CN112949387A - 基于迁移学习的智能抗干扰目标检测方法 - Google Patents
基于迁移学习的智能抗干扰目标检测方法 Download PDFInfo
- Publication number
- CN112949387A CN112949387A CN202110111934.2A CN202110111934A CN112949387A CN 112949387 A CN112949387 A CN 112949387A CN 202110111934 A CN202110111934 A CN 202110111934A CN 112949387 A CN112949387 A CN 112949387A
- Authority
- CN
- China
- Prior art keywords
- interference
- target detection
- detection network
- domain
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 210
- 238000013526 transfer learning Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012546 transfer Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 43
- 230000001629 suppression Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000000926 separation method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035485 pulse pressure Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108010003272 Hyaluronate lyase Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于迁移学习的智能抗干扰目标检测方法，包括：构建抗干扰目标检测网络；生成训练数据集；利用训练数据集训练抗干扰目标检测网络，得到训练好的源域抗干扰目标检测网络模型；对训练好的源域抗干扰目标检测网络模型进行迁移，得到目标域抗干扰目标检测网络模型；训练目标域抗干扰目标检测网络模型；利用训练好的目标域抗干扰目标检测网络模型进行目标检测。本发明采用迁移学习方法，通过构造大规模数据集训练源域网络模型，然后将源域模型的部分参数迁移到目标域模型，并利用少量的目标域数据对网络进行微调，从而建立目标域抗干扰目标检测网络，使得该方法在小样本条件下能够获得目标检测和干扰抑制能力，扩大了适用范围。
Description
技术领域
本发明属于目标检测技术领域，具体涉及一种基于迁移学习的智能抗干扰目标检测方法。
背景技术
近年来，随着深度学习技术的进步与推广，雷达抗干扰目标检测技术得到了快速发展。然而，由于现有的目标检测任务是基于大量的标注信息进行训练的，从而限制了某些场景下的应用。而小样本条件下的抗干扰目标检测的主要任务则是在有限的雷达回波样本条件下，训练抗干扰目标检测网络，从而进行目标检测和干扰抑制，实现小样本条件下端到端的雷达智能化检测。
基于数字射频存储器的间歇采样转发式干扰对雷达信号进行截获与转发，可在脉压后积累能量，兼具欺骗性和压制性效果，增加了抗干扰的难度，是一种对抗雷达的有效干扰方式。目前，常用的抗干扰方法主要是基于传统手工设计提取到的浅层特征，其易受环境背景变化的影响，需要针对特定问题进行特征分析和选择，存在方法泛化性不足及迁移能力较差等问题。随着深度学习的快速发展及其在各个领域的广泛应用，使得利用神经网络技术来处理雷达目标检测问题成为可能。
例如，梁思远在其发表的论文《基于深度学习的雷达抗干扰方法研究》中研究了基于深度学习的间歇采样卷积调制转发干扰背景下的目标检测方法。该方法的步骤是，(1)得到目标和干扰的混合时域回波信号并进行能量归一化处理，分实部和虚部组成输入特征；(2)多次观测和预处理得到训练样本和测试样本；(3)构建深度扩展卷积神经网络并利用训练样本进行训练；(4)测试样本输入到训练好的网络中得到目标的识别结果并评估性能。
然而，上述方法在训练深度扩展卷积神经网络时，需要大量的数据样本。而在雷达实际工作中，样本数据往往非常匮乏，采用少量的样本训练模型容易导致过拟合现象，网络的性能将会严重下降，进而使得雷达检测性能严重下降，这极大限制了深度学习技术在雷达抗干扰目标检测方面的应用范围。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于迁移学习的智能抗干扰目标检测方法。本发明要解决的技术问题通过以下技术方案实现：
一种基于迁移学习的智能抗干扰目标检测方法，包括以下步骤：
构建抗干扰目标检测网络；
生成训练数据集；
利用所述训练数据集训练所述抗干扰目标检测网络，得到训练好的源域抗干扰目标检测网络模型；
对所述训练好的源域抗干扰目标检测网络模型进行迁移，得到目标域抗干扰目标检测网络模型；
训练所述目标域抗干扰目标检测网络模型；
利用训练好的目标域抗干扰目标检测网络模型进行目标检测。
在本发明的一个实施例中，所述构建抗干扰目标检测网络包括：
搭建一个包括输入层、特征提取层、WaveNet检测层以及输出层的抗干扰目标检测网络结构；
分别设置所述抗干扰目标检测网络结构的各部分参数，以完成所述生成对抗网络的构建。
在本发明的一个实施例中，所述生成训练数据集包括：
根据抗干扰目标检测的应用场景，随机设定目标和干扰的初始位置信息；
获取雷达接收到的间歇采样转发干扰信号；
利用所述雷达接收到的间歇采样转发干扰信号构建大规模数据集，作为源域模型的训练数据集。
在本发明的一个实施例中，所述雷达接收到的间歇采样转发干扰信号的表达式如下：
其中，xj(t)表示雷达接收到的间歇采样转发干扰信号，Aj表示干扰信号的接收系数，rj(t)表示干扰机接收到的雷达信号，k(t)表示卷积调制的高斯卷积核，ft表示雷达到干扰之间传播导致的多普勒频率，*表示卷积操作，δ(t)表示冲激函数，Rj表示干扰机到雷达的单程距离，c表示光速。
在本发明的一个实施例中，利用所述训练数据集训练所述抗干扰目标检测网络，得到训练好的源域抗干扰目标检测网络模型，包括：
设置抗干扰目标检测网络的损失函数；
对所述抗干扰目标检测网络训练数据集的累计损失函数进行最小化处理，并在该网络的损失函数收敛或者训练次数达到预设次数后，得到训练好的源域抗干扰目标检测网络模型。
在本发明的一个实施例中，所述抗干扰目标检测网络的损失函数为：
其中，θ表示检测网络的参数，EX[·]表示期望，LKL(·)表示交叉熵损失函数，P(Y|X)表示各个距离单元上目标存在的概率集合，Dθ(·)表示检测网络，X表示雷达接收的回波信号。
在本发明的一个实施例中，对所述训练好的源域抗干扰目标检测网络模型进行迁移，得到目标域抗干扰目标检测网络模型，包括：
根据所述源域抗干扰目标检测网络模型设计目标域抗干扰目标检测网络结构；其中，所述目标域抗干扰目标检测网络结构与所述源域抗干扰目标检测网络结构相同；
对所述源域抗干扰目标检测网络模型进行模型迁移，以将所述源域抗干扰目标检测网络模型的输入层和特征提取层的参数迁移到所述目标域抗干扰目标检测网络模型，并将剩余各层的权重参数初始化为随机数，得到目标域抗干扰目标检测网络模型。
在本发明的一个实施例中，所述模型迁移的表示形式为：
其中，h(·)表示目标域的网络结构模型函数，x表示输入向量，w表示权重向量，g(·)表示源域的网络结构模型函数，x0表示原始的输入向量，
表示训练好的源域模型的权重参数，
表示目标域模型的权重参数。
在本发明的一个实施例中，所述源域的网络结构模型函数表示为：
g(x0；w1,w2,…,wK)＝fK(…f2(f1(x0；w1)；w2)；…；wK)；
其中，x0表示原始的输入向量，w1,w2,…,wK表示权重，xk＝fk(xk-1；wk)表示输入向量为xk-1，权重为wk得到的特征映射，fk(·)表示映射函数。
在本发明的一个实施例中，训练所述目标域抗干扰目标检测网络模型，得到训练好的目标域抗干扰目标检测网络模型，包括：
利用小样本实测数据训练所述目标域抗干扰目标检测网络模型，直至所述目标域抗干扰目标检测网络的损失函数收敛于第一预设值或在验证集上的检测错误率低于第二预设值时提前停止训练，得到训练好的目标域抗干扰目标检测网络模型。
本发明的有益效果：
1、本发明采用迁移学习方法，通过构造大规模数据集训练源域网络模型，然后将源域模型的部分参数迁移到目标域模型，并利用少量的目标域数据对网络进行微调，从而建立目标域抗干扰目标检测网络，使得该方法在小样本条件下能够获得目标检测和干扰抑制能力，扩大了适用范围；
2、本发明通过构建抗干扰目标检测网络，利用该深度网络直接从数据中学习目标和干扰的特征，克服了现有技术中针对特定问题进行分析建模，方法泛化性不足的问题；同时，由于深度网络具有更强的特征提取能力，不易受到环境背景变化的影响，使得该方法具有更高的目标检测准确性和检测精度。
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迁移学习的智能抗干扰目标检测方法流程示意图；
图2是本发明实施例提供的抗干扰目标检测网络模型的迁移框架；
图3是本发明实施例提供的抗干扰目标检测网络模型的迁移方式示意图；
图4a是使用本发明的方法和现有技术在信噪比SNR为14dB，干信比JSR为8dB，虚警率Pfa＝10-4时，在相同测试集下的检测概率收敛曲线对比图；
图4b是使用本发明的方法和现有技术在信噪比SNR为14dB，虚警率Pfa＝10-4时，在相同测试集下的检测概率随干信比JSR的变化曲线对比图；
图4c是使用本发明的方法和现有技术在干信比JSR为8dB，虚警率Pfa＝10-4时，在相同测试集下的检测概率随信噪比SNR的变化曲线对比图。
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1是本发明实施例提供的一种基于迁移学习的智能抗干扰目标检测方法流程示意图，包括以下步骤：
S1：构建抗干扰目标检测网络。
首先，搭建一个包括输入层、特征提取层、WaveNet检测层以及输出层的抗干扰目标检测网络结构，该结构总共包括13层。
然后，分别设置所述抗干扰目标检测网络结构的各部分参数，以完成所述生成对抗网络的构建。
具体地，如表1所示，设置抗干扰目标检测网络的输入层卷积核大小为1*3；特征提取层中堆叠了4层卷积层，每层卷积核尺寸均设为1*7，卷积核的数量分别为[12，18，24，30]；WaveNet检测层由7层因果扩展卷积所组成，每层卷积核尺寸均设为1*3，每一层都具有的扩展因子分别为[21，22，23，24，25，26，27]；输出层用一个卷积核大小为1*1的卷积层代替全连接层。
表1抗干扰目标检测网络参数表
S2：生成训练数据集。
首先，根据抗干扰目标检测的应用场景，随机设定目标和干扰的初始位置信息。
然后，获取雷达接收到的间歇采样转发干扰信号。
在本实施例中，雷达接收到的间歇采样转发干扰信号的表达式如下：
其中，xj(t)表示雷达接收到的间歇采样转发干扰信号，Aj表示干扰信号的接收系数，rj(t)表示干扰机接收到的雷达信号，k(t)表示卷积调制的高斯卷积核，ft表示雷达到干扰之间传播导致的多普勒频率，*表示卷积操作，δ(t)表示冲激函数，Rj表示干扰机到雷达的单程距离，c表示光速。
最后，利用所述雷达接收到的间歇采样转发干扰信号构建大规模数据集，作为源域模型的训练数据集。
S3：利用所述训练数据集训练所述抗干扰目标检测网络，得到训练好的源域抗干扰目标检测网络模型。
设置抗干扰目标检测网络的损失函数。在本实施例中，抗干扰目标检测网络的损失函数表示为：
其中，θ表示检测网络的参数，EX[·]表示期望，LKL(·)表示交叉熵损失函数，P(Y|X)表示各个距离单元上目标存在的概率集合，Dθ(·)表示检测网络，X表示雷达接收的回波信号。
对抗干扰目标检测网络训练数据集的累计损失函数进行最小化处理，并在该网络的损失函数收敛或者训练次数达到预设次数后，得到训练好的源域抗干扰目标检测网络模型。
具体地，本实施例采用基于Adam的反向传播算法对抗干扰目标检测网络训练样本的累计损失函数进行最小化处理，其预设训练次数可以为4万次。
S4：对所述训练好的源域抗干扰目标检测网络模型进行迁移，得到目标域抗干扰目标检测网络模型。
进一步地，请参见图2，图2是本发明实施例提供的抗干扰目标检测网络模型的迁移框架。
首先，根据所述源域抗干扰目标检测网络模型设计目标域抗干扰目标检测网络结构；其中，所述目标域抗干扰目标检测网络结构与所述源域抗干扰目标检测网络结构相同；
然后，对所述源域抗干扰目标检测网络模型进行模型迁移，以将所述源域抗干扰目标检测网络模型的输入层和特征提取层的参数迁移到所述目标域抗干扰目标检测网络模型，并将剩余各层的权重参数初始化为随机数，得到目标域抗干扰目标检测网络模型。
请参见图3，图3是本发明实施例提供的抗干扰目标检测网络模型的迁移方式示意图。
具体地，将抗干扰目标检测网络按作用可划分为特征提取层、检测层和输出层三部分，可以选择迁移整个模型、迁移特征提取层和检测层以及只迁移特征提取层，不同的迁移方式会影响网络模型的最终的泛化能力。
优选的，本实施例在对源域抗干扰目标检测网络模型进行迁移时，只进行特征提取层迁移优。
在本实施例中，网络模型迁移可表示为：
其中，h(·)表示目标域的网络结构模型函数，x表示输入向量，w表示权重向量，g(·)表示源域的网络结构模型函数，x0表示原始的输入向量，
表示训练好的源域模型的权重参数，
表示目标域模型的权重参数。
进一步地，源域的网络结构模型函数表示为：
g(x0；w1,w2,...,wK)＝fK(…f2(f1(x0；w1)；w2)；…；wK)
其中，x0表示原始的输入向量，w1,w2,…,wK表示权重，xk＝fk(xk-1；wk)表示输入向量为xk-1，权重为wk得到的特征映射，fk(·)表示映射函数。
本实施例采用迁移学习方法，通过构造大规模数据集训练源域网络模型，然后将源域模型的部分参数迁移到目标域模型，并利用少量的目标域数据对网络进行微调，从而建立目标域抗干扰目标检测网络，使得本发明在小样本条件下能够获得目标检测和干扰抑制能力，扩大了适用范围。
S5：训练所述目标域抗干扰目标检测网络模型。
具体地，利用小样本实测数据训练所述目标域抗干扰目标检测网络模型，直至所述目标域抗干扰目标检测网络的损失函数收敛于第一预设值或在验证集上的检测错误率低于第二预设值时提前停止训练，得到训练好的目标域抗干扰目标检测网络模型。其中，第一预设值可以是某一极小的数值。
S6：利用训练好的目标域抗干扰目标检测网络模型进行目标检测。
具体地，将实时接收到的雷达观测数据输入到目标域抗干扰目标检测网络中，得到各个距离单元上目标存在的概率值，从而实现目标检测。
本实施例通过构建抗干扰目标检测网络，利用该深度网络直接从数据中学习目标和干扰的特征，克服了现有技术中针对特定问题进行分析建模，方法泛化性不足的问题；同时，由于深度网络具有更强的特征提取能力，不易受到环境背景变化的影响，使得该方法的具有更高的目标检测准确性和检测精度。
实施例二
在上述实施例一的基础上，下面结合仿真实验对本发明的效果做进一步说明。
1.仿真实验条件：
本发明仿真实验的硬件测试平台是：处理器为Intel Core i7-8700 CPU，主频为3.2GHz，内存16GB；软件平台为：Ubuntu 16.04 LTS，64位操作系统，Python 3.5。
2.仿真内容及仿真结果分析：
为证明基于迁移学习的智能抗干扰目标检测方法在小样本条件下能够获得比采用深度学习网络直接训练的方法具有更高的检测准确性，本发明仿真实验是采用上述实施例一提供的基于迁移学习的智能抗干扰目标检测方法和现有技术提供的基于卷积网络的目标与干扰混合信号的分离鉴别方法进行目标检测实验对比。
具体地，本次仿真实验采用西安电子科技大学梁思远的工学硕士论文《基于深度学习的雷达抗干扰方法研究》中所提出的基于卷积神经网络的雷达抗干扰目标检测方法作为现有技术进行目标检测实验。
本实施例中所采用的大规模数据集根据雷达的工作参数以及干扰机的工作模式由Matlab仿真生成，具体的构造方式如下：发射波形为线性调频信号，载频为3GHz，调频带宽为2MHz，采样频率为5MHz。干扰信号样式为间歇采样转发式干扰，干扰信号在转发前进行卷积调制，卷积核为常用的高斯卷积核，干扰的间歇采样周期随机选取，干信比随机分布在-3dB到57dB之间，目标和干扰所在距离随机选取。噪声为高斯白噪声，脉压后信噪比为-10dB到30dB。
在基于模型的检测网络迁移工作中，源域数据集为上述构造的大规模数据集，目标域数据集为实测小样本数据集。在训练源域的网络模型时，采用了基于Adam的反向传播算对网络进行优化更新，动量因子momentum设置为0.9，微尺寸batch大小为64，预训练过程中初始学习率设为0.001，随着训练的深入减小为0.0001，每迭代50次在验证集上测试并记录一次检测结果。在训练目标域网络模型时，两个阶段均采用与训练源域网络模型相同的更新算法，其中第一阶段的学习率设置为0.0001，第二阶段的学习率则需设置成一个相对较小的值0.00005，以保证训练过程的稳定性。
请参见图4a，图4a是使用本发明的方法和现有技术在信噪比SNR为14dB，干信比JSR为8dB，虚警率Pfa＝10-4时，在相同测试集下的检测概率收敛曲线对比图。其中，图4a中x轴表示迭代次数，y轴表示本发明仿真实验中两种方法的检测概率。其中，以实线“—”表示采用本发明方法基于迁移学习的智能抗干扰目标检测方法的检测概率曲线，以虚线“---”表示采用现有技术基于卷积网络的目标与干扰混合信号的分离鉴别方法的检测概率曲线。由图4a可以看出，随着迭代次数的不断增加，本发明提供的基于迁移学习的智能抗干扰目标检测方法的收敛速度明显快于现有技术基于卷积网络的目标与干扰混合信号的分离鉴别方法，并且收敛后前者具有更高的检测概率。可见针对间歇采样卷积调制转发干扰背景下的目标检测，本发明基于迁移学习的智能抗干扰目标检测方法具有更强的目标检测和干扰抑制能力。
请参见图4b，图4b是使用本发明的方法和现有技术在信噪比SNR为14dB，虚警率Pfa＝10-4时，在相同测试集下的检测概率随干信比JSR的变化曲线对比图。图4b中x轴表示干信比，y轴表示本发明仿真实验中两种方法的检测概率。其中，以实线“—”表示采用本发明方法基于迁移学习的智能抗干扰目标检测方法的检测概率曲线，以虚线“---”表示采用现有技术基于卷积网络的目标与干扰混合信号的分离鉴别方法的检测概率曲线。由图4b可以看出，在不同干信比条件下，本发明基于迁移学习的智能抗干扰目标检测方法相对于现有技术基于卷积网络的目标与干扰混合信号的分离鉴别方法的抗干扰检测性能具有明显改善，在多种干信比下检测概率平均提高了约2％，并且当干信比设置在5～40dB之间时检测性能提升尤为显著，平均有4.01％左右的提升。
请参见图4c，图4c是使用本发明的方法和现有技术在干信比JSR为8dB，虚警率Pfa＝10-4时，在相同测试集下的检测概率随信噪比SNR的变化曲线对比图。图4c中x轴表示信噪比，y轴表示本发明仿真实验中两种方法的检测概率。其中，以实线“—”表示采用本发明方法基于迁移学习的智能抗干扰目标检测方法的检测概率曲线，以虚线“---”表示采用现有技术基于卷积网络的目标与干扰混合信号的分离鉴别方法的检测概率曲线。由图4c可以看出，在不同信噪比条件下，本发明基于迁移学习的智能抗干扰目标检测方法相对于现有技术基于卷积网络的目标与干扰混合信号的分离鉴别方法的抗干扰检测性能具有一定的改善，在多种信噪比下检测概率平均提高了约1.6％，并且当干信比设置在10～15dB之间时检测性能提升尤为显著，平均有3.3％左右的提升。
综合图4b和图4c可以得出，本发明方法基于迁移学习的智能抗干扰目标检测针对间歇采样卷积调制转发干扰背景下的目标检测能够实现相比于现有技术基于卷积网络的目标与干扰混合信号的分离鉴别方法更高的检测概率。本发明方法解决了小样本约束下深度网络泛化性能不佳的问题，具有检测概率高、迁移性好等优势，能够在小样本条件下有效地提升雷达的抗干扰性能。
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 (10)
1.一种基于迁移学习的智能抗干扰目标检测方法，其特征在于，包括以下步骤：
构建抗干扰目标检测网络；
生成训练数据集；
利用所述训练数据集训练所述抗干扰目标检测网络，得到训练好的源域抗干扰目标检测网络模型；
对所述训练好的源域抗干扰目标检测网络模型进行迁移，得到目标域抗干扰目标检测网络模型；
训练所述目标域抗干扰目标检测网络模型；
利用训练好的目标域抗干扰目标检测网络模型进行目标检测。
2.根据权利要求1所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，所述构建抗干扰目标检测网络包括：
搭建一个包括输入层、特征提取层、WaveNet检测层以及输出层的抗干扰目标检测网络结构；
分别设置所述抗干扰目标检测网络结构的各部分参数，以完成所述生成对抗网络的构建。
3.根据权利要求1所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，所述生成训练数据集包括：
根据抗干扰目标检测的应用场景，随机设定目标和干扰的初始位置信息；
获取雷达接收到的间歇采样转发干扰信号；
利用所述雷达接收到的间歇采样转发干扰信号构建大规模数据集，作为源域模型的训练数据集。
4.根据权利要求3所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，所述雷达接收到的间歇采样转发干扰信号的表达式如下：
其中，xj(t)表示雷达接收到的间歇采样转发干扰信号，Aj表示干扰信号的接收系数，rj(t)表示干扰机接收到的雷达信号，k(t)表示卷积调制的高斯卷积核，ft表示雷达到干扰之间传播导致的多普勒频率，*表示卷积操作，δ(t)表示冲激函数，Rj表示干扰机到雷达的单程距离，c表示光速。
5.根据权利要求1所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，利用所述训练数据集训练所述抗干扰目标检测网络，得到训练好的源域抗干扰目标检测网络模型，包括：
设置抗干扰目标检测网络的损失函数；
对所述抗干扰目标检测网络训练数据集的累计损失函数进行最小化处理，并在该网络的损失函数收敛或者训练次数达到预设次数后，得到训练好的源域抗干扰目标检测网络模型。
6.根据权利要求5所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，所述抗干扰目标检测网络的损失函数为：
其中，θ表示检测网络的参数，EX[·]表示期望，LKL(·)表示交叉熵损失函数，P(Y|X)表示各个距离单元上目标存在的概率集合，Dθ(·)表示检测网络，X表示雷达接收的回波信号。
7.根据权利要求1所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，对所述训练好的源域抗干扰目标检测网络模型进行迁移，得到目标域抗干扰目标检测网络模型，包括：
根据所述源域抗干扰目标检测网络模型设计目标域抗干扰目标检测网络结构；其中，所述目标域抗干扰目标检测网络结构与所述源域抗干扰目标检测网络结构相同；
对所述源域抗干扰目标检测网络模型进行模型迁移，以将所述源域抗干扰目标检测网络模型的输入层和特征提取层的参数迁移到所述目标域抗干扰目标检测网络模型，并将剩余各层的权重参数初始化为随机数，得到目标域抗干扰目标检测网络模型。
8.根据权利要求7所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，所述模型迁移的表示形式为：
其中，h(·)表示目标域的网络结构模型函数，x表示输入向量，w表示权重向量，g(·)表示源域的网络结构模型函数，x0表示原始的输入向量，
表示训练好的源域模型的权重参数，
表示目标域模型的权重参数。
9.根据权利要求8所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，所述源域的网络结构模型函数表示为：
g(x0；w1,w2,…,wK)＝fK(…f2(f1(x0；w1)；w2)；…；wK)；
其中，x0表示原始的输入向量，w1,w2,…,wK表示权重，xk＝fk(xk-1；wk)表示输入向量为xk-1，权重为wk得到的特征映射，fk(·)表示映射函数。
10.根据权利要求1所述的基于迁移学习的智能抗干扰目标检测方法，其特征在于，训练所述目标域抗干扰目标检测网络模型，得到训练好的目标域抗干扰目标检测网络模型，包括：
利用小样本实测数据训练所述目标域抗干扰目标检测网络模型，直至所述目标域抗干扰目标检测网络的损失函数收敛于第一预设值或在验证集上的检测错误率低于第二预设值时提前停止训练，得到训练好的目标域抗干扰目标检测网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110111934.2A CN112949387B (zh) | 2021-01-27 | 2021-01-27 | 基于迁移学习的智能抗干扰目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110111934.2A CN112949387B (zh) | 2021-01-27 | 2021-01-27 | 基于迁移学习的智能抗干扰目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949387A true CN112949387A (zh) | 2021-06-11 |
| CN112949387B CN112949387B (zh) | 2024-02-09 |
Family
ID=76237932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110111934.2A Active CN112949387B (zh) | 2021-01-27 | 2021-01-27 | 基于迁移学习的智能抗干扰目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949387B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962151A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 基于深度卷积迁移学习的距离假目标智能识别方法 |
| CN114239688A (zh) * | 2021-11-23 | 2022-03-25 | 中南大学 | 船只目标识别方法、计算机装置及程序产品、存储介质 |
| CN114492625A (zh) * | 2022-01-23 | 2022-05-13 | 北京工业大学 | 基于迁移的目标检测网络搜索模型在智能车标志物检测问题的解决方案 |
| 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 |
| CN114550315A (zh) * | 2022-01-24 | 2022-05-27 | 云南联合视觉科技有限公司 | 身份比对识别方法、装置及终端设备 |
| CN114818777A (zh) * | 2022-03-18 | 2022-07-29 | 北京遥感设备研究所 | 有源角度欺骗干扰识别模型的训练方法及装置 |
| US20220385383A1 (en) * | 2021-05-28 | 2022-12-01 | Nec Corporation | Interference detection apparatus, interference detection method, and non-transitory computer-readable medium |
| US12009879B2 (en) * | 2021-05-28 | 2024-06-11 | Nec Corporation | Interference detection apparatus, interference detection method, and non-transitory computer-readable medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8055235B1 (en) * | 2008-05-02 | 2011-11-08 | Hypres, Inc. | System and method for digital interference cancellation |
| WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
| CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
| CN109444831A (zh) * | 2018-09-06 | 2019-03-08 | 中国人民解放军战略支援部队航天工程大学 | 一种基于迁移学习的雷达干扰决策方法 |
| CN110427875A (zh) * | 2019-07-31 | 2019-11-08 | 天津大学 | 基于深度迁移学习和极限学习机的红外图像目标检测方法 |
-
2021
- 2021-01-27 CN CN202110111934.2A patent/CN112949387B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8055235B1 (en) * | 2008-05-02 | 2011-11-08 | Hypres, Inc. | System and method for digital interference cancellation |
| WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
| CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
| CN109444831A (zh) * | 2018-09-06 | 2019-03-08 | 中国人民解放军战略支援部队航天工程大学 | 一种基于迁移学习的雷达干扰决策方法 |
| CN110427875A (zh) * | 2019-07-31 | 2019-11-08 | 天津大学 | 基于深度迁移学习和极限学习机的红外图像目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张椰;朱卫纲;: "基于迁移学习的SAR图像目标检测", 雷达科学与技术, no. 05 * |
| 王露荻;解月江;: "基于域适应Faster RCNN的复杂背景目标检测", 航天控制, no. 01 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220385383A1 (en) * | 2021-05-28 | 2022-12-01 | Nec Corporation | Interference detection apparatus, interference detection method, and non-transitory computer-readable medium |
| US12009879B2 (en) * | 2021-05-28 | 2024-06-11 | Nec Corporation | Interference detection apparatus, interference detection method, and non-transitory computer-readable medium |
| CN113962151A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 基于深度卷积迁移学习的距离假目标智能识别方法 |
| CN113962151B (zh) * | 2021-10-21 | 2024-04-26 | 中国人民解放军空军航空大学 | 基于深度卷积迁移学习的距离假目标智能识别方法 |
| CN114239688A (zh) * | 2021-11-23 | 2022-03-25 | 中南大学 | 船只目标识别方法、计算机装置及程序产品、存储介质 |
| CN114492625A (zh) * | 2022-01-23 | 2022-05-13 | 北京工业大学 | 基于迁移的目标检测网络搜索模型在智能车标志物检测问题的解决方案 |
| 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 |
| CN114550315A (zh) * | 2022-01-24 | 2022-05-27 | 云南联合视觉科技有限公司 | 身份比对识别方法、装置及终端设备 |
| 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 |
| CN114818777A (zh) * | 2022-03-18 | 2022-07-29 | 北京遥感设备研究所 | 有源角度欺骗干扰识别模型的训练方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949387B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949387B (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
| CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
| CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
| CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
| CN111722199A (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
| CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
| CN107220606A (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
| Du et al. | Secondary radar signal processing based on deep residual separable neural network | |
| CN112949820B (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| 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 | |
| CN109766791B (zh) | 一种基于自编码器的通信信号调制识别方法 | |
| CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
| CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
| CN111368930B (zh) | 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统 | |
| CN113341383A (zh) | 基于dqn算法的雷达抗干扰智能决策方法 | |
| CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
| 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 | |
| CN107765259B (zh) | 一种基于提升小波改进阈值的输电线路激光测距信号去噪方法 | |
| CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
| Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
| 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 | |
| CN113534059B (zh) | 开集场景下基于深度卷积网络的雷达有源干扰识别方法 | |
| CN113343796B (zh) | 一种基于知识蒸馏的雷达信号调制方式识别方法 | |
| CN114298093A (zh) | Iff信号智能分类识别方法 |
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 |