CN113298846A - 基于时频语义感知的干扰智能检测方法 - Google Patents

Abstract

本发明公开了一种基于时频语义感知的干扰智能检测方法，属于信号处理领域，实现本发明的基本思路是：首先，利用短时傅里叶变换将携带干扰的原始回波信号变换到时频域，然后建立U‑net语义分割网络，利用卷积层提取图像特征；利用上采样层在解码部分恢复原始图像尺寸，方便逐像素比较标签确定阈值；利用拼接层将编码部分的低层信息与解码部分的高层信息融合，弥补随着网络加深丢失的细节和边缘信息，以实现小样本下的精细分割；在此基础上训练模型并在其他数据集上进行干扰与背景的识别，验证模型的分割效果。本发明借助深度学习来自主划分分割的阈值，智能实现了干扰与背景的分割和识别；同时由于采用模型较小的U‑net网络，减少了提取特征需要的训练集数目，达到只需要很少的训练集就能在干扰检测应用上取得很好的分割效果的目的。

Description

基于时频语义感知的干扰智能检测方法

技术领域

本发明涉及信号处理领域，特别涉及一种基于时频语义感知的干扰智能检测方法。本发明利用U-net网络建立了干扰语义分割模型，能在小样本训练数据保障的条件下以较高的准确率实现雷达回波数据中的干扰智能识别。

背景技术

随着电磁频谱环境逐渐拥挤复杂，无线电干扰变得愈加普遍，将影响工作于同一频段的雷达信号的正常接收。干扰的存在将严重降低雷达回波的质量，影响对目标的检测。因此，对雷达回波中的干扰信号进行高效地检测与识别是有效抑制的前提。

对雷达干扰信号进行识别的关键步骤是对特征参数的提取，传统方法通过提取回波信号的能量或者脉宽等特征，计算出一个合理的阈值来分辨出干扰与有用目标。但此类方法在处理干扰成分复杂的回波信号时，容易造成较多的漏检。

相比上述方法，深度学习利用监督或非监督的算法从数据集中自动学习并规划出相应的阈值，并自适应的识别分割目标，它无需人为设置一个约束条件，因此在复杂电磁环境下，其识别干扰的鲁棒性相比常规方法更具优势。但有效训练数据不足一直是制约深度学习精度的一个难题。在含干扰的数据不足的情况下，如何保障智能检测算法的准确率是难点问题。

发明内容

为了解决上述问题，本发明设计了一种识别准确率高、鲁棒性强、迁移能力好的基于时频语义感知的干扰智能检测方法。本发明无需手动标注特征，仅需少量训练数据集，即可快速自适应地识别雷达时频图里的干扰，避免依赖专家经验进行特征提取。

实现本发明的基本思路是：首先，利用短时傅里叶变换将携带干扰的原始回波信号变换到时频域，然后建立U-net语义分割网络，利用卷积层提取图像特征；利用上采样层在解码部分恢复原始图像尺寸，方便逐像素比较标签确定阈值；利用拼接层将编码部分的低层信息与解码部分的高层信息融合，弥补随着网络加深丢失的细节和边缘信息，以实现小样本下的精细分割；在此基础上训练模型并在其他数据集上进行干扰与背景的识别，验证模型的分割效果。

为了实现上述目的，本发明的技术方案为，基于时频语义感知的干扰智能检测方法，包括如下步骤：

步骤1：对不含干扰的原始回波信号中的单次方位回波，进行短时傅里叶变换，得到回波时频域二维图像；

步骤2：建立常见的5类雷达干扰模型，随机选择其中几类同时叠加在回波时频域二维图像上，得到含干扰回波时频域二维图像。干扰模型的种类包括单脉冲干扰、窄带干扰、正弦调制型宽带干扰、线性调频宽带干扰和多脉冲干扰；干扰模型的参数包括不同大小的幅度、相位、频率或调频率，参数选择可自行设定；

步骤3：取步骤2生成的含干扰回波时频域二维图像作为训练集和验证集，并进行二值化得到对应的标签；

步骤4：建立U-net语义分割网络，其总体架构从输入到输出包括为K1个3×3卷积层、1个1×1的卷积层，K2个池化层、K2个步长为2×2反卷积层、K2个拼接层的全卷积神经网络模型。其中卷积层采用padding＝same的卷积方式，使输入输出图像大小保持一致；池化层采用最大池化层；反卷积层采用上采样层+卷积层的方式将图片尺寸扩大一倍；网络采用交叉熵损失函数作为卷积层参数的迭代更新，采用Adam优化算法对卷积层参数进行优化，设置衰减学习率加快收敛的速度来逼近最优解，采用批标准化bn来控制过拟合；通过调整batchsize和epoch来调整网络处理数据的精度和速度。

步骤5：将训练集和及其标签代入步骤4所述U-net语义分割网络进行训练，同时代入验证集进行模型评价，当优化参数使验证集的损失率和准确率达到期望值时，保存该轮期望值下epoch对应的模型及其参数；

步骤6：将含干扰的原始雷达回波进行短时傅里叶变换，得到回波信号的时频域二维图像，输入到步骤5中得到的优化后的模型里分割出图像的干扰和背景。

本发明的有益效果如下：

1.本发明借助深度学习来自主划分分割的阈值，相比其他人工设计的阈值约束条件，可以通过卷积神经网络智能学习训练数据的内容并提取对应的特征而非人为设计的有限的特征，并利用干扰和背景特征的差异确定分割的阈值，智能实现了干扰与背景的分割和识别；

2.本发明采用模型较小的U-net网络，相比其他语义分割网络，该网络采用拼接层将每层池化前的信息和对应上采样部分的信息进行组接，来补充网络下采样丢失的信息，减少了提取特征需要的训练集数目，达到只需要很少的训练集就能在干扰检测应用上取得很好的分割效果的目的。

附图说明

图1是本发明方法的流程图；

图2是本施例中5种干扰类型时频图，其中图2(a)是单脉冲干扰，图2(b)是窄带干扰，图2(c)是正弦调制型宽带干扰，图2(d)是线性调频宽带干扰，图2(e)是多脉冲干扰；

图3是本施例中原始数据时频图，其中图3(a)是训练集和验证集，其数据来源为国内某机载雷达对机场成像，图3(b)是测试集，其数据来源为欧洲ERS卫星对地探测图像；

图4是本施例中方法的训练集和对应标签，其中图4(a)是训练集，图4(b)是对训练集图像做预处理后生成的标签；

图5是本施例中方法的验证集和对验证集做分割的前后对比图；

图6是本施例中方法对测试集的识别结果；

图7是本施例中方法采用的U-net网络模型；

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。这里的具体实施例只是本文方法的其中一种情况，不可能包含所有的实施例，通过具体实施例，本部分的内容将会让该领域的工作人员更加清楚理解本方法的工作原理、具体步骤和实施效果；

步骤1：图1所示为根据本发明的一个实施例的U-net网络的雷达干扰识别方法的总流程图，系统接收任意接收机收到的雷达回波信号并取其中的一条距离维作短时傅里叶变换，本发明的一个实施例为两种来源的SAR图像，其时频图像尺寸分别为6144×6144和2048×2048，其时频图像分别如图3(a)、(b)所示；

步骤2：在原始回波信号上加入不同种类和数量且幅度频率相位调频率随机的干扰，干扰来源包括低频段无线电谐波、UWB雷达、航空无线电导航信号、低谐波、近频带载波信号和宽带调制信号；

干扰类型如图2所示,其中窄带干扰构建形式如下：

其中N表示干扰信号的数量；n、A_m、f_m分别表示干扰信号的时间采样、幅度、载波频率。

线性调频宽带干扰构建形式如下：

其中N表示干扰信号的数量；n、A_m、f_m、g_l分别表示干扰信号的时间、幅度、载波频率、调频率。

正弦调制型宽带干扰构建形式如下：

其中N表示干扰信号的数量；n、A_m、f_m、g_l、θ_l分别表示干扰信号的时间、幅度、载波频率、调频率和相位。

脉冲干扰构建形式如下：

其中N表示干扰信号的数量；n表示干扰信号的时间，A_m表示脉冲干扰的幅度。

在本实施例中，信干比范围设置为0～10db，相位设置范围为-π～π,同类型干扰数量在时频图上有1～2条；

步骤3：对加入干扰的回波信号时频图做二值化处理，如图4(a)所示，生成对应的标签如4(b)所示，干扰和背景分别取0和1/255来得到2分类的像素值，得到训练集对应的标签；

用上述方法得到训练用的训练集和验证集，样本训练集和验证集比例保证为9：1。本实施例训练集为180张，验证集20张；

步骤4：图7所示的为根据本发明的一个实施例的U-net语义分割网络，本实施例的总体架构从输入到输出包括为16个3×3卷积层、1个1×1的卷积层，4个池化层、4个步长为2×2反卷积层、4个拼接层的全卷积神经网络模型。其中卷积层采用padding＝same的卷积方式，使输入输出图像大小保持一致；池化层采用最大池化层；反卷积层采用上采样层+卷积层的方式将图片尺寸扩大一倍；

网络编码结构分5层，每层包括卷积层个数，神经元，池化层个数分别为：[2,32,1]、[2,64,1]、[3,128,1]、[2,256,0]；网络解码结构有4层，每层包括卷积层个数，神经元，上采样层个数分别为：[1,256,1]、[1,128,1]、[1,64,1]、[1,32,1]；4个拼接层连接编码结构每层的最后一层输入和解码结构每个层上采样层的输出；最后解码第四层的输出经过1×1的卷积层，通过softmax函数进行干扰与背景的二分类；

本实施列中，语义分割网络采用交叉熵损失函数作为卷积层参数的迭代更新，采用Adam优化算法对卷积层参数进行优化，设置衰减学习率加快收敛的速度来逼近最优解，指标为验证集每3步loss不下降就降低一半，初始学习率设置为0.005，采用批标准化bn来控制过拟合；

步骤5：将步骤3得到的训练集和验证集放入图7所示的U-net语义分割网络里进行训练和验证，该实施列的图片原始尺寸为6144×6144，在网络预处理阶段通过缩放将尺寸变为768×768，当验证集的损失率和准确率达到期望值时，选择并保存对应epoch下的训练模型及其参数；验证集验证的结果如图5所示，从图中可以看出，能量大小不一的干扰，对原始数据破坏效果明显，而在小样本训练条件下，选用模型对先验条件下的分割效果较好；

步骤6：将含干扰的原始雷达回波进行短时傅里叶变换，得到回波信号的时频域二维图像，再通过步骤3得到验证模型迁移性的测试集，本实施例测试集为50张。将测试集代入到保存好的模型进行测试，得到干扰识别的结果如图6所示，从图中可以看出，该模型有着很好的迁移能力，在其他数据集上也取得了很好的分割效果。

本发明采用的U-net网络架构可以根据验证集的模型进行神经元、优化算法、损失函数、学习率和衰减率或者卷积层数的调整，来提高分割的精度。

Claims (1)

1.基于时频语义感知的干扰智能检测方法，其特征在于，包括如下步骤：

步骤1：对不含干扰的原始回波信号中的单次方位回波，进行短时傅里叶变换，得到回波时频域二维图像；

步骤2：建立5类常见的雷达干扰模型，随机选择其中几类同时叠加在回波时频域二维图像上，得到含干扰回波时频域二维图像；干扰模型的种类包括单脉冲干扰、窄带干扰、正弦调制型宽带干扰、线性调频宽带干扰和多脉冲干扰；干扰模型的参数包括不同大小的幅度、相位、频率或调频率；

步骤3：取步骤2生成的含干扰回波时频域二维图像作为训练集和验证集，并进行二值化得到对应的标签；

步骤4：建立U-net语义分割网络，其总体架构从输入到输出包括为K1个3×3卷积层、1个1×1的卷积层，K2个池化层、K2个步长为2×2反卷积层、K2个拼接层的全卷积神经网络模型。其中卷积层采用padding＝same的卷积方式，使输入输出图像大小保持一致；池化层采用最大池化层；反卷积层采用上采样层+卷积层的方式将图片尺寸扩大一倍；网络采用交叉熵损失函数作为卷积层参数的迭代更新，采用Adam优化算法对卷积层参数进行优化，设置衰减学习率加快收敛的速度来逼近最优解，采用批标准化bn来控制过拟合；通过调整batchsize和epoch来调整网络处理数据的精度和速度；

步骤5：将训练集和及其标签代入步骤4所述U-net语义分割网络进行训练，同时代入验证集进行模型评价，当优化参数使验证集的损失率和准确率达到期望值时，保存该轮期望值下epoch对应的模型及其参数；

步骤6：将含干扰的原始雷达回波进行短时傅里叶变换，得到回波信号的时频域二维图像，输入到步骤5中得到的优化后的模型里分割出图像的干扰和背景。

Images