CN114509731B - 一种基于双阶段深度网络的雷达主瓣抗干扰方法 - Google Patents
一种基于双阶段深度网络的雷达主瓣抗干扰方法 Download PDFInfo
- Publication number
- CN114509731B CN114509731B CN202210078865.4A CN202210078865A CN114509731B CN 114509731 B CN114509731 B CN 114509731B CN 202210078865 A CN202210078865 A CN 202210078865A CN 114509731 B CN114509731 B CN 114509731B
- Authority
- CN
- China
- Prior art keywords
- signal
- interference
- network
- stage
- sampling
- 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
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
- 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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
- G01S7/4056—Means for monitoring or calibrating by simulation of echoes specially adapted to FMCW
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达抗干扰技术领域,具体涉及一种基于双阶段深度网络的雷达主瓣抗干扰方法。本发明将Transformer和U‑net网络结合,提出基于信号时频图的双阶段干扰抑制算法。一阶段,利用Transformer在全局注意力上的优势,准确提取信号特征,在幅度图上对干扰信号实现有效压制。二阶段,考虑到原始信号相位图中存在干扰信号和噪声的影响,直接重构信号会导致信号局部失真,继续在重构信号时域上设计了CNN模块的U‑net结构,利用卷积模块提取局部特征的能力恢复重构信号的局部细节。实现了在多种干扰模式和不同干扰参数下的干扰抑制,在信号时频域上有效抑制了干扰信号幅度,在时域突出了真实回波信号特征,为后续脉压之后的目标检测提供了极大便利。
Description
技术领域
本发明属于雷达抗干扰技术领域,具体涉及一种基于双阶段深度网络的雷达主瓣抗干扰方法。
背景技术
雷达抗干扰技术,一直是雷达技术研究的热点。传统的雷达抗干扰技术主要通过设计雷达系统工作等主动方式来尽量减少干扰信号进入天线主瓣,或采取信号处理算法抑制与信号不相关的干扰信号。而目前弹载干扰设备主要采用数字射频存储技术(DigitalRadio Frequency Memory,DRFM),通过复制和转发与真实目标信号高度相关的假目标信号的方式实施自卫式干扰,且该干扰信号从雷达主瓣进入接收机,使得现有方法难以对该类主瓣干扰的有效抑制。如今,深度学习算法在图像、语音等领域已经取得重大进展。所以根据雷达主瓣干扰的特性,将深度学习引入到雷达抗干扰系统中,合理设计深度模型结构,将有望在复杂多变的干扰环境下实现更加优越的干扰抑制性能。
发明内容
本发明的目的是,针对上述问题,提出一种基于双阶段深度网络的雷达主瓣抗干扰方法。
本发明主要包括:首先,依据DRFM干扰机的工作原理,对雷达干扰信号进行仿真模拟,生成叠加干扰的回波信号以及未受干扰的真实信号,作为信号样本及标签样本。其次,对信号进行预处理,将信号映射到-1至1之间,对信号做短时傅里叶变换,得到归一化后的幅度图与相位图。然后,依据幅度图及信号的结构大小信息,设计双阶段链式网络架构。网络的核心思想是:一阶段,利用自然语言处理算法中的transformer模块,对信号的幅度图进行编解码处理,提取信号的深层次特征,滤除干扰信号幅度,保留回波信号强度。其次考虑到相位图受噪声和干扰影响剧烈,难以从相位图中较好恢复出原始相位波形,所以考虑先利用原始相位图结合一阶段输出的幅度图,初步重构信号,然后在信号时域再进行二阶段细化抑制干扰。最后二阶段,利用语义分割领域优秀的U-net结构,保证网络在多个信号层次上的特征提取和融合能力,恢复信号的局部细节,实现信号的干扰抑制。训练完成后,保存模型,利用随机生成的雷达回波信号进行测试,统计干信比改善值等干扰抑制指标。
本发明的具体技术方案是:
一种基于双阶段深度网络的雷达主瓣抗干扰方法,其特征在于,包括以下步骤:
S1、依据DRFM干扰机转发干扰的生成机理,建立信号生成模型,具体为:设定雷达发射信号采用线性调频信号(Linear Frequency Modulation,LFM),干扰信号为间歇采样转发式干扰,干扰机理是:干扰机对雷达信号进行间歇采样再依次转发形成,一个采样周期中多次采样转发,就形成了IS干扰,该种干扰的数学表达式为:
其中,N为信号长度,Aj为干扰信号强度,τ为间歇采样的脉冲宽度,T是雷达信号的脉宽,Ts是采样周期,表示间歇采样占空比;根据间歇采样方式的不同可细分为:直接转发干扰JISDJ、重复转发干扰JISRJ和循环转发干扰JISIJ三种:
JISDJ(t)=AjJ(t-τ)
最终信号生成模型可获得添加了干扰的回波信号Signaldata和无干扰的目标信号Target;
Signaldata={x0 i|i=1,2,…,N}∈CN‘
Target={x1 i|i=1,2,…,N}∈CN
将Signaldata作为信号样本,Target作为样本标签信号;由于干扰信号具有极高的随机性,传统的训练集生成方式难以覆盖到全部情况,所以不再细分训练集和测试集,而在训练过程中选用无限训练的方式,让信号模型和网络模型持续交互,直到损失函数收敛为止;
S2、对信号样本Signaldata和样本标签信号Target分别进行线性归一化处理,将信号强度映射到(-1,1)上,然后进行短时傅里叶变换,得到两组网络输入,即:归一化幅度图XAbs、相位图XAngle:
XAbs={xabs ij|i=1,2,…,F;j=1,2,…,T}∈CF×T
XAngle={xangle ij|i=1,2,…,F;j=1,2,…,T}∈CF×T
其中T表示时间帧个数,F表示频率;
S3、构建双阶段干扰抑制网络,包括一阶段的U-Transformer网络和二阶段的U-Signal Net网络;其中,一阶段的U-Transformer网络输入为信号归一化幅度图XAbs,输出为抑制干扰后幅度图YAbs,利用YAbs和相位图XAngle,得到初步重构信号Yorigin:
二阶段的U-Signal Net网络输入为初步重构信号Yorigin,利用二阶段网络对信号做局部修复,输出为模型抑制干扰后最终输出信号Youtput;
所述一阶段的U-Transformer网络由Transformer模块及U-Net结构组成(见图5),其整体结构为U型,左边为下采样过程,右边为上采样过程,具体为包括3次的池化下采样,且仅针对时间维度降维,每一次采样后都使用Transformer Encoder进行信息提取得到特征图,然后再经过3次上采样,通过三个级联的transformer解码器重构输入像素尺寸及大小,具体流程如下:
其中,Xn-1 down表示第n次下采样的输出,Pool()为池化函数,Xn-1 up表示第n次上采样的输出,Up()为上采样函数,每一次下采样都通过一个跳跃连接与对应的上采样进行连接,将跳层输入和底层上采样后的输出同时加载到Transformer Decoder模块中,让模型在最大程度上融合不同尺度的特征,精确恢复出原有信号幅度;
所述二阶段的U-Signal Net网络由1D-CNN结合U-Net网络组成,结构与一阶段的U-Transformer网络结构相似,区别在于将一阶段的U-Transformer网络中的编码器和解码器更换为1D残差卷积网络,并且不再使用池化层来下采样,选择使用扩大卷积核步长的方式实现降维,二阶段的U-Signal Net网络中下采样和上采样的次数为4次;
将loss函数设为在时域及时频域上的均方误差函数:
其中,LT为时域均方误差函数,Youtput为网络最终输出信号,Target为真实目标信号。LT-F为时频域均方误差函数,YAbs为一阶段网络输出幅度图,TargetSTFT为目标回波的幅度图,时域上的均方误差函数保证了信号在时域能量的一致性,时频图上的均方误差函数确保了信号在时频图上的线性表示,保障了恢复信号的波形与发射信号一致,方便后续继续做脉冲压缩处理;
S4、通过对S3构建的双阶段干扰抑制网络进行训练,得到训练好的网络模型,利用训练好的网络模型进行雷达主瓣抗干扰。
上述方案中,Transformer模块的主要结构为编码层和解码层:编码层的作用为提取信号特征,它可以由多个相同结构的编码器级联组成,其输入为:归一化幅度图XAbs或者下采样后的Xn down。每个编码器依据输入向量的不同,它的内部结构(见图6)可以由位置编码层,自注意力机制层和前向传播层组成(输入为归一化幅度图XAbs),或者只由自注意力机制层和前向传播层组成(输入为下采样后的Xn-1 down)。
位置编码层的作用是为每个原始输入的信号嵌入添加了一个位置向量,有助于确定每个时间帧的位置,或序列中不同时间帧之间的距离。位置向量的实现为:
在上式中,pos表示时间帧位置,i表示每一帧的特征维度。所以位置编码层的输出为:
X1=Posencode+XAbs
自注意力机制层,它的实现是利用不同变换域对每个时间帧的向量进行映射,并计算其相关性。然后通过相关系数改进特征向量,突出各个时间帧之间的相关性和独立性。具体实现上,该层的输入为:X1或者下采样后的Xn-1 down,这里统称为X1,变换层使用三个全连接层,输出可以表示为:
XQ m=WQ*X1+bQ
XK m=WK*X1+bK
XV m=WV*X1+bV
式中WQ、WK、WV、bQ、bK、bV为三个层的参数,XQ m、XK m、XV m代表各层输出
式中dk表示变换层的输出维度,LayerNorm()为层归一化。m为变换层个数,使用多个变换层相当于利用多个子空间对信号进行映射,可以提高编码器的宽度,增强模型的可塑性。将多个变换层的输出进行拼接,可以得到输出XA:
Concatenate:XA=[XAttention 1,XAttention 2,...,XAttention m]
最后再通过一层全连接层,将多个子空间下的拼接特征重新映射到与输入相同维度的向量上,得到最终输出X2
前向传播层,是一个两层的一维卷积层,使用1×1的卷积核,目的是加深网络的深度。第一层的激活函数为Relu,第二层不使用激活函数,对应的公式如下:
X3=LayerNorm(Conv(X2)+X2)
由于编码器的输入和输出保持了相同维度,所以可以在一个编码层中,级联多个编码器结构,增加网络的深度。
Transformer解码层与编码层的内部构造基本类似,同样由多个解码器级联组成,它的输入是上采样后的Up(Xn up)以及跳层输入的Xn-1 down。每个解码器的整体结构(见图7)都由三组自注意力机制层和前向传播层的结构构成。Xn-1 down经过一组自注意力机制层和前向传播层得到第一个输出Y0。Up(Xn up)经过另一组自注意力机制层和前向传播层得到Y1。然后将Y0和Y1共同输入到第三组自注意力机制层和前向传播层得到第二个输出Y3。其中第三组自注意力机制层的计算方式有所改变,具体如下:
YQ m=W0*Y0+bQ
YK m=WK*Y1+bK
YV m=WV*Y1+bV
解码器的输入和输出同样保持了相同维度,所以也可以在一个解码层中,级联多个解码器结构,增加网络的深度。
二阶段U-Signal Net网络中,每个下采样层的构造均由残差卷积层、激活函数层和批归一化层组成,每次卷积后通道数逐倍增加。上采样过程同理,但通道数逐倍递减,并且它们之间的跳层连接方式改为在上采样信号的通道维度进行拼接,再一起输入到卷积网络中。
另外1D残差卷积网络选择的激活函数为Tanh,其主要原因是因为雷达信号具有一定的正负交替性,所以使用常规的Relu函数,会导致激活函数的输出值全为正值,影响网络的输出。Tanh函数的表述为:
本发明的有益效果是:本发明将Transformer和U-net网络结合,提出基于信号时频图的双阶段干扰抑制算法。一阶段,利用Transformer在全局注意力上的优势,准确提取信号特征,在幅度图上对干扰信号实现有效压制。二阶段,考虑到原始信号相位图中存在干扰信号和噪声的影响,直接重构信号会导致信号局部失真,继续在重构信号时域上设计了CNN模块的U-net结构,利用卷积模块提取局部特征的能力恢复重构信号的局部细节。实现了在多种干扰模式和不同干扰参数下的干扰抑制,在信号时频域上有效抑制了干扰信号幅度,在时域突出了真实回波信号特征,为后续脉压之后的目标检测提供了极大便利。
附图说明
图1为直接转发干扰-干扰抑制前后干信比改善值;
图2为重复转发干扰-干扰抑制前后干信比改善值;
图3为循环转发干扰-干扰抑制前后干信比改善值;
图4为双阶段干扰抑制网络流程图;
图5为一阶段U-transformer net结构图;
图6为Transformer编码器结构图;
图7为Transformer解码器结构图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细描述:
如图4所示,本发明包括:
S1:建立干扰信号模型:首先设置雷达线性调频信号的脉宽为0.1ms,带宽10MHz,脉冲发射频率为7.5kHz,载波频率为112.5MHz,采样频率为150MHz。并依据雷达发射信号,计算雷达距离分辨率和速度分辨率,得到目标的速度区间和距离区间。然后利用伪随机数生成目标速度和距离,目标RCS设置为10,计算真实雷达回波信号。干扰信号组成由信噪比为10dB的高斯白噪声及DRFM干扰机干扰组成。DRFM干扰机的工作参数主要设置为:v=2μs~30μs为间歇采样的脉冲宽度,Ts=4~100μs是采样周期,表示间歇采样占空比。最后,仿真雷达系统的输出为信号样本Signaldata和标签信号Signaltarget。
Signaldata={x0 i|i=1,2,…,20000}∈C20000
Signaltarget={x1 i|i=1,2,…,20000}∈C20000
S2:对网络输入进行线性归一化处理,将信号强度映射到(-1,1)上。雷达信号长度为20000,利用短时傅里叶变换求得信号的时频图为129*200,129表示信号的零频和正频率部分,200为时间帧个数。对时频图做求模、相位及归一化操作,可以得到129*200的幅度归一化图XAbs和129*200的相位归一化图XAngle。
XAbs={xabs ij|i=1,2,...,129;j=1,2,...,200}∈C129×200
XAngle={xangle ij|i=1,2,...,129;j=1,2,...,200}∈C129×200
S3:构建双阶段干扰抑制网络,一阶段的U-Transformer网络由Transformer模块及U-Net结构组成,它的输入为信号归一化幅度图XAbs,输出为抑制干扰后幅度图YAbs。利用YAbs和相位图XAngle,可以初步会恢复出回波信号Yorigin:
然后利用二阶段网络对信号做局部修复,二阶段网络U-Signal Net由1D-CNN结合U-Net网络组成。它的输入为初步重构信号Yorigin,输出为模型抑制干扰后最终输出信号Youtput。
设计U-Transformer网络:整体模型结构如下:U-Transformer整个流程为U型,输入为左边的为下采样过程,右边为上采样过程,中间的箭头是将特征图进行跳层输入。U-Net一共进行了3次的2倍下采样,且仅针对时间维度降维,每一次采样后都使用了三个级联的transformer编码器进行信息提取,得到特征图,然后再经过3次上采样,通过三个级联的transformer解码器重构输入像素尺寸及大小。具体流程如下:
式中Xn down表示第n次下采样的输出,Pool()为池化函数,Xn up表示第n次上采样的输出,Up()为上采样函数。
U-Transformer网络的结构主要分为编码层和解码层:每个编码层都由三个相同的编码器级联组成,它的输入为:归一化幅度图XAbs或者下采样后的Xn down。编码器参数见表1。
表1编码层参数设置
采样倍数 | 输入特征维度dk | 级联次数 | 输出 |
2 | 200 | 3 | 129*100 |
2 | 100 | 3 | 129*50 |
2 | 50 | 3 | 129*25 |
1 | 25 | 3 | 129*25 |
位置编码层的实现为:
式中pos表示时间帧位置,dmodel表示初始输入每一帧的特征维度,设置为200。所有位置编码层的输出为:
X1=Posencode+XAbs
自注意力机制层,该层的输入为:X1或者下采样后的Xn-1 down,这里统称为X1,变换层使用三个全连接层Q、K、V,输出可以表示为:
XQ m=WQ*X1+bQ
XK m=WK*X1+bK
XV m=WV*X1+bV
式中dk表示变换层的输入特征维度,LayerNorm()为层归一化。m为变换层个数,设置为9,将多个变换层的输出进行拼接,可以得到输出XA:
Concatenate:XA=[XAttention 1,XAttention 2,...,XAttention 9]
最后再通过一层dk×9-dk全连接层,将多个子空间下的拼接特征重新映射到与输入相同维度的向量上,得到最终输出X2∈C129×200
前向传播层,是一个两层的一维卷积层,使用1×1的卷积核,目的是加深网络的深度。第一层的激活函数为Relu,第二层不使用激活函数,对应的公式如下:
X3=LayerNorm(Conv(X2)+X2)
Transformer解码器与编码器的内部构造基本类似,它的输入为:上采样后的Up(Xn up)以及跳层输入的Xn-1 down。整体结构由三组自注意力机制层和前向传播层的结构构成。Xn-1 down经过一组自注意力机制层和前向传播层得到第一个输出Y0。Up(Xn up)经过另一组自注意力机制层和前向传播层得到Y1。然后将Y0和Y1共同输入到第三组自注意力机制层和前向传播层得到第二个输出Y3。
二阶段网络由1D-CNN结合U-Net网络组成:
整体U-net模型结构,与S4所述结构类似。下采样次数为4次,每个下采样层的构造均由残差卷积层、激活函数层和批归一化层组成,具体参数见表2,通道数逐层增加。上采样过程同理,但通道数逐层递减。
表2下采样层参数设置
另外1D残差卷积网络选择的激活函数为Tanh,Tanh函数的表述为:
模型输出信号,与target信号计算loss值。loss函数设为在时域及时频域上的均方误差函数LT和LT-F:
S4、训练设置上,Batch_size选择为16,学习率调整在0.0005范围内,优化器选择为Adam。训练完成后保存模型。
最后,对三种不同间歇转发主瓣干扰模式下,采用不同采样占空比时随机生成的干扰信号,经过该双阶段深度网络进行主瓣干扰抑制,并统计干扰抑制前后的目标干信比改善。统计结果见图1-图3所示。
Claims (1)
1.一种基于双阶段深度网络的雷达主瓣抗干扰方法,其特征在于,包括以下步骤:
S1、依据DRFM干扰机转发干扰的生成机理,建立信号生成模型,具体为:设定雷达发射信号采用线性调频信号,干扰信号为间歇采样转发式干扰,干扰机理是:干扰机对雷达信号进行间歇采样再依次转发形成,一个采样周期中多次采样转发,就形成了IS干扰,数学表达式为:
其中,N为信号长度,Aj为干扰信号强度,τ为间歇采样的脉冲宽度,T是雷达信号的脉宽,Ts是采样周期,表示间歇采样占空比;根据间歇采样方式的不同分为:直接转发干扰JISDJ、重复转发干扰JISRJ和循环转发干扰JISIJ三种:
JISDJ(t)=AjJ(t-τ)
最终信号生成模型可获得添加了干扰的回波信号Signaldata和无干扰的目标信号Signaltarget;
Signaldata={x0 i|i=1,2,…,N}∈CN
Signaltarget={x1 i|i=1,2,…,N}∈CN
将Signaldata作为信号样本,Signaltarget作为样本标签信号;
S2、对信号样本Signaldata和样本标签信号Signaltarget分别进行线性归一化处理,将信号强度映射到(-1,1)上,然后进行短时傅里叶变换,得到两组网络输入,即:归一化幅度图XAbs、相位图XAngle:
XAbs={xabs ij|i=1,2,…,F;j=1,2,…,T}∈CF×T
XAngle={xangle ij|i=1,2,…,F;j=1,2,…,T}∈CF×T
其中T表示时间帧个数,F表示频率;
S3、构建双阶段干扰抑制网络,包括一阶段的U-Transformer网络和二阶段的U-SignalNet网络;其中,一阶段的U-Transformer网络输入为信号归一化幅度图XAbs,输出为抑制干扰后幅度图YAbs,利用YAbs和相位图XAngle,得到初步重构信号Yorigin:
二阶段的U-Signal Net网络输入为初步重构信号Yorigin,输出为模型抑制干扰后最终输出信号Youtput;
所述一阶段的U-Transformer网络由Transformer模块及U-Net结构组成,其整体结构为U型,左边为下采样过程,右边为上采样过程,具体为包括3次的池化下采样,且仅针对时间维度降维,每一次采样后都使用Transformer Encoder进行信息提取得到特征图,然后再经过3次上采样,通过三个级联的transformer解码器重构输入像素尺寸及大小,具体流程如下:
其中,Xn-1 down表示第n次下采样的输出,Pool()为池化函数,Xn-1 up表示第n次上采样的输出,Up()为上采样函数,每一次下采样都通过一个跳跃连接与对应的上采样进行连接,将跳层输入和底层上采样后的输出同时加载到Transformer Decoder模块中,让模型在最大程度上融合不同尺度的特征,精确恢复出原有信号幅度;
所述二阶段的U-Signal Net网络由1D-CNN结合U-Net网络组成,结构与一阶段的U-Transformer网络结构相似,区别在于将一阶段的U-Transformer网络中的编码器和解码器更换为1D残差卷积网络,并且不再使用池化层来下采样,选择使用扩大卷积核步长的方式实现降维,二阶段的U-Signal Net网络中下采样和上采样的次数为4次;
将loss函数设为在时域及时频域上的均方误差函数:
其中,LT为时域均方误差函数,Youtput为网络最终输出信号,Target为真实目标信号;LT-F为时频域均方误差函数,YAbs为一阶段网络输出幅度图,TargetSTFT为目标回波的幅度图;
S4、通过对S3构建的双阶段干扰抑制网络进行训练,得到训练好的网络模型,利用训练好的网络模型进行雷达主瓣抗干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210078865.4A CN114509731B (zh) | 2022-01-24 | 2022-01-24 | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210078865.4A CN114509731B (zh) | 2022-01-24 | 2022-01-24 | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114509731A CN114509731A (zh) | 2022-05-17 |
CN114509731B true CN114509731B (zh) | 2023-09-05 |
Family
ID=81550501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210078865.4A Active CN114509731B (zh) | 2022-01-24 | 2022-01-24 | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509731B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115372928B (zh) * | 2022-10-21 | 2023-02-28 | 成都信息工程大学 | 一种基于i/q数据的dcnn电磁干扰识别方法及装置 |
CN116430347B (zh) * | 2023-06-13 | 2023-08-22 | 成都实时技术股份有限公司 | 一种雷达数据采集与存储方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014048193A1 (zh) * | 2012-09-28 | 2014-04-03 | 北京理工大学 | 一种用于舰艇编队情况下同型雷达同频干扰抑制方法 |
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
CN109270499A (zh) * | 2018-08-28 | 2019-01-25 | 电子科技大学 | 一种基于特征矩阵联合对角化的多目标主瓣抗干扰方法 |
CN109507649A (zh) * | 2018-12-20 | 2019-03-22 | 西安电子科技大学 | 波形分集阵雷达抗主瓣欺骗式干扰的方法 |
CN112214929A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
CN112285666A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 基于深度U-Inception网络的雷达干扰抑制方法 |
CN112859014A (zh) * | 2021-02-24 | 2021-05-28 | 北京理工大学重庆创新中心 | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 |
CN112881986A (zh) * | 2021-01-15 | 2021-06-01 | 电子科技大学 | 基于优化深度模型的雷达切片存储转发式干扰抑制方法 |
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 |
CN112949820A (zh) * | 2021-01-27 | 2021-06-11 | 西安电子科技大学 | 基于生成对抗网络的认知抗干扰目标检测方法 |
CN113433514A (zh) * | 2021-06-18 | 2021-09-24 | 西北工业大学 | 基于展开式深度网络的参数自学习干扰抑制方法 |
CN113640754A (zh) * | 2021-08-22 | 2021-11-12 | 西安电子科技大学 | 一种基于低秩稀疏模型的抗主瓣间歇采样转发干扰方法 |
-
2022
- 2022-01-24 CN CN202210078865.4A patent/CN114509731B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014048193A1 (zh) * | 2012-09-28 | 2014-04-03 | 北京理工大学 | 一种用于舰艇编队情况下同型雷达同频干扰抑制方法 |
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
CN109270499A (zh) * | 2018-08-28 | 2019-01-25 | 电子科技大学 | 一种基于特征矩阵联合对角化的多目标主瓣抗干扰方法 |
CN109507649A (zh) * | 2018-12-20 | 2019-03-22 | 西安电子科技大学 | 波形分集阵雷达抗主瓣欺骗式干扰的方法 |
CN112214929A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 |
CN112285666A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 基于深度U-Inception网络的雷达干扰抑制方法 |
CN112881986A (zh) * | 2021-01-15 | 2021-06-01 | 电子科技大学 | 基于优化深度模型的雷达切片存储转发式干扰抑制方法 |
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 |
CN112949820A (zh) * | 2021-01-27 | 2021-06-11 | 西安电子科技大学 | 基于生成对抗网络的认知抗干扰目标检测方法 |
CN112859014A (zh) * | 2021-02-24 | 2021-05-28 | 北京理工大学重庆创新中心 | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 |
CN113433514A (zh) * | 2021-06-18 | 2021-09-24 | 西北工业大学 | 基于展开式深度网络的参数自学习干扰抑制方法 |
CN113640754A (zh) * | 2021-08-22 | 2021-11-12 | 西安电子科技大学 | 一种基于低秩稀疏模型的抗主瓣间歇采样转发干扰方法 |
Non-Patent Citations (1)
Title |
---|
"基于深度学习的雷达抗干扰方法研究";梁思远;《中国优秀硕士学位论文全文数据库 信息技术辑》(第2(2020)期);1 * |
Also Published As
Publication number | Publication date |
---|---|
CN114509731A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114509731B (zh) | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 | |
CN110739003B (zh) | 基于多头自注意力机制的语音增强方法 | |
CN111081268A (zh) | 一种相位相关的共享深度卷积神经网络语音增强方法 | |
CN111626961B (zh) | 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 | |
CN109841226A (zh) | 一种基于卷积递归神经网络的单通道实时降噪方法 | |
CN105488466A (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
CN112989107B (zh) | 音频分类和分离方法、装置、电子设备以及存储介质 | |
CN111680666A (zh) | 欠采样跳频通信信号深度学习恢复方法 | |
CN112214929B (zh) | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 | |
Ni et al. | LPI radar waveform recognition based on multi-resolution deep feature fusion | |
CN110610717A (zh) | 复杂频谱环境混合信号的分离方法 | |
CN110045375A (zh) | 一种一比特sar回波数据的处理方法及系统 | |
CN112285666A (zh) | 基于深度U-Inception网络的雷达干扰抑制方法 | |
CN113782044B (zh) | 一种语音增强方法及装置 | |
Xu et al. | U-former: Improving monaural speech enhancement with multi-head self and cross attention | |
CN110675888A (zh) | 一种基于RefineNet和评价损失的语音增强方法 | |
CN114067819A (zh) | 基于跨层相似性知识蒸馏的语音增强方法 | |
Li et al. | Deeplabv3+ vision transformer for visual bird sound denoising | |
CN116682444A (zh) | 一种基于波形频谱融合网络的单通道语音增强方法 | |
CN115980668A (zh) | 一种基于宽度神经网络的广义互相关的声源定位方法 | |
CN113936680B (zh) | 基于多尺度信息感知卷积神经网络的单通道语音增强方法 | |
CN114200520B (zh) | 一种地震数据去噪方法 | |
CN115295002A (zh) | 一种基于交互性时频注意力机制的单通道语音增强方法 | |
Zhou et al. | DBSA-net: Dual branch self-attention network for underwater acoustic signal denoising | |
Jiao | Translate reverberated speech to anechoic ones: Speech dereverberation with bert |
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 |