CN112881986A - 基于优化深度模型的雷达切片存储转发式干扰抑制方法 - Google Patents
基于优化深度模型的雷达切片存储转发式干扰抑制方法 Download PDFInfo
- Publication number
- CN112881986A CN112881986A CN202110056256.4A CN202110056256A CN112881986A CN 112881986 A CN112881986 A CN 112881986A CN 202110056256 A CN202110056256 A CN 202110056256A CN 112881986 A CN112881986 A CN 112881986A
- Authority
- CN
- China
- Prior art keywords
- layer
- module
- deep
- radar
- shallow
- 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.)
- Granted
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明提供了一种基于优化深度模型的雷达切片存储转发式干扰抑制方法,属于雷达技术领域,主要包括:获取雷达目标回波信号和雷达切片存储式干扰信号;对雷达目标回波信号和雷达切片存储式干扰信号进行预处理,得到训练集和验证集,并构建实现雷达干扰抑制功能的基础模型;得到深度U型网络模型;调整深度U型网络模型的超参数,并利用训练集进行训练得到优化后的深度模型;利用优化后的深度模型对雷达目标回波信号和雷达切片存储式干扰信号进行干扰抑制处理,完成基于深度模型优化的雷达切片存储转发式干扰抑制。本发明基于训练后的深度模型能较快的完成对雷达目标回波信号和雷达切片存储式干扰信号进行干扰抑制处理,其计算量小,速度快。
Description
技术领域
本发明属于雷达技术领域,具体是涉及一种基于优化深度模型的雷达切片存储转发式干扰抑制方法。
背景技术
现代雷达预警探测、战场监视和精确制导等作战领域的核心探测装备,压制与欺骗、主瓣或副瓣、自卫和欺骗等各类干扰手段是对抗雷达探测的重要手段。基于数字射频存储器的欺骗式存储转发干扰是对雷达实施主瓣干扰的主要方式,与数字射频欺骗式干扰对应的抗干扰措施的应用,决定着雷达对目标进行定位和追踪的准确性。针对雷达主瓣的切片存储转达式干扰能实现对雷达发射信号的精确“复制”,对雷达进行目标探测构成了严重的挑战,但目前为止,仍然缺少有效的检测与识别算法,基于深度学习的抗干扰技术是抑制切片存储转发干扰的有效技术途径之一。
对于雷达此类对处理速度要求非常高的设备,在实际部署中如此庞大的计算量也将导致信号的处理时间无法达到实时性的要求。因此针对雷达抗切片存储转发干扰的深度学习模型优化技术研究成为研究热点。因此,以抑制雷达主瓣的切片存储转发式干扰为背景,针对存储转发式干扰的特点及深度模型优化方法,设计深度网络模型结构,以实现干扰抑制功能的同时,能解决深度模型模型参数量大、检测时间慢等问题。
发明内容
针对现有技术中的上述不足,本发明提供的基于优化深度模型的雷达切片存储转发式干扰抑制方法,解决了传统方法难以准确识别和抑制存储转发式干扰问题,并结合深度模型优化方法对模型进行压缩与加速,进一步提高的干扰抑制效果。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于优化深度模型的雷达切片存储转发式干扰抑制方法,包括以下步骤:
S1、获取雷达目标回波信号和雷达切片存储式干扰信号;
S2、对所述雷达目标回波信号和雷达切片存储式干扰信号进行预处理,得到训练集和验证集,并根据所述训练集和验证集构建实现雷达干扰抑制功能的基础模型;
S3、利用所述训练集对所述基础模型进行训练,得到深度U型网络模型;
S4、调整所述深度U型网络模型的超参数,并利用训练集进行训练得到优化后的深度模型;
S5、利用所述优化后的深度模型对雷达目标回波信号和雷达切片存储式干扰信号进行干扰抑制处理,完成基于深度模型优化的雷达切片存储转发式干扰抑制。
本发明的有益效果是:本发明在实现基础干扰抑制功能的同时,通过以更少运算量生成相同数量特征的思路,减少了模型参数量与处理时间,进一步满足雷达抗干扰对于实时性的要求,解决了传统方法难以准确识别和抑制存储转发式干扰问题,并结合深度模型优化方法对模型进行压缩与加速,进一步提高的干扰抑制效果。
进一步地,所述步骤S2包括以下步骤:
S201、固定数据维数,将雷达目标回波信号和雷达切片存储式干扰信号在固定区间上进行随机平移以及加权叠处理,模拟出不同强度目标的目标回波信号和雷达切片存储式干扰信号;
S203、将所述不同强度目标的目标回波信号和雷达切片存储式干扰信号进行扩充处理,得到训练集和验证集;
S204、设置干信比,得到有干扰的雷达回波信号;
S205、根据所述有干扰的雷达回信号,利用训练集和验证集进行迭代训练,构建实现雷达干扰抑制功能的基础模型。
上述进一步方案的有益效果是:本发明模拟不同距离,不同信噪比以及不同目标数等多种场景的雷达抗干扰场景,以保证模型能够适应以上多个不同场景。
再进一步地,所述步骤S5中优化后的深度模型包括编码层以及与所述编码层连接的解码层。
上述进一步方案的有益效果是:本发明利用编码层降低信号数据维度,并在逐层卷积中提取目标回波特征,并利用解码层输出标签信号,从而得到滤除干扰后的真实目标回波信号。
再进一步地,所述编码层包括依次连接的输入层、第一浅层模块、第二浅层模块、第一池化层、第三浅层模块、第四浅层模块、第二池化层、第一深层模块、第三池化层、第二深层模块、第一丢弃层、第四池化层、第三深层模块以及第二丢弃层;
所述解码层包括依次连接的第一上采样层、第四深层模块、第一通道拼接层、第五深层模块、第二上采样层、第六深层模块、第二通道拼接层、第七深层模块、第三上采样层、第三通道拼接层、第一一维卷积层、第四上采样层、第二一维卷积层、第四通道拼接层、第三一维卷积层、第四一维卷积层以及输出层;
所述第二浅层模块与所述第四通道拼接层连接;所述第四浅层模块与所述第三通道拼接层连接,所述第一深层模块与所述第二通道拼接层连接,所述第一丢弃层与所述第一通道拼接层连接,所述第二丢弃层与所述第一上采样层连接。
上述进一步方案的有益效果是:通过编码层提取信号特征,以实现对干扰与信号的分类识别,通过解码层重建原始信号,输出无干扰的真实信号,最终实现对干扰的有效抑制。
再进一步地,所述第一一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;
所述第二一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;
所述第三一维卷积层的通道数为64,卷积核为1*3,激活函数为Relu;
所述第四一维卷积层的通道数为64,卷积核为1*1,激活函数为Relu。
再进一步地,所述第一浅层模块、第二浅层模块、第三浅层模块以及第四浅层模块的结构均相同,其均包括依次连接的一维卷积层、自定义网络层以及拼接层;
所述第一浅层模块中的一维卷积层与所述输入层连接,所述第一浅层模块中的拼接层与所述第二浅层模块中的一维卷积层连接,所述第二浅层模块中的拼接层与所述第一池化层连接,所述第三浅层模块中的一维卷积层与所述第一池化层连接,所述第三浅层模块中的拼接层与所述第四浅层模块中的一维卷积层连接,所述第四浅层模块中的拼接层与所述第二池化层连接。
上述进一步方案的有益效果是:使用通道拼接层融合不同深度的提取特征,进一步提高识别效果。
再进一步地,所述第一浅层模块中一维卷积层的通道数为32,卷积核为1*3,激活函数为Relu,特征图为64个;
所述第二浅层模块中一维卷积层的通道数为32,卷积核为1*3,激活函数为Relu,特征图为64个;
所述第三浅层模块中一维卷积层的通道数为64,卷积核为1*3,激活函数为Relu,特征图为128个;
所述第四浅层模块中的通道数为32,卷积核为1*3,激活函数为Relu,特征图为128个。
上述进一步方案的有益效果是:使用浅层模块减少模型生成特征图的参数量与计算量。
再进一步地,所述第一深层模块、第二深层模块、第三深层模块、第四深层模块、第五深层模块、第六深层模块以及第七深层模块的结构均相同,其均包括依次连接的一维卷积层、可分离一维卷积层以及拼接层;
所述第一深层模块中的一维卷积层与所述第二池化层连接,所述第一深层模块中的拼接层与所述第三池化层连接,所述第二深层模块中的一维卷积层与所述第三池化层连接,所述第二深层模块中的拼接层与所述第一丢弃层连接,所述第三深层模块中的一维卷积层与所述第四池化层连接,所述第三深层模块中的拼接层与所述第二丢弃层连接,所述第四深度模块中的一维卷积层与所述第一上采样层连接,所述第四深层模块中的拼接层与所述第一通道拼接层连接,所述第五深层模块中的一维卷积层与所述第一通道拼接层连接,所述第五深层模块中的拼接层与所述第二上采样层连接,所述第六深层模块中的一维卷积层与所述第二上采样层连接,所述第六深层模块中的拼接层与所述第二拼接层连接,所述第七深层模块中的一维卷积层与所述第二通道拼接层连接,所述第七深层模块中的拼接层与所述第三上采样层连接。
上述进一步方案的有益效果是:使用深层模块减少模型生成特征图的参数量与计算量,生成的特征图用于后续特征提取与信号重建。
再进一步地,所述第一深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;所述第一深层模块中可分离一维卷积层的通道数为128,卷积核为1*3,所述第一深层模块中拼接层输出的特征图为256个;
所述第二深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;所述第二深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;所述第二深层模块中拼接层输出的特征图为512个;
所述第三深层模块中一维卷积层的通道数为512,卷积核为1*3,激活函数为Relu;所述第三深层模块中可分离一维卷积层的通道数为512,卷积核为1*3;所述第三深层模块中拼接层输出的特征图为1024个;
所述第四深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;所述第四深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;所述第四深层模块中拼接层输出的特征图为512个;
所述第五深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;所述第五深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;所述第五深层模块中拼接层输出的特征图为512个;
所述第六深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;所述第六深层模块中可分离一维卷积层的通道数为128,卷积核为1*3;所述第六深层模块中拼接层输出的特征图为256个;
所述第七深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;所述第七深层模块中可分离一维卷积层的通道数为128,卷积核为1*3;所述第七深层模块中拼接层输出的特征图为128个。
上述进一步方案的有益效果是:使用深层模块减少模型生成特征图的参数量与计算量,进一步对深度模型进行压缩与加速。
再进一步地,所述步骤S5包括以下步骤:
S501、利用编码层提取所述雷达目标回波信号和雷达切片存储式干扰信号中的目标回波特征,并对所述目标回波特征进行逐像素预测处理;
S502、判断经处理后的像素是否属于信号类别,若是,则进入步骤S503,否则,处理后的像素属于干扰类别,并将其滤除,并进入步骤S503;
S503、利用所述解码层,通过上采样的方式逐层重建原始信号,并根据所述原始信号,输出滤除干扰后的真实目标回波信息,完成基于深度模型优化的雷达切片存储转发式干扰抑制。
上述进一步方案的有益效果是:完整构建编码-解码的优化结构,以实现滤除干扰,得到真实目标回波的目的。
附图说明
图1为本发明的方法流程图。
图2为本发明中优化后的深度模型结构示意图。
图3为本实施例中基础模型结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示,本发明提供了一种基于优化深度模型的雷达切片存储转发式干扰抑制方法,其实现方法如下:
S1、获取雷达目标回波信号和雷达切片存储式干扰信号;
S2、对雷达目标回波信号和雷达切片存储式干扰信号进行预处理,得到训练集和验证集,并根据训练集和验证集构建实现雷达干扰抑制功能的基础模型,其实现方法如下:
S201、固定数据维数,将雷达目标回波信号和雷达切片存储式干扰信号在固定区间上进行随机平移以及加权叠处理,模拟出不同强度目标的目标回波信号和雷达切片存储式干扰信号;
S203、将所述不同强度目标的目标回波信号和雷达切片存储式干扰信号进行扩充处理,得到训练集和验证集;
S204、设置干信比,得到有干扰的雷达回波信号;
S205、根据所述有干扰的雷达回信号,利用训练集和验证集进行迭代训练,构建实现雷达干扰抑制功能的基础模型。
S3、利用训练集对基础模型进行训练,得到深度U型网络模型;
本实施例中,对训练集与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,输入训练集与验证集进行迭代,训练得到优化后的U型网络模型。
S4、调整深度U型网络模型的超参数,并利用训练集进行训练得到优化后的深度模型;
本实施例中,基础模型在实现针对雷达切片存储转发式干扰抑制功能时,模型的参数量巨大,占用存储空间大,计算量大,运算时间长,以上问题都限制了深度模型在实际场景中的应用,针对雷达对于实时性要求高的特点,通过使用减少生成特征图的运算量的方法,进行优化的深度U型网络,在实现基础模型干扰抑制功能的同时,网络参数量更少,计算量更小,运算速度提升,为深度抗干扰模型在实际抗干扰场景中的部署创造了更多的可能性。
S5、利用优化后的深度模型对雷达目标回波信号和雷达切片存储式干扰信号进行干扰抑制处理,完成基于深度模型优化的雷达切片存储转发式干扰抑制,其实现方法如下:
S501、利用编码层提取雷达目标回波信号和雷达切片存储式干扰信号中的目标回波特征,并对目标回波特征进行逐像素预测处理;
S502、判断经处理后的像素是否属于信号类别,若是,则进入步骤S503,否则,处理后的像素属于干扰类别,并将其滤除,并进入步骤S503;
S503、利用所述解码层,通过上采样的方式逐层重建原始信号,并根据所述原始信号,输出滤除干扰后的真实目标回波信息,完成基于深度模型优化的雷达切片存储转发式干扰抑制。
本实施例中,如图2所示,优化后的深度模型包括编码层以及与编码层连接的解码层。
本实施例中,如图2所示,编码层包括依次连接的输入层、第一浅层模块、第二浅层模块、第一池化层、第三浅层模块、第四浅层模块、第二池化层、第一深层模块、第三池化层、第二深层模块、第一丢弃层、第四池化层、第三深层模块以及第二丢弃层;解码层包括依次连接的第一上采样层、第四深层模块、第一通道拼接层、第五深层模块、第二上采样层、第六深层模块、第二通道拼接层、第七深层模块、第三上采样层、第三通道拼接层、第一一维卷积层、第四上采样层、第二一维卷积层、第四通道拼接层、第三一维卷积层、第四一维卷积层以及输出层;第二浅层模块与第四通道拼接层连接;第四浅层模块与第三通道拼接层连接,第一深层模块与第二通道拼接层连接,第一丢弃层与第一通道拼接层连接,第二丢弃层与第一上采样层连接。
本实施例中,第一一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;第二一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;第三一维卷积层的通道数为64,卷积核为1*3,激活函数为Relu;第四一维卷积层的通道数为64,卷积核为1*1,激活函数为Relu。
本实施例中,第一浅层模块、第二浅层模块、第三浅层模块以及第四浅层模块的结构均相同,其均包括依次连接的一维卷积层、自定义网络层以及拼接层;第一浅层模块中的一维卷积层与输入层连接,第一浅层模块中的拼接层与第二浅层模块中的一维卷积层连接,第二浅层模块中的拼接层与第一池化层连接,第三浅层模块中的一维卷积层与第一池化层连接,第三浅层模块中的拼接层与第四浅层模块中的一维卷积层连接,第四浅层模块中的拼接层与第二池化层连接。
本实施例中,第一浅层模块中一维卷积层的通道数为32,卷积核为1*3,激活函数为Relu,特征图为64个;第二浅层模块中一维卷积层的通道数为32,卷积核为1*3,激活函数为Relu,特征图为64个;第三浅层模块中一维卷积层的通道数为64,卷积核为1*3,激活函数为Relu,特征图为128个;第四浅层模块中的通道数为32,卷积核为1*3,激活函数为Relu,特征图为128个。
本实施例中,第一深层模块、第二深层模块、第三深层模块、第四深层模块、第五深层模块、第六深层模块以及第七深层模块的结构均相同,其均包括依次连接的一维卷积层、可分离一维卷积层以及拼接层;第一深层模块中的一维卷积层与第二池化层连接,第一深层模块中的拼接层与第三池化层连接,第二深层模块中的一维卷积层与第三池化层连接,第二深层模块中的拼接层与第一丢弃层连接,第三深层模块中的一维卷积层与第四池化层连接,第三深层模块中的拼接层与第二丢弃层连接,第四深度模块中的一维卷积层与第一上采样层连接,第四深层模块中的拼接层与第一通道拼接层连接,第五深层模块中的一维卷积层与第一通道拼接层连接,第五深层模块中的拼接层与第二上采样层连接,第六深层模块中的一维卷积层与第二上采样层连接,第六深层模块中的拼接层与第二拼接层连接,第七深层模块中的一维卷积层与第二通道拼接层连接,第七深层模块中的拼接层与第三上采样层连接。
本实施例中,第一深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;第一深层模块中可分离一维卷积层的通道数为128,卷积核为1*3,第一深层模块中拼接层输出的特征图为256个;第二深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;第二深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;第二深层模块中拼接层输出的特征图为512个;第三深层模块中一维卷积层的通道数为512,卷积核为1*3,激活函数为Relu;第三深层模块中可分离一维卷积层的通道数为512,卷积核为1*3;第三深层模块中拼接层输出的特征图为1024个;第四深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;第四深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;第四深层模块中拼接层输出的特征图为512个;第五深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;第五深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;第五深层模块中拼接层输出的特征图为512个;第六深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;第六深层模块中可分离一维卷积层的通道数为128,卷积核为1*3;第六深层模块中拼接层输出的特征图为256个;第七深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;第七深层模块中可分离一维卷积层的通道数为128,卷积核为1*3;第七深层模块中拼接层输出的特征图为128个
本实施例中,以抗雷达切片存储转发式干扰的场景为例,输入的待处理信号为真实的目标回波信号叠加干扰信号,如图3所示,以第一浅层模块至第一深层模块记为编码层,输入信号进入编码层后,会降低数据维度并在逐层卷积中提取目标回波特征,并进行逐像素预测,判断该像素点属于信号类别还是干扰类别。判别为干扰类别的将被滤除,判别为信号类别的将用于后续重建原始信号。以第四深层模块至输出层记为解码层,经过解码层后,以输出的标签信号,即真实目标回波信号为参考,通过上采样的方式逐层重建原始信号,直至两者维度相等,输出即为滤除干扰后的真实目标回波信号。
本实施例中,如图3所示,基础模型的模块1中的一维卷积层,优化前通道数为64,卷积核尺寸为1*3,激活函数为Relu,得到64个输出特征图。对其进行优化,对应的优化网络层次结构如下:一维卷积层:将通道数减半,即为32,卷积核尺寸为1*3,激活函数为Relu,得到32个输出特征图;自定义网络层:对上层一维卷积层输出的32个特征图逐点取反,得到新的32个特征图;拼接层:按通道拼接上述两部分输出特征图,得到共64个特征图;上述结构记为一个浅层模块,通道数由64减为32,参数量由256减为128。同时,按上述步骤继续针对基础模型中模块2、模块3以及模块4中的一维卷积的进行该操作,结合图2和图3可以看出,优化后的一维卷积层,通道数均减半,参数量减半,浮点运算量也近于减半。
本实施例中,基础模型的模块5和模块6中一维卷积层,通道数为256,卷积核尺寸为1*3,激活函数为Relu,得到256个输出特征图;对应的优化网络层次结构如下,(定义特征图扩展倍数为N倍,一般取【2,4,8】,这里以2为例):一维卷积层:通道数减至基础模型的倍,即为128,卷积核尺寸为1*3,激活函数为Relu,得到128个特征图;可分离一维卷积层:对上层输出的128个特征图进行逐通道卷积,卷积核尺寸为1*3,激活函数为Relu,每个输入通道对应的输出特征图数量为N-1倍,即为128个特征图;拼接层:按通道拼接上述两部分输出特征图,得到共256个特征图;以上述一维卷积层、可分离一维卷积层与拼接层组合为一个模块,记为一个深层模块,替换原基础模型中的具有相同通道数的连续两层一维卷积层,优化后,两层都具有256个通道数的一维卷积,变为一层具有128个通道的一维卷积与一层具有128个通道的一维可分离卷积。
本实施例中,依次针对基础模型的模块7和模块8中一维卷积进行此操作,得到深层优化的深度模型。
本实施例中,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。仿真得到的训练数据集包含2000个真实回波信号样本和2000个对应的干扰信号样本,每个样本均包含16000个采样点。分别记为:
train_sig={train_sigi|i=1,2,...,2000}
式中,train_sig作为训练集标签,train_sigi表示训练集中的第i个真实目标回波信号。
train_jam={train_jami|i=1,2,...,2000}
式中,train_jam表示干扰信号样本,train_jami表示训练集中叠加在真实回波上的转发式干扰。
真实回波信号样本叠加干扰信号样本作为训练集输入,记为:
train_sigjam={train_sigjami|i=1,2,...,2000}
式中,train_sigjam表示真实回波信号样本叠加干扰信号样本的训练集,train_sigjami表示真实目标回波叠加待抑制转发式干扰的信号。
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。分别记为:
val_sig={val_sigi|i=1,2,...,800}
式中,val_sig表示验证集标签,val_sigi表示验证集中的真实目标回波信号。
val_jam={val_jami|i=1,2,...,800}
式中,val_jam表示验证集中的转发式干扰信号,val_jami表示验证集中第i个转发式干扰信号。
真实回波信号样本叠加干扰信号样本作为验证集输入,记为:
val_sigjam={val_sigjami|i=1,2,...,800}
式中,val_sigjam表示真实回波信号样本叠加干扰信号样本的验证集,val_sigjami表示验证集中叠加在真实回波上的转发式干扰。
测试数据集包括1200个真实回波与叠加信号的样本,记为:
test_sigjam={test_sigjami|i=1,2,...,1200}
式中,test_sigjam表示测试数据集包括1200个真实回波与叠加信号的样本,test_sigjami表示测试集中真实目标回波叠加待抑制转发式干扰的信号。
经过深度模型,输出层即为预测的真实回波信号,记为:
test_sig={test_sigi|i=1,2,...,1200}
式中,test_sig表示预测的真实回波信号,test_sigi表示测试集中第i个预测的真实回波信号。
本实施例中,与基础模型对比,优化后的深度模型参数量减少约66%,计算量减少约40%,使用仿真测试集数据测试其抗干扰性能,输入测试信号干信比为30.2083dB,预测信号干信比为-7.7257dB,干信比改善约为37.9dB,检测速度提升约1.6倍。针对多个目标的干扰场景,因优化模型的网络层级更深,抗干扰性能较之基础模型,抗干扰性能更优。
本发明通过以上设计,在实现基础干扰抑制功能的同时,通过以更少运算量生成相同数量特征的思路,减少了模型参数量与处理时间,进一步满足雷达抗干扰对于实时性的要求,解决了传统方法难以准确识别和抑制存储转发式干扰问题,并结合深度模型优化方法对模型进行压缩与加速,进一步提高的干扰抑制效果。
Claims (10)
1.基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,包括以下步骤:
S1、获取雷达目标回波信号和雷达切片存储式干扰信号;
S2、对所述雷达目标回波信号和雷达切片存储式干扰信号进行预处理,得到训练集和验证集,并根据所述训练集和验证集构建实现雷达干扰抑制功能的基础模型;
S3、利用所述训练集对所述基础模型进行训练,得到深度U型网络模型;
S4、调整所述深度U型网络模型的超参数,并利用训练集进行训练得到优化后的深度模型;
S5、利用所述优化后的深度模型对雷达目标回波信号和雷达切片存储式干扰信号进行干扰抑制处理,完成基于深度模型优化的雷达切片存储转发式干扰抑制。
2.根据权利要求1所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述步骤S2包括以下步骤:
S201、固定数据维数,将雷达目标回波信号和雷达切片存储式干扰信号在固定区间上进行随机平移以及加权叠处理,模拟出不同强度目标的目标回波信号和雷达切片存储式干扰信号;
S203、将所述不同强度目标的目标回波信号和雷达切片存储式干扰信号进行扩充处理,得到训练集和验证集;
S204、设置干信比,得到有干扰的雷达回波信号;
S205、根据所述有干扰的雷达回信号,利用训练集和验证集进行迭代训练,构建实现雷达干扰抑制功能的基础模型。
3.根据权利要求1所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述步骤S5中优化后的深度模型包括编码层以及与所述编码层连接的解码层。
4.根据权利要求3所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述编码层包括依次连接的输入层、第一浅层模块、第二浅层模块、第一池化层、第三浅层模块、第四浅层模块、第二池化层、第一深层模块、第三池化层、第二深层模块、第一丢弃层、第四池化层、第三深层模块以及第二丢弃层;
所述解码层包括依次连接的第一上采样层、第四深层模块、第一通道拼接层、第五深层模块、第二上采样层、第六深层模块、第二通道拼接层、第七深层模块、第三上采样层、第三通道拼接层、第一一维卷积层、第四上采样层、第二一维卷积层、第四通道拼接层、第三一维卷积层、第四一维卷积层以及输出层;
所述第二浅层模块与所述第四通道拼接层连接,所述第四浅层模块与所述第三通道拼接层连接,所述第一深层模块与所述第二通道拼接层连接,所述第一丢弃层与所述第一通道拼接层连接,所述第二丢弃层与所述第一上采样层连接。
5.根据权利要求4所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述第一一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;
所述第二一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;
所述第三一维卷积层的通道数为64,卷积核为1*3,激活函数为Relu;
所述第四一维卷积层的通道数为64,卷积核为1*1,激活函数为Relu。
6.根据权利要求5所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述第一浅层模块、第二浅层模块、第三浅层模块以及第四浅层模块的结构均相同,其均包括依次连接的一维卷积层、自定义网络层以及拼接层;
所述第一浅层模块中的一维卷积层与所述输入层连接,所述第一浅层模块中的拼接层与所述第二浅层模块中的一维卷积层连接,所述第二浅层模块中的拼接层与所述第一池化层连接,所述第三浅层模块中的一维卷积层与所述第一池化层连接,所述第三浅层模块中的拼接层与所述第四浅层模块中的一维卷积层连接,所述第四浅层模块中的拼接层与所述第二池化层连接。
7.根据权利要求6所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述第一浅层模块中一维卷积层的通道数为32,卷积核为1*3,激活函数为Relu,特征图为64个;
所述第二浅层模块中一维卷积层的通道数为32,卷积核为1*3,激活函数为Relu,特征图为64个;
所述第三浅层模块中一维卷积层的通道数为64,卷积核为1*3,激活函数为Relu,特征图为128个;
所述第四浅层模块中的通道数为32,卷积核为1*3,激活函数为Relu,特征图为128个。
8.根据权利要求7所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述第一深层模块、第二深层模块、第三深层模块、第四深层模块、第五深层模块、第六深层模块以及第七深层模块的结构均相同,其均包括依次连接的一维卷积层、可分离一维卷积层以及拼接层;
所述第一深层模块中的一维卷积层与所述第二池化层连接,所述第一深层模块中的拼接层与所述第三池化层连接,所述第二深层模块中的一维卷积层与所述第三池化层连接,所述第二深层模块中的拼接层与所述第一丢弃层连接,所述第三深层模块中的一维卷积层与所述第四池化层连接,所述第三深层模块中的拼接层与所述第二丢弃层连接,所述第四深度模块中的一维卷积层与所述第一上采样层连接,所述第四深层模块中的拼接层与所述第一通道拼接层连接,所述第五深层模块中的一维卷积层与所述第一通道拼接层连接,所述第五深层模块中的拼接层与所述第二上采样层连接,所述第六深层模块中的一维卷积层与所述第二上采样层连接,所述第六深层模块中的拼接层与所述第二拼接层连接,所述第七深层模块中的一维卷积层与所述第二通道拼接层连接,所述第七深层模块中的拼接层与所述第三上采样层连接。
9.根据权利要求8所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述第一深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;所述第一深层模块中可分离一维卷积层的通道数为128,卷积核为1*3,所述第一深层模块中拼接层输出的特征图为256个;
所述第二深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;所述第二深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;所述第二深层模块中拼接层输出的特征图为512个;
所述第三深层模块中一维卷积层的通道数为512,卷积核为1*3,激活函数为Relu;所述第三深层模块中可分离一维卷积层的通道数为512,卷积核为1*3;所述第三深层模块中拼接层输出的特征图为1024个;
所述第四深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;所述第四深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;所述第四深层模块中拼接层输出的特征图为512个;
所述第五深层模块中一维卷积层的通道数为256,卷积核为1*3,激活函数为Relu;所述第五深层模块中可分离一维卷积层的通道数为256,卷积核为1*3;所述第五深层模块中拼接层输出的特征图为512个;
所述第六深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;所述第六深层模块中可分离一维卷积层的通道数为128,卷积核为1*3;所述第六深层模块中拼接层输出的特征图为256个;
所述第七深层模块中一维卷积层的通道数为128,卷积核为1*3,激活函数为Relu;所述第七深层模块中可分离一维卷积层的通道数为128,卷积核为1*3;所述第七深层模块中拼接层输出的特征图为128个。
10.根据权利要求9所述的基于优化深度模型的雷达切片存储转发式干扰抑制方法,其特征在于,所述步骤S5包括以下步骤:
S501、利用编码层提取所述雷达目标回波信号和雷达切片存储式干扰信号中的目标回波特征,并对所述目标回波特征进行逐像素预测处理;
S502、判断经处理后的像素是否属于信号类别,若是,则进入步骤S503,否则,处理后的像素属于干扰类别,并将其滤除,并进入步骤S503;
S503、利用所述解码层,通过上采样的方式逐层重建原始信号,并根据所述原始信号,输出滤除干扰后的真实目标回波信息,完成基于深度模型优化的雷达切片存储转发式干扰抑制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056256.4A CN112881986B (zh) | 2021-01-15 | 2021-01-15 | 基于优化深度模型的雷达切片存储转发式干扰抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056256.4A CN112881986B (zh) | 2021-01-15 | 2021-01-15 | 基于优化深度模型的雷达切片存储转发式干扰抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881986A true CN112881986A (zh) | 2021-06-01 |
CN112881986B CN112881986B (zh) | 2022-08-23 |
Family
ID=76048309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056256.4A Active CN112881986B (zh) | 2021-01-15 | 2021-01-15 | 基于优化深度模型的雷达切片存储转发式干扰抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881986B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433523A (zh) * | 2021-06-17 | 2021-09-24 | 同济大学 | 一种基于双框架循环rls的汽车雷达干扰抑制方法 |
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 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2740226A1 (fr) * | 1987-07-24 | 1997-04-25 | Dassault Electronique | Procede de brouillage perfectionne |
CN106443595A (zh) * | 2016-09-05 | 2017-02-22 | 电子科技大学 | 一种抗瞬时转发切片重构干扰的认知雷达波形设计方法 |
CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
CN109559799A (zh) * | 2018-10-12 | 2019-04-02 | 华南理工大学 | 医学图像语义描述方法、描述模型的构建方法及该模型 |
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 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
RU2018144308A (ru) * | 2018-12-14 | 2020-06-16 | Российская Федерация, от имени которой выступает Министерство промышленности и торговли Российской Федерации (Минпромторг России) | Способ пространственно-временной адаптивной обработки сигналов в моноимпульсной корабельной радиолокационной станции с активной фазированной антенной решеткой |
WO2020172019A1 (en) * | 2019-02-20 | 2020-08-27 | Saudi Arabian Oil Company | Method for fast calculation of seismic attributes using artificial intelligence |
CN111915619A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种双特征提取与融合的全卷积网络语义分割方法 |
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 |
CN112214929A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
-
2021
- 2021-01-15 CN CN202110056256.4A patent/CN112881986B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2740226A1 (fr) * | 1987-07-24 | 1997-04-25 | Dassault Electronique | Procede de brouillage perfectionne |
CN106443595A (zh) * | 2016-09-05 | 2017-02-22 | 电子科技大学 | 一种抗瞬时转发切片重构干扰的认知雷达波形设计方法 |
CN109559799A (zh) * | 2018-10-12 | 2019-04-02 | 华南理工大学 | 医学图像语义描述方法、描述模型的构建方法及该模型 |
CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
RU2018144308A (ru) * | 2018-12-14 | 2020-06-16 | Российская Федерация, от имени которой выступает Министерство промышленности и торговли Российской Федерации (Минпромторг России) | Способ пространственно-временной адаптивной обработки сигналов в моноимпульсной корабельной радиолокационной станции с активной фазированной антенной решеткой |
WO2020172019A1 (en) * | 2019-02-20 | 2020-08-27 | Saudi Arabian Oil Company | Method for fast calculation of seismic attributes using artificial intelligence |
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 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN111915619A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种双特征提取与融合的全卷积网络语义分割方法 |
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 |
CN112214929A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
Non-Patent Citations (4)
Title |
---|
RONGHUA SHANG等: "Multi-scale Adaptive Feature Fusion Network For Semantic Segmentation in Remote Sensing Images", 《REMOTE SENSING》 * |
XUE DU等: "Secondary Surveillance Radar Signal Processing Based on Two-channel Deep Residual Network", 《2020 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING,COMMUNICATIONS AND COMPUTING(ICSPCC)》 * |
何旭东: "基于半监督学习的高分辨一维像空中目标识别技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
王璐: "雷达新型有源干扰抑制技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433523A (zh) * | 2021-06-17 | 2021-09-24 | 同济大学 | 一种基于双框架循环rls的汽车雷达干扰抑制方法 |
CN113433523B (zh) * | 2021-06-17 | 2022-09-16 | 同济大学 | 一种基于双框架循环rls的汽车雷达干扰抑制方法 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112881986B (zh) | 2022-08-23 |
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 | |
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 | |
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 | |
CN112285666A (zh) | 基于深度U-Inception网络的雷达干扰抑制方法 | |
CN113298846B (zh) | 基于时频语义感知的干扰智能检测方法 | |
CN109543643B (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
CN112446357B (zh) | 一种基于胶囊网络的sar自动目标识别方法 | |
CN110084181B (zh) | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 | |
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 | |
CN112904282A (zh) | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 | |
CN113962151B (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
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 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN110333489A (zh) | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 | |
CN117452155A (zh) | 电缆放电位置的定位方法、装置、存储介质及电子设备 | |
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 | |
CN115267713B (zh) | 一种基于语义分割的间歇采样干扰识别和抑制方法 | |
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 | |
CN116756486A (zh) | 基于声光电磁多源数据融合的海上目标识别方法及装置 | |
CN116520256A (zh) | 一种基于深度学习的机载预警雷达干扰识别方法和装置 | |
CN114936570A (zh) | 基于轻量化cnn网络的干扰信号智能识别方法 | |
CN114298093A (zh) | Iff信号智能分类识别方法 | |
CN114624739A (zh) | 一种基于多语义特征融合网络的卫星压制干扰识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |