CN113962151B - 基于深度卷积迁移学习的距离假目标智能识别方法 - Google Patents
基于深度卷积迁移学习的距离假目标智能识别方法 Download PDFInfo
- Publication number
- CN113962151B CN113962151B CN202111226081.3A CN202111226081A CN113962151B CN 113962151 B CN113962151 B CN 113962151B CN 202111226081 A CN202111226081 A CN 202111226081A CN 113962151 B CN113962151 B CN 113962151B
- Authority
- CN
- China
- Prior art keywords
- distance
- target
- drfm
- radar
- interference
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013526 transfer learning Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于深度卷积迁移学习的距离假目标智能识别方法,属于雷达电子对抗技术领域,包括步骤:制作DRFM距离假目标干扰识别数据集;对DRFM距离假目标干扰识别数据集进行划分,得到训练集和测试集,并将训练集输入基于深度卷积迁移学习的网络模型中进行训练,得到距离假目标智能识别网络模型;利用测试集对距离假目标智能识别网络模型进行测试,得到距离假目标识别率;判断距离假目标识别率是否大于等于阈值,若是,则将获取的距离‑多普勒图像输入距离假目标智能识别网络模型,得到相应的距离假目标智能识别结果。本发明可以代替以往需要雷达操作员依靠人工经验进行识别判读假目标,提高雷达操作员工作效率和假目标识别准确率。
Description
技术领域
本发明涉及雷达电子对抗技术领域,特别是涉及一种基于深度卷积迁移学习的距离假目标智能识别方法。
背景技术
电子战成为现代战争的重要作战手段,雷达能够发射电磁波对目标进行探测,通过处理接收到的目标回波信号,从而获得目标的距离、速度、方位等信息,在现代电子作战中发挥了重要作用,因而成为电子战的主角。因此针对雷达的干扰技术也层出不穷,这对于雷达干扰识别技术也提出了更高的要求。雷达干扰按照产生方式分为有源干扰和无源干扰,有源干扰根据干扰效果分为压制干扰和欺骗干扰,其中欺骗干扰又可以细分为速度欺骗、距离欺骗、角度欺骗等,早期的雷达有源干扰主要是大功率的压制干扰,但随着雷达的发展,压制干扰的效果大大降低,由此催生了欺骗干扰。欺骗干扰之所以能有效地干扰雷达系统对真实目标的检测和跟踪,是因为它产生的虚假信号与真实目标回波高度相似,因而相对于压制干扰会对雷达系统产生更严重的干扰效果。尤其是随着数字储频技术(DigitalRadio Frequency Memory,DRFM)的出现,雷达所面临的工作环境日趋复杂。DRFM干扰机能够在极短的时间内对当前截获的雷达信号进行调制并转发,产生与雷达发射信号高度相干且样式灵活的复杂干扰信号,具有很高的欺骗性,可以有效地对现代雷达实施干扰。正是由于DRFM干扰机产生的干扰信号种类复杂,调制简单,致使一些传统的抗干扰手段不再具有普适性,所以基于DRFM的干扰技术成为众多国家的研究热点,与此同时,雷达技术也受到各国军事方面的青睐。雷达干扰样式识别是抗干扰的前提,因为我们必须准确识别出干扰样式,才能够针对性地采取抗干扰措施。传统地识别雷达干扰样式有两种办法。一种是根据人工获得的先验信息,建立数学模型,再凭借以往的经验,运用概率学知识,结合雷达操作手对雷达显示界面的观察,凭借主观经验来判别受到干扰的类型,称为基于极大似然准则的干扰识别算法。另一种是根据不同干扰信号的产生原理不同,将干扰信号变换到多个变换域,分析其特征差异,提取其特征参数,构建其特征差异的数据库,运用分类识别模型对干扰信号进行识别,称为基于特征提取的干扰识别算法。基于特征提取的干扰识别算法是当前实现有源干扰识别的主流方法,这种方法可以达到较高的识别率,但依赖于选取到区分性良好的特征,而且它的迁移性差,只适用于小类群的干扰,难以应用于新型DRFM干扰。
由于雷达干扰及识别研究有一定的军事敏感性,世界各国在该技术方面的公开研究成果并不多见,尤其是国外的研究资料,能够找到的少之又少。1974年,英国EMI电子公司首次提出了DRFM的基本原理,此后DRFM技术被各国广泛应用于军事领域。1992年,Hill等人注意到数字射频存储器的量化特征会引发信号的失真,分析了数字射频存储器的量化特性,提出了基于高阶统计量的DRFM欺骗干扰识别算法,并用统计信号区分真目标和假目标,开创了基于DRFM干扰机ADC相位量化的谐波效应进行干扰识别的先河。2006年张国柱从雷达指纹识别的脉内特征角度进行研究,提出基于辐射源脉冲包络特征进行单脉冲乃至多脉冲雷达个体识别方式。2017年,Nouri等人根据雷达接收信号的相位噪声水平差异来进行指纹特征识别。但是近些年对于基于DRFM的干扰技术的研究,特别是雷达干扰样式识别的研究,尚且没有突破性的进展,导致当前的雷达干扰识别领域仍存在人工依赖性强、鲁棒性差等问题。
发明内容
为解决当前雷达干扰识别领域存在的人工依赖性强、鲁棒性差等问题,本发明将深度学习算法应用到DRFM距离假目标干扰这种新型的干扰样式识别中,提出一种基于深度卷积迁移学习的距离假目标智能识别方法。
为解决上述问题,本发明采取如下的技术方案:
一种基于深度卷积迁移学习的距离假目标智能识别方法,所述方法包括以下步骤:
步骤一:制作DRFM距离假目标干扰识别数据集;
步骤二:对所述DRFM距离假目标干扰识别数据集进行划分,得到训练集和测试集,并将所述训练集输入预先构建的基于深度卷积迁移学习的网络模型中进行训练,训练后得到距离假目标智能识别网络模型;
步骤三:利用所述测试集对所述距离假目标智能识别网络模型进行测试,得到所述距离假目标智能识别网络模型的距离假目标识别率;
步骤四:判断所述距离假目标识别率是否大于等于阈值,若是,则获取待识别的雷达PD处理后的距离-多普勒图像,并将所述距离-多普勒图像输入所述距离假目标智能识别网络模型,得到距离假目标智能识别结果。
本发明具有以下有益效果:本发明利用模拟移频DRFM干扰机产生的距离假目标干扰特性,提出一种基于深度卷积迁移学习的距离假目标智能识别方法,该方法以雷达PD处理后的距离—多普勒图像作为识别样本,分别产生了训练集和测试集,再利用训练集对基于深度卷积迁移学习的网络模型进行训练,最终获得识别率符合要求的距离假目标智能识别网络模型,利用该距离假目标智能识别网络模型对待识别的雷达PD处理后的距离-多普勒图像进行识别,能够得到识别率较高的识别结果。实验验证结果表明,该距离假目标智能识别方法能够自动地识别距离假目标,且识别率最高可达到93.98%,验证了该方法在较低信噪比条件下智能识别干扰假目标的有效性,可以代替以往需要雷达操作员依靠人工经验进行识别判读假目标,提高雷达操作员工作效率和假目标识别准确率。
附图说明
图1为本发明所述的一种基于深度卷积迁移学习的距离假目标智能识别方法的流程图;
图2为本发明中实验仿真所得的PD三维图;
图3为图2所对应的PD二维图;
图4为图2所对应的CFAR识别结果图;
图5为本发明的DRFM距离假目标干扰PD处理结果图;
图6为本发明的真实多目标PD处理结果图;
图7、图9为不同信噪比下固定目标数的DRFM距离假目标样本;
图8、图10为不同信噪比下固定目标数的真实多目标样本;
图11为本发明的未加噪声的固定目标数样本图片数据集;
图12为本发明的固定目标数不同信噪比数据集测试结果;
图13为本发明的未加噪声的固定目标数单张样本测试结果;
图14为本发明的未加噪声的随机目标数样本图片数据集;
图15为本发明的随机目标数不同信噪比数据集测试结果;
图16为本发明的固定目标数和随机目标数测试结果对比图。
具体实施方式
近年来蓬勃发展的深度学习算法能够自动从简单特征中提取或组合出更复杂的特征,所以它可以从数据中学习到深层的特征表达,而且深度学习在很多领域都取得了不错的成就,比如图像分割、图像识别和自然语言处理等。本发明将深度学习算法应用到DRFM距离假目标干扰这种新型的干扰样式识别中,提出了一种基于深度卷积迁移学习的距离假目标智能识别方法,以解决当前雷达干扰识别领域存在的人工依赖、鲁棒性差等问题。下面将结合附图及较佳实施例对本发明的技术方案进行详细说明。
本发明的技术思路如下:用于雷达电子系统设计的SystemVue软件包含80多个型号雷达和70个雷达仿真模板,同时SystemVue软件为使用预先配置的仿真模板设计和测试雷达系统提供了统一的设计流程,本发明首先利用SystemVue软件中雷达仿真模板进行仿真研究,以证明DRFM干扰机产生的距离假目标和真实目标之间存在多普勒频率不同的特征差异,而该特征差异是本发明可以利用距离-多普勒图像来区分DRFM距离假目标干扰和多个真实目标,实现距离假目标智能识别的关键。雷达系统仿真模型包含了发射机、环境、接收机、信号处理机和测量模块。
为了进一步研究DRFM距离假目标的干扰效果及特性,使用SystemVue软件模拟干扰在雷达系统中的影响。但由于SystemVue软件自带的雷达库中没有DRFM距离假目标干扰模块,因此需要在雷达系统仿真原理图的基础上,加上DRFM距离假目标干扰仿真模块进行DRFM距离假目标干扰仿真。DRFM距离假目标干扰是DRFM距离欺骗干扰常见的实施干扰形式。距离假目标干扰也称为距离同步干扰,是一种典型的针对脉冲体制雷达进行距离信息欺骗的干扰样式。DRFM干扰机经过调制干扰转发时延,由此产生的干扰脉冲和雷达目标回波处在不同的距离单元内,从而使得雷达系统无法在距离维上区分真实目标和假目标干扰,达到在距离维上实现对雷达系统欺骗的目的。
实验1:DRFM距离假目标干扰仿真
设置DRFM距离假目标干扰仿真中真实目标距离为55560m,速度为125m/s,设置5个DRFM距离假目标,距离分别为65000m,52000m,30000m,25000m,10000m,观察其PD结果图。
实验仿真所得的PD三维图如图2所示,x、y、z轴分别表示目标的速度、距离和幅值,所对应的距离—速度二维图如图3所示,从图中可以看出各个距离假目标的距离不同,但是具有统一的速度。根据DRFM距离假目标干扰特性,基于模拟移频的DRFM干扰机产生的DRFM距离假目标干扰具有统一的调制多普勒频率fd,而多普勒频率与速度之间存在一定的关系,表达式如下:
式中,f0为载波频率,c为光速。
由上式可知,当多普勒频率相同时,相应的速度也相同,由此可以看出SystemVue软件的仿真是正确的。经过雷达恒虚警处理后得到的CFAR识别结果图如图4所示,可以看出DRFM距离假目标干扰已经被滤除,成功检测到了真实目标。
由上述仿真实验可知,基于模拟移频的DRFM干扰机产生的DRFM距离假目标干扰具有相同的多普勒频率,DRFM距离假目标干扰仿真PD结果,所以可以利用经过雷达PD处理后的距离—多普勒图像作为识别数据集,进行DRFM距离假目标与真实目标的差异特征分析,实现对DRFM距离假目标的识别。
图1所示为本发明所提出的一种基于深度卷积迁移学习的距离假目标智能识别方法的流程图,该方法包括以下步骤:
步骤一(S100):制作DRFM距离假目标干扰识别数据集;
步骤二(S200):对DRFM距离假目标干扰识别数据集进行划分,得到训练集和测试集,并将训练集输入预先构建的基于深度卷积迁移学习的网络模型中进行训练,训练后得到距离假目标智能识别网络模型;
步骤三(S300):利用测试集对距离假目标智能识别网络模型进行测试,得到距离假目标智能识别网络模型的距离假目标识别率;
步骤四(S400):判断距离假目标识别率是否大于等于阈值,若是,则获取待识别的雷达PD处理后的距离-多普勒图像,并将距离-多普勒图像输入距离假目标智能识别网络模型,得到距离假目标智能识别结果。
具体地,在步骤一中,首先制作用于对网络模型进行训练和测试的DRFM距离假目标干扰识别数据集。为了研究DRFM距离假目标干扰的自动识别方法,必须进行干扰数据集的制备,但是由于雷达干扰识别研究具有一定的军事敏感性,网络上几乎找不到雷达干扰的数据集,所以需制作数据集。
进一步地,步骤一具体包括以下步骤:
步骤一一:基于SystemVue软件对加入DRFM距离假目标干扰的雷达系统进行仿真实验,得到仿真的雷达PD处理后的距离-多普勒图像。
在基于SystemVue软件对加入DRFM距离假目标干扰的雷达系统进行仿真实验时,当雷达发射的信号是线性调频信号时,那么雷达发射的信号的表达式可以表示为:
s(t)=Aexp[j2πfct+jπkt2]
式中,A为信号幅度,fc为中心频率,k为调频斜率;
经过目标反射后,雷达接收到的真实目标回波可以表示为:
式中,Rc(t)为真实目标的距离函数,因为目标有可能是运动的,所以距离函数随时间变化,fd为真实目标的多普勒频率,Ar为目标回波的幅值,假设该目标受到DRFM干扰机发射距离假目标干扰,则雷达接收到的干扰信号可表示为:
式中,Aj为干扰信号的幅度,τ为DRFM距离欺骗干扰调制的转发时延。
步骤一二:由于利用SystemVue软件一次只能仿真一种结果,无法大批量产生数据样本,并且每次仿真需要手动修改参数,所以本步骤利用MATLAB软件批量修改SystemVue软件的仿真实验参数,从而批量产生数据样本,得到由包含多个真实目标的雷达PD处理后的距离-多普勒图像组成的真实多目标样本数据,以及得到由同时包含单个真实目标及多个DRFM距离假目标的雷达PD处理后的距离-多普勒图像组成的DRFM距离假目标样本数据,用于对网络模型进行的训练和测试的DRFM距离假目标干扰识别数据集可以采用真实多目标样本数据或者DRFM距离假目标样本数据中的任意一个实现。
基于模拟移频的DRFM干扰机利用数控移相器统一调制多普勒频率产生DRFM距离假目标干扰,使得产生的多个假目标具有相同的多普勒频率,即具有相同的径向速度。而若为多个真实目标产生,则各个目标间的距离往往相差很大,即处于不同的地点,此时各个目标相对于雷达的径向速度一般不全相同,即所产生的多普勒频率不全相同。这一特征差异是区分DRFM距离假目标干扰和多个真实目标的关键,因此通过MATLAB分别产生DRFM距离假目标干扰与多个真实目标经过雷达PD处理后的距离—多普勒图像做差异特征分析。
图5为DRFM距离假目标干扰PD处理结果图,其包括图(a)PD处理三维图和图(b)PD处理距离-多普勒平面图,图6为真实多目标PD处理结果图,其包括图(a)PD处理三维图和图(b)PD处理距离-多普勒平面图。由结果图可以看出DRFM距离假目标干扰由于数控移相器对多普勒频率的统一调制,经PD处理后在距离—多普勒图中具有相同的径向速度,与实验1处理后的仿真结果一致。而多个真实目标由于多普勒频率随机,经PD处理后的目标在距离—多普勒图中均匀分布,随机性较大,这与DRFM距离假目标干扰具有明显的差异。
所以基于MATLAB分别批量产生DRFM距离假目标干扰与多个真实目标这两类信号经过雷达PD处理后的距离—多普勒图像,得到相应的DRFM距离假目标样本数据和真实多目标样本数据,其中真实多目标样本为多个真实目标回波的叠加,真实多目标样本数据是由包含多个真实目标的雷达PD处理后的距离-多普勒图像组成的,而DRFM距离假目标干扰样本为单个真实目标和DRFM距离假目标干扰的混合信号,DRFM距离假目标样本数据是由同时包含单个真实目标及多个DRFM距离假目标的雷达PD处理后的距离-多普勒图像组成的。真实多目标样本数据和DRFM距离假目标样本数据都可以作为DRFM距离假目标干扰识别数据集。主要的实验仿真参数如下:雷达发射信号为单载频信号,载波频率为f0=10GHz,脉冲宽度PW=10μs,脉冲重复周期PRI=100μs,中频采样频率fs=100MHz,雷达的一个CPI内的脉冲数为64。
为增加样本的数目,真实多目标样本数据还可进一步仿真得到固定目标数的样本和随机目标数的样本,并且可以对样本随机添加噪声,产生不同信噪比的数据集;类似地,DRFM距离假目标样本数据也可进一步仿真得到固定目标数的样本和随机目标数的样本,并且可以对样本随机添加噪声,产生不同信噪比的数据集。例如,仿真产生了固定目标数的样本,即多真实目标样本的真实目标数固定为5个,假目标样本固定由单个真实目标和4个DRFM距离假目标组成,且真实环境中还存在噪声信号干扰,所以对样本随机添加噪声,分别产生了信噪比为-5db、-10db、-15db、-20db的数据集。每个数据集中均有样本图片720张,真实多目标样本和DRFM距离假目标干扰样本各占一半。如图7所示为不同信噪比下固定目标数的DRFM距离假目标样本,其中图7(a)~图7(e)的信噪比分别为未加噪声、-5db、-10db、-15db、-20db,图8为不同信噪比下固定目标数的真实多目标样本,图8(a)~图8(e)的信噪比分别为未加噪声、-5db、-10db、-15db、-20db。
由于真实雷达战场环境下,真实目标数目和DRFM产生的假目标数量往往不是固定的,故又随机产生了3至10个假目标和单个真实目标的混合信号样本以及1至10个真目标回波的叠加样本即随机目标数的样本,同样对样本添加噪声,分别产生了信噪比为-5db、-10db、-15db、-20db的数据集。图9所示为不同信噪比下固定目标数的DRFM距离假目标样本,图9(a)~图9(e)的信噪比分别为未加噪声、-5db、-10db、-15db、-20db,图10为不同信噪比下固定目标数的真实多目标样本,图10(a)~图10(e)的信噪比分别为未加噪声、-5db、-10db、-15db、-20db,。需要指出的是,上述任何一个数据集都可以作为DRFM距离假目标干扰识别数据集,用于对网络模型进行训练,以得到距离假目标智能识别网络模型。
在步骤二中,按照7:3的比例将DRFM距离假目标干扰识别数据集划分为训练集和测试集,然后将经过调整图像大小等预处理的训练集输入预先构建的基于深度卷积迁移学习的网络模型中进行训练,训练后得到距离假目标智能识别网络模型,其中基于深度卷积迁移学习的网络模型采用VGG16网络模块进行迁移学习,VGG16网络模块包括13个卷积层和3个全连接层,每一个卷积层后有一个池化层,并且所有的卷积层都采用3*3的卷积核,步长为1,所有的池化层都是2*2池化,步长为2,VGG16网络模块的输入为224*224*3数据格式的图像,输入的图像经过VGG16网络模块的卷积和池化处理之后输出一个4096维特征数据,特征数据再由一个全局平均池化层和一个1024维输出的全连接层进行处理,最终由Softmax规范化输出两类分类结果(真目标和假目标)。
获得距离假目标智能识别网络模型后,在步骤三中,利用步骤二划分得到的测试集对距离假目标智能识别网络模型进行测试,得到距离假目标智能识别网络模型的距离假目标识别率。
在步骤四中,判断距离假目标识别率是否大于等于阈值,若是,表明距离假目标智能识别网络的识别准确率较高,模型可靠性较高,此时获取待识别的雷达PD处理后的距离-多普勒图像,并将距离-多普勒图像输入距离假目标智能识别网络模型,距离假目标智能识别网络模型对图像进行识别,最终得到距离假目标智能识别结果。
为了区分DRFM距离假目标干扰和多个真实目标之间的差异,基于MATLAB分别产生DRFM距离假目标干扰与多个真实目标经过雷达PD处理后的距离—多普勒图像做差异特征分析,来批量产生不同信噪比条件下固定目标数和随机目标数的干扰识别的数据集。下面结合具体的实验分别进行固定目标数和随机目标数这两大类数据集在不同信噪比条件下的训练和测试,并进行结果分析,以验证本发明所提出的基于深度卷积迁移学习的距离假目标智能识别方法在较低信噪比条件下是否能有效识别出干扰信号,并且在同样信噪比条件下随机目标数的数据集测试效果是否更好。
实验2:固定目标数数据集训练和测试
将DRFM距离假目标干扰数据集按照7:3分为训练集和测试集。训练集和测试集包含多个真实目标类和DRFM距离假目标干扰类这两类距离—多普勒图像,通过数据增强方式读取并调整输入图像数据大小;然后将预处理后的训练集送入构建的基于深度卷积迁移学习的网络模型中进行训练,当达到训练次数后保存网络训练好的模型;最后将测试集送入已训练好的模型中测试分类结果。
固定目标数样本的数据集中真实目标数固定为5个,假目标样本由单个真实目标和4个DRFM距离假目标组成,如图11所示为未加噪声的固定目标数样本图片数据集,其中图(a)为真实多目标样本,有5个真实目标,图(b)为假目标样本,有1个真目标和4个DRFM距离假目标。同时对两类样本加不同信噪比的噪声,分别产生了信噪比为未加噪声、-5db、-10db、-15db、-20db的样本。分别将不同信噪比的样本数据集输入网络进行训练和测试,固定目标数不同信噪比数据集测试结果如图12所示,图中test1_acc代表固定目标数测试精确率,test1_loss代表固定目标数测试损失。由图12可以看出,在不加噪声时的识别率最高,为93.98%,随着信噪比的不断降低,识别率也不断降低。图13所示为未加噪声的固定目标数单张样本测试结果。
实验3:随机目标数数据集训练和测试
由于真实雷达战场环境下,真实目标数目和DRFM产生的假目标数量往往不是固定的,因此,产生随机目标数样本的数据集,真实多目标样本的真实目标数随机1至10个,假目标样本由单个真实目标和随机3至10个。如图14所示为未加噪声的随机目标数样本图片数据集,其中图(a)为真实多目标样本有8个真实目标,图(b)为假目标样本有1个真目标和6个假目标。同时对两类样本加不同信噪比的噪声,分别产生了信噪比为未加噪声、-5db、-10db、-15db、-20db的样本。同样地,分别将不同信噪比的样本数据集输入网络进行训练和测试,随机目标数不同信噪比数据集测试结果如图15所示,图中test2_acc代表随机目标数测试精确率,test2_loss代表随机目标数测试损失。由图15可以看出,同样在不加噪声时的识别率最高,为93.52%,随着信噪比的不断降低,噪声越来越大,测试的精确率不断降低,损失不断增大。
实验4:固定目标数和随机目标数的测试结果对比
将实验2和实验3获得的随机目标数和固定目标数的测试结果同时绘于一个图中进行对比,如图16所示,由图可知,网络对随机目标数的分类效果整体比固定目标数的效果好。这是因为随机目标数的样本约束条件比固定目标数少,网络在进行随机目标数样本分类时只需要考虑目标是否具有统一的多普勒频率,而网络在进行固定目标数样本分类时除了需要考虑目标是否具有统一的多普勒频率外,还需要判断目标个数。在同样信噪比条件下的测试固定目标数和随机目标数的实验结果表明,信噪比为-5db、-10db和-15db时网络模型都有较高识别率和鲁棒性,验证了该方法在较低信噪比条件下,智能识别干扰假目标的有效性。
通过基于SystemVue软件对雷达系统进行仿真研究,仿真结果表明信杂比越大,目标信号越容易区分,越容易被雷达系统检测到。进一步在雷达系统仿真的基础上加入DRFM距离假目标干扰仿真,仿真结果表明DRFM距离假目标具有统一的多普勒频率即速度相同,因此本发明利用模拟移频DRFM干扰机产生的距离假目标干扰特性,提出一种基于深度卷积迁移学习的距离假目标智能识别方法,该方法以雷达PD处理后的距离—多普勒图像作为识别样本,分别产生了训练集和测试集,再利用训练集对基于深度卷积迁移学习的网络模型进行训练,最终获得识别率符合要求的距离假目标智能识别网络模型,利用该距离假目标智能识别网络模型对待识别的雷达PD处理后的距离-多普勒图像进行识别,能够得到识别率较高的识别结果。实验验证结果表明,该距离假目标智能识别方法能够自动地识别距离假目标,且识别率最高可达到93.98%,验证了该方法在较低信噪比条件下智能识别干扰假目标的有效性,可以代替以往需要雷达操作员依靠人工经验进行识别判读假目标,提高雷达操作员工作效率和假目标识别准确率。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于深度卷积迁移学习的距离假目标智能识别方法,其特征在于,包括以下步骤:
步骤一:制作DRFM距离假目标干扰识别数据集;步骤一具体包括以下步骤:
步骤一一:基于SystemVue软件对加入DRFM距离假目标干扰的雷达系统进行仿真实验,得到仿真的雷达PD处理后的距离-多普勒图像;
在步骤一一中,当雷达发射的信号是线性调频信号时,雷达发射的信号的表达式为:
s(t)=Aexp[j2πfct+jπkt2]
式中,A为信号幅度,fc为中心频率,k为调频斜率;
经过目标反射后,雷达接收到的真实目标回波可以表示为:
式中,Rc(t)为真实目标的距离函数,fd为真实目标的多普勒频率,Ar为目标回波的幅值,假设该目标受到DRFM干扰机发射距离假目标干扰,则雷达接收到的干扰信号可表示为:
式中,Aj为干扰信号的幅度,τ为DRFM距离欺骗干扰调制的转发时延;
步骤一二:利用MATLAB软件批量修改SystemVue软件的仿真实验参数,得到由包含多个真实目标的雷达PD处理后的距离-多普勒图像组成的真实多目标样本数据,以及得到由同时包含单个真实目标及多个DRFM距离假目标的雷达PD处理后的距离-多普勒图像组成的DRFM距离假目标样本数据,所述DRFM距离假目标干扰识别数据集采用所述真实多目标样本数据或者所述DRFM距离假目标样本数据;
步骤二:对所述DRFM距离假目标干扰识别数据集进行划分,得到训练集和测试集,并将所述训练集输入预先构建的基于深度卷积迁移学习的网络模型中进行训练,训练后得到距离假目标智能识别网络模型;
步骤三:利用所述测试集对所述距离假目标智能识别网络模型进行测试,得到所述距离假目标智能识别网络模型的距离假目标识别率;
步骤四:判断所述距离假目标识别率是否大于等于阈值,若是,则获取待识别的雷达PD处理后的距离-多普勒图像,并将所述距离-多普勒图像输入所述距离假目标智能识别网络模型,得到距离假目标智能识别结果。
2.根据权利要求1所述的一种基于深度卷积迁移学习的距离假目标智能识别方法,其特征在于,基于深度卷积迁移学习的网络模型采用VGG16网络模块进行迁移学习,所述VGG16网络模块包括13个卷积层和3个全连接层,且所有的卷积层都采用3*3的卷积核,步长为1,所有的池化层都是2*2池化,步长为2,网络模块的输入为224*224*3数据格式的图像,输入的图像经过所述VGG16网络模块的卷积和池化处理之后输出一个4096维特征数据,特征数据再由一个全局平均池化层和一个1024维输出的全连接层进行处理,最终由Softmax规范化输出两类分类结果。
3.根据权利要求1所述的一种基于深度卷积迁移学习的距离假目标智能识别方法,其特征在于,所述仿真实验参数如下:雷达发射信号为单载频信号,载波频率为f0=10GHz,脉冲宽度PW=10μs,脉冲重复周期PRI=100μs,中频采样频率fs=100MHz,雷达的一个CPI内的脉冲数为64。
4.根据权利要求1或2所述的一种基于深度卷积迁移学习的距离假目标智能识别方法,其特征在于,按照7:3的比例将所述DRFM距离假目标干扰识别数据集划分为训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111226081.3A CN113962151B (zh) | 2021-10-21 | 2021-10-21 | 基于深度卷积迁移学习的距离假目标智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111226081.3A CN113962151B (zh) | 2021-10-21 | 2021-10-21 | 基于深度卷积迁移学习的距离假目标智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962151A CN113962151A (zh) | 2022-01-21 |
CN113962151B true CN113962151B (zh) | 2024-04-26 |
Family
ID=79465839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111226081.3A Active CN113962151B (zh) | 2021-10-21 | 2021-10-21 | 基于深度卷积迁移学习的距离假目标智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962151B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023209786A1 (ja) * | 2022-04-26 | 2023-11-02 | 三菱電機株式会社 | アノテーション装置、アノテーション方法及び学習装置 |
CN115508795B (zh) * | 2022-10-20 | 2024-04-02 | 中国人民解放军空军航空大学 | 一种探测干扰一体化共享信号动态生成方法 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统 |
CN116047427B (zh) * | 2023-03-29 | 2023-06-23 | 西安电子科技大学 | 一种小样本雷达有源干扰识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2935494A1 (fr) * | 2008-08-29 | 2010-03-05 | Thales Sa | Methode de generation de faux echos vers un detecteur qui emet un signal puis qui detecte des echos du signal |
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 |
CN112949387A (zh) * | 2021-01-27 | 2021-06-11 | 西安电子科技大学 | 基于迁移学习的智能抗干扰目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090091492A1 (en) * | 2007-10-09 | 2009-04-09 | The Mitre Corporation | Detection and mitigation radio frequency memory (DRFM)-based interference in synthetic aperture radar (SAR) images |
-
2021
- 2021-10-21 CN CN202111226081.3A patent/CN113962151B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2935494A1 (fr) * | 2008-08-29 | 2010-03-05 | Thales Sa | Methode de generation de faux echos vers un detecteur qui emet un signal puis qui detecte des echos du signal |
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 |
CN112949387A (zh) * | 2021-01-27 | 2021-06-11 | 西安电子科技大学 | 基于迁移学习的智能抗干扰目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Method against DRFM dense false target jamming based on jamming recognization;Fengbo Chen 等;《IET International Radar Conference 2015》;20151231;第1-4页 * |
基于SystemVue的DRFM干扰仿真研究;陈泽盛 等;《现代雷达》;20210930;第43卷(第6期);第99-104页 * |
雷达欺骗干扰信号识别技术研究;杨兴宇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200215(第2期);第C032-248页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113962151A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962151B (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
Shao et al. | Convolutional neural network-based radar jamming signal classification with sufficient and limited samples | |
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
CN113219417B (zh) | 一种基于支持向量机的机载雷达干扰类型识别方法 | |
CN111722199A (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
Chen et al. | Interrupted-sampling repeater jamming suppression based on stacked bidirectional gated recurrent unit network and infinite training | |
CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
CN105866749A (zh) | 一种距离和速度同步拖引的雷达干扰识别方法 | |
KR102275960B1 (ko) | 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN112083393A (zh) | 基于谱图平均时间特征的间歇采样转发干扰识别方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN110376559A (zh) | 单通道雷达主瓣多源干扰分离方法、装置和设备 | |
Xu et al. | Research on active jamming recognition in complex electromagnetic environment | |
Liu et al. | Unsupervised clustering method to discriminate dense deception jamming for surveillance radar | |
Qian et al. | Recognition of radar deception jamming based on convolutional neural network | |
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 | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN112799028A (zh) | 一种基于rcs起伏统计特性差异的虚假目标识别方法 | |
CN115236620A (zh) | 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法 | |
KR102369967B1 (ko) | 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치 | |
CN113156392B (zh) | 一种基于俯仰域自适应处理的杂波抑制方法 | |
CN115508793A (zh) | 基于对抗分析特征筛选的雷达干扰效果在线评估智能方法 | |
Tian et al. | Multiresolution jamming recognition with few-shot learning |
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 |