CN113759320A - 基于递归图和深度学习的雷达有源干扰信号识别方法 - Google Patents
基于递归图和深度学习的雷达有源干扰信号识别方法 Download PDFInfo
- Publication number
- CN113759320A CN113759320A CN202110769115.7A CN202110769115A CN113759320A CN 113759320 A CN113759320 A CN 113759320A CN 202110769115 A CN202110769115 A CN 202110769115A CN 113759320 A CN113759320 A CN 113759320A
- Authority
- CN
- China
- Prior art keywords
- interference
- dimensional
- neural network
- signal
- recursion
- 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 54
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 102
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012800 visualization Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007794 visualization technique 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
本申请涉及一种递归图和深度学习的雷达有源干扰信号识别方法。所述方法包括：通过采用仿真的方式构建大量的不同类别的干扰仿真信号，并将各一维的干扰仿真信号均转换为二维递归图，再通过利用大量的二维递归图对识别深度神经网络进行训练，得到具备对雷达有源干扰信号进行识别能力的已训练的识别深度神经网络。在本方法中由于是基于相空间重构及可视化算法得到二维递归图，其中该递归图是基于时间序列上的图，而不同于现有技术中更多的采用的干扰信号的时频图进行识别，这样针对某一些类别的干扰信号无法识别出的缺陷，采用本方法可识别出更多类别的干扰信号。
Description
技术领域
本申请涉及雷达技术领域，特别是涉及一种基于递归图和深度学习的雷达有源干扰信号识别方法。
背景技术
近年来，雷达干扰技术得到迅速发展，特别是基于数字射频存储的干扰技术的广泛应用，使得干扰可以在极短的时间内依据当前截获的信号完成调制与转发，由此能够产生具有强相干性的复杂雷达有源干扰，很难被雷达识别和抑制。传统的雷达干扰识别方法无法对雷达干扰进行智能化的感知，更多的依赖于人工判断，具有很强的模糊性和主观性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对雷达干扰进行智能化感知的基于递归图和深度学习的雷达有源干扰信号识别方法。
一种基于递归图和深度学习的雷达有源干扰信号识别方法，所述方法包括：
对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
在其中一个实施例中，在对各所述干扰仿真信号转换为二维递归图之前，还对各所述干扰仿真依次进行混频、低通滤波、降采样以及对所述干扰仿真信号的时域波形进行截取。
在其中一个实施例中，在对各所述干扰仿真信号进行相空间重构算法时，采用延时嵌入法估计延时时间以及嵌入维度；
根据所述延时时间以及嵌入维度进行重构相空间后得到轨迹方程。
在其中一个实施例中，在对各所述干扰仿真信号进行相空间重构算法得到所述轨迹方程后，在进行可视化算法包括：
根据所述轨迹方程得到相应的状态矢量方程；
根据所述状态矢量方程计算嵌入维度下的状态矢量中的两预设矢量的范数；
根据所述范数进行计算得到递归矩阵，根据所述递归矩阵得到对应的二维递归图。
在其中一个实施例中，在将所述二维递归图数据集输入所述识别深度神经网络进行训练前，还将各所述二维递归图依次进行灰度化处理以及图像压缩及剪裁处理。
在其中一个实施例中，所述识别深度神经网络包括卷积神经网络以及全连接网络；
所述卷积神经网络用于提取所述二维递归图的干扰特征；
所述全连接网络用于将所述干扰特征作为输入，并对相应的干扰仿真信号进行分类。
在其中一个实施例中，所述卷积神经网络的结构包括交替布置的四层卷积层以及四层最大池化层。
在其中一个实施例中，所述全连接网络的结构包括依次连接的输入层、第一隐含层、第二隐含层以及采用Softmax分类器的输出层；
其中，所述输入层包括256个神经元，所述第一隐含层包括128个神经元，所述第二隐含层包括64个神经元。
在其中一个实施例中，所述输入层、第一隐含层以及第二隐含层中还采用Dropout策略以防止数据过拟合。
在其中一个实施例中，在对识别深度神经网络进行训练时，采用交叉熵损失函数计算其损失函数。
一种基于递归图和深度学习的雷达有源干扰信号识别装置，所述装置包括：
干扰仿真信号数据库构建模块，用于对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
二维递归图数据集构建模块，用于针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
识别深度神经网络训练模块，用于构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
雷达有源干扰信号识别模块，用于获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
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时实现以下步骤：
对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
上述基于递归图和深度学习的雷达有源干扰信号识别方法，通过采用仿真的方式构建大量的不同类别的干扰仿真信号，并将各一维的干扰仿真信号均转换为二维递归图，再通过利用大量的二维递归图对识别深度神经网络进行训练，得到具备对雷达有源干扰信号进行识别能力的已训练的识别深度神经网络。在本方法中由于是基于相空间重构及可视化算法得到二维递归图，其中该递归图是基于时间序列上的图，而不同于现有技术中更多的采用的干扰信号的时频图进行识别，这样针对某一些类别的干扰信号无法识别出的缺陷，采用本方法可识别出更多类别的干扰信号。
附图说明
图1为一个实施例中雷达有源干扰信号识别方法的流程示意图；
图2为一个实施例中8种雷达有源干扰信号的时域和频域示意图；
图3为一个实施例中对干扰信号进行预处理的流程示意图；
图4为一个实施例中8种雷达有源干扰信号在干噪比为3dB条件下对应的二维递归图；
图5为一个实施例中识别深度神经网络的结构示意图；
图6为一个实施例中利用已训练的识别深度神经网络进行识别的准确率示意图；
图7为一个实施例中雷达有源干扰信号识别装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，提供了一种基于递归图和深度学习的雷达有源干扰信号识别方法，包括以下步骤：
步骤S100，对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各干扰仿真信号构建干扰仿真信号数据库；
步骤S110，针对干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
步骤S120，构建识别深度神经网络，并根据二维递归图数据对识别深度神经网络进行训练，得到已训练的识别深度神经网络；
步骤S130，获取待识别的雷达有源干扰信号，并将一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入已训练的识别深度神经网络，对待识别的雷达有源干扰信号进行识别。
在步骤S100-S120为对识别深度神经网络进行训练，而步骤S130为对已训练的识别深度神经网络对待检测的雷达有源干扰信号进行识别。
在步骤S100中，为了便于对识别深度神经网络进行训练，进行训练用的雷达干扰信号均是基于雷达有源干扰信号进行仿真得到的。在本实施例中，可采用MATLAB软件对雷达有源干扰信号进行仿真，并添加不同干噪比的高斯白噪声。
在本申请中，具体针对8种类型的干扰信号进行研究，包括射频噪声干扰、噪声调幅干扰、噪声调频干扰、间歇采样转发干扰、多假目标干扰、频谱弥散干扰、切片重构干扰、以及移频灵巧噪声干扰，如图2所示，为这八种类型干扰的时域和频域图像，在图2中，第一列为四个不同种类干扰信号的时域图像，第二列为对应左方同种干扰信号的频域图像，第三列为另外四个不同种类干扰信号的时域图像，同样的第四列为对应左方同种干扰信号的频域图像。
在对识别深度神经网络进行训练时，可针对雷达具体应用的环境，可接收到的干扰雷达的种类，对其进行训练。不一定都是采用上面8种干扰信号，还可以采用其它的干扰信号进行训练，使识别深度神经网络具备针对应用环境中的干扰信号进行识别的能力。
在其中一实施例中，对雷达有源干扰信号采用MATLAB软件进行仿真时，雷达回波信号x(t)为LFM信号也就是线性调频信号，发射信号为单脉冲，脉宽为10μs，脉冲重复周期为60μs,中心频率为f0＝300MHz，带宽为20MHz，设定固定的目标距离为3km，固定的目标径向速度为75km/h，目标反射截面积： RCS＝10。
进一步的，在对各干扰仿真信号转换为二维递归图之前，如图3所示，还对各干扰仿真依次进行混频、低通滤波、降采样以及对干扰仿真信号的时域波形进行截取。
具体的，在对干扰仿真信号进行混频操作时，利用雷达相干信号 sin(2π(fc-f0)t)进行混频，实现频谱搬移的功能。其中fc为LFM信号载波频率，f0为信号中频，仿真设置为10MHz。在对进行混频操作后的干扰仿真信号进行低通滤波将高频分量滤除，若雷达发射信号带宽为20MHz，则低通滤波器的通带截止频率为20MHz。接着对低通滤波后的干扰仿真信号进行降采样，在这里可设定采样频率降低40MHz。最后利用滑窗对干扰仿真信号的时域波形进行截取，设定截取滑窗内能量最大的片段，滑窗长度设定为脉冲宽度。
在步骤S110中，通过相空间重构方法以及可视化方法将一维的干扰仿信号转换为二维递归图，其中，在对对各干扰仿真信号进行相空间重构算法时，采用延时嵌入法估计延时时间以及嵌入维度，根据延时时间以及嵌入维度进行重构相空间后得到轨迹方程。
具体的，可采用C-C方法((Kim H S，Eykholt R，Salas JD.Nonlinear dynamics，delay times and embedding Windows.1999)估计延迟时间τ和嵌入维数m，实现自适应选择延迟时间和嵌入维数。假设干扰仿真图像的原始时间序列为un， n＝1，2，...，N，重构相空间后得到的轨迹如公式(1)：
xi＝(ui，ui+τ，...，ui+(m-1)τ)，i＝1，2，...，N-(m-1)τ (1)
在步骤S110中，在对各干扰仿真信号进行相空间重构算法得到轨迹方程后，在进行可视化算法包括：根据轨迹方程得到相应的状态矢量方程，根据状态矢量方程计算嵌入维度下的状态矢量中的两预设矢量的范数，根据范数进行计算得到递归矩阵，根据递归矩阵得到对应的二维递归图。
具体的，在使用延时嵌入法进行相空间重构后得到公式(1)，再给定 (m＞1，τ＞0)，可以得到状态矢量如下式所示：
xi＝(x1(i)x2(i)，...，xm(i)) (2)
在公式(2)，x1(i)＝ui，x2(i)＝ui+τ，...，xm(i)＝ui+(m-1)τ。
再根据公式(2)计算m维的状态矢量中的第i个矢量xi和第j个矢量xj的范数||xi-xj||，(i，j＝1，2，3，...，N-(m-1)τ)。并根据范数计算递归矩阵，得到：
Ri，j＝Θ(ε-||xi-xj||) (3)
在公式(3)中，Ri，j为递归矩阵，ε为范数门限，Θ(·)为Heaviside函数。且在进行计算时，将阈值选择为第二四分位数。
通过二维递归图可以观察到干扰信号的结构特征，可以从中获取现有方法中不能获取的信息特征。由于现在技术中，均是将一维的干扰信号转换为频域图像，这样再对个别种类的干扰信号无法识别，例如频谱弥散干扰以及切片重构干扰，而采用二维递归图的干扰识别方法就可以清楚的识别这两种干扰信号。
二维递归图通过发掘时间序列内在的时序周期性，可以从图中反映出时间序列的结构形式，相比于现有的干扰识别方法，处理后损失的信息量较小，对时域变化的敏感性更高，能够区分其他方法较难区别的信号。
在本实施例中，在将二维递归图数据集输入所述识别深度神经网络进行训练前，还将各二维递归图依次进行灰度化处理以及图像压缩及剪裁处理。
具体的，在对二维递归图进行灰度化处理后得到如图4所示。
具体的，采用包括但不限于双三次插值算法将图像大小压缩到256*256，以及采用随机裁剪的方法，将图像裁剪到128*128，以增强数据集的泛化能力。
在步骤S120中，识别深度神经网络包括用于提取二维递归图干扰特征的卷积神经网络，以及将所述干扰特征作为输入并对相应的干扰仿真信号进行分类全连接网络。
具体的，卷积神经网络的结构包括交替布置的四层卷积层以及四层最大池化层，也就是说卷积神经网络由一层卷积层、一层最大池化层、再一层卷积层这么交替排列的。卷积神经网络以二维递归图为输入并通过各卷积层与最大池化层提取相应的干扰特征，构造一维特征向量X＝[x1,x2,...,xi]，其中X为全局特征向量，i为干扰特征个数，并将其作为全连接层的输入。
在本实施例中，各层卷积层为3*3卷积层，采用ReLu激活函数，其表达式为f(x)＝max(0,x)。
在本实施例中，各层最大池化层为2*2最大值池化层，采用ReLu激活函数，其表达式为f(x)＝max(0,x)。
在本实施例中，全连接网络包括依次连接的输入层、第一隐含层、第二隐含层以及采用Softmax分类器的输出层；
其中，输入层包括256个神经元，第一隐含层包括128个神经元，第二隐含层包括64个神经元。
进一步的，输入层、第一隐含层以及第二隐含层中还采用Dropout策略以防止数据过拟合。
具体的，构建输入层，为256个神经元，采用ReLu激活函数，其表达式为 f(x)＝max(0,x)，设置Dropout＝0.5，以50％的概率丢弃网络节点，防止过拟合。在构建第一隐含层时，为128个神经元，采用ReLu激活函数，其表达式为 f(x)＝max(0,x)，设置Dropout＝0.5。在构建第二隐含层时，设置64个神经元，采用ReLu激活函数，其表达式为f(x)＝max(0,x)，设置Dropout＝0.5。在构建输出层，设置神经元个数为8，采用Softmax分类器来预测每一类的概率，采用 one-hot编码方式。
在本实施例中，在对全连接网络中输入层、第一隐含层以及第二隐含层中的神经元个数，以及Dropout的概率均可根据实际情况进行调整，上述只是提供了其中一种参数设置方法。
在本实施例中，在对识别深度神经网络进行训练时，先分别对卷积神经网络以及全连接网络进行训练，在对卷积神经网络进行训练过程汇总采用分组卷积的方法减少参数量，而采用优化算法对全连接网络进行训练。再将训练好的卷积神经网络以及全连接神经网络进行组合后，如图5所示，再对其进行训练。
在本实施例中，在对组合后的卷积神经网络以及全连接神经网络进行训练时，设置学习率为0.001，batchsize＝64，epoch＝50，采用Adam优化算法作为优化器，采用交叉熵损失函数计算损失，得到最终训练好的识别深度神经网络。
在步骤S110中，再得到二维递归图数据集后，还按照4:1的比例将数据集划分为训练集以及测试集，通过训练集中的二维递归图对识别深度神经网络进行训练后，再通过测试集中的二维递归图对识别深度神经网络进行测试，并对网络参数再次进行调整，以确保已训练的识别深度神经网络识别干扰信号的精准度。
利用训练好的网络对测试集数据进行测试，得到的结果如图6所示，从结果可得，本申请的基于递归图和深度学习的雷达有源干扰信号识别算法能够对干扰信号进行较为准确的识别，为干扰信号的识别提出了一种新的解决思路。
在步骤S130中，待识别的雷达有源干扰信号为雷达实测得到的，在获取干扰信号后需要对其进行预处理，其预处理的过程与对干扰仿真信号进行处理的过程相同包括混频、低通滤波、降采样以及对干扰仿真信号的时域波形进行截取。再对处理后的雷达有源干扰信号依据相空间重构算法以及可视化算法转换为对应的二维递归图，再将二维递归图输入已训练的识别深度神经网络对其干扰信号的种类进行识别。
上述基于递归图和深度学习的雷达有源干扰信号识别方法，通过采用仿真的方式构建大量的不同类别的干扰仿真信号，并将各一维的干扰仿真信号均转换为二维递归图，再通过利用大量的二维递归图对识别深度神经网络进行训练，得到具备对雷达有源干扰信号进行识别能力的已训练的识别深度神经网络。在本方法中由于是基于相空间重构及可视化算法得到二维递归图，其中该递归图是基于时间序列上的图，而不同于现有技术中更多的采用的干扰信号的时频图进行识别，这样针对某一些类别的干扰信号无法识别出的缺陷，采用本方法可识别出更多类别的干扰信号。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种基于递归图和深度学习的雷达有源干扰信号识别装置，包括：干扰仿真信号数据库构建模块200、二维递归图数据集构建模块210、识别深度神经网络训练模块220和雷达有源干扰信号识别模块230，其中：
干扰仿真信号数据库构建模块200，用于对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
二维递归图数据集构建模块210，用于针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
识别深度神经网络训练模块220，用于构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
雷达有源干扰信号识别模块230，用于获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
关于基于递归图和深度学习的雷达有源干扰信号识别装置的具体限定可以参见上文中对于基于递归图和深度学习的雷达有源干扰信号识别方法的限定，在此不再赘述。上述基于递归图和深度学习的雷达有源干扰信号识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于递归图和深度学习的雷达有源干扰信号识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限， RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于递归图和深度学习的雷达有源干扰信号识别方法，其特征在于，包括：
对雷达有源干扰信号进行仿真得到多种类型的干扰仿真信号，并根据各所述干扰仿真信号构建干扰仿真信号数据库；
针对所述干扰仿真信号数据库中的各干扰仿真信号采用相空间重构算法以及可视化算法将一维的干扰仿真信号转换为二维递归图，并根据与各所述干扰仿真信号相关的多个二维递归图构建二维递归图数据集；
构建识别深度神经网络，并根据所述二维递归图数据对所述识别深度神经网络进行训练，得到已训练的识别深度神经网络；
获取待识别的雷达有源干扰信号，并将所述一维的雷达有源干扰信号进行预处理后转换为相应的二维递归图，并将该二维递归图输入所述已训练的识别深度神经网络，对所述待识别的雷达有源干扰信号进行识别。
2.根据权利要求1所述的雷达有源干扰信号识别方法，其特征在于，在对各所述干扰仿真信号转换为二维递归图之前，还对各所述干扰仿真依次进行混频、低通滤波、降采样以及对所述干扰仿真信号的时域波形进行截取。
3.根据权利要求1所述的雷达有源干扰信号识别方法，其特征在于，在对各所述干扰仿真信号进行相空间重构算法时，采用延时嵌入法估计延时时间以及嵌入维度；
根据所述延时时间以及嵌入维度进行重构相空间后得到轨迹方程。
4.根据权利要求3所述的雷达有源干扰信号识别方法，其特征在于，在对各所述干扰仿真信号进行相空间重构算法得到所述轨迹方程后，在进行可视化算法包括：
根据所述轨迹方程得到相应的状态矢量方程；
根据所述状态矢量方程计算嵌入维度下的状态矢量中的两预设矢量的范数；
根据所述范数进行计算得到递归矩阵，根据所述递归矩阵得到对应的二维递归图。
5.根据权利要求1所述的雷达有源干扰信号识别方法，其特征在于，在将所述二维递归图数据集输入所述识别深度神经网络进行训练前，还将各所述二维递归图依次进行灰度化处理以及图像压缩及剪裁处理。
6.根据权利要求1所述的雷达有源干扰信号识别方法，其特征在于，所述识别深度神经网络包括卷积神经网络以及全连接网络；
所述卷积神经网构用于提取所述二维递归图的干扰特征；
所述全连接网络用于将所述干扰特征作为输入，并对相应的干扰仿真信号进行分类。
7.根据权利要求6所述的雷达有源干扰信号识别方法，其特征在于，所述卷积神经网络的结构包括交替布置的四层卷积层以及四层最大池化层。
8.根据权利要求6所述的雷达有源干扰信号识别方法，其特征在于，所述全连接网络的结构包括依次连接的输入层、第一隐含层、第二隐含层以及采用Softmax分类器的输出层；
其中，所述输入层包括256个神经元，所述第一隐含层包括128个神经元，所述第二隐含层包括64个神经元。
9.根据权利要求8所述的雷达有源干扰信号识别方法，其特征在于，所述输入层、第一隐含层以及第二隐含层中还采用Dropout策略以防止数据过拟合。
10.根据权利要求1所述的雷达有源干扰信号识别方法，其特征在于，在对识别深度神经网络进行训练时，采用交叉熵损失函数计算其损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110769115.7A CN113759320A (zh) | 2021-07-07 | 2021-07-07 | 基于递归图和深度学习的雷达有源干扰信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110769115.7A CN113759320A (zh) | 2021-07-07 | 2021-07-07 | 基于递归图和深度学习的雷达有源干扰信号识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113759320A true CN113759320A (zh) | 2021-12-07 |
Family
ID=78787557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110769115.7A Pending CN113759320A (zh) | 2021-07-07 | 2021-07-07 | 基于递归图和深度学习的雷达有源干扰信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113759320A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
| CN112396109A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 |
| CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
-
2021
- 2021-07-07 CN CN202110769115.7A patent/CN113759320A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
| CN112396109A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 |
| CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱石坚 徐道临: "《舰船机械隔振系统线谱混沌化控制》", 国防工业出版社, pages: 33 - 35 * |
| 李素萍;姚淑霞;: "基于最优相空间重构参数的空调系统负荷预测", 低温与超导, no. 03 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389058B (zh) | 海杂波与噪声信号分类方法及系统 | |
| CN107563411B (zh) | 基于深度学习的在线sar目标检测方法 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN110059700B (zh) | 图像摩尔纹识别方法、装置、计算机设备及存储介质 | |
| Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
| CN113345463B (zh) | 基于卷积神经网络的语音增强方法、装置、设备及介质 | |
| Jing et al. | AENN: A generative adversarial neural network for weather radar echo extrapolation | |
| Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
| CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
| Amin et al. | Understanding deep neural networks performance for radar-based human motion recognition | |
| Andriyanov et al. | Pattern recognition on radar images using augmentation | |
| Kamal et al. | Generative adversarial learning for improved data efficiency in underwater target classification | |
| CN114895275A (zh) | 基于高效多维注意力神经网络的雷达微动手势识别方法 | |
| Xu et al. | Marine radar small target classification based on block-whitened time–frequency spectrogram and pre-trained CNN | |
| CN114241491A (zh) | 一种基于轻量级深度学习网络的手写字母识别方法 | |
| Delamou et al. | Deep learning-based estimation for multitarget radar detection | |
| Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
| Erdoğan et al. | Object classification on noise-reduced and augmented micro-doppler radar spectrograms | |
| CN116894207A (zh) | 一种基于Swin Transformer和迁移学习的智能辐射源识别方法 | |
| CN113759320A (zh) | 基于递归图和深度学习的雷达有源干扰信号识别方法 | |
| Martinez et al. | Deep learning-based segmentation for the extraction of micro-doppler signatures | |
| CN116304553A (zh) | 一种多调制体制下基于深度学习的干扰类型识别方法 | |
| CN112346056B (zh) | 多脉冲雷达信号的分辨性特征融合提取方法及识别方法 | |
| CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
| CN115905945A (zh) | 行人动作识别方法、装置、设备及存储介质 |
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 |