CN114594445A - 雷达智能抗复合干扰方法与装置 - Google Patents

雷达智能抗复合干扰方法与装置 Download PDF

Info

Publication number
CN114594445A
CN114594445A CN202210497685.XA CN202210497685A CN114594445A CN 114594445 A CN114594445 A CN 114594445A CN 202210497685 A CN202210497685 A CN 202210497685A CN 114594445 A CN114594445 A CN 114594445A
Authority
CN
China
Prior art keywords
deep learning
learning network
training
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.)
Pending
Application number
CN202210497685.XA
Other languages
English (en)
Inventor
李槟槟
林志凯
陈辉
许霄龙
李锡武
杜庆磊
刘维建
王永良
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202210497685.XA priority Critical patent/CN114594445A/zh
Publication of CN114594445A publication Critical patent/CN114594445A/zh
Pending legal-status Critical Current

Links

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
    • G01S7/41—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
    • 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (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智能抗复合干扰方法：采集神经深度学习网络训练所需的训练样本数据和标签数据；构建深度学习网络，确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；将训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程。本发明所提方法无需干扰样本选择过程、可快速抑制干扰和检测目标、无需矩阵相乘和求逆等计算量大的过程和实现端到端的处理等优点。本发明还提供了相应的雷达智能抗复合干扰装置。

Description

雷达智能抗复合干扰方法与装置
技术领域
本发明涉及雷达技术领域，具体地，涉及一种雷达智能抗复合干扰方法与装置，适用于所有类型的相控阵雷达，可抑制复合干扰并提取目标。
背景技术
雷达是现代战争中的“千里眼”，具备战场信息获取与态势感知能力。正因为如此，敌方千方百计地想通过释放干扰来破坏雷达的探测效能。为最大限度地发挥雷达探测效能，技术人员已探索出了各种抗干扰方法，取得了很大的成效。这些抗干扰方法是基于信号模型推导得出的，当雷达系统中出现误差时，不同的方法会出现不同程度的性能下降。总的来说，最小方差无失真响应（Minimum Variance Distortionless Response，MVDR）方法在实际中应用较多，能较稳健地抑制副瓣干扰。
然而，MVDR方法需要提取纯净的干扰样本，这在实际当中是较难做到的。尤其是现在干扰方未来会同时释放多种组合干扰，即复合干扰，那么这时候就存在提取纯净干扰样本难的问题。如果提取到的干扰样本不纯，MVDR方法无法彻底抑制干扰并实现目标检测。本发明针对这一问题，首次将深度学习引入到干扰抑制中，提出一种雷达智能抗复合干扰方法，可自适应地提取干扰样本并形成MVDR最优权值，从而实现复合干扰下的目标检测。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种雷达智能抗复合干扰方法，其目的在于抑制复合干扰，采用深度学习实现雷达目标检测。
为了实现上述目的，按照本发明的一个方面，提供了一种雷达智能抗复合干扰方法，包括：
（1）采集神经深度学习网络训练所需的训练样本数据和标签数据：训练样本数据是向量化的阵列接收数据协方差矩阵，标签数据是理想的MVDR最优权；
（2）构建深度学习网络：确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；
（3）对深度学习网络进行训练：将第（1）步产生的训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；
（4）对训练好的深度学习网络进行测试：重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；
（5）抑制干扰和目标检测：将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
本发明的一个实施例中，所述步骤（2）中深度学习网络由3个卷积层和3个全连接层组成，3个卷积层中的卷积核大小均为3×1，卷积核个数分别为64、32和16；3个全连接层的神经元个数分别为128、64和32，输入层的大小是2M 2×1，输出层的大小是2M×1，其中M表示阵元个数。
本发明的一个实施例中，所述步骤（2）中深度学习网络中，前5层的激活函数均采用整流线性单元函数，最后的输出层激活函数不采用任何激活函数。
本发明的一个实施例中，所述步骤（2）中深度学习网络中，使用均方误差损失函数。
本发明的一个实施例中，所述步骤（2）中深度学习网络中，采用Adam梯度下降优化算法。
本发明的一个实施例中，所述步骤（3）具体为：
将步骤（1）产生的数据输入到深度学习网络中进行训练，这里epoch设为10，batch_size设为256，最终均方误差为10-4量级，训练完后得到一组权值；其中，一个epoch就是将所有训练样本训练一次的过程；将整个训练样本分成若干个batch，每batch样本的大小称为batch_size。
本发明的一个实施例中，所述步骤（4）具体为：重新产生向量化的阵列接收数据协方差矩阵
Figure 128297DEST_PATH_IMAGE001
，输入到训练好的深度学习网络进行测试，输出得到一个权值向量
Figure 730310DEST_PATH_IMAGE002
。
本发明的一个实施例中，所述步骤（5）具体为：
测试时重新产生的阵列接收数据表示为
Figure 628996DEST_PATH_IMAGE003
，在得到深度学习网络输出权值向量
Figure 667359DEST_PATH_IMAGE004
后，先将其转化为复数权值
Figure 788156DEST_PATH_IMAGE005
其中
Figure 900468DEST_PATH_IMAGE006
表示取
Figure 829110DEST_PATH_IMAGE007
第1至M个元素，
Figure 26873DEST_PATH_IMAGE008
表示取
Figure 449895DEST_PATH_IMAGE009
第M+1至2M个元素，将测试输出得到权值向量的共轭转置
Figure 416714DEST_PATH_IMAGE010
与测试的阵列接收数据相乘
Figure 781836DEST_PATH_IMAGE011
上式即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
按照本发明的另一方面，还提供了一种雷达智能抗复合干扰装置：包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储能被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成上述雷达智能抗复合干扰方法。
总体而言，通过本发明所构思的以上技术方案与现有MVDR技术相比，具有如下有益效果：
（1）本发明所提方法无需干扰样本选择过程；
（2）本发明所提方法可快速抑制干扰和检测目标，无需矩阵相乘和求逆等计算量大的过程，实现实时的端到端处理；
（3）本发明所提方法性能与现有MVDR技术性能几乎一致。
附图说明
图1是本发明雷达智能抗复合干扰方法的流程示意图；
图2是本发明实施例中深度学习网络结构示意图；
图3是本发明实施例中抑制干扰后目标检测的结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
首先介绍深度学习网络的输入和标签数据。假设空间中有1个目标、1个主瓣压制干扰和1个副瓣欺骗干扰，阵列是一个由M个阵元组成的均匀线阵，阵元间距d为半波长，该阵列的接收数据用R表示：
Figure 201316DEST_PATH_IMAGE012
其中X表示阵列接收数据，L表示快拍数，
Figure 926565DEST_PATH_IMAGE013
表示共轭转置，
Figure 747890DEST_PATH_IMAGE014
分别表示目标信号的协方差矩阵、干扰的协方差矩阵和噪声的协方差矩阵。将R进行矢量化变为向量r，提取出其虚部和实部重新构成一个新向量：
Figure 283914DEST_PATH_IMAGE015
其中
Figure 190690DEST_PATH_IMAGE016
表示取虚部值，
Figure 955515DEST_PATH_IMAGE017
表示取实部值。上述向量
Figure 693664DEST_PATH_IMAGE018
即为深度学习网络的训练样本数据。
MVDR方法的理想权值w可表示为：
Figure 275955DEST_PATH_IMAGE019
其中
Figure 794661DEST_PATH_IMAGE020
表示期望信号方向，
Figure 487810DEST_PATH_IMAGE021
表示期望导向矢量：
Figure 615820DEST_PATH_IMAGE022
其中
Figure 493646DEST_PATH_IMAGE023
表示转置。那么深度学习网络标签数据为：
Figure 375015DEST_PATH_IMAGE024
上述向量
Figure 747221DEST_PATH_IMAGE025
即为深度学习网络的标签数据。
具体地，如图1所示，本发明提供了一种雷达智能抗复合干扰方法，包括如下步骤：
（1）采集神经深度学习网络训练所需的训练样本数据和标签数据：训练样本数据是向量化的阵列接收数据协方差矩阵，标签数据是理想的最小方差无失真响应最优权；
（2）构建深度学习网络：确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；
本步骤中，深度学习网络由3个卷积层和3个全连接层组成，3个卷积层中的卷积核大小均为3×1，卷积核个数分别为64、32和16；3个全连接层的神经元个数分别为128、64和32，输入层的大小是2M 2 ×1，输出层的大小是2M×1，其中M表示阵元个数；
并且，前5层的激活函数均采用整流线性单元函数，最后的输出层激活函数不采用任何激活函数；该学习网络使用均方误差损失函数；并采用Adam梯度下降优化算法进行优化；
（3）对深度学习网络进行训练：将第（1）步产生的训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；
本步骤中，将步骤（1）产生的数据输入到深度学习网络中进行训练，epoch和batch_size均为预设值；本发明中，epoch一般可设为10，batch_size设为256，最终均方误差为10-4量级，训练完后得到一组权值；其中，一个epoch就是将所有训练样本训练一次的过程；将整个训练样本分成若干个batch，每batch样本的大小称为batch_size；
（4）对训练好的深度学习网络进行测试：重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；
本步骤中，重新产生向量化的阵列接收数据协方差矩阵
Figure 194383DEST_PATH_IMAGE001
，输入到训练好的深度学习网络进行测试，输出得到一个权值向量
Figure 180794DEST_PATH_IMAGE002
；
（5）抑制干扰和目标检测：将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
本步骤中，测试时重新产生的阵列接收数据表示为
Figure 549458DEST_PATH_IMAGE026
，在得到深度学习网络输出权值向量
Figure 958312DEST_PATH_IMAGE004
后，先将其转化为复数权值
Figure 728821DEST_PATH_IMAGE027
其中
Figure 682871DEST_PATH_IMAGE006
表示取
Figure 804411DEST_PATH_IMAGE028
第1至M个元素，
Figure 252841DEST_PATH_IMAGE029
表示取
Figure 612278DEST_PATH_IMAGE009
第M+1至2M个元素，将测试输出得到权值向量的共轭转置
Figure 2808DEST_PATH_IMAGE030
与测试的阵列接收数据相乘
Figure 80485DEST_PATH_IMAGE031
上式即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
实施例2
以下结合一具体实施例来说明本发明方法，本发明方法给定具体的训练样本数据和标签数据，并给定具体的网络训练参数，并对本发明与现有技术的实施效果进行了比较，具体地，该方法包括：
（1）采集神经深度学习网络训练所需的训练样本数据和标签数据：训练样本数据是向量化的阵列接收数据协方差矩阵，标签数据是理想的MVDR最优权；
这里采用计算机仿真产生相应训练样本数据和标签数据，假设阵元数M=16，其半功率波束宽度大约为
Figure 99650DEST_PATH_IMAGE032
，主波束指向为
Figure 579173DEST_PATH_IMAGE033
，主瓣压制干扰的波达方向为
Figure 140605DEST_PATH_IMAGE034
，副瓣欺骗干扰的波达方向为
Figure 705578DEST_PATH_IMAGE035
，两种干扰的干噪比均设为50dB，目标信噪比设为20dB，目标和欺骗干扰均为线性调频信号（带宽为5MHz，脉宽为32微秒），雷达共采集1000个快拍数，目标和欺骗干扰分别在200~519和600~919距离单元上有信号，压制干扰则是占满1000个距离门单元。将目标的波达方向在
Figure 761390DEST_PATH_IMAGE036
之间遍历，角度步长为
Figure 95419DEST_PATH_IMAGE037
，根据上述条件，循环3000次产生数据，共产生93000个样本数据。
（2）搭建深度学习网络：确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；
深度学习网络由3个卷积层和3个全连接层组成，如图2所示，3个卷积层中的卷积核大小均为3×1，卷积核个数分别为64、32和16；3个全连接层的神经元个数分别为128、64和32，输入层的大小是2M 2×1，输出层的大小是2M×1，其中M表示阵元个数，前5层的激活函数均采用整流线性单元（Rectified Linear Unit，ReLU）函数，最后的输出层激活函数不采用任何激活函数，初始学习率设为0.01，使用均方误差损失函数，采用Adam梯度下降优化算法；
（3）对深度学习网络进行训练：将第（1）步产生的训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；
将步骤（1）产生的数据输入到深度学习网络中进行训练，这里epoch（一个epoch就是将所有训练样本训练一次的过程）设为10（训练所有训练样本10次），batch_size（将整个训练样本分成若干个batch，每batch样本的大小称为batch_size）设为256，最终均方误差为10-4量级，训练完后得到一组权值；
（4）对训练好的深度学习网络进行测试：重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；
重新产生向量化的阵列接收数据协方差矩阵
Figure 827752DEST_PATH_IMAGE001
，输入到训练好的深度学习网络进行测试，输出得到一个权值向量
Figure 880022DEST_PATH_IMAGE002
；
（5）抑制干扰和目标检测：将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测；
测试时重新产生的阵列接收数据表示为
Figure 972480DEST_PATH_IMAGE003
，在得到深度学习网络输出权值向量
Figure 223333DEST_PATH_IMAGE004
后，先将其转化为复数权值
Figure 1933DEST_PATH_IMAGE027
其中
Figure 666133DEST_PATH_IMAGE006
表示取
Figure 188381DEST_PATH_IMAGE007
第1至M个元素，
Figure 372369DEST_PATH_IMAGE008
表示取
Figure 321870DEST_PATH_IMAGE009
第M+1至2M个元素。将测试输出得到权值向量的共轭转置
Figure 207787DEST_PATH_IMAGE010
与测试的阵列接收数据相乘
Figure 533726DEST_PATH_IMAGE011
上式即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测，最终结果如图3所示，从图中可以看出，目标距离信息与最开始设置的距离信息一致，验证了本发明所提方法能实现复合干扰背景下目标检测。
实施例3
进一步地，本发明还提供了一种雷达智能抗复合干扰装置：包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储能被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成上述雷达智能抗复合干扰方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种雷达智能抗复合干扰方法，其特征在于，包括如下步骤：
（1）采集神经深度学习网络训练所需的训练样本数据和标签数据：训练样本数据是向量化的阵列接收数据协方差矩阵，标签数据是理想的MVDR最优权；
（2）构建深度学习网络：确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；
（3）对深度学习网络进行训练：将第（1）步产生的训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；
（4）对训练好的深度学习网络进行测试：重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；
（5）抑制干扰和目标检测：将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
2.如权利要求1所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（2）中深度学习网络由3个卷积层和3个全连接层组成，3个卷积层中的卷积核大小均为3×1，卷积核个数分别为64、32和16；3个全连接层的神经元个数分别为128、64和32，输入层的大小是2M 2×1，输出层的大小是2M×1，其中M表示阵元个数。
3.如权利要求2所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（2）中深度学习网络中，前5层的激活函数均采用整流线性单元函数，最后的输出层激活函数不采用任何激活函数。
4.如权利要求2所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（2）中深度学习网络中，使用均方误差损失函数。
5.如权利要求2所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（2）中深度学习网络中，采用Adam梯度下降优化算法。
6.如权利要求1或2所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（3）具体为：
将步骤（1）产生的数据输入到深度学习网络中进行训练，这里epoch设为10，batch_size设为256，最终均方误差为10-4量级，训练完后得到一组权值；其中，一个epoch就是将所有训练样本训练一次的过程；将整个训练样本分成若干个batch，每batch样本的大小称为batch_size。
7.如权利要求1或2所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（4）具体为：重新产生向量化的阵列接收数据协方差矩阵
Figure 970608DEST_PATH_IMAGE001
，输入到训练好的深度学习网络进行测试，输出得到一个权值向量
Figure 202263DEST_PATH_IMAGE002
。
8.如权利要求7所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（5）具体为：
测试时重新产生的阵列接收数据表示为
Figure 247579DEST_PATH_IMAGE003
，在得到深度学习网络输出权值向量
Figure 252575DEST_PATH_IMAGE004
后，先将其转化为复数权值
Figure 863685DEST_PATH_IMAGE005
其中
Figure 154989DEST_PATH_IMAGE006
表示取
Figure 530345DEST_PATH_IMAGE007
第1至M个元素，
Figure 198086DEST_PATH_IMAGE008
表示取
Figure 929282DEST_PATH_IMAGE009
第M+1至2M个元素，将测试输出得到权值向量的共轭转置
Figure 470116DEST_PATH_IMAGE010
与测试的阵列接收数据相乘
Figure 817921DEST_PATH_IMAGE011
上式即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
9.一种雷达智能抗复合干扰装置，其特征在于：
包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储能被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成权利要求1-8中任一项所述的雷达智能抗复合干扰方法。
CN202210497685.XA 2022-05-09 2022-05-09 雷达智能抗复合干扰方法与装置 Pending CN114594445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210497685.XA CN114594445A (zh) 2022-05-09 2022-05-09 雷达智能抗复合干扰方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210497685.XA CN114594445A (zh) 2022-05-09 2022-05-09 雷达智能抗复合干扰方法与装置

Publications (1)

Publication Number Publication Date
CN114594445A true CN114594445A (zh) 2022-06-07

Family

ID=81813036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210497685.XA Pending CN114594445A (zh) 2022-05-09 2022-05-09 雷达智能抗复合干扰方法与装置

Country Status (1)

Country Link
CN (1) CN114594445A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115079122A (zh) * 2022-07-20 2022-09-20 中国人民解放军空军预警学院 主瓣干扰下相干目标智能测向方法与装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826630A (zh) * 2019-11-08 2020-02-21 哈尔滨工业大学 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN112881973A (zh) * 2021-01-20 2021-06-01 西北工业大学 一种基于rbf神经网络的自修正波束设计方法
CN113219417A (zh) * 2020-10-21 2021-08-06 中国人民解放军空军预警学院 一种基于支持向量机的机载雷达干扰类型识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826630A (zh) * 2019-11-08 2020-02-21 哈尔滨工业大学 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN113219417A (zh) * 2020-10-21 2021-08-06 中国人民解放军空军预警学院 一种基于支持向量机的机载雷达干扰类型识别方法
CN112881973A (zh) * 2021-01-20 2021-06-01 西北工业大学 一种基于rbf神经网络的自修正波束设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张宝军 等: "基于径向基函数神经网络的波束形成算法", 《西安邮电大学学报》 *
田丹 等: "一种基于神经网络的盲波束形成算法", 《仪器仪表学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115079122A (zh) * 2022-07-20 2022-09-20 中国人民解放军空军预警学院 主瓣干扰下相干目标智能测向方法与装置
CN115079122B (zh) * 2022-07-20 2022-11-18 中国人民解放军空军预警学院 主瓣干扰下相干目标智能测向方法与装置

Similar Documents

Publication Publication Date Title
CN105929371B (zh) 一种基于协方差矩阵估计的机载雷达杂波抑制方法
Zhang et al. A method for finding best channels in beam-space post-Doppler reduced-dimension STAP
CN105954724B (zh) 基于多目标跟踪的分布式mimo雷达接收波束资源分配方法
CN106680815B (zh) 基于张量稀疏表示的mimo雷达成像方法
CN111521976B (zh) 一种空时自适应干扰处理方法、装置及存储介质
CN112612005B (zh) 基于深度学习的雷达抗主瓣干扰方法
CN107015205A (zh) 一种分布式mimo雷达检测的虚假目标消除方法
CN101881822A (zh) 一种针对共享谱雷达同频干扰的抑制方法
CN112051552B (zh) 一种基于多站的主瓣抗干扰方法及装置
CN105785330A (zh) 一种认知型副瓣干扰抑制方法
CN105911527B (zh) 基于efa与mwf的机载雷达空时自适应处理方法
CN114594445A (zh) 雷达智能抗复合干扰方法与装置
CN115963457A (zh) 一种多通道无源雷达直达波干扰抑制方法
De Greve et al. Framework and taxonomy for radar space-time adaptive processing (STAP) methods
CN106950546B (zh) 基于马氏距离重加权的非均匀杂波抑制方法
CN115508799A (zh) 一种基于矩空间的分布式被动雷达目标检测方法
CN117849719A (zh) 一种强杂波环境下的间歇采样转发干扰检测方法
CN113805139A (zh) 基于聚焦变换的宽带信号稀疏表示波达方向估计方法
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
CN111446997A (zh) 基于深度学习的自适应数字波束合成方法
CN116520279A (zh) 一种海杂波抑制方法
Huang et al. LPI waveform recognition using adaptive feature construction and convolutional neural networks
CN114936570A (zh) 基于轻量化cnn网络的干扰信号智能识别方法
CN113406578B (zh) 分布式无人机载雷达目标检测方法、装置及存储介质
CN113126041B (zh) 基于惩罚因子可变的雷达分布式干扰信号产生方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220607

WD01 Invention patent application deemed withdrawn after publication