CN114236476B - 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法 - Google Patents

一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法 Download PDF

Info

Publication number
CN114236476B
CN114236476B CN202111480303.4A CN202111480303A CN114236476B CN 114236476 B CN114236476 B CN 114236476B CN 202111480303 A CN202111480303 A CN 202111480303A CN 114236476 B CN114236476 B CN 114236476B
Authority
CN
China
Prior art keywords
algorithm model
tracking system
network algorithm
signal
detection
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
Application number
CN202111480303.4A
Other languages
English (en)
Other versions
CN114236476A (zh
Inventor
汪浩笛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111480303.4A priority Critical patent/CN114236476B/zh
Publication of CN114236476A publication Critical patent/CN114236476A/zh
Application granted granted Critical
Publication of CN114236476B publication Critical patent/CN114236476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
    • G01S19/215—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service issues related to spoofing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (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生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法；包括有以下方法步骤：S1、通过大口径反射面天线进行检测波的截取获得；S2、将截取获得的载波信号输入到生成对抗网络算法模型中；S3、将生成的虚假欺骗干扰信号通过发射器进行发射；S4、然后通过自动距离跟踪系统实现对检测点进行距离检测；S5、通过欺骗干扰信号和自动距离跟踪系统实现隐藏自己和定位检测点；本发明通过建立生成对抗网络算法模型，通过计算得出最佳的欺骗干扰信号，且在进行发射干扰信号的时候，再根据同路径进行发射检测信号，实现对检测点的位置进行检测，且检测的数据信息在通过生成对抗网络算法模型进行识别和判定。

Description

一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗 干扰方法
技术领域
本发明属于欺骗干扰技术领域，具体涉及一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法。
背景技术
在雷达检测定位中，需要对检测的信号进行欺骗，防止被定位到，通过欺骗干扰信号实现对雷达进行欺骗，使得雷达的定位不准确，甚至是无法实现检测到，然而市面上各种的欺骗干扰方法仍存在各种各样的问题。
如授权公告号为CN104678406A所公开的一种转发欺骗式GPS干扰系统及其干扰方法，其虽然实现了干扰发射体积小、重量轻，采用大口径反射面天线获得高增益，提高GPS信号的载噪比，不需解扩，将收发部分由传输系统隔离并连接起来，既避免了收发隔离问题，又解决了远程传输问题，能够实现很远的有效干扰距离，但是并未解决现有欺骗干扰方法存在的，不能够提前对干扰信号进行测算，实现对输出最佳欺骗信号，以及不能够方向定位确定和进行模型计算处理等的问题，为此我们提出一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法。
发明内容
本发明的目的在于提供一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，包括有以下方法步骤：
S1、通过大口径反射面天线进行检测波的截取获得：采用的大口径反射面天线实现对来自各处的检测波进行截取，并且进行提取检测波中的载波信号；
S2、将截取获得的载波信号输入到生成对抗网络算法模型中：在提取到检测波中的载波信号后，将载波信号输入到生成对抗网络算法模型中，然后通过生成对抗网络算法模型生成虚假欺骗干扰信息；
S3、将生成的虚假欺骗干扰信号通过发射器进行发射：通过生成对抗网络算法模型生成虚假欺骗干扰信息后通过信号发射器进行反方向发射出去，使得检测端能够接收到反射回来的欺骗干扰信号；
S4、然后通过自动距离跟踪系统实现对检测点进行距离检测：在发射欺骗干扰信号后，再通过自动距离跟踪系统实现对检测点进行检测，且在接收返回的检测波后，将返回的检测波输送给生成对抗网络算法模型中，实现对检测到的位置进行判定真伪；
S5、通过欺骗干扰信号和自动距离跟踪系统实现隐藏自己和定位检测点：通过发射欺骗干扰信号实现对自身进行隐藏，防止自身被检测到，并且通过自动距离跟踪系统实现对检测点进行检测，确定检测点位置。
优选的，所述S1中的大口径反射面天线设有若干组，实现对来自不同方向的检测波进行接收，在接收到检测波后通过大口径反射面天线内的增益放大模块实现对检测波进行放大处理，然后再通过模数转换器提取载波信号。
优选的，所述S2中的生成对抗网络算法模型中包括生成器与判别器，且生成对抗网络算法模型的训练过程如下：
S201、固定生成器，使用生成器基于隐随机向量z模拟出G(z)作为负样本，并从真实数据中采样得到正样本x；
S202、然后将正负样本输入给判别器，进行二分类预测；
S203、最后利用其二分类交叉熵损失更新判别器参数；
S204、之后固定判别器优化生成器。
优选的，所述判别器输入的样本一半来自真实数据，一半来自生成器，则其二分类交叉熵损失可表示为：
分别对应真实数据和生成数据的交叉熵损失之和，以此得到优化目标函数为：
训练优化阶段，为了让判别器最大化目标函数，使得其尽量对真实数据采样样本x的预测概率D(x)趋近于1，对生成样本G(z)的预测概率D(G(z))趋近于0；并且，要让生成器最小化目标函数，而且logD(x)一项与生成器无关，此时主要是最小化后一项，使得生成器生成样本让判别器预测概率D(G(z))趋近于1。
优选的，所述生成对抗网络算法模型实现对欺骗信号的计算处理如下：
对于单个样本s，当固定生成器，寻找当下最优判别器即：
且Pdata(s)表示从真实数据采样得到s的概率，PG(s)为从生成器得到s的概率，求得的解为：
逐条样本s积分得到求得函数解为：
将最优判别器带入寻找最优生成器，此时生成器的目标函数等价于优化Pdata与PG的JS散度，即：
达到纳什均衡点是JSD(Pdata||PG)的最小值，即Pdata＝PG时，JSD(Pdata||PG)为零，值函数则判别器不论基于Pdata，还是PG采用，其预测概率均为二分之一，即生成样本与真实样本难以区分，不能够被识别真假。
优选的，所述S3中的信号发射器选用的和检测端的发射器相同，且发射器包括无线电跟踪系统和光学跟踪系统，所述欺骗干扰信号在进行发射之前先通过功率放大器实现放大处理。
优选的，所述欺骗干扰信号在进行放大处理之后，通过混频器实现对计算出的欺骗干扰信号整合到无线电波或者是光学波上进行发射，且在发射之前通过延时器实现控制发射时间和间隔。
优选的，所述S4中的自动距离跟踪系统利用无线电跟踪系统或者光学跟踪系统实现对检测点的位置进行检测，并且对于反射回来的数据信息通过信号处理系统进行预选。
优选的，所述信号处理系统中包括有信息接收电路、信号转换电路、信号滤波电路和信号放大电路，所述信号接收电路用于实现对反射回来的信号波进行接收，所述信号放大电路用于实现对接收的信号波进行放大处理，所述信号滤波电路用于实现对信号进行滤波处理，有效的滤除干扰杂波，所述信号转换电路用于实现对模拟信号转换合成数字信号。
优选的，所述反射回来的数据信息通过重合电路整合到恒流放电电路后输送到相减器上，再通过与非门和时钟电路输入到误差计数器上，并且存储在误差寄存器中，最后通过生成对抗网络算法模型中进行计算处理和判断。
与现有技术相比，本发明的有益效果是：
本发明通过建立生成对抗网络算法模型，实现对欺骗干扰信号进行模拟处理，并且实现计算，通过计算得出最佳的欺骗干扰信号，然后进行反射发出，使得检测点不能够精准的检测到目标或者是误判位置，且在进行发射干扰信号的时候，再根据同路径进行发射检测信号，实现对检测点的位置进行检测，且检测的数据信息在通过生成对抗网络算法模型进行识别和判定，进而能够实现有效的防止检测定位，实现对检测进行欺骗干扰，以及能够实现反向检测定位。
附图说明
图1为本发明的方法步骤流程示意图；
图2为本发明的生成对抗网络算法模型的训练步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明提供一种技术方案：一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，包括有以下方法步骤：
S1、通过大口径反射面天线进行检测波的截取获得：采用的大口径反射面天线实现对来自各处的检测波进行截取，并且进行提取检测波中的载波信号；
S2、将截取获得的载波信号输入到生成对抗网络算法模型中：在提取到检测波中的载波信号后，将载波信号输入到生成对抗网络算法模型中，然后通过生成对抗网络算法模型生成虚假欺骗干扰信息；
S3、将生成的虚假欺骗干扰信号通过发射器进行发射：通过生成对抗网络算法模型生成虚假欺骗干扰信息后通过信号发射器进行反方向发射出去，使得检测端能够接收到反射回来的欺骗干扰信号；
S4、然后通过自动距离跟踪系统实现对检测点进行距离检测：在发射欺骗干扰信号后，再通过自动距离跟踪系统实现对检测点进行检测，且在接收返回的检测波后，将返回的检测波输送给生成对抗网络算法模型中，实现对检测到的位置进行判定真伪；
S5、通过欺骗干扰信号和自动距离跟踪系统实现隐藏自己和定位检测点：通过发射欺骗干扰信号实现对自身进行隐藏，防止自身被检测到，并且通过自动距离跟踪系统实现对检测点进行检测，确定检测点位置。
为了实现对来自不同方向的检测波进行截取，并且分析得出载波信号，本实施例中，优选的，所述S1中的大口径反射面天线设有若干组，实现对来自不同方向的检测波进行接收，在接收到检测波后通过大口径反射面天线内的增益放大模块实现对检测波进行放大处理，然后再通过模数转换器提取载波信号。
为了实现对欺骗信号进行生成，并且提高欺骗信号的真实性，本实施例中，优选的，所述S2中的生成对抗网络算法模型中包括生成器与判别器，且生成对抗网络算法模型的训练过程如下：
S201、固定生成器，使用生成器基于隐随机向量z模拟出G(z)作为负样本，并从真实数据中采样得到正样本x；
S202、然后将正负样本输入给判别器，进行二分类预测；
S203、最后利用其二分类交叉熵损失更新判别器参数；
S204、之后固定判别器优化生成器。
为了实现对生成对抗网络算法模型进行真实性计算，提高虚假干扰信号的无法识别性，本实施例中，优选的，所述判别器输入的样本一半来自真实数据，一半来自生成器，则其二分类交叉熵损失可表示为：
分别对应真实数据和生成数据的交叉熵损失之和，以此得到优化目标函数为：
训练优化阶段，为了让判别器最大化目标函数，使得其尽量对真实数据采样样本x的预测概率D(x)趋近于1，对生成样本G(z)的预测概率D(G(z))趋近于0；并且，要让生成器最小化目标函数，而且logD(x)一项与生成器无关，此时主要是最小化后一项，使得生成器生成样本让判别器预测概率D(G(z))趋近于1。
为了实现生成的欺骗信号真实性高，不会检测点识别，本实施例中，优选的，所述生成对抗网络算法模型实现对欺骗信号的计算处理如下：
对于单个样本s，当固定生成器，寻找当下最优判别器即：
且Pdata(s)表示从真实数据采样得到s的概率，PG(s)为从生成器得到s的概率，求得的解为：
逐条样本s积分得到求得函数解为：
将最优判别器带入寻找最优生成器，此时生成器的目标函数等价于优化Pdata与PG的JS散度，即：
达到纳什均衡点是JSD(Pdata||PG)的最小值，即Pdata＝PG时，JSD(Pdata||PG)为零，值函数则判别器不论基于Pdata，还是PG采用，其预测概率均为二分之一，即生成样本与真实样本难以区分，不能够被识别真假。
为了实现对欺骗干扰信号的返回能够与检测信号的类型相同，提高安全性，本实施例中，优选的，所述S3中的信号发射器选用的和检测端的发射器相同，且发射器包括无线电跟踪系统和光学跟踪系统，所述欺骗干扰信号在进行发射之前先通过功率放大器实现放大处理。
为了实现提高位置的安全性，实现对欺骗干扰信号进行延时发送，并且持续发送，实现对检测波进行持续返回欺骗干扰信号，本实施例中，优选的，所述欺骗干扰信号在进行放大处理之后，通过混频器实现对计算出的欺骗干扰信号整合到无线电波或者是光学波上进行发射，且在发射之前通过延时器实现控制发射时间和间隔。
为了实现对检测点的位置进行定位，实现都有反向定位检测，本实施例中，优选的，所述S4中的自动距离跟踪系统利用无线电跟踪系统或者光学跟踪系统实现对检测点的位置进行检测，并且对于反射回来的数据信息通过信号处理系统进行预选。
为了实现对返回的检测信号进行预处理，提高信号的处理效率，本实施例中，优选的，所述信号处理系统中包括有信息接收电路、信号转换电路、信号滤波电路和信号放大电路，所述信号接收电路用于实现对反射回来的信号波进行接收，所述信号放大电路用于实现对接收的信号波进行放大处理，所述信号滤波电路用于实现对信号进行滤波处理，有效的滤除干扰杂波，所述信号转换电路用于实现对模拟信号转换合成数字信号。
为了提高检测信号的精准度，实现对检测信号进行处理计算，本实施例中，优选的，所述反射回来的数据信息通过重合电路整合到恒流放电电路后输送到相减器上，再通过与非门和时钟电路输入到误差计数器上，并且存储在误差寄存器中，最后通过生成对抗网络算法模型中进行计算处理和判断。
本发明的工作原理及使用流程：
第一步、通过大口径反射面天线进行检测波的截取获得：采用的大口径反射面天线实现对来自各处的检测波进行截取，并且进行提取检测波中的载波信号；
第二步、将截取获得的载波信号输入到生成对抗网络算法模型中：在提取到检测波中的载波信号后，将载波信号输入到生成对抗网络算法模型中，然后通过生成对抗网络算法模型生成虚假欺骗干扰信息；
第三步、将生成的虚假欺骗干扰信号通过发射器进行发射：通过生成对抗网络算法模型生成虚假欺骗干扰信息后通过信号发射器进行反方向发射出去，使得检测端能够接收到反射回来的欺骗干扰信号；
第四步、然后通过自动距离跟踪系统实现对检测点进行距离检测：在发射欺骗干扰信号后，再通过自动距离跟踪系统实现对检测点进行检测，且在接收返回的检测波后，将返回的检测波输送给生成对抗网络算法模型中，实现对检测到的位置进行判定真伪；
第五步、通过欺骗干扰信号和自动距离跟踪系统实现隐藏自己和定位检测点：通过发射欺骗干扰信号实现对自身进行隐藏，防止自身被检测到，并且通过自动距离跟踪系统实现对检测点进行检测，确定检测点位置。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于，包括有以下方法步骤：
S1、通过大口径反射面天线进行检测波的截取获得：采用的大口径反射面天线实现对来自各处的检测波进行截取，并且进行提取检测波中的载波信号；
S2、将截取获得的载波信号输入到生成对抗网络算法模型中：在提取到检测波中的载波信号后，将载波信号输入到生成对抗网络算法模型中，然后通过生成对抗网络算法模型生成虚假欺骗干扰信号；
S3、将生成的虚假欺骗干扰信号通过发射器进行发射：通过生成对抗网络算法模型生成虚假欺骗干扰信号后通过信号发射器进行反方向发射出去，使得检测点能够接收到反射回来的欺骗干扰信号；
S4、然后通过自动距离跟踪系统实现对检测点进行距离检测：在发射欺骗干扰信号后，再通过自动距离跟踪系统实现对检测点进行检测，且在接收返回的检测波后，将返回的检测波输送给生成对抗网络算法模型中，实现对检测到的位置进行判定真伪；
S5、通过欺骗干扰信号和自动距离跟踪系统实现隐藏自己和定位检测点：通过发射欺骗干扰信号实现对自身进行隐藏，防止自身被检测到，并且通过自动距离跟踪系统实现对检测点进行检测，确定检测点位置。
2.根据权利要求1所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述S1中的大口径反射面天线设有若干组，实现对来自不同方向的检测波进行接收，在接收到检测波后通过大口径反射面天线内的增益放大模块实现对检测波进行放大处理，然后再通过模数转换器提取载波信号。
3.根据权利要求1所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述S2中的生成对抗网络算法模型中包括生成器与判别器，且生成对抗网络算法模型的训练过程如下：
S201、固定生成器，使用生成器基于隐随机向量z模拟出G(z)作为负样本，并从真实数据中采样得到正样本x；
S202、然后将正负样本输入给判别器，进行二分类预测；
S203、最后利用其二分类交叉熵损失更新判别器参数；
S204、之后固定判别器优化生成器。
4.根据权利要求3所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述判别器输入的样本一半来自真实数据，一半来自生成器，则其二分类交叉熵损失可表示为：
分别对应真实数据和生成数据的交叉熵损失之和，以此得到优化目标函数为：
训练优化阶段，为了让判别器最大化目标函数，使得其尽量对真实数据采样样本x的预测概率D(x)趋近于1，对生成样本G(z)的预测概率D(G(z))趋近于0；并且，要让生成器最小化目标函数，而且logD(x)一项与生成器无关，此时主要是最小化后一项，使得生成器生成样本让判别器预测概率D(G(z))趋近于1。
5.根据权利要求3所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述生成对抗网络算法模型实现对欺骗干扰信号的计算处理如下：
对于单个样本s，当固定生成器，寻找当下最优判别器即：
且Pdata(s)表示从真实数据采样得到s的概率，PG(s)为从生成器得到s的概率，求得的解为：
逐条样本s积分得到求得函数解为：
将最优判别器带入寻找最优生成器，此时生成器的目标函数等价于优化Pdata与PG的JS散度，即：
达到纳什均衡点是JSD(Pdata||PG)的最小值，即Pdata＝PG时，JSD(Pdata||PG)为零，值函数则判别器不论基于Pdata，还是PG，其预测概率均为二分之一，即生成样本与真实样本难以区分，不能够被识别真假。
6.根据权利要求1所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述S3中的信号发射器选用的和检测点的发射器相同，且发射器包括无线电跟踪系统和光学跟踪系统，所述欺骗干扰信号在进行发射之前先通过功率放大器实现放大处理。
7.根据权利要求6所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述欺骗干扰信号在进行放大处理之后，通过混频器实现对计算出的欺骗干扰信号整合到无线电波或者是光学波上进行发射，且在发射之前通过延时器实现控制发射时间和间隔。
8.根据权利要求1所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述S4中的自动距离跟踪系统利用无线电跟踪系统或者光学跟踪系统实现对检测点的位置进行检测，并且对于反射回来的数据信息通过信号处理系统进行预选。
9.根据权利要求8所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述信号处理系统中包括有信号接收电路、信号转换电路、信号滤波电路和信号放大电路，所述信号接收电路用于实现对反射回来的信号波进行接收，所述信号放大电路用于实现对接收的信号波进行放大处理，所述信号滤波电路用于实现对信号进行滤波处理，有效的滤除干扰杂波，所述信号转换电路用于实现对模拟信号转换合成数字信号。
10.根据权利要求8所述的一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法，其特征在于：所述反射回来的数据信息通过重合电路整合到恒流放电电路后输送到相减器上，再通过与非门和时钟电路输入到误差计数器上，并且存储在误差寄存器中，最后通过生成对抗网络算法模型中进行计算处理和判断。
CN202111480303.4A 2021-12-06 2021-12-06 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法 Active CN114236476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111480303.4A CN114236476B (zh) 2021-12-06 2021-12-06 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111480303.4A CN114236476B (zh) 2021-12-06 2021-12-06 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法

Publications (2)

Publication Number Publication Date
CN114236476A CN114236476A (zh) 2022-03-25
CN114236476B true CN114236476B (zh) 2023-08-04

Family

ID=80753458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111480303.4A Active CN114236476B (zh) 2021-12-06 2021-12-06 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法

Country Status (1)

Country Link
CN (1) CN114236476B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114942410B (zh) * 2022-05-31 2022-12-20 哈尔滨工业大学 基于数据增广的干扰信号识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108696331A (zh) * 2018-03-19 2018-10-23 西安电子科技大学 一种基于生成对抗网络的信号重构方法
CN110297218A (zh) * 2019-07-09 2019-10-01 哈尔滨工程大学 基于生成对抗网络的雷达信号未知调制方式检测方法
CN112348181A (zh) * 2019-08-09 2021-02-09 大众汽车股份公司 用于识别神经网络的输入数据中的对抗性干扰的方法
CN112946586A (zh) * 2020-12-09 2021-06-11 中国人民解放军93204部队 C波段制导雷达模拟系统
CN113114408A (zh) * 2021-04-06 2021-07-13 电子科技大学 一种生成式欺骗干扰信号生成评估方法及装置
CN113702923A (zh) * 2021-08-27 2021-11-26 电子科技大学 一种雷达杂波模拟方法及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11719850B2 (en) * 2019-06-20 2023-08-08 Sony Interactive Entertainment Inc. Detecting and compensating for magnetic interference in electromagnetic (EM) positional tracking

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108696331A (zh) * 2018-03-19 2018-10-23 西安电子科技大学 一种基于生成对抗网络的信号重构方法
CN110297218A (zh) * 2019-07-09 2019-10-01 哈尔滨工程大学 基于生成对抗网络的雷达信号未知调制方式检测方法
CN112348181A (zh) * 2019-08-09 2021-02-09 大众汽车股份公司 用于识别神经网络的输入数据中的对抗性干扰的方法
CN112946586A (zh) * 2020-12-09 2021-06-11 中国人民解放军93204部队 C波段制导雷达模拟系统
CN113114408A (zh) * 2021-04-06 2021-07-13 电子科技大学 一种生成式欺骗干扰信号生成评估方法及装置
CN113702923A (zh) * 2021-08-27 2021-11-26 电子科技大学 一种雷达杂波模拟方法及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
生成对抗网络在雷达反欺骗干扰中的应用框架;杨志峰等;现代雷达;第56-60页 *

Also Published As

Publication number Publication date
CN114236476A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN109188470B (zh) 一种基于卷积神经网络的gnss欺骗干扰检测方法
CN106125053B (zh) 脉冲多普勒雷达极化抗干扰方法
CN111399002B (zh) 一种基于两级神经网络的gnss接收机组合干扰分类识别方法
CN102033227B (zh) 以gps导航卫星为外辐射源的无源雷达微弱目标检测方法
CN109581425A (zh) 一种基于多接收机的卫星导航欺骗信号检测方法
CN105137396A (zh) 一种smsp干扰和c&i干扰的检测方法
CN107272030B (zh) 一种基于多个gps卫星信息融合的目标探测方法
CN114236476B (zh) 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法
CN111985349B (zh) 一种雷达接收信号类型分类识别方法及系统
CN108572353B (zh) 一种低截获雷达的脉冲时间序列规划方法
US20090309781A1 (en) Counter target acquisition radar and acoustic adjunct for classification
Wang et al. Greedy algorithm-based track-before-detect in radar systems
CN109283497A (zh) 双基地fda-mimo雷达距离欺骗干扰识别方法
CN106656303A (zh) 一种基于星载天线捕获跟踪指向系统的信号检测方法
Xu et al. Research on active jamming recognition in complex electromagnetic environment
JP2929561B2 (ja) レーダ信号処理装置
CN112834999B (zh) 一种干扰方位已知时雷达目标恒虚警检测方法与系统
CN114609597A (zh) 针对无人机集群侦探融合的干侵一体化雷达波形设计方法
US9024803B2 (en) Method for detecting a message sent by an interrogator or a transponder in mode S
RU2746799C1 (ru) Статистический способ имитационной защиты загоризонтной радиолокационной станции поверхностной волны
CN116520256B (zh) 一种基于深度学习的机载预警雷达干扰识别方法和装置
CN102721956B (zh) 一种光束瞄准系统中回波信号采集和传输方法
RU120237U1 (ru) Устройство селекции ложных целей в канале дальности рлс со сложным импульсным сигналом
Yang et al. Research on GNSS interference recognition based on ROI of correlation peaks
Reddy et al. Optimization of orthogonal adaptive waveform design in presence of compound Gaussian clutter for MIMO radar

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