CN112859014A - 基于雷达信号分选的雷达干扰抑制方法、装置及介质 - Google Patents
基于雷达信号分选的雷达干扰抑制方法、装置及介质 Download PDFInfo
- Publication number
- CN112859014A CN112859014A CN202110205976.2A CN202110205976A CN112859014A CN 112859014 A CN112859014 A CN 112859014A CN 202110205976 A CN202110205976 A CN 202110205976A CN 112859014 A CN112859014 A CN 112859014A
- Authority
- CN
- China
- Prior art keywords
- radar
- signal
- interference
- parameters
- sorting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001629 suppression Effects 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 38
- 238000001228 spectrum Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000000116 mitigating effect Effects 0.000 claims 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于雷达信号分选的雷达干扰抑制方法、装置及介质，方法包括以下步骤：识别步骤：对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；优化步骤：基于空间内雷达信号波形参数优化调整本车雷达发射信号参数；信号生成步骤：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。本发明的装置和介质是实现上述方法的硬件，通过本发明提供的一种基于雷达信号分选的雷达干扰抑制方法、装置及介质，针对密集雷达分布环境，可以对雷达信号进行分选，并对本车雷达发射信号参数进行优化，最后生成本车雷达发射信号。本发明可以实现主动的雷达干扰抑制，可适用于复杂密集雷达分布环境，提高了雷达干扰抑制技术的鲁棒性。
Description
技术领域
本发明属于车载毫米波雷达领域，尤其涉及基于雷达信号分选的雷达干扰抑制方法、装置及介质。
背景技术
毫米波雷达是测量被测物体相对距离、现对速度、方位的高精度传感器，早期被应用于军事领域，随着雷达技术的发展与进步，毫米波雷达开始广泛应用于汽车电子、无人机、智能交通等多个领域。
车载毫米波雷达是智能汽车不可或缺的环境感知传感器之一。随着车载毫米波雷达渗透率的快速增加，不同雷达间将出现严重的信号干扰问题，导致大量虚假目标的产生与底噪的抬升，严重制约了雷达的检测性能，并可能会导致车辆采取错误的刹车动作。因此，车载毫米波雷达间相互干扰问题会对社会公共安全带来巨大的威胁，涉及民生安全问题。
现有车载毫米波雷达干扰抑制方法存在如下问题：
(1)极化隔离：当前应用的45°线极化与圆极化隔离技术，抑制效果有限，最大抑制效果约15dB，且该方法硬件实现信号处理复杂，不便于工程实现；
(2)频率分集：随着毫米波雷达的大量普及及其工作带宽的不断增加，简单的频率分集技术难以适用于密集雷达分布环境，无法实现有效的频率隔离；
(3)复杂相位编码：该技术多普勒容限较低，测速困难，不易应用于车载雷达工作环境；
(4)自适应噪声消除器：当干扰信号与本车雷达信号相关时，该技术无法检测出干扰信号，从而无法抑制干扰。
综上所述，传统的车载毫米波雷达干扰抑制方法无法有效抑制干扰。
发明内容
为解决上述问题，本发明提供一种基于雷达信号分选的雷达干扰抑制方法、装置及介质。本发明通过对雷达信号进行分选，并对本车雷达发射信号参数进行优化，最后生成本车雷达发射信号。通过本发明的相关方案，可以实现对车载毫米波雷达干扰的有效抑制。
本发明的目的是通过以下技术方案来实现的：
基于雷达信号分选的雷达干扰抑制方法，具体包括以下步骤：
识别步骤：对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；
优化步骤：基于空间内雷达信号波形参数优化调整本车雷达发射信号参数例如，当空间内存在一个干扰信号，其所占频谱为fi+Bi，其中，fi为干扰信号载频，Bi为干扰信号带宽；此时，则根据干扰信号可优化设计本车雷达发射信号的载频与带宽，使其满足
从而令本车雷达发射信号与干扰信号实现频率分集。
信号生成步骤：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。
作为优选方式，在识别步骤中，要实现对空间内雷达信号的分选，需要提取干扰信号特征，然后选择雷达信号分选特征。
作为优选方式，针对车载毫米波雷达常用的快斜波序列波形，采用基于短时傅里叶变换的局部频谱特征和/或基于信号的高阶谱提取双谱切片特征对雷达信号进行分选，具体采用基于卷积神经网络的雷达信号分选。
作为优选方式，基于短时傅里叶变换的局部频谱特征：
给定一个时间宽度很短的窗函数g(t)，令窗滑动，则信号x(t)的短时傅里叶变换为：
其中，g(t)为一窗口函数，它一般是一光滑的低通函数(比如常见的海明窗、矩形窗等)，只在τ的附近有值，在其余处迅速衰减。因此，可以得到函数在τ时刻处附近的频率信息，并且随着时间τ的变化，所确定的窗函数在时间轴上移动，可以对x(t)逐渐进行分析。
作为优选方式，基于信号的高阶谱提取双谱切片特征：
双谱定义如下：
其中，ω1和ω2为双谱特征分布的两个维度变量，c3x(τ1,τ2)为信号的三阶统计相关，τ1和τ2为样本信号的两个时间延迟变量。
作为优选方式，基于卷积神经网络的雷达信号分选：
在卷积层中，输入为雷达信号特征参量，卷积核与输入之间是局部连接的，且同一个卷积核内的参数对于输入的不同位置是共享的，激活函数使用Relu函数，Relu函数是卷积神经网络中最常用的激活函数。
池化层对卷积层的输出进行降采样，网络中使用最大池化操作；
经过一系列卷积池化层后，输入已经被抽象为深度的特征表示，之后连接全连接层，最终通过softmax函数映射到对应的目标类别上，得到预测的概率分布；
优化目标：通过预测值与真实值之间的误差得到交叉熵损失，作为网络的优化目标，
确定模型：通过网络训练得到最终的模型参数。
作为优选方式，训练卷积神经网络过程中使用Adam(Adapitive MomentEstimation，自适应矩估计)算法；
Adam算法通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计不同的自适应学习率；设定全局学习率η、数值稳定量δ，一阶动量衰减系数ρ1和二阶动量衰减系数ρ2，一阶累积量s并将其所有元素初始化为0，二阶累积量r并将其所有元素初始化为0；参数更新过程如下所示：
(1)计算梯度：
(2)更新每个参数的一阶和二阶梯度累计量：
s(i+1)＝ρ1s(i)+(1-ρ1)g
r(i+1)＝ρ2r(i)+(1-ρ2)ge g
(3)得到对梯度的一阶矩和二阶矩估计：
(4)对参数进行更新：
作为优选方式，对于优化步骤，其具体步骤如下：
快斜波序列波形干扰现象分析步骤：
雷达发射信号为：
其中，f0为发射信号载频，Kr为发射信号调频斜率；
雷达接收信号为干扰信号(假设干扰信号与发射信号时间对齐)：
其中，f′0为干扰信号载频；K′r为干扰信号调频斜率；τ'＝(R+vt)/c为干扰雷达信号延时，R、v分别为干扰雷达相对本车雷达的距离与速度。
接收信号与发射信号混频后，不考虑幅度影响，信号形式为：
S干(t)＝Amp·cos((2π(f0-f0')t+πKrt2-πFtjt+2πfc'τ-πK'rτ2+πFtjτ+πK'rtτ))
其中，Ftj表示一个脉冲重复周期内干扰信号的频率随时间t的变化。干扰信号的脉宽、重频、带宽、载频四个参数均区别于发射机信号模型；波形参数干扰现象主要表现为：
(1)当干扰雷达与发射雷达工作在不同频段，由于混频滤波的作用，干扰信号混频后差频较大，会被滤波器抑制，不会产生明显的干扰现象；
(2)当波形参数均相同时，接收的干扰信号与接收的目标信号形式相同，经过信号处理可得到干扰信号的距离、速度、角度值，因干扰信号到达雷达发射机是单程距离，则参数估计结果会显示干扰信号检测结果中的距离、速度信息的一半；
(3)当干扰雷达与发射雷达同载频同脉宽同重频不同的带宽时，混频后信号会多产生第一个相位项exp(jπ(Kr-K′r)t2)，当距离维FFT后仍存在关于t的二次相位，使得干扰信号的距离向不能聚焦，从而会影响同一速度维的所有目标的距离参数估计，可能对目标信号造成干扰；
(4)当干扰雷达与发射雷达同载频，但其余参数均不同时，由于干扰信号的脉宽、重频、带宽均与发射机雷达信息参数不同，此时会影响干扰信号的距离位置信息和速度信息，当干扰机和发射机的调频斜率相差很大时，干扰信号则不能聚焦，此时不会影响真实目标信号的检测；
自适应优化调整本车雷达发射信号波形参数步骤：
基于雷达信号分选结果与干扰现象分析，实时优化调整波形参数，具体设计步骤如下：
(1)载频选择：基于雷达信号分选结果，依据雷达发射带宽需求，选择与当前空间内所有波形载频互斥的频段，若存在可用频段，则其余参数选用预先设定的参数配置；若不存在可用频段，则依据干扰信号幅度信息，选择与幅度较低的干扰信号较为接近的频段，再通过波形调频斜率进行进一步干扰抑制；
(2)调频斜率选择：当载频无法实现有效抑制时，由于雷达发射带宽固定，此时需要基于雷达信号分选结果，自适应选择雷达发射脉冲宽度，即自适应修改雷达发射调频斜率。
基于雷达信号分选的雷达干扰抑制装置，所述装置包括：
识别模块，用于对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；
优化参数模块：根据空间内雷达信号波形参数优化调整本车雷达发射信号参数；
信号生成模块：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以上所述的方法。
本发明的有益效果是：
本发明提供了一种基于雷达信号分选的雷达干扰抑制方法、装置及介质，针对密集雷达分布环境，可以对雷达信号进行分选，并对本车雷达发射信号参数进行优化，最后生成本车雷达发射信号。本发明可以实现主动的雷达干扰抑制，可适用于复杂密集雷达分布环境，提高了雷达干扰抑制技术的鲁棒性。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的基于雷达信号分选的雷达干扰抑制方法流程图；
图2为卷积神经网络结构图；
图3为多通道卷积层工作过程示意图；
图4为最大池化工作过程示意图；
图5为干扰参数配置情况1下雷达干扰现象仿真结果；
图6为干扰参数配置情况2下雷达干扰现象仿真结果；
图7为干扰参数配置情况3下雷达干扰现象仿真结果；
图8为干扰参数配置情况4下雷达干扰现象仿真结果。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例一
如图1所示，基于雷达信号分选的雷达干扰抑制方法，具体包括以下步骤：
识别步骤：对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；
优化步骤：基于空间内雷达信号波形参数优化调整本车雷达发射信号参数；
信号生成步骤：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。
在识别步骤中，要实现对空间内雷达信号的分选，需要提取干扰信号特征，然后选择雷达信号分选特征。
时频域特征是指信号在时域和频域上的联合特征。与传统的时域特征和频域特征不同，时频域特征反映了信号的局部时域和局部频域间一一对应的关系，能获得信号更细微的脉间特征，因此在复杂电磁环境下比传统特征具有更大的优势。
针对车载毫米波雷达常用的快斜波序列波形，采用基于短时傅里叶变换的局部频谱特征和/或基于信号的高阶谱提取双谱切片特征对雷达信号进行分选，具体采用基于卷积神经网络的雷达信号分选。
基于短时傅里叶变换的局部频谱特征：
在连续时间内，一个函数先乘上仅在一段时间不为零的窗函数，之后进行一维的傅立叶变换，然后将这个窗函数沿着时间轴挪移，会得到一系列的傅立叶变换的结果。因此，通过一个窗口来观察信号，就得到了信号的短时傅立叶变换。
给定一个时间宽度很短的窗函数g(t)，令窗滑动，则信号x(t)的短时傅里叶变换为：
其中，g(t)为一窗口函数，它一般是一光滑的低通函数(比如常见的海明窗、矩形窗等)，只在τ的附近有值，在其余处迅速衰减。因此，可以得到函数在τ时刻处附近的频率信息，并且随着时间τ的变化，所确定的窗函数在时间轴上移动，可以对x(t)逐渐进行分析。
基于信号的高阶谱提取双谱切片特征：
传统的功率谱函数易受噪声影响，不包含相位信息，因此不利于特征提取及分析。高阶谱是对高阶统计量进行频域变换后得到的高阶累积量谱，能消除信号中高斯分布的白噪声，并且包含源信号相位信息，因此本发明考虑使用高阶谱中的双谱特征来实现雷达信号脉内分选。
功率谱是信号相关函数的傅里叶变换。假设信号的n阶矩绝对可和，那么n阶矩谱的定义是信号n阶矩的n-1维傅里叶变换，n阶累积量谱的定义是信号n阶累积量的n-1维傅里叶变换。n阶累积量谱通常又叫n阶谱，其中最常用的是三阶谱，一般也被叫做双谱，双谱定义如下：
其中，ω1和ω2为双谱特征分布的两个维度变量，c3x(τ1,τ2)为信号的三阶统计相关，τ1和τ2为样本信号的两个时间延迟变量。
基于卷积神经网络的雷达信号分选：
人工选择特征参量是相当耗时耗力的工作，分选效果容易受到所选参量表征能力的影响。为了减少人为设计特征参量对信号分选效果的影响，本发明采用卷积神经网络算法，利用网络进行优化学习，实现复杂调制信号的分选。基本的卷积神经网络结构如图2所示。
卷积层工作过程如图3所示。在卷积层中，输入为雷达信号的双谱切片与短时傅立叶变换切片，卷积核与输入之间是局部连接的，且同一个卷积核内的参数对于输入的不同位置是共享的，正是由于这种局部连接和权值共享的特点，使得卷积神经网络的参数数量远远小于全连接网络；且全连接网络每个神经元的输出都与所有输入有关，而卷积层中卷积核更关注输入的局部特征，由不同位置的局部特征组合为输入的特征图。激活函数使用Relu函数，Relu函数是卷积神经网络中最常用的激活函数，因为它具有善于学习稀疏表示、训练过程中计算速度快、且能够在一定程度上防止梯度消失等优点。
池化层对卷积层的输出进行降采样，网络中使用最大池化操作，因为最大池化不仅可以逐步缩小特征表示的大小、减少网络参数数量，还能够使网络提取的特征具有一定的平移不变性。实现最大池化的过程如图4所示。
经过一系列卷积池化层后，输入已经被抽象为深度的特征表示，为了实现向目标任务的映射，还需要连接全连接层。全连接的作用类似于分类器，最终通过softmax函数映射到对应的干扰信号参数上，得到预测的概率分布；最终输出干扰信号参数，包括干扰信号个数、载频、带宽、脉冲重复周期等。
优化目标：通过预测值与真实值之间的误差得到交叉熵损失，作为网络的优化目标，
确定模型：通过网络训练得到最终的模型参数。
Adam(Adapitive Moment Estimation，自适应矩估计)算法具有善于处理稀疏梯度和善于处理非平稳目标的优点，在实际应用中性能优异，相比其他的随机优化算法表现更好。所以，在训练卷积神经网络过程中使用Adam(Adapitive Moment Estimation，自适应矩估计)算法；
Adam算法通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计不同的自适应学习率；设定全局学习率η、数值稳定量δ，一阶动量衰减系数ρ1和二阶动量衰减系数ρ2，一阶累积量s并将其所有元素初始化为0，二阶累积量r并将其所有元素初始化为0；参数更新过程如下所示：
(1)计算梯度g：
(2)更新每个参数的一阶梯度累计量s和二阶梯度累计量r：
s(i+1)＝ρ1s(i)+(1-ρ1)g
r(i+1)＝ρ2r(i)+(1-ρ2)ge g
(3)得到对梯度的一阶矩估计
和二阶矩估计
(4)对参数ω进行更新：
对于优化步骤，其具体步骤如下：
快斜波序列波形干扰现象分析步骤：
雷达发射信号St为：
其中，f0为发射信号载频，Kr为发射信号调频斜率；
雷达接收信号为干扰信号Sr(假设干扰信号与发射信号时间对齐)：
其中，f0′为干扰信号载频；Kr′为干扰信号调频斜率；τ'＝(R+vt)/c为干扰雷达信号延时，R、v分别为干扰雷达相对本车雷达的距离与速度。
接收信号与发射信号混频后，不考虑幅度影响，信号
为：
S干(t)＝Amp·cos((2π(f0-f0')t+πKrt2-πFtjt+2πfc'τ-πK'rτ2+πFtjτ+πK'rtτ))
其中，Ftj表示一个脉冲重复周期内干扰信号的频率随时间t的变化。从以上信号形式可以看出，干扰信号的脉宽、重频、带宽、载频四个参数均区别于发射机信号模型，设定发射与干扰信号波形参数如表1所示，仿真结果如图5至图8所示。
表1雷达干扰波形参数配置
| 参数 | 载频(GHz) | 带宽(MHz) | 脉宽(μs) | 脉冲重复周期(μs) | 调频斜率 |
| 发射 | 77 | 150 | 50 | 50 | 3e12 |
| 干扰1 | 77.5 | 150 | 50 | 50 | 3e12 |
| 干扰2 | 77 | 200 | 50 | 50 | 4e12 |
| 干扰3 | 77 | 150 | 30 | 50 | 5e12 |
| 干扰4 | 77 | 150 | 50 | 50 | 3e12 |
基于仿真结果，上述波形参数干扰现象主要表现为：
(1)当干扰雷达与发射雷达工作在不同频段，由于混频滤波的作用，干扰信号混频后差频较大，会被滤波器抑制，不会产生明显的干扰现象；
(2)当波形参数均相同时，接收的干扰信号与接收的目标信号形式相同，经过信号处理可得到干扰信号的距离、速度、角度值，因干扰信号到达雷达发射机是单程距离，则参数估计结果会显示干扰信号检测结果中的距离、速度信息的一半；
(3)当干扰雷达与发射雷达同载频同脉宽同重频不同的带宽时，混频后信号会多产生第一个相位项exp(jπ(Kr-K′r)t2)，当距离维FFT后仍存在关于t的二次相位，使得干扰信号的距离向不能聚焦，从而会影响同一速度维的所有目标的距离参数估计，可能对目标信号造成干扰；
(4)当干扰雷达与发射雷达同载频，但其余参数均不同时，由于干扰信号的脉宽、重频、带宽均与发射机雷达信息参数不同，此时会影响干扰信号的距离位置信息和速度信息，当干扰机和发射机的调频斜率相差很大时，干扰信号则不能聚焦，此时不会影响真实目标信号的检测；
自适应优化调整本车雷达发射信号波形参数步骤：
基于雷达信号分选结果与干扰现象分析，实时优化调整波形参数，具体设计步骤如下：
参数预设：本车雷达设定初始参数，例如，载频为76GHz、带宽为300MHz、脉宽40μs、脉冲重复周期50μs。设定后再依据不同时刻空间内干扰信号的波形参数实时优化调整；
(1)载频选择：基于雷达信号分选结果，依据雷达发射带宽需求，选择与当前空间内所有波形载频互斥的频段，若存在可用频段，则其余参数选用预先设定的参数配置；若不存在可用频段，则依据干扰信号幅度信息，选择与幅度较低的干扰信号较为接近的频段，再通过波形调频斜率进行进一步干扰抑制；
(2)调频斜率选择：当载频无法实现有效抑制时，由于雷达发射带宽固定，此时需要基于雷达信号分选结果，自适应选择雷达发射脉冲宽度，即自适应修改雷达发射调频斜率，在满足雷达工作周期与速度测量指标的情况下，尽可能与当前频段冲突的干扰信号调频斜率差异最大。
本发明可实时探测当前空间内车载毫米波雷达发射波形参数，基于短时傅里叶变换的局部频谱特征与信号的高阶谱提取双谱切片特征，采用卷积神经网络实现复杂调制信号的分选，通过对快斜波序列波形干扰现象的分析，自适应优化调整当前本车雷达发射信号波形参数，实现主动的雷达干扰抑制，可适用于复杂密集雷达分布环境，提高了雷达干扰抑制技术的鲁棒性。
实施例二
与抑制方法相应，本实施例提供了一种基于雷达信号分选的雷达干扰抑制装置，所述装置包括：
识别模块，用于对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；
优化参数模块：根据空间内雷达信号波形参数优化调整本车雷达发射信号参数；
信号生成模块：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。
由于本实施例所介绍的装置为实施本发明实施例中一种基于雷达信号分选的雷达干扰抑制方法所采用的装置，故而本发明实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的装置的具体实施方式以及各种变化形式，所以在此对于装置如何实现本发明实施例中的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中的方法所采用的设备，都属于本发明的保护范围。
实施例三
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以上所述的方法。
本领域的所属技术人员清楚，本发明的实施例可以为方法、装置或计算机程序的产品。因此，本发明可采用完全硬件实施例、完全软件实施例或软硬件结合的实施例形式。而且，本发明可采用在一个或多个其中含有计算机程序代码的存储介质(包括磁盘存储器、CD-ROM、光学存储器)上实施的计算机程序产品。
本发明是参照根据本发明实施例的方法、装置、和/或计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。计算机程序指令应用到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
计算机程序指令可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
本发明提出了基于雷达信号分选的雷达干扰抑制方法、装置及介质，基于短时傅里叶变换的局部频谱特征与信号的高阶谱提取双谱切片特征，采用卷积神经网络实现复杂调制信号的分选；通过对雷达波形干扰现象的分析，自适应优化设计当前雷达发射波形参数，可实现主动的雷达干扰抑制，适用于复杂密集雷达分布环境，提高了雷达干扰抑制技术的鲁棒性。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于雷达信号分选的雷达干扰抑制方法，其特征在于，具体包括以下步骤：
识别步骤：对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；
优化步骤：基于空间内雷达信号波形参数优化调整本车雷达发射信号参数；
信号生成步骤：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。
2.根据权利要求1所述的基于雷达信号分选的雷达干扰抑制方法，其特征在于：在识别步骤中，要实现对空间内雷达信号的分选，需要提取干扰信号特征，然后选择雷达信号分选特征。
3.根据权利要求2所述的基于雷达信号分选的雷达干扰抑制方法，其特征在于：
针对车载毫米波雷达常用的快斜波序列波形，采用基于短时傅里叶变换的局部频谱特征和/或基于信号的高阶谱提取双谱切片特征对雷达信号进行分选，具体采用基于卷积神经网络的雷达信号分选。
4.根据权利要求3所述的基于雷达信号分选的雷达干扰抑制方法，其特征在于：
基于短时傅里叶变换的局部频谱特征：
给定一个时间宽度很短的窗函数g(t)，令窗滑动，则信号x(t)的短时傅里叶变换为：
其中，g(t)为一窗口函数，只在τ的附近有值，在其余处迅速衰减。
5.根据权利要求3所述的基于雷达信号分选的雷达干扰抑制方法，其特征在于：
基于信号的高阶谱提取双谱切片特征：
双谱定义如下：
其中，ω1和ω2为双谱特征分布的两个维度变量，c3x(τ1,τ2)为信号的三阶统计相关，τ1和τ2为样本信号的两个时间延迟变量。
6.根据权利要求3所述的基于雷达信号分选的雷达干扰抑制方法，其特征在于：
基于卷积神经网络的雷达信号分选：
在卷积层中，输入为雷达信号特征参量，卷积核与输入之间是局部连接的，且同一个卷积核内的参数对于输入的不同位置是共享的，激活函数使用Relu函数，Relu函数是卷积神经网络中最常用的激活函数；
池化层对卷积层的输出进行降采样，网络中使用最大池化操作；
经过一系列卷积池化层后，输入已经被抽象为深度的特征表示，之后连接全连接层，最终通过softmax函数映射到对应的目标类别上，得到预测的概率分布；
优化目标：通过预测值与真实值之间的误差得到交叉熵损失，作为网络的优化目标，
确定模型：通过网络训练得到最终的模型参数。
7.根据权利要求6所述的基于雷达信号分选的雷达干扰抑制方法，其特征在于：
训练卷积神经网络过程中使用Adam算法；
Adam算法通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计不同的自适应学习率；设定全局学习率η、数值稳定量δ，一阶动量衰减系数ρ1和二阶动量衰减系数ρ2，一阶累积量s并将其所有元素初始化为0，二阶累积量r并将其所有元素初始化为0；参数更新过程如下所示：
(1)计算梯度：
(2)更新每个参数的一阶和二阶梯度累计量：
s(i+1)＝ρ1s(i)+(1-ρ1)g
r(i+1)＝ρ2r(i)+(1-ρ2)geg
(3)得到对梯度的一阶矩和二阶矩估计：
(4)对参数进行更新：
8.根据权利要求1所述的基于雷达信号分选的雷达干扰抑制方法，其特征在于：
对于优化步骤，其具体步骤如下：
快斜波序列波形干扰现象分析步骤：
雷达发射信号为：
其中，f0为发射信号载频，Kr为发射信号调频斜率；
雷达接收信号为干扰信号：
其中，f′0为干扰信号载频；K′r为干扰信号调频斜率；τ'＝(R+vt)/c为干扰雷达信号延时，R、v分别为干扰雷达相对本车雷达的距离与速度；
接收信号与发射信号混频后，不考虑幅度影响，信号形式为：
S干(t)＝Amp·cos((2π(f0-f0′)t+πKrt2-πFtjt+2πfc′τ-πK′rτ2+πFtjτ+πK′rtτ))
其中，Ftj表示一个脉冲重复周期内干扰信号的频率随时间t的变化；干扰信号的脉宽、重频、带宽、载频四个参数均区别于发射机信号模型，波形参数干扰现象主要表现为：
(1)当干扰雷达与发射雷达工作在不同频段，由于混频滤波的作用，干扰信号混频后差频较大，会被滤波器抑制，不会产生明显的干扰现象；
(2)当波形参数均相同时，接收的干扰信号与接收的目标信号形式相同，经过信号处理可得到干扰信号的距离、速度、角度值，因干扰信号到达雷达发射机是单程距离，则参数估计结果会显示干扰信号检测结果中的距离、速度信息的一半；
(3)当干扰雷达与发射雷达同载频同脉宽同重频不同的带宽时，混频后信号会多产生第一个相位项exp(jπ(Kr-K′r)t2)，当距离维FFT后仍存在关于t的二次相位，使得干扰信号的距离向不能聚焦，从而会影响同一速度维的所有目标的距离参数估计，可能对目标信号造成干扰；
(4)当干扰雷达与发射雷达同载频，但其余参数均不同时，由于干扰信号的脉宽、重频、带宽均与发射机雷达信息参数不同，此时会影响干扰信号的距离位置信息和速度信息，当干扰机和发射机的调频斜率相差很大时，干扰信号则不能聚焦，此时不会影响真实目标信号的检测；
自适应优化调整本车雷达发射信号波形参数步骤：
基于雷达信号分选结果与干扰现象分析，实时优化调整波形参数，具体步骤如下：
(1)载频选择：基于雷达信号分选结果，依据雷达发射带宽需求，选择与当前空间内所有波形载频互斥的频段，若存在可用频段，则其余参数选用预先设定的参数配置；若不存在可用频段，则依据干扰信号幅度信息，选择与幅度较低的干扰信号较为接近的频段，再通过波形调频斜率进行进一步干扰抑制；
(2)调频斜率选择：当载频无法实现有效抑制时，由于雷达发射带宽固定，此时需要基于雷达信号分选结果，自适应选择雷达发射脉冲宽度，即自适应修改雷达发射调频斜率。
9.基于雷达信号分选的雷达干扰抑制装置，其特征在于，所述装置包括：
识别模块，用于对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；
优化参数模块：根据空间内雷达信号波形参数优化调整本车雷达发射信号参数；
信号生成模块：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行如权利要求1-8任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110205976.2A CN112859014A (zh) | 2021-02-24 | 2021-02-24 | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110205976.2A CN112859014A (zh) | 2021-02-24 | 2021-02-24 | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112859014A true CN112859014A (zh) | 2021-05-28 |
Family
ID=75990831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110205976.2A Pending CN112859014A (zh) | 2021-02-24 | 2021-02-24 | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112859014A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200453A (zh) * | 2021-11-18 | 2022-03-18 | 南京慧尔视智能科技有限公司 | 一种毫米波雷达多用户抗干扰的方法、装置及存储介质 |
| 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 |
| CN114594429A (zh) * | 2022-03-24 | 2022-06-07 | 南京慧尔视智能科技有限公司 | 一种雷达抗干扰处理方法及装置 |
| CN114594430A (zh) * | 2022-03-24 | 2022-06-07 | 南京慧尔视智能科技有限公司 | 一种信号处理方法及装置 |
| CN115097400A (zh) * | 2022-08-15 | 2022-09-23 | 南京慧尔视智能科技有限公司 | 一种实现雷达抗干扰的方法及装置 |
| CN115184879A (zh) * | 2022-08-15 | 2022-10-14 | 南京慧尔视智能科技有限公司 | 一种实现雷达抗干扰的方法及装置 |
| CN116400302A (zh) * | 2023-06-05 | 2023-07-07 | 成都实时技术股份有限公司 | 一种雷达信号接收处理方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101464513A (zh) * | 2007-12-21 | 2009-06-24 | 中国电子科技集团公司第五十研究所 | 一种非连续谱高频雷达距离旁瓣抑制装置及其抑制方法 |
| CN104267379A (zh) * | 2014-09-15 | 2015-01-07 | 电子科技大学 | 一种基于波形设计的主被动雷达协同抗干扰方法 |
| CN104865569A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 一种基于单频网外辐射源雷达的飞机目标识别方法 |
| CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
| US20200333433A1 (en) * | 2019-04-16 | 2020-10-22 | GM Global Technology Operations LLC | Radar system and method for updating waveform parameters |
| CN111965604A (zh) * | 2020-07-24 | 2020-11-20 | 北京理工大学重庆创新中心 | 基于循环平稳的雷达干扰识别与抑制方法 |
| US10855328B1 (en) * | 2019-07-03 | 2020-12-01 | Qualcomm Incorporated | Interference suppression for multi-radar coexistence |
| CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
-
2021
- 2021-02-24 CN CN202110205976.2A patent/CN112859014A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101464513A (zh) * | 2007-12-21 | 2009-06-24 | 中国电子科技集团公司第五十研究所 | 一种非连续谱高频雷达距离旁瓣抑制装置及其抑制方法 |
| CN104267379A (zh) * | 2014-09-15 | 2015-01-07 | 电子科技大学 | 一种基于波形设计的主被动雷达协同抗干扰方法 |
| CN104865569A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 一种基于单频网外辐射源雷达的飞机目标识别方法 |
| US20200333433A1 (en) * | 2019-04-16 | 2020-10-22 | GM Global Technology Operations LLC | Radar system and method for updating waveform parameters |
| US10855328B1 (en) * | 2019-07-03 | 2020-12-01 | Qualcomm Incorporated | Interference suppression for multi-radar coexistence |
| CN111582236A (zh) * | 2020-05-27 | 2020-08-25 | 哈尔滨工程大学 | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 |
| CN111965604A (zh) * | 2020-07-24 | 2020-11-20 | 北京理工大学重庆创新中心 | 基于循环平稳的雷达干扰识别与抑制方法 |
| CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIA KE-XIN 等: "Automatic sorting method of conventional communication signals based on clustering analysis", APPLICATION RESEARCH OF COMPUTERS, vol. 28, no. 2, 31 August 2011 (2011-08-31), pages 661 - 665 * |
| 于沐尧 等: "脉冲多普勒雷达多假目标干扰抑制算法", 信号处理, vol. 33, no. 12, 31 December 2017 (2017-12-31), pages 1578 - 1584 * |
| 吴惟诚 等: "雷达信号分选技术研究综述", 控制与制导, no. 2016, 16 December 2016 (2016-12-16), pages 71 - 76 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200453A (zh) * | 2021-11-18 | 2022-03-18 | 南京慧尔视智能科技有限公司 | 一种毫米波雷达多用户抗干扰的方法、装置及存储介质 |
| 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 |
| 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 |
| CN114594429B (zh) * | 2022-03-24 | 2023-11-14 | 南京慧尔视智能科技有限公司 | 一种雷达抗干扰处理方法及装置 |
| CN114594430A (zh) * | 2022-03-24 | 2022-06-07 | 南京慧尔视智能科技有限公司 | 一种信号处理方法及装置 |
| CN114594429A (zh) * | 2022-03-24 | 2022-06-07 | 南京慧尔视智能科技有限公司 | 一种雷达抗干扰处理方法及装置 |
| CN114594430B (zh) * | 2022-03-24 | 2024-01-23 | 南京慧尔视智能科技有限公司 | 一种信号处理方法及装置 |
| CN115097400A (zh) * | 2022-08-15 | 2022-09-23 | 南京慧尔视智能科技有限公司 | 一种实现雷达抗干扰的方法及装置 |
| CN115184879A (zh) * | 2022-08-15 | 2022-10-14 | 南京慧尔视智能科技有限公司 | 一种实现雷达抗干扰的方法及装置 |
| CN115184879B (zh) * | 2022-08-15 | 2024-01-26 | 南京慧尔视智能科技有限公司 | 一种实现雷达抗干扰的方法及装置 |
| CN115097400B (zh) * | 2022-08-15 | 2024-04-12 | 南京慧尔视智能科技有限公司 | 一种实现雷达抗干扰的方法及装置 |
| CN116400302A (zh) * | 2023-06-05 | 2023-07-07 | 成都实时技术股份有限公司 | 一种雷达信号接收处理方法 |
| CN116400302B (zh) * | 2023-06-05 | 2023-08-22 | 成都实时技术股份有限公司 | 一种雷达信号接收处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
| CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
| CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
| CN113962151B (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
| CN110726977A (zh) | 一种干扰环境下船舶雷达性能评估方法 | |
| CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
| CN111985349A (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
| Xiao et al. | Active jamming recognition based on bilinear EfficientNet and attention mechanism | |
| CN117233706B (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
| 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 | |
| Wang et al. | A novel parameter estimation method for ISRJ | |
| Tao et al. | Radio frequency interference detection for SAR data using spectrogram-based semantic network | |
| CN103913724B (zh) | 基于先验地形覆盖数据的杂波抑制方法 | |
| CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及系统 | |
| CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
| CN104215960A (zh) | 基于改进粒子滤波的目标跟踪方法 | |
| CN116679278B (zh) | 一种强地物杂波干扰下的目标雷达检测方法 | |
| Cong et al. | A jamming identification method based on deep learning for networking radars | |
| CN115390031B (zh) | 一种高分辨率海杂波建模与仿真方法 | |
| Wang et al. | Application of wavelet scattering network and ensemble learning on deception jamming recognition for ultra-wideband detectors | |
| CN111914802B (zh) | 一种基于迁移学习的电离层返回散射传播模式识别方法 | |
| CN113820679B (zh) | 雷达回波数据的滤波方法、装置、设备和存储介质 | |
| CN114609604B (zh) | 无人机集群目标检测及目标轮廓、集群规模估计方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Yang Inventor after: Liang Can Inventor after: Liu Tianxiao Inventor after: Hu Xueyao Inventor before: Li Yang Inventor before: Liang Can Inventor before: Hu Xueyao |
|
| CB03 | Change of inventor or designer information |