CN113534059B - 开集场景下基于深度卷积网络的雷达有源干扰识别方法 - Google Patents

Abstract

本发明公开一种开集场景下基于深度卷积网络的雷达有源干扰识别方法，其实现步骤为：获取雷达有源干扰信号；对每个干扰信号进行归一化处理；生成训练集和验证集；构建深度卷积网络并进行训练；使用深度卷积网络获取待识别有源干扰信号的后验分布；计算有源干扰信号后验分布的置信分数；判断置信分数是否超过阈值，若是，选择后验分布中后验概率最高的干扰作为识别结果输出，否则，识别结果为未知干扰类型。本发明具有既能准确识别已知有源干扰类型也能检测出未知有源干扰类型优点，同时具有自动提取有源干扰信号的特征的能力。

Description

开集场景下基于深度卷积网络的雷达有源干扰识别方法

技术领域

本发明涉及雷达通信技术领域，更进一步涉及雷达信号处理技术领域中的一种开集场景下基于深度卷积网络的雷达有源干扰识别方法。本发明可用于在雷达干扰环境为开集场景雷达干扰为有源干扰背景下识别有源干扰的类型。

背景技术

随着数字技术和高功率发射机的高速发展，雷达干扰技术迅速发展，基于数字储频技术的电子干扰机具有精确复制和重构截获雷达信号的能力，使干扰机能够快速产生调制方式更复杂的相干性干扰，基于高功率技术的电子干扰机能够产生高能量的噪声干扰，当这些干扰信号和真实的目标信号一起进入雷达接收机后，会产生虚假的目标信息掩盖真实目标，使得雷达无法精准探测目标。在复杂电磁环境中感知雷达有源干扰，正确地检测到干扰的存在并识别出干扰类型，是雷达抗有源干扰的前提和基础。

Yihan Xiao等人在其发表的论文“Active jamming recognition based onbilinear EfficientNet and attention mechanis”(IET Radar,Sonar&Navigation,2021,5)中提出了一种基于双线性EfficientNet和注意机制的雷达有源干扰识别方法。该方法将一维干扰信号转换为二维时频图像；通过具有双向网络注意机制自动提取时频图像的有效特征，构建方法的训练集和测试集，使用训练集训练模型，在测试时将测试样本识别为训练集中实现了雷达有源干扰识别。该方法存在的不足之处是，要求测试样本的类型在训练集中存在，否则当测试环境中出现训练环境中的没有的干扰类型，该方法会将训练环境中的没有的干扰类型识别错误地为训练集中已有干扰类型，所以该方法只适用于闭集干扰环境，无法适用于开集干扰环境。

西安电子科技大学在其申请的专利文献“一种雷达有源干扰的识别方法及系统”(专利申请号：CN201810489421.3，申请公布号CN 108919203 A)中公开了一种雷达有源干扰的识别方法。该方法对接收到的有源干扰进行变分模态分解，得到不同的模态分量；计算每个固有模态分量相应的矩形积分双谱，组合成特征参量；通过随机森林分类器实现雷达有源干扰方式的识别。该方法存在的不足之处是，需要进行变分模态分解，计算每个模态分量的矩形积分双谱构建特征集，模型的识别准确率依赖于模态分解特征的好坏，当特征无效时模型准确率会迅速下降，而且过程复杂识别过程实时性低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种开集场景下基于深度卷积网络的雷达有源干扰识别方法，旨在解决现有方法无法适用于开集干扰场景和当特征无效时有源干扰识别方法准确率会迅速下降，而且过程复杂识别过程实时性低的问题。

实现本发明目的的思路是：本发明构建一个14层的深度卷积网络，该网络的所有卷积层均为一维卷积神经网络层，利用该网络一维卷积神经网络层的卷积核可以自动提取有源干扰信号的深度特征和复合特征的能力提高方法识别准确率，解决现有方法当特征无效时有源干扰识别方法准确率会迅速下降，而且过程复杂识别过程实时性低的问题。本发明设计了一个评估有源干扰信号的后验分布集中程度的置信分数，利用深度卷积网络对已知有源干扰信号输出的后验分布集中，对未知有源干扰信号输出的后验分布分散的特点，用于检测有源干扰信号是否为已知干扰类型，解决现有方法无法适用于开集干扰场景的问题。

本发明的具体步骤如下：

步骤1，获取雷达有源干扰信号：

对雷达接收机接收的含有干扰的有源信号，依次进行混频、滤波处理后得到该有源信号中所有种类的干扰信号；

步骤2，对每个干扰信号进行归一化处理：

利用归一化公式，对每个干扰信号进行归一化处理，得到归一化处理后的干扰信号，将归一化处理后的干扰信号组合成干扰信号集合；

步骤3，生成训练集和验证集：

随机抽取干扰信号集合的每一种类型中75％的信号组合成训练集，余下的25％组成验证集；

步骤4，构建深度卷积网络：

(4a)搭建一个14层的深度卷积网络，其结构依次为：输入层，第一卷积层，第一Dropout层，第一池化层，第一批量归一化，第二卷积层，第二Dropout层，第二池化层，第二批量归一化，第三卷积层，第一全连接层，第三Dropout层，第二全连接层，SoftMax层；

(4b)将输入层的通道数设置为3600个；将第一、第二、第三卷积层的卷积核的数目均设置为32个，每个卷积核的大小均设置为30，每个卷积核的激活函数均设置为relu激活函数；将第一、第二池化层均设置为最大池化；将第一、第二、第三Dropout层的丢失率均设置为0.5；将第一、第二全连接层的全连接神经元的数目分别设置为256个和8个；

步骤5，训练深度卷积网络：

(5a)使用随机采样算法，打乱训练集中干扰信号的顺序，得到乱序后的训练集；

(5b)将乱序后的训练集输入到深度卷积网络中，使用Adam优化算法迭代更新深度卷积网络的参数，直到交叉熵损失函数收敛为止，得到训练好的深度卷积网络；

步骤6，获取待识别有源干扰信号的后验分布：

采用与步骤2相同的方式，对待识别的有源干扰信号做归一化处理，得到归一化处理后的有源干扰信号，将归一化处理后的有源干扰信号输入到训练好的深度卷积网络中，输出有源干扰信号的后验分布；

步骤7，计算有源干扰信号后验分布的置信分数：

(7a)利用置信分数公式，计算有源干扰信号的后验分布的置信分数；

(7b)设计置信分数阈值的目标函数如下：

其中，λ表示有源干扰信号后验分布的置信分数的阈值，

表示求函数f(x)的极值点，N表示验证集中已知干扰类型的信号数，M表示验证集中未知干扰类型信号的总数，sign(·)表示符号函数，若括号中的值大于零则该函数值为1，否则，函数值为-1，c_i表示第i个已知干扰信号的后验分布的置信分数，

表示第i个未知干扰信号的后验分布的置信分数，w₁表示已知干扰类型被准确识别的奖励权值重，w₂表示未知干扰类型被准确检测的奖励权值重，将w₁和w₂分别设置为1和10；

(7c)使用遗传算法，优化置信分数的阈值，得到最优的置信分数阈值；

步骤8，判断待识别有源干扰信号后验分布的置信分数是否超过阈值，若是，则执行步骤9，否则，执行步骤10；

步骤9，选择有源干扰信号后验分布中后验概率最高的干扰作为识别结果输出；

步骤10，将待识别有源干扰信号判定为未知干扰类型输出。

本发明与现有技术相比具有如下优点：

第一，由于本发明构建的深度卷积网络中的卷积层均为一维卷积神经网络层，可以自动提取有源干扰信号的深度特征和复合特征，克服了现有技术当特征无效时有源干扰识别方法准确率会迅速下降，而且过程复杂识别过程实时性低的问题，使得本发明具有自动提取有源干扰信号的特征、识别过程是一个端到端过程实时性高、使用批量归一化层使模型的训练速度快不容易出现过拟合的优点。

第二，由于本发明设计了一个评估有源干扰信号的后验分布集中程度的置信分数，可以检测有源干扰信号是否为已知干扰类型，克服了现有技术无法适用于开集干扰场景的问题，使得本发明具有既能准确识别已知有源干扰类型也能检测出未知有源干扰类型的优点。

附图说明

图1是本发明的流程图；

图2是本发明仿真实验中深度卷积网络训练过程中损失函数的变化曲线图；

图3是本发明仿真实验中深度卷积网络训练过程中识别准确率的变化曲线图。

具体实施方式

下面结合附图和实施例对本发明做进一步的详细描述。

参照图1，对本发明实现的具体实施做进一步的详细描述。

步骤1，获取雷达有源干扰信号。

对雷达接收机接收的含有干扰的有源信号，依次进行混频、滤波处理后得到该有源信号中所有种类的干扰信号。

步骤2，对每个干扰信号进行归一化处理。

利用归一化公式，对每个干扰信号进行归一化处理，得到归一化处理后的干扰信号，将归一化处理后的干扰信号组合成干扰信号集合。

所述的归一化公式如下：

其中，X_i,j表示第i个干扰信号中第j个采样点的幅值，Y_i,j表示第i个干扰信号中第j个采样点的幅值归一化处理后的幅值，X_min,j表示所有干扰信号的第j个采样点幅值的最小值，X_max,j表示所有干扰信号幅值的第j个采样点幅值的最大值。

步骤3，生成训练集和验证集。

随机抽取干扰信号集合的每一种类型中75％的信号组合成训练集，余下的25％组成验证集。

步骤4，构建深度卷积网络。

搭建一个14层的深度卷积网络，其结构依次为：输入层，第一卷积层，第一Dropout层，第一池化层，第一批量归一化，第二卷积层，第二Dropout层，第二池化层，第二批量归一化，第三卷积层，第一全连接层，第三Dropout层，第二全连接层，SoftMax层。

将输入层的通道数设置为3600个；将第一、第二、第三卷积层的卷积核的数目均设置为32个，每个卷积核的大小均设置为30，每个卷积核的激活函数均设置为relu激活函数；将第一、第二池化层均设置为最大池化；将第一、第二、第三Dropout层的丢失率均设置为0.5；将第一、第二全连接层的全连接神经元的数目分别设置为256个和8个。

步骤5，训练深度卷积网络。

使用随机采样算法，打乱训练集中干扰信号的顺序，得到乱序后的训练集。

将乱序后的训练集输入到深度卷积网络中，使用Adam优化算法迭代更新深度卷积网络的参数，直到交叉熵损失函数收敛为止，得到训练好的深度卷积网络。

步骤6，获取待识别有源干扰信号的后验分布。

采用与步骤2相同的方式，对待识别的有源干扰信号做归一化处理，得到归一化处理后的有源干扰信号，将归一化处理后的有源干扰信号输入到训练好的深度卷积网络中，输出有源干扰信号的后验分布。

步骤7，计算有源干扰信号后验分布的置信分数。

利用下述置信分数公式，计算有源干扰信号的后验分布的置信分数：

其中，C表示有源干扰信号后验分布的置信分数，log₂(·)表示底数为2的对数操作，y表示训练集中干扰类型的总数，Σ表示求和操作，k表示干扰类型的编号，p_k表示有源干扰信号的后验分布。

设计置信分数阈值的目标函数如下：

其中，λ表示有源干扰信号后验分布的置信分数的阈值，

表示求函数f(x)的极值点，N表示验证集中已知干扰类型的信号数，M表示验证集中未知干扰类型信号的总数，sign(·)表示符号函数，若括号中的值大于零则该函数值为1，否则，函数值为-1，c_i表示第i个已知干扰信号的后验分布的置信分数，

表示第i个未知干扰信号的后验分布的置信分数，w₁表示已知干扰类型被准确识别的奖励权值重，w₂表示未知干扰类型被准确检测的奖励权值重，将w₁和w₂分别设置为1和10。

使用遗传算法，优化置信分数的阈值，得到最优的置信分数阈值。

步骤8，判断待识别有源干扰信号后验分布的置信分数是否超过阈值，若是，则执行步骤9，否则，执行步骤10。

步骤9，选择有源干扰信号后验分布中后验概率最高的干扰作为识别结果输出。

步骤10，将待识别有源干扰信号判定为未知干扰类型输出。

下面结合仿真实验对本发明的效果做进一步的描述。

1.仿真条件:

本发明的仿真实验的硬件平台为：处理器为Intel i7 5930k CPU，主频为3.5GHz，内存16GB。

本发明的仿真实验的软件平台为：Windows 10操作系统和python 3.8。

本发明的仿真实验中使用的有源干扰信号包括距离欺骗干扰、速度欺骗干扰、距离拖引欺骗干扰、速度拖引欺骗干扰、距离和速度联合欺骗干扰、直接转发干扰、循环转发干扰、重复转发干扰、噪声调幅干扰、噪声调频干扰、噪声调相干扰共11种有源干扰类型。

2.仿真内容与结果分析：

本发明的仿真实验包括两个：第一个是在不同干噪比下测试模型的识别性能，第二个是在开集干扰环境下测试模型的开集识别性能。

仿真实验1。

本发明仿真实验所使用的训练集从雷达有源干扰模型库中提取距离欺骗干扰、速度欺骗干扰、距离拖引欺骗干扰、速度拖引欺骗干扰、直接转发干扰、循环转发干扰、噪声调幅干扰、噪声调频干扰共8种有源干扰类型，每种干扰类型有400个信号样本。测试集包括距离欺骗干扰、速度欺骗干扰、距离拖引欺骗干扰、速度拖引欺骗干扰、直接转发干扰、循环转发干扰、噪声调幅干扰、噪声调频干扰共8种有源干扰类型，每种干扰类型有100个信号样本。

使用训练集训练深度卷积网络模型，在干噪比分别为-10dB、0dB、10dB的情况下测试有源干扰识别模型评估模型的抗噪性能。通过计算模型每次迭代的损失函数值和识别准确率，得到损失函数值变化曲线如图2所示，得到准确率变化曲线如图3所示。图2中的横轴代表迭代次数，纵轴对应每次迭代的损失函数值。图3中的横轴代表迭代次数，纵轴对应每次迭代的训练识别准确率。

从图2中可以看出，随着迭代次数的增加损失函数值逐渐下降最终收敛至稳定，损失函数值越小代表模型的训练效果越好。由图3可以看出，随着迭代次数的增加模型识别准确率逐渐提高最终收敛至接近1，识别准确率越高代表模型的识别性能越好。

通过在干噪比分别为-10dB、0dB、10dB的情况下计算训练好的深度卷积网络模型的准确率、精确度、召回率，表1为干噪比分别为-10dB、0dB、10dB的情况下测试有源干扰识别模型的结果。

利用三个评价指标(准确率、精确度、召回率)分别对三种干噪比下的分类结果进行评价。利用下面公式，计算准确率，精确度，召回率，将所有计算结果绘制成表1：

其中，TP表示正类被预测为正类的信号数，FN表示正类被预测为负类的信号数，FP表示负类被预测为正类的信号数，TN表示负类被预测为负类的信号数。

表1.本发明仿真实验在三种干噪比下的分类结果的定量分析表

结合表1可以看出，本发明的总体是识别准确率在0.94以上，识别精确度在0.94，以及召回率也在0.94以上。以上仿真实验表明：本发明方法端到端的自动有源干扰识别方法在不同干噪比下能准确识别干扰类型，同时在较低的干噪比下仍然具有较高的准确率，表明本发明的方法具有较好的抗噪性能。

仿真实验2。

本发明仿真实验所使用的训练集从雷达有源干扰模型库中提取距离欺骗干扰、速度欺骗干扰、距离拖引欺骗干扰、速度拖引欺骗干扰、直接转发干扰、循环转发干扰、噪声调幅干扰、噪声调频干扰共8种有源干扰类型，每种干扰类型有400个信号样本。本发明仿真实验所使用的测试集是从雷达有源干扰模型库中提取的两部分干扰类型组成的。第一部分为已知干扰，包括距离欺骗干扰、速度欺骗干扰、距离拖引欺骗干扰、速度拖引欺骗干扰、直接转发干扰、循环转发干扰、噪声调幅干扰、噪声调频干扰。第二部分为未知干扰，包括距离和速度联合欺骗干扰、重复转发干扰、噪声调相干扰，总共11种有源干扰类型，每种干扰类型有100个信号样本。

本发明的仿真实验2是在存在三种未知有源干扰的开集测试集中，分别对本发明提出的开集场景下基于深度卷积网络的雷达有源干扰识别方法和现有基于卷积网络的雷达有源干扰识别方法进行测试和对比。采用以下公式计算本发明的方法和现有技术在测试集上对每种干扰类型的识别准确率和识别错误率分别得到混淆矩阵表2和混淆矩阵表3。表2表示现有技术的基于卷积网络的雷达有源干扰识别方法的测试结果的混淆矩阵。表3表示本发明提出的开集场景下基于深度卷积网络的雷达有源干扰识别方法的测试结果的混淆矩阵。

表2.现有技术在开集干扰环境下混淆矩阵的测试表

表3.本发明在开集干扰环境下混淆矩阵的测试表

从表2可知现有技术将未知干扰1、未知干扰2、未知干扰3均识别成了已知的干扰类型1-8，没有检测出未知干扰类型，出现了严重的识别错误。从表3可知本发明方法将未知干扰1的77％别检测成为未知干扰，未知干扰2的83％别检测成为未知干扰，未知干扰3的81％别检测成为未知干扰，本发明的方法不仅准确识别出了已知的干扰类型，还准确检测出了未知的干扰类型。以上仿真实验表明：本发明的方法解决了现有方法无法适用于开集干扰场景的问题，本发明方法在开集干扰场景下既能准确识别已知有源干扰类型也能检测出未知有源干扰类型。

Claims (2)

1.一种开集场景下基于深度卷积网络的雷达有源干扰识别方法，其特征在于，构建了一个深度卷积网络，用于输出有源干扰信号的后验分布，设计了一个置信分数指标，用于检测有源干扰信号是否为未知干扰类型，该识别方法的步骤包括如下：

步骤1，获取雷达有源干扰信号：

对雷达接收机接收的含有干扰的有源信号，依次进行混频、滤波处理后得到该有源信号中所有种类的干扰信号；

步骤2，对每个干扰信号进行归一化处理：

利用归一化公式，对每个干扰信号进行归一化处理，得到归一化处理后的干扰信号，将归一化处理后的干扰信号组合成干扰信号集合；

步骤3，生成训练集和验证集：

随机抽取干扰信号集合的每一种类型中75％的信号组合成训练集，余下的25％组成验证集；

步骤4，构建深度卷积网络：

(4a)搭建一个14层的深度卷积网络，其结构依次为：输入层，第一卷积层，第一Dropout层，第一池化层，第一批量归一化，第二卷积层，第二Dropout层，第二池化层，第二批量归一化，第三卷积层，第一全连接层，第三Dropout层，第二全连接层，SoftMax层；

(4b)将输入层的通道数设置为3600个；将第一、第二、第三卷积层的卷积核的数目均设置为32个，每个卷积核的大小均设置为30，每个卷积核的激活函数均设置为relu激活函数；将第一、第二池化层均设置为最大池化；将第一、第二、第三Dropout层的丢失率均设置为0.5；将第一、第二全连接层的全连接神经元的数目分别设置为256个和8个；

步骤5，训练深度卷积网络：

(5a)使用随机采样算法，打乱训练集中干扰信号的顺序，得到乱序后的训练集；

(5b)将乱序后的训练集输入到深度卷积网络中，使用Adam优化算法迭代更新深度卷积网络的参数，直到交叉熵损失函数收敛为止，得到训练好的深度卷积网络；

步骤6，获取待识别有源干扰信号的后验分布：

采用与步骤2相同的方式，对待识别的有源干扰信号做归一化处理，得到归一化处理后的有源干扰信号，将归一化处理后的有源干扰信号输入到训练好的深度卷积网络中，输出有源干扰信号的后验分布；

步骤7，计算有源干扰信号后验分布的置信分数：

(7a)利用下述置信分数公式，计算有源干扰信号的后验分布的置信分数：

其中，C表示有源干扰信号后验分布的置信分数，log₂(·)表示底数为2的对数操作，y表示训练集中干扰类型的总数，∑表示求和操作，k表示干扰类型的编号，p_k表示有源干扰信号的后验分布；

(7b)设计置信分数阈值的目标函数如下：

其中，λ表示有源干扰信号后验分布的置信分数的阈值，

表示求函数f(x)的极值点，N表示验证集中已知干扰类型的信号数，M表示验证集中未知干扰类型信号的总数，sign(·)表示符号函数，若括号中的值大于零则该函数值为1，否则，函数值为-1，c_i表示第i个已知干扰信号的后验分布的置信分数，

表示第i个未知干扰信号的后验分布的置信分数，w₁表示已知干扰类型被准确识别的奖励权值重，w₂表示未知干扰类型被准确检测的奖励权值重，将w₁和w₂分别设置为1和10；

(7c)使用遗传算法，优化置信分数的阈值，得到最优的置信分数阈值；

步骤8，判断待识别有源干扰信号后验分布的置信分数是否超过阈值，若是，则执行步骤9，否则，执行步骤10；

步骤9，选择有源干扰信号后验分布中后验概率最高的干扰作为识别结果输出；

步骤10，将待识别有源干扰信号判定为未知干扰类型输出。

2.根据权利要求1所述的开集场景下基于深度卷积网络的雷达有源干扰识别方法，其特征在于，步骤2中所述的归一化公式如下：

其中，X_i,j表示第i个干扰信号中第j个采样点的幅值，Y_i,j表示第i个干扰信号中第j个采样点的幅值归一化处理后的幅值，X_min,j表示所有干扰信号的第j个采样点幅值的最小值，X_max,j表示所有干扰信号幅值的第j个采样点幅值的最大值。

Images