并不理想，而本发明由于卷积神经网络参考分析的信息较多，可以有效降低噪声和脉冲数量对干扰鉴别概率的影响，提升多站雷达系统整体抗欺骗式干扰的能力。
3、缓解了非理想条件对干扰对抗技术的限制，从而提升了多站雷达系统整体抗欺骗式干扰的能力。
基于卷积神经网络的干扰鉴别算法，有效降低了目标与多站雷达系统由于空间分集而带来的雷达布站限制，缓解各雷达站距离较近时，复幅度部分相关导致的漏警，以及各雷达站中干扰信号相关性减弱带来的虚警等问题。拓宽应用过程的边界条件。缓解了非理想条件对干扰对抗技术的限制，提升了多站雷达系统整体抗欺骗式干扰的能力。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于卷积神经网络的多站雷达系统干扰鉴别方法，其特征在于，包括：
步骤1、根据多站雷达系统中的K个雷达得到K组慢时间随机复包络序列，其中，K≥2；
步骤2、将K组所述慢时间随机复包络序列依次水平链接得到第一二维数据块；
步骤3、将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，所述第一分类输出结果为目标信号或者干扰信号，其中，所述干扰鉴别网络包含4个卷积层、2个池化层、2个全连接层，每层均构建若干个权重系数矩阵w和偏置向量b；
步骤4、基于反向传播方法，采用梯度下降法得到所述第一干扰鉴别网络的损失函数的最小值以得到第二干扰鉴别网络；
步骤5、将所述第一二维数据块输入至所述第二干扰鉴别网络，在所述第二干扰鉴别网络的误差和小于或者等于阈值时得到第三干扰鉴别网络；
步骤6、将第二二维数据块输入至所述第三干扰鉴别网络得到最终分类输出结果。
2.根据权利要求1所述的多站雷达系统干扰鉴别方法，其特征在于，所述步骤1，包括：
步骤1.1、每个所述雷达对接收信号进行匹配滤波、相干积累和恒虚警检测后得到若干预设目标，所述预设目标为目标或者干扰；
步骤1.2、确定所述步骤1.1中所得到的所有预设目标中在距离单元中的预设目标，在所述距离单元中，获得相干处理周期的所有脉冲重复时间，在所有所述脉冲重复时间内对所述距离单元进行匹配滤波后得到若干复幅度，则每个雷达的所有复幅度构成该雷达的慢时间随机复包络序列。
3.根据权利要求1所述的多站雷达系统干扰鉴别方法，其特征在于，所述慢时间随机复包络序列包括噪声信号序列和不含噪声的慢时间复幅度序列。
4.根据权利要求1所述的多站雷达系统干扰鉴别方法，其特征在于，所述步骤3，包括：
将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，其中，若第l层为卷积层，第l-1层为池化层或输入层，则第l-1层到第l层的前向计算公式为：
其中，conv2D表示二维卷积，l表示层数，表示第l层的第j个激活后的输出，i表示第l-1层第i个元素，共Nl-1个，/>表示第l层的第j个未激活输出，/>表示第l-1层的第i个激活后的输出，/>表示第l层针对第j个未激活输出的偏置向量，/>表示第l-1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，f(■)表示把·作为输入通过激活函数激活后的输出；
若第l层为池化层，则第l-1层到池化层的前向计算公式为：
其中，表示第l层针对第j个未激活输出的权重，/>表示第l-1层的第i个激活后的输出，down表示下采样函数；
若第l层为全连接层，则第l-1层到全连接层的前向计算公式为：
其中，表示第l-1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，/>表示第l-1层的第i个激活后的输出。
5.根据权利要求4所述的多站雷达系统干扰鉴别方法，其特征在于，所述损失函数为：
其中，E表示误差和，L表示输出层，NL表示目标和干扰数的总和，d表示第d个元素，表示第L层的输出结果，td表示第d个元素的标签结果。
6.根据权利要求5所述的多站雷达系统干扰鉴别方法，其特征在于，所述步骤4包括：
步骤4.1、计算所述第一干扰鉴别网络的输出层的误差和，将所述误差和反向传播至所述第一干扰鉴别网络的第一个隐含层，以得到各层的残差；
步骤4.2、基于所述残差，采用梯度下降法计算所述第一干扰鉴别网络的损失函数的最小值得到每层的权重系数矩阵w和偏置向量b；
步骤4.3、根据所述步骤4.2所得到的每层的权重系数矩阵w和偏置向量b得到第二干扰鉴别网络。
7.根据权利要求6所述的多站雷达系统干扰鉴别方法，其特征在于，所述步骤5.1包括：
计算所述第一干扰鉴别网络的输出层的误差和并反向传播至所述第一干扰鉴别网络的各隐含层，以得到各层的残差，其中，
若第l+1层为卷积层，第l层为池化层，则从第l+1层到第l层的反向传播公式为：
其中，表示一个上采样操作后的输出，up表示上采样函数，ssx、ssy表示池化层横向和纵向的步长，/>表示/>的倒数，β＝(ssx×ssy)-1，/>表示第l层的第j个输出的残差，/>表示第l+1层的第i个输出的残差；
若第l+1层为池化层，第l层为卷积层，则从第l+1层到第l层的反向传播公式为：
其中，rot180(·)表示对卷积核反转180°，conv2Dz(·)表示全卷积运算以使的维度与/>一致；
若第l+1层为全连接层，则从第l+1层到第l层的反向传播公式为：
8.根据权利要求7所述的多站雷达系统干扰鉴别方法，其特征在于，所述全连接层中反向传播过程的梯度更新为：
所述卷积层或所述池化层中反向传播过程的梯度更新为：
其中，m、n分别表示第l层第j个卷积核中第m行、第n列的元素点。
9.根据权利要求8所述的多站雷达系统干扰鉴别方法，其特征在于，所述权重系数矩阵w和偏置向量b表示为：
其中，ε是学习率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011391149.9A CN112666528B (zh) | 2020-12-02 | 2020-12-02 | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011391149.9A CN112666528B (zh) | 2020-12-02 | 2020-12-02 | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112666528A CN112666528A (zh) | 2021-04-16 |
| CN112666528B true CN112666528B (zh) | 2023-10-03 |
Family
ID=75400969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011391149.9A Active CN112666528B (zh) | 2020-12-02 | 2020-12-02 | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112666528B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116824923A (zh) * | 2023-08-30 | 2023-09-29 | 四川九洲空管科技有限责任公司 | 一种动态优化ads-b航迹质量的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106443598A (zh) * | 2016-12-08 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
| CN110221256A (zh) * | 2019-06-21 | 2019-09-10 | 西安电子科技大学 | 基于深度残差网络的sar干扰抑制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10203405B2 (en) * | 2013-04-25 | 2019-02-12 | The United States Of America As Represented By The Secretary Of The Army | Multitone radar with range determination and method of use |
-
2020
- 2020-12-02 CN CN202011391149.9A patent/CN112666528B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106443598A (zh) * | 2016-12-08 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 |
| CN110221256A (zh) * | 2019-06-21 | 2019-09-10 | 西安电子科技大学 | 基于深度残差网络的sar干扰抑制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于密度聚类的雷达抗干扰;杨娟;;电子世界(第11期);全文 * |
| 复杂电磁网络环境下的抗干扰技术研究与仿真;徐建宏;刘增良;王烨;龚伟志;;计算机仿真(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112666528A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
| US10275707B2 (en) | Systems and methods for training multipath filtering systems | |
| Carrer et al. | Automatic enhancement and detection of layering in radar sounder data based on a local scale hidden Markov model and the Viterbi algorithm | |
| CN111722199A (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
| CN107340514A (zh) | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 | |
| CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
| CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
| CN114187533B (zh) | 一种基于随机森林时序分类的GB-InSAR大气改正方法 | |
| CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
| Hamdollahzadeh et al. | Moving target localization in bistatic forward scatter radars: Performance study and efficient estimators | |
| CN112666528B (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
| CN115685096A (zh) | 一种基于逻辑回归的二次雷达副瓣抑制方法 | |
| Xue et al. | Knowledge-based target detection in compound Gaussian clutter with inverse Gaussian texture | |
| CN114545387A (zh) | 一种基于毫米波雷达数据拟合的高空抛物检测判别方法 | |
| Wen et al. | Modeling of correlated complex sea clutter using unsupervised phase retrieval | |
| CN113126050A (zh) | 一种基于神经网络的生命探测方法 | |
| CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
| Liu et al. | An anti‐jamming method in multistatic radar system based on convolutional neural network | |
| CN114814776B (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
| Li et al. | Sea/land clutter recognition for over-the-horizon radar via deep CNN | |
| Ristic et al. | Gaussian mixture multitarget–multisensor Bernoulli tracker for multistatic sonobuoy fields | |
| CN116338684A (zh) | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 | |
| de Sá et al. | Lightning distance estimation using LF lightning Radio signals via analytical and machine-learned models |
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 |