CN114580461A - 一种雷达干扰识别网络的训练方法和雷达干扰识别方法 - Google Patents

一种雷达干扰识别网络的训练方法和雷达干扰识别方法 Download PDF

Info

Publication number
CN114580461A
CN114580461A CN202210067271.3A CN202210067271A CN114580461A CN 114580461 A CN114580461 A CN 114580461A CN 202210067271 A CN202210067271 A CN 202210067271A CN 114580461 A CN114580461 A CN 114580461A
Authority
CN
China
Prior art keywords
radar interference
network
time
radar
training
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
Application number
CN202210067271.3A
Other languages
English (en)
Inventor
董刚刚
宋娅菲
刘宏伟
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210067271.3A priority Critical patent/CN114580461A/zh
Publication of CN114580461A publication Critical patent/CN114580461A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种雷达干扰识别网络的训练方法和雷达干扰识别方法，雷达干扰识别网络的训练方法包括：获取各种类型的雷达干扰信号；得到每个雷达干扰信号的时频图；针对干噪比大于预定阈值的每个时频图，获得由人工标注完成的、该时频图对应的标注后时频图，并由所有标注后时频图构成标注样本集；其中，标注后时频图中标注有雷达干扰信号的类别和位置；基于标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络，以用于对未知雷达干扰信号进行识别；其中，神经网络包括主干网络和RPN网络。应用本发明的雷达干扰识别网络的训练方法所得到的雷达干扰识别网络，能够对多类雷达干扰识别类别并定位位置。

Description

一种雷达干扰识别网络的训练方法和雷达干扰识别方法
技术领域
本发明属于雷达信号处理领域，具体涉及一种雷达干扰识别网络的训练方法和雷达干扰识别方法。
背景技术
现代战争就本质而言是信息战争。雷达在信息战场上发挥着至关重要的作用。雷达通过发射电磁波对目标物体进行扫射并接受其回波，通过对回波进行处理，能够获得目标物体距离发射点的具体方向、距离和高度等信息，甚至能够帮助探测到“隐身武器”。
但有雷达的存在，必然会涉及干扰的产生。雷达干扰会破坏或阻碍雷达发现、跟踪目标。对雷达干扰进行高效识别和定位，从而对干扰信号进行针对性压制，能够在信息战中掌握主动权。
雷达干扰按照干扰来源的不同，主要分为有源干扰和无源干扰两大类。无源干扰是由非目标的物体对电磁波的散射、反射或折射而形成的干扰。有源干扰是由人为精心调制和设计，通过指定的转发机发射的某种电磁波，它们用高能量的噪声或类似噪声的干扰信号来淹没雷达目标信号，或者利用假目标信息以迷惑雷达，对目标检测和跟踪造成了破坏性的影响。在实际工作过程中，有源干扰对雷达的影响比无源干扰更大，是现代雷达受到的主要干扰方式。
传统的雷达干扰识别方法大部分采用模式识别方法，具体过程是，先提取出各类干扰具有区分性的特征参数，再把提取的特征参数输入合理设计的分类器，以实现对各种干扰的分类识别。这类识别方法的要点在于特征选取和分类器设计上，特征选取需结合信号的特性出发，从时域、频域、时频域、高维域和统计域等多域内挖掘出干扰信号间有明显差异的特征。该方法的有效实现依赖于选取到区分性良好的特征，针对每种雷达干扰类型，需要单独进行特征提取，因而同一分类器仅能对单一雷达干扰信号进行识别，且识别结果仅包括干扰的类别，无法对干扰信号进行准确定位。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种雷达干扰识别网络的训练方法和雷达干扰识别方法。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明实施例提供一种雷达干扰识别网络的训练方法，所述方法包括：
获取各种类型的雷达干扰信号；
得到每个雷达干扰信号的时频图；
针对干噪比大于预定阈值的每个时频图，获得由人工标注完成的、该时频图对应的标注后时频图，并由所有标注后时频图构成标注样本集；其中，所述标注后时频图中标注有雷达干扰信号的类别和位置；
基于所述标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络，以用于对未知雷达干扰信号进行识别；其中，所述神经网络包括主干网络和RPN网络。
在本发明的一个实施例中，所述获取各种类型的雷达干扰信号，包括：
利用仿真手段生成各种类型的雷达干扰信号；其中，每一雷达干扰信号具有确定的干噪比。
在本发明的一个实施例中，所述得到每个雷达干扰信号的时频图，包括：
针对每个雷达干扰信号，将该雷达干扰信号进行短时傅里叶变换，得到该雷达干扰信号的时频图。
在本发明的一个实施例中，所述预定阈值为：0dB。
在本发明的一个实施例中，所述主干网络，包括：
顺次连接的第一残差子网络、第二残差子网络和第三残差子网络；每一残差子网络由预设残差结构重复多次构成。
在本发明的一个实施例中，所述第一残差子网络、所述第二残差子网络、所述第三残差子网络，分别由所述预设残差结构重复3次、4次和6次构成。
在本发明的一个实施例中，所述预设残差结构，包括：
顺次连接的1×1卷积核、3×3卷积核和1×1卷积核。
在本发明的一个实施例中，所述基于所述标注样本集，训练预先构建的神经网络，包括：
将所述标注样本集作为输入，训练预先构建的神经网络。
在本发明的一个实施例中，所述基于所述标注样本集，训练预先构建的神经网络，包括：
将所述标注样本集作为输入，训练预先构建的神经网络，得到训练完成的第一神经网络；
将未标注样本集输入所述第一神经网络，预测得到所述未标注样本集内各时频图中雷达干扰信号的类别和位置，得到自动标注样本集；其中，所述未标注样本集为获取的各种类型的雷达干扰信号所对应的时频图所构成的集合中，干噪比小于或等于所述预定阈值的时频图所构成的集合；
获取自动标注样本集对应的人工修正标注样本集；
利用所述标注样本集和所述人工修正标注样本集构成的合集，重新对所述神经网络进行训练。
第二方面，本发明实施例提供一种雷达干扰识别方法，所述方法包括：
获取未知雷达干扰信号，并将其转换为时频图；
将所述时频图输入预先训练完成的雷达干扰识别网络，得到所述未知雷达干扰信号的类别和位置；其中，所述雷达干扰识别网络是基于第一方面所述的雷达干扰识别网络的训练方法训练得到的。
本发明实施例所提供的雷达干扰识别网络的训练方法中，在各种类型的雷达干扰信号产生的时频图中，选择干噪比大于预定阈值的部分时频图由人工标注，得到标注样本集，基于标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络，以用于对未知雷达干扰信号进行识别。
本发明实施例利用雷达干扰信号的时频图能够同时获得雷达干扰信号的时域和频域信息，同时时频图的二维图像形式能够保证后续神经网络的输入要求，以便于利用神经网络这种深度学习手段进行干扰识别。并且，本发明实施例在保证标注样本集具有雷达干扰信号多种类型的前提下，选择干扰清晰可见的部分时频图并进行人工标注能够保证样本清晰度和标注准确性，从而保证网络训练的准确性。通过网络的训练学习，能够实现将雷达成像的领域知识及相关的专家经验知识融入到深度学习策略，能够使得训练完成的雷达干扰识别网络具备同时识别多种类型的雷达干扰信号的能力。另外，由于本发明实施例的神经网络中包括RPN网络，能够实现对雷达干扰信号的位置定位。因此，相比于现有技术仅能对单一雷达干扰信号进行识别，且识别结果仅包括干扰的类别，无法对干扰信号进行准确定位。应用本发明实施例提供的雷达干扰识别网络的训练方法训练得到的雷达干扰识别网络，能够在多种雷达干扰信号同时存在的情况下，识别出每一个雷达干扰信号的干扰类别并同时准确定位其位置。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为本发明实施例提供的一种雷达干扰识别网络的训练方法的流程示意图；
图2为本发明实施例提供的一种神经网络的结构示意图；
图3为本发明实施例生成的含有雷达干扰样式的信号图所转换的时频图；
图4为本发明实施例提供的另一种神经网络的结构示意图；
图5为本发明实施例提供的一种雷达干扰识别方法的流程示意图；
图6为本发明实施例提供的雷达干扰识别方法对未知雷达干扰信号的检测结果图。
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。
为了对多种类型的雷达干扰信号进行识别和定位，本发明实施例提供了一种雷达干扰识别网络的训练方法和雷达干扰识别方法。
需要说明的是，本发明实施例所提供的雷达干扰识别网络的训练方法和雷达干扰识别方法的执行主体，分别可以为雷达干扰识别网络的训练装置和雷达干扰识别装置，所述雷达干扰识别网络的训练装置和所述雷达干扰识别装置可以运行于电子设备中，其中，对应的电子设备可以为计算机等。
第一方面，本发明实施例提供了一种雷达干扰识别网络的训练方法，如图1所示，该方法包括以下步骤：
S1，获取各种类型的雷达干扰信号。
该步骤中获取的多个雷达干扰信号，涵盖各种类型的雷达干扰，且不限于有源干扰和无源干扰，并且获取的多个雷达干扰信号的干噪比(ratio of jamming to noise，JNR)等信号特性是已知的。其中，干噪比表示干扰和噪声的比值，具体请参见现有技术理解。
这些雷达干扰信号可以是真实的雷达干扰信号，比如预先利用雷达等设备接收到的雷达干扰信号，但也可以是利用信号合成等手段或其余设备产生的雷达干扰信号，这都是合理的。
比如，可选的一种实施方式中，所述获取各种类型的雷达干扰信号，包括：
利用仿真手段生成各种类型的雷达干扰信号。
其中，由于每一雷达干扰信号的干噪比是在仿真过程中设置的，每一雷达干扰信号具有确定的干噪比。仿真手段所使用的工具可以为MATLAB等。
所获取的多个雷达干扰信号的干扰类型可以涵盖噪声乘积干扰(简称NP)、频谱弥散干扰(简称SMSP)、切片重构干扰(简称C&I)、间歇采样转发干扰(简称IS)、噪声调幅干扰(简称AM)和噪声调频干扰(简称FM)等，本发明实施例以此获得雷达干扰类型全面丰富的样本集。
S2，得到每个雷达干扰信号的时频图。
本发明实施例为了能够同时研究雷达干扰信号在时间域和频率域的信息，对每个雷达干扰信号均进行时频分析，将抽象信号转变为具体的时频图，以时频图的二维图像形式作为后续网络的输入。时频图中体现了雷达干扰信号时间域与频率域的联合分布信息，能够清楚地描述信号频率随时间变化的关系。
本发明实施例获得时频图的方法可以包括Wigner-Ville(简称WVD)分布、伪Wigner-Ville(简称PWVD)分布和平滑伪Wigner-Ville(简称SPWVD)分布等。
S3，针对干噪比大于预定阈值的每个时频图，获得由人工标注完成的、该时频图对应的标注后时频图，并由所有标注后时频图构成标注样本集。
前文已述，每个时频图的干噪比是已知的，而且，干噪比越大，干扰越清晰可见，越有利于干扰的识别。因此，可以设置一个关于干噪比的预定阈值，大于该预定阈值的时频图可以由人工进行标注，得到对应的标注后时频图，并且可以生成对应的XML文件以便于使用。其中，所述标注后时频图中标注有雷达干扰信号的类别和位置。类别可以为前文所述的多个干扰类型，位置为时频平面位置即干扰信号在时频图中的区域范围，通常可以用一个矩形框表示，以矩形框的长、宽以及至少一个顶点的坐标值加以标示。可以理解的是，由人工标注可以得到准确的标注结果。人工标注完成后，在该步骤中，可以通过信息传输等方式获取这些标注后时频图，并整合为标注样本集。
其中，预定阈值可以根据需要设定，比如，可选的一种实施方式中，所述预定阈值可以为：0dB。
S4，基于所述标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络，以用于对未知雷达干扰信号进行识别。
该步骤是网络训练过程，可选的一种实施方式中，所述基于所述标注样本集，训练预先构建的神经网络，包括：
将所述标注样本集作为输入，训练预先构建的神经网络。
具体的训练过程可以包括以下步骤：
1)将所述标注样本集中每一标注后时频图对应雷达干扰信号的类别和位置，作为该标注后时频图对应的真值，将各标注后时频图和对应的真值，通过预先构建的神经网络进行训练，获得标注后时频图的训练结果。
2)将每一标注后时频图的训练结果与该标注后时频图对应的真值进行比较，得到该标注后时频图对应的输出结果。
3)根据各个标注后时频图对应的输出结果，计算网络的损失值。
4)根据损失值，调整网络参数，并重新进行1)-3)步骤，直至网络的损失值达到了一定的收敛条件，也就是损失值达到最小，这时，意味着每一标注后时频图的训练结果与该标注后时频图对应的真值一致，从而完成该神经网络的训练。
其中，所述神经网络包括主干网络和RPN网络(RegionProposal Network，区域生成网络)。所述神经网络的结构请参见图2，图2为本发明实施例提供的一种神经网络的结构示意图。如图2所示，沿着输入方向，所述神经网络包括顺次连接的主干网络、RPN网络和分类网络。
具体的，为了规格统一便于处理，进行主干网络的特征提取之前，可以先将输入图像进行尺寸归一化。本发明实施例的图像归一化后尺寸可以为600×600等。主干网络用于特征提取，具体可以为VGG(全称Visual Geometry Group)、Res(Residual NeuralNetwork，残差网络)等网络。当然，所述主干网络也可以具体利用卷积层、池化层以及残差网络等结构自行构建，具体的特征提取过程在此不做详细说明。针对输入的图像，主干网络会输出一个特征图给RPN网络。
RPN网络用于在获取的特征图中定位干扰信号的位置。RPN网络对于特征图上的每个点，都会生成一个具有不同比例和长宽比的锚框。这个锚框的坐标(x,y,w,h)是原始输入图像上的坐标；其中，x和y表示二维坐标；w和h分别表示锚框的宽和高。这些锚框被送入两个网络层，一个网络层用于分类该锚框内的特征图是否属于前景，另一个网络层用于输出四个位置坐标，即相对于真实物体框的偏移量。它将确定该锚框是否包含目标对象，并自动修改偏移量，使其更接近真实的定位。关于RPN网络的处理方式可以参见相关现有技术理解，在此不做更为详细的说明。可以理解的是，本发明实施例利用RPN网络能够对时频图中雷达干扰信号的位置进行定位。
在分类网络处理之前，可以将含有目标的不同尺寸锚框进行池化操作，以转变为统一尺寸再输入分类网络。分类网络可以为softmax分类器等，用于对所有预测结果进行分类处理，输出置信度最高类别的结果作为最终的识别结果。
简而言之，本发明实施例的所述神经网络基于锚框检测器构建，借助注意力机制调整候选框，使尺寸归一化后的时频图尺寸与雷达干扰信号更契合，定位更精确。通过将时频图输入所述神经网络，利用主干网络提取局部特征，根据提取的感兴趣区域，进而定位干扰信号的位置，最后输入到分类网络中对干扰信号的类型进行判别。所述神经网络尤其针对现有技术中复杂且难以识别的有源雷达干扰具有较佳的识别效果。
本发明实施例所提供的雷达干扰识别网络的训练方法中，在各种类型的雷达干扰信号产生的时频图中，选择干噪比大于预定阈值的部分时频图由人工标注，得到标注样本集，基于标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络，以用于对未知雷达干扰信号进行识别。
本发明实施例利用雷达干扰信号的时频图能够同时获得雷达干扰信号的时域和频域信息，同时时频图的二维图像形式能够保证后续神经网络的输入要求，以便于利用神经网络这种深度学习手段进行干扰识别。并且，本发明实施例在保证标注样本集具有雷达干扰信号多种类型的前提下，选择干扰清晰可见的部分时频图并进行人工标注能够保证样本清晰度和标注准确性，从而保证网络训练的准确性。通过网络的训练学习，能够实现将雷达成像的领域知识及相关的专家经验知识融入到深度学习策略，能够使得训练完成的雷达干扰识别网络具备同时识别多种类型的雷达干扰信号的能力。另外，由于本发明实施例的神经网络中包括RPN网络，能够实现对雷达干扰信号的位置定位。因此，相比于现有技术仅能对单一雷达干扰信号进行识别，且识别结果仅包括干扰的类别，无法对干扰信号进行准确定位。应用本发明实施例提供的雷达干扰识别网络的训练方法训练得到的雷达干扰识别网络，能够在多种雷达干扰信号同时存在的情况下，识别出每一个雷达干扰信号的干扰类别并同时准确定位其位置。
以下对本发明实施例一些可选的实施方式进行说明。
针对S2，可选的一种实施方式中，所述得到每个雷达干扰信号的时频图，包括：
针对每个雷达干扰信号，将该雷达干扰信号进行短时傅里叶变换(Windowedfourier Transform，STFT)，得到该雷达干扰信号的时频图。
短时傅立叶变换，实质上是加窗的傅里叶变换，随着时间窗的移动而形成信号的一种时频表示。短时傅立叶变换的公式如下所示：
Figure BDA0003480621890000111
其中，STFT(t,ω)表示短时傅立叶变换的结果；S(τ)是雷达干扰信号；h*(·)是时域窗函数；整个公式是S(·)和h*(·)的卷积操作；t是时间；ωτ是设置的矩形的时域窗时长；ω是角频率；Fs是干扰信号的采样率，m＝ωτ·Fs是对应时域窗的点数。关于短时傅立叶变换公式中各参数的含义请参见现有技术理解，在此不做详细说明。
WVD进行时频变换时会产生严重的交叉干扰项。虽然使用SPWVD能够抑制干扰项，但是其计算量较高。而STFT是一种线性变换，在使用中不会产生交叉干扰项，且计算量较少，对频率分集信号具有较强的处理能力和良好的抗干扰能力，因此本发明实施例优选选用STFT作为时频分析手段。
请参见图3，图3为本发明实施例生成的含有雷达干扰样式的信号图所转换的时频图。真实的时频图是彩色图，附图3为其对应的灰度效果。其中灰白色的部分为雷达干扰信号。
可选的一种实施方式中，所述主干网络，包括：
顺次连接的第一残差子网络、第二残差子网络和第三残差子网络；每一残差子网络由预设残差结构重复多次构成。其中，残差子网络中预设残差结构的重复次数可以不相同。
比如，可选的一种实施方式中，所述第一残差子网络、所述第二残差子网络、所述第三残差子网络，分别由所述预设残差结构重复3次、4次和6次构成。当然，本发明实施例中各残差子网络的预设残差结构的重复次数情况并不限于以上所述。
关于所述预设残差结构，可以由不同尺寸的卷积核级联构成。比如，可选的一种实施方式中，所述预设残差结构，包括：
顺次连接的1×1卷积核、3×3卷积核和1×1卷积核。
基于上述可选的实施方式，本发明实施例的神经网络结构具体可以参见图4。图4为本发明实施例提供的另一种神经网络的结构示意图。其中，第一行所示的为该神经网络的结构，沿输入方向，依次包括卷积层、最大池化层、主干网络、RPN网络和分类网络。其中主干网络包括顺次连接的第一残差子网络、第二残差子网络和第三残差子网络。所述第一残差子网络、所述第二残差子网络、所述第三残差子网络，分别由所述预设残差结构重复3次、4次和6次构成。所述预设残差结构的具体结构在图4第二行右边示意，包括顺次连接的1×1卷积核、3×3卷积核和1×1卷积核。
具体的，输入图像的尺寸为600×600，处理过程参见图4理解。首先，为了减少输入图像尺寸的同时尽最大可能保留原始图像的信息，卷积层是使用大小为7×7×64的卷积核进行步长为2的降采样。接下来，为了对前述卷积层所提取的信息做更一步降维，减少计算量，同时保持图像特征的不变性，最大池化层是使用大小为3×3的卷积核进行步长为2的最大池化操作。此时得到的特征图大小为150×150×64。
然后，将得到的特征图输入主干网络进行特征提取。每个残差子网络中的预设残差结构为1×1卷积核、3×3卷积核和1×1卷积核，是由于网络层数较深，用多个小卷积代替大卷积可以降低网络的计算量和参数量。第一残差子网络的预设残差结构大小结合通道数后依次为1×1×64、3×3×64和1×1×256。重复三次连续特征提取后得到的特征图大小为150×150×256。每个残差子网络中都会对预设残差结构进行重复使用是为了加深网络深度，越深的神经网络意味着可供调整的参数越多，调整的自由度越大，从而产生的拟合效果越好。然后进行卷积步长为2的下采样，使特征图大小减半，并使特征图的通道数增加一倍。这样降低特征的维度并保留有效信息，一定程度上能够避免过拟合，保持旋转、平移、伸缩不变形。与此同时，下采样的操作可以有效增大感受野。感受野越大，网络的性能越好。需要说明的是，为了简化，下采样的处理并未在图4中示出。
之后，将下采样后的特征图输入第二残差子网络，第二残差子网络的预设残差结构大小结合通道数后依次为1×1×128、3×3×128和1×1×512。重复四次连续特征提取后得到的特征图大小为75×75×512。同第一残差子网络一样，重复一次下采样后，将特征图输入第三残差子网络。
第三残差子网络的预设残差结构大小结合通道数后依次为1×1×512、3×3×512和1×1×1024，重复六次提取后最终得到一个大小为38×38×1024的特征图。该特征图将应用于后续的RPN网络。关于RPN网络及后续处理的过程在此不做详细说明。
针对S4，可选的一种实施方式中，所述基于所述标注样本集，训练预先构建的神经网络，包括：
①将所述标注样本集作为输入，训练预先构建的神经网络，得到训练完成的第一神经网络。
该部分内容和前文所述的S4中利用人工标注得到的标注样本集完成训练的内容一致，在此不再重复说明。
②将未标注样本集输入所述第一神经网络，预测得到所述未标注样本集内各时频图中雷达干扰信号的类别和位置，得到自动标注样本集。
其中，所述未标注样本集为获取的各种类型的雷达干扰信号所对应的时频图所构成的集合中，干噪比小于或等于所述预定阈值的时频图所构成的集合。
本发明实施例将所述未标注样本集输入所述第一神经网络，能够得到每个时频图中雷达干扰信号的类别和位置，并且利用雷达干扰信号的类别和位置对相应的时频图进行自动标注，由标注后的这些所有时频图构成自动标注样本集。并且可以生成对应的XML文件。
③获取自动标注样本集对应的人工修正标注样本集。
由于未标注样本集中时频图的干噪比是较小的，干扰信号可能较为模糊，并且由于网络预测能力等原因，通过所述第一神经网络预测得到的结果可能会出现一些问题，比如检测结果不准确或者未标注出来。
因此，本发明实施例在②和③之间，可以先由人工对自动标注样本集中出现问题的时频图所标注的雷达干扰信号的类别和位置进行修正，将自动标注进行修正后的时频图替换原有的时频图，并将自动标注样本集对应修正得到的时频图集合作为人工修正标注样本集。在该步骤③中，可以通过信息传输等方式直接获取该人工修正标注样本集。
④利用所述标注样本集和所述人工修正标注样本集构成的合集，重新对所述神经网络进行训练。
可以理解的是，所述标注样本集和所述人工修正标注样本集构成的合集中，所有时频图均已经完成标注。那么，可以将该合集依据一定的比例，划分为训练集和测试集，利用所述训练集对原有的神经网络重新进行训练，将训练完成的网络利用所述测试集进行验证，并可以利用选定的评价指标对网络性能进行评估。当评估结果符合预定要求时，可以将训练完成的网络作为训练完成的雷达干扰识别网络；若评估结果未符合预定要求，则可以调整相关网络参数重新进行网络训练，直至评估结果符合预定要求等。
其中，该合集划分为训练集和测试集的比例可以根据需求设定，比如可以为9：1或者8：2等等。选定的评价指标可以为平均精准度AP、精确率Precision、召回率Recall、F1分数F1-Score四种中的一种或多种。关于四种评价指标的定义以及计算公式请参见现有技术，在此不做详细说明。
可以理解的是，该种实施方式中，在利用所述标注样本集作为输入，进行网络训练，得到训练完成的第一神经网络基础上，还利用所述未标注样本集输入该第一神经网络进行预测，并对预测结果中不正确的标注进行人工修正，因此可以得到标注信息准确的人工修正标注样本集；由于所述标注样本集和所述人工修正标注样本集构成的合集中扩大了样本数量并使得雷达干扰类型更为丰富，因此，使用该合集再重新训练所述神经网络，能够使得训练完成的网络在对多种类型的雷达干扰信号进行识别时，识别的准确性更高。
第二方面，本发明实施例提供了一种雷达干扰识别方法，如图5所示，该方法包括以下步骤：
S501，获取未知雷达干扰信号，并将其转换为时频图。
转换为时频图的方法可以为前文所述的短时傅里叶变换等等。
S502，将所述时频图输入预先训练完成的雷达干扰识别网络，得到所述未知雷达干扰信号的类别和位置。
其中，所述雷达干扰识别网络是基于第一方面所述的雷达干扰识别网络的训练方法训练得到的。具体的网络训练过程在此不再重复说明。
但需要说明的是，本发明实施例预先利用第一方面所述的雷达干扰识别网络的训练方法得到训练完成的雷达干扰识别网络后，即可以利用上述雷达干扰识别方法进行未知雷达干扰信号的识别，每一次针对未知雷达干扰信号的识别过程中，无需再进行网络训练。
关于检测结果，作为一个示例，请参见图6，图6为本发明实施例提供的雷达干扰识别方法对未知雷达干扰信号的检测结果图。真实的检测结果图是彩色图，附图6为其对应的灰度效果。其中，每个类别的雷达干扰信号以对应的矩形框标示位置，并在矩形框的左上角标注有类别和置信度。为了简化，图6中并没有示出各矩形框的顶点坐标或长宽数据。从图6可以看出，本发明实施例的雷达干扰识别方法能够同时对多种类型的雷达干扰进行有效的类别识别和位置定位。
本发明实施例所提供的雷达干扰识别方法中，所使用的网络是预先利用雷达干扰识别网络的训练方法训练完成的。而该训练方法是在各种类型的雷达干扰信号产生的时频图中，选择干噪比大于预定阈值的部分时频图由人工标注，得到标注样本集，基于标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络。具有以下有益效果：利用雷达干扰信号的时频图能够同时获得雷达干扰信号的时域和频域信息，同时时频图的二维图像形式能够保证后续神经网络的输入要求，以便于利用神经网络这种深度学习手段进行干扰识别。并且，在保证标注样本集具有雷达干扰信号多种类型的前提下，选择干扰清晰可见的部分时频图并进行人工标注能够保证样本清晰度和标注准确性，从而保证网络训练的准确性。通过网络的训练学习，能够实现将雷达成像的领域知识及相关的专家经验知识融入到深度学习策略，能够使得训练完成的雷达干扰识别网络具备同时识别多种类型的雷达干扰信号的能力。另外，由于所使用的神经网络中包括RPN网络，能够实现对雷达干扰信号的位置定位。
本发明实施例提供的雷达干扰识别方法不同于传统模式识别方法，而是一种数据驱动的、基于深度学习的雷达干扰识别方法，因此并不依赖于选取到区分性良好的特征。由于样本集中含有不同类型的雷达干扰且由于深度学习的特性，该方法迁移性较好，能够应用于新型干扰。相比于现有技术仅能对单一雷达干扰信号进行识别，且识别结果仅包括干扰的类别，无法对干扰信号进行准确定位。应用该雷达干扰识别网络的训练方法训练得到的雷达干扰识别网络，能够在多种雷达干扰信号同时存在的情况下，识别出每一个雷达干扰信号的干扰类别并同时准确定位其位置。
为了验证本发明实施例提供的雷达干扰识别方法的有效性，以下以实现数据进行说明。
1.实验条件：
本发明实施例的实验基于六类LFM(Linear frequency modulated，线性调频)雷达有源干扰进行。其中六类LFM雷达有源干扰包括：噪声乘积干扰(NP)、频谱弥散干扰(SMSP)、切片重构干扰(C&I)、间歇采样转发干扰(IS)、噪声调幅干扰(AM)和噪声调频干扰(FM)。根据各干扰产生的机理，利用MATLAB进行仿真，并对产生的干扰进行短时傅里叶变换最终转换成时频图。仿真干扰总体参数包括：采样率为100GHz，干噪比有-10dB、-8dB、-6dB、-4dB、-2dB、0dB、2dB、4dB、6dB、8dB、10dB。各个干扰对应的仿真参数在如下给定范围内随机生成：
表1雷达干扰信号对应的仿真参数及其范围
Figure BDA0003480621890000181
Figure BDA0003480621890000191
产生的各种类型的雷达干扰信号对应的时频图所构成的样本集共有1512个图像，每个图像中都会随机包含1～4类不同的雷达干扰。实验运行系统为Intel(R)Core(TM)i7-8700K CPU@3.70GHz和NVIDIA GeForce RTX1080GPU，64位Windows10操作系统，仿真软件采用Python3.8。
2.实验内容与结果分析：
本发明实施例重点解决雷达多干扰的类别识别和位置定位问题，利用自建的样本集对提出的方法进行验证，首先对自建的样本集中所有1512张含有有源干扰类型的图像进行训练集和测试集的划分，随机选取90％用于训练集，剩余10％作为测试集。
用收敛后的雷达干扰识别网络对测试集进行类别检测和位置定位，并分别使用AP、Precision、Recall、F1-Score四种评价指标对检测结果进行评估，实验结果如表2所示。
表2检测结果的评估值
类型 AP F1-score Recall Precision
AM 98.96％ 0.93 98.91％ 88.35％
C&I 98.95％ 0.98 98.95％ 97.92％
FM 88.52％ 0.91 91.95％ 89.89％
IS 98.28％ 0.95 98.89％ 90.82％
NP 72.65％ 0.43 75.00％ 30.00％
SMSP 96.69％ 0.98 97.73％ 97.73％
为了简化，对上述所有类别的AP即平均精准度求均值，得到MAP值的大小：
MAP＝92.33％
从实验结果可以看到，本发明实施例所提出的雷达干扰识别方法对大部分干扰能够在漏检情况较少下保证检测精度较高。有四种类型的干扰，AP值都在95％以上。当RPN中使用的阈值，即“预测的边框”和“真实的边框”的交集和并集的比值，为0.7时，6种干扰的平均AP值MAP达到92.33，这表明本发明实施例提出的方法，能充分利用不同雷达干扰的典型特征，在复杂的电磁环境下对多种雷达干扰同时进行高效识别和定位。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种雷达干扰识别网络的训练方法，其特征在于，包括：
获取各种类型的雷达干扰信号；
得到每个雷达干扰信号的时频图；
针对干噪比大于预定阈值的每个时频图，获得由人工标注完成的、该时频图对应的标注后时频图，并由所有标注后时频图构成标注样本集；其中，所述标注后时频图中标注有雷达干扰信号的类别和位置；
基于所述标注样本集，训练预先构建的神经网络，得到训练完成的雷达干扰识别网络，以用于对未知雷达干扰信号进行识别；其中，所述神经网络包括主干网络和RPN网络。
2.根据权利要求1所述的雷达干扰识别网络的训练方法，其特征在于，所述获取各种类型的雷达干扰信号，包括：
利用仿真手段生成各种类型的雷达干扰信号；其中，每一雷达干扰信号具有确定的干噪比。
3.根据权利要求1或2所述的雷达干扰识别网络的训练方法，其特征在于，所述得到每个雷达干扰信号的时频图，包括：
针对每个雷达干扰信号，将该雷达干扰信号进行短时傅里叶变换，得到该雷达干扰信号的时频图。
4.根据权利要求3所述的雷达干扰识别网络的训练方法，其特征在于，所述预定阈值为：0dB。
5.根据权利要求1所述的雷达干扰识别网络的训练方法，其特征在于，所述主干网络，包括：
顺次连接的第一残差子网络、第二残差子网络和第三残差子网络；每一残差子网络由预设残差结构重复多次构成。
6.根据权利要求5所述的雷达干扰识别网络的训练方法，其特征在于，
所述第一残差子网络、所述第二残差子网络、所述第三残差子网络，分别由所述预设残差结构重复3次、4次和6次构成。
7.根据权利要求5或6所述的雷达干扰识别网络的训练方法，其特征在于，所述预设残差结构，包括：
顺次连接的1×1卷积核、3×3卷积核和1×1卷积核。
8.根据权利要求1或7所述的雷达干扰识别网络的训练方法，其特征在于，所述基于所述标注样本集，训练预先构建的神经网络，包括：
将所述标注样本集作为输入，训练预先构建的神经网络。
9.根据权利要求1或7所述的雷达干扰识别网络的训练方法，其特征在于，所述基于所述标注样本集，训练预先构建的神经网络，包括：
将所述标注样本集作为输入，训练预先构建的神经网络，得到训练完成的第一神经网络；
将未标注样本集输入所述第一神经网络，预测得到所述未标注样本集内各时频图中雷达干扰信号的类别和位置，得到自动标注样本集；其中，所述未标注样本集为获取的各种类型的雷达干扰信号所对应的时频图所构成的集合中，干噪比小于或等于所述预定阈值的时频图所构成的集合；
获取自动标注样本集对应的人工修正标注样本集；
利用所述标注样本集和所述人工修正标注样本集构成的合集，重新对所述神经网络进行训练。
10.一种雷达干扰识别方法，其特征在于，包括：
获取未知雷达干扰信号，并将其转换为时频图；
将所述时频图输入预先训练完成的雷达干扰识别网络，得到所述未知雷达干扰信号的类别和位置；其中，所述雷达干扰识别网络是基于权利要求1至9任一项所述的雷达干扰识别网络的训练方法训练得到的。
CN202210067271.3A 2022-01-20 2022-01-20 一种雷达干扰识别网络的训练方法和雷达干扰识别方法 Pending CN114580461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210067271.3A CN114580461A (zh) 2022-01-20 2022-01-20 一种雷达干扰识别网络的训练方法和雷达干扰识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210067271.3A CN114580461A (zh) 2022-01-20 2022-01-20 一种雷达干扰识别网络的训练方法和雷达干扰识别方法

Publications (1)

Publication Number Publication Date
CN114580461A true CN114580461A (zh) 2022-06-03

Family

ID=81772910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210067271.3A Pending CN114580461A (zh) 2022-01-20 2022-01-20 一种雷达干扰识别网络的训练方法和雷达干扰识别方法

Country Status (1)

Country Link
CN (1) CN114580461A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114866172A (zh) * 2022-07-05 2022-08-05 中国人民解放军国防科技大学 基于倒残差深度神经网络的干扰识别方法和装置
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
CN117289218A (zh) * 2023-11-24 2023-12-26 西安电子科技大学 一种基于注意力级联网络的有源干扰识别方法
CN118226382A (zh) * 2024-05-22 2024-06-21 西安电子科技大学 基于多标签神经网络的雷达复合干扰识别方法及其装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114866172A (zh) * 2022-07-05 2022-08-05 中国人民解放军国防科技大学 基于倒残差深度神经网络的干扰识别方法和装置
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
CN117289218A (zh) * 2023-11-24 2023-12-26 西安电子科技大学 一种基于注意力级联网络的有源干扰识别方法
CN117289218B (zh) * 2023-11-24 2024-02-06 西安电子科技大学 一种基于注意力级联网络的有源干扰识别方法
CN118226382A (zh) * 2024-05-22 2024-06-21 西安电子科技大学 基于多标签神经网络的雷达复合干扰识别方法及其装置

Similar Documents

Publication Publication Date Title
CN114580461A (zh) 一种雷达干扰识别网络的训练方法和雷达干扰识别方法
CN109031287B (zh) 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法
CN114429156B (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN110109109B (zh) 基于多分辨率注意力卷积网络的hrrp目标识别方法
Ghadimi et al. Deep learning-based approach for low probability of intercept radar signal detection and classification
Li Research on radar signal recognition based on automatic machine learning
Cain et al. Convolutional neural networks for radar emitter classification
CN108256436A (zh) 一种基于联合分类的雷达hrrp目标识别方法
CN113625227B (zh) 基于注意力变换网络的雷达高分辨距离像目标识别方法
CN113486961A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备
CN112137620A (zh) 一种基于超宽带雷达的人体微弱呼吸信号检测方法
CN112036239A (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
Nuhoglu et al. Image segmentation for radar signal deinterleaving using deep learning
CN112859012A (zh) 一种基于级联卷积神经网络的雷达欺骗干扰识别方法
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
Orduyilmaz et al. Machine learning-based radar waveform classification for cognitive EW
Jeong et al. Neural network-based radar signal classification system using probability moment and ApEn
CN113486917B (zh) 一种基于度量学习的雷达hrrp小样本目标识别方法
CN113297969B (zh) 一种雷达波形识别方法及系统
CN113887583A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法
CN105894035A (zh) 基于sar-sift和dbn的sar图像分类方法
CN103076595B (zh) 一种多元离散雷达辐射源信号的异常类型识别方法
CN109766899B (zh) 物理特征提取和svm的sar图像车辆目标识别方法
CN115932770A (zh) 雷达辐射源个体精准智能识别方法、系统、设备及终端
Ardon et al. Aerial Radar Target Classification using Artificial Neural Networks.

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