CN115201766A - 一种基于深度目标检测网络的雷达混合干扰感知方法 - Google Patents
一种基于深度目标检测网络的雷达混合干扰感知方法 Download PDFInfo
- Publication number
- CN115201766A CN115201766A CN202210539344.4A CN202210539344A CN115201766A CN 115201766 A CN115201766 A CN 115201766A CN 202210539344 A CN202210539344 A CN 202210539344A CN 115201766 A CN115201766 A CN 115201766A
- Authority
- CN
- China
- Prior art keywords
- interference
- target detection
- time
- detection network
- frequency
- 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
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Abstract
本发明提出一种基于深度目标检测网络的雷达混合干扰感知方法,将不同类型的干扰进行排列组合,获取在每个干扰场景下的仿真基带信号,构建数据集;预设目标检测网络的训练参数,将干扰类型和位置作为标签,将训练集输入目标检测网络进行训练;待损失函数下降到趋于稳定,得到训练好的目标检测网络;将测试集输入训练好的目标检测网络,得到干扰类型和位置。并在此基础上,基于时频定位信息完成干扰时频参数估计。因此,区别于传统分类网络只能识别样本中存在单一干扰的场景,本发明在混合多干扰场景下,也可以获得样本中全部干扰类型,并且进一步获得干扰时频参数,从而辅助工作人员对抗干扰方式进行合理化选择以及优化。
Description
技术领域
本发明涉及雷达对抗技术领域,具体涉及一种基于深度目标检测网络的雷达混合干扰感知方法。
背景技术
有源干扰能够严重影响雷达的探测、跟踪和识别性能,在战场上发挥重要作用。干扰辨识能够为抗干扰策略的选择提供先验信息,是雷达抗干扰环节中的重要一环,因此受到了广泛关注。随着智能技术的发展,近年来对于干扰辨识的研究已经由传统的特征提取方法逐步向基于深度学习的智能化识别方法过渡。深度学习作为一种端到端的处理算法,其无需人工选择分类特征、并具有强大的分类识别能力,可以显著提升雷达的干扰辨识效果。然而,随着电子技术的进步,敌方为了能够有效掩护目标,通常同时使用多种干扰样式对雷达实施干扰,这些干扰可能在空、时、频等多个维度存在重叠,导致传统的单干扰辨识方法失效。另一方面,单纯的干扰辨识方法仅能提供干扰类型信息,而现代雷达为了在瞬息万变的对抗环境中占据优势,还需要进一步获取干扰持续时间、频谱宽度等干扰参数信息,为抗干扰策略优化提供有利的先验信息。
因此,目前亟需可以检测多干扰类型以及对各干扰成分进行参数估计的方法,为抗干扰奠定基础。
发明内容
有鉴于此,本发明提供了一种基于深度目标检测网络的雷达混合干扰感知方法,能够检测混合干扰类型,并进行参数估计,为抗干扰奠定基础。
为实现上述目的,本发明的技术方案为:
一种基于深度目标检测网络的雷达混合干扰感知方法,包括以下步骤:
步骤1、考虑噪声调频干扰、梳状谱干扰、窄脉冲干扰、重复转发干扰、密集假目标干扰以及灵巧噪声干扰的6种单干扰场景及其两两组合的15种双干扰场景,分别仿真得到各单干扰场景和各双干扰场景下的仿真基带信号。
步骤2、将仿真基带信号进行预处理,得到时频图,时频图及其对应的标签矩阵作为样本形成数据集。
步骤3、将数据集中的各样本按比例划分为训练集和测试集。
步骤4、将训练集作为输入,对初始目标检测网络进行训练,得到训练后的目标检测网络,其中,训练的收敛条件为:损失函数下降到趋于稳定。
步骤5、将测试集输入训练后的目标检测网络,得到干扰类型和干扰位置。
进一步的,干扰类型分为单次发射干扰和多次发射干扰;多次发射干扰的参数划分为数量类参数和周期类参数。
进一步的,本方法还包括步骤6:利用时频图的坐标信息,并结合坐标优化选取,分别计算单次发射干扰和多次发射干扰的参数,完成参数估计,具体方法为:
针对单次发射干扰的参数估计,使用解析计算的方法获得;针对数量类参数估计,直接统计获得;针对周期类参数估计,首先使用解析计算的方法获得每个仿真基带信号的脉冲的参数值,然后对每个脉冲的参数值求取均值,并对偏离均值的异常参数值进行剔除,重复上述步骤,直至均值不再变化,将此时的均值作为最终参数估计结果。
进一步的,仿真基带信号的获取方法为:
针对各干扰场景,将所有干扰参数分别在设定范围内进行取值,在每种参数组合下生成10个干扰样本;其中,干扰参数包括:接收机带宽、采样频率、脉冲重复周期、混合干扰干噪比、噪声调幅干扰的调制噪声带宽、梳状谱干扰的子频点个数、窄脉冲干扰的脉冲宽度、窄脉冲干扰的脉冲重复周期、重复转发干扰的转发次数、重复转发干扰的转发间隔以及灵巧噪声干扰的切片宽度。
进一步的,将仿真基带信号进行预处理,得到时频图,具体方法为:
对仿真基带信号进行短时傅里叶变换,得到时频图;将时频图的幅度进行归一化处理;对归一化的时频图采用双三次线性插值的方法进行图像增强处理。
进一步的,目标检测网络为Yolov5网络。
有益效果:
1、本发明提出一种干扰检测方法,将不同类型的干扰进行排列组合,获取在每个干扰场景下的仿真基带信号,构建训练集和测试集;预设目标检测网络的训练参数,将干扰类型和位置作为标签,将训练集输入目标检测网络进行训练,得到训练结果;待损失函数下降到趋于稳定,得到训练好的目标检测网络;将测试集输入训练好的目标检测网络,得到干扰类型和位置。区别于传统分类网络只能识别样本中存在单一干扰的场景,本发明在混合多干扰场景下,也可以获得样本中全部干扰类型以及位置信息,从而辅助工作人员对抗干扰方式进行合理化选择。
2、本发明提出一种干扰参数估计方法,将干扰类型分为单次发射干扰和多次发射干扰,在干扰检测输出结果的基础上,利用时频图的坐标信息,并结合坐标优化选取,分别对不同干扰类型完成干扰参数估计。本方法能够对多干扰的每个参数进行自动化估计,有效解决了现有参数估计方法需要对不同干扰参数进行单独设计的局限性。
3、本发明将干扰检测和干扰参数估计相结合,形成一种混合干扰感知方法,为后续干扰抑制方法的选择和参数优化提供必要的先验信息。
4、本发明的干扰检测网络为Yolov5网络,无需人工选择分类特征,可以实现端到端的自动特征提取,显著提高干扰辨识效果。
附图说明
图1为本发明的方法流程图。
图2为Yolov5网络的结构示意图。
图3为本发明的训练结果示意图。
图4(a)为检测性能中,干噪比与精准率的变化关系图;图4(b)为检测性能中,干噪比和召回率的变化关系图。
图5为参数估计的流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如图1所示,本发明提供了一种基于深度目标检测网络的雷达混合干扰感知方法,具体步骤包括:
步骤1、考虑噪声调频干扰、梳状谱干扰、窄脉冲干扰、重复转发干扰、密集假目标干扰以及灵巧噪声干扰的6种单干扰场景及其两两组合的15种双干扰场景,分别仿真得到各单干扰场景和各双干扰场景下的仿真基带信号。
所考虑的干扰类型包含六种:分别为噪声调频干扰(NFMJ)、梳状谱干扰(CSJ)、窄脉冲干扰(NPJ)、重复转发干扰(ISRJ)、密集假目标干扰(DFTJ)以及灵巧噪声干扰(SNJ)。
所有干扰参数均在合理范围内进行取值,并令每一种干扰组合遍历所设置的全部干扰参数,并为每种干扰参数组合生成10个样本。据此,生成的总数据集样本数为23430,其中训练集和测试集样本比例为3:1,干扰参数如表1所示。对于混合干扰的干噪比,其定义为:
其中,INRi为混合干扰中第i个干扰的干噪比。
表1干扰参数表
步骤2、将仿真基带信号进行预处理,得到时频图,时频图及其对应的标签矩阵作为样本形成数据集。对预处理后的样本按比例划分为训练集和测试集。训练集和测试集的比例为3:1。
数据预处理的具体方法为:对数据集中的样本进行短时傅里叶变换(STFT),得到二维时频图;将二维时频图进行幅度归一化处理,用于加速网络收敛;对归一化的二维时频图采用双三次线性插值的方法进行图像增强处理。该方法与其他方法相比,避免了交叉项的干扰,同时计算量较小。傅里叶变换点数为256点,窗长为64,滑窗长度为32,得到分辨率为256×186的时频图。
具体地,短时傅里叶变换获得时频图的方法为:
其中,g(n)为窗函数,T为时间变量的采样间隔,F为频率变量的采样间隔。窗函数为汉明窗,窗口的长度根据信号长度调整。
具体地,归一化具体方法为:
Ri,j=(Si,j-Smin)/(Smax-Smin)
其中,Si,j表示时频矩阵坐标为(i,j)的幅度值,Smax和Smin分别表示时频矩阵元素的最大值和最小值。
具体地,双三次线性插值方法为:
其中,f(·)为某像素点的幅度值,(x,y)为待插像素点坐标,(xi,yj)为待插像素点的4×4临域点坐标,W(·)为权重函数。
具体地,权重函数W(·)的定义为:
其中,a=-0.5。
通过分析发现,图片分辨率与参数估计精度呈现线性递增的关系。因此在标注干扰边界框之前采用双三次插值使图片放大15倍,可以使参数估计精度对比原始时频矩阵提高15倍,所形成数据集的时频图分辨率为3840×2790。
步骤3、将训练集作为输入,对初始目标检测网络进行训练,得到训练后的目标检测网络,其中,训练的收敛条件为:损失函数下降到趋于稳定。其中,目标检测网络为Yolov5网络,其结构如图2所示。
本发明实施例中,初始目标检测网络的训练参数预设为:学习率为0.0001,batchsize(预设的每批数据量的大小)为8,epoch(预设的迭代次数)为300,iou阈值(预设的交并比门限)为0.9。
本发明实施例中,标签为一个矩阵,在预处理后的时频图中标注出干扰的真实类型和真实位置,以形成该标签矩阵。
其中,标签矩阵为LM×5,其中第1列表示第i个干扰(总共Q个干扰)的类型qi∈{1,2,..,Q},第2~5列分别为对应干扰边界框的左上角(xli,yli)和右下角(xri,yri)横纵坐标,该坐标为相对图像长宽的归一化数值,即0≤x,y≤1。
步骤4、将测试集输入训练后的目标检测网络,得到干扰类型和干扰位置。
本发明的训练结果通过折线图给出。如图3所示,横轴表示迭代次数,纵轴表示对应的指标数值。当6条损失率曲线均单调递减逼近0时,说明该模型在训练过程中没有过拟合,且训练效果较好,即无需调整epoch。当损失率曲线下降仍比较快时,需要适当增加epoch,而当损失率曲线存在逼近至0后反弹增加时,需要适当减小epoch。除此之外,mAP(均值平均精度)在训练到300次时能够达到100%,说明该网络对于干扰检测是有效的。
经过测试,图4显示了干噪比变化对干扰检测性能的影响,整体来看,本发明所提方法的干扰精准率和召回率均达到93%以上,且随着干噪比的增加,检测性能逐渐提高。具体看,不同干扰类型的检测效果存在差异,绝对差异低于7%。
步骤5、根据干扰在一个脉冲重复周期(PRT)内发射次数的差异,将干扰类型分为单次发射干扰和多次发射干扰,分别计算单次发射干扰和多次发射干扰的参数,完成参数估计。其中,多次发射干扰的参数划分为数量类参数和周期类参数。
如图5所示,针对单次发射干扰的参数估计,如干扰的脉宽、带宽等,使用解析计算的方法获得;针对数量类参数估计,如转发次数、切片个数等,直接统计获得;针对周期类参数估计,如转发周期、切片宽度等,首先使用解析计算的方法获得每个脉冲的参数值,然后对每个脉冲的参数值求取均值,并对偏离均值的异常参数值进行剔除,重复上述步骤,直至均值不再变化,将此时的均值作为最终参数估计结果。
具体地,解析计算法需要利用检测阶段得到的干扰位置信息,定义如下:
其中,和分别为干扰的带宽和脉宽估计值,fs和Tprt分别为雷达采样频率和PRT,Stfh和Stfw分别为网络输出时频图的高和宽。(xli,yli)为干扰边界框的左上角横纵坐标,(xri,yri)为干扰边界框的右下角横纵坐标。
具体地,对周期类参数估计的具体实施步骤如下:
通过解析法计算得到N个量测值:p1,p2,...,pN;
通过平均值法,对全部量测值求取平均:Mp=(p1+p2+...+pN)/N;
对偏离均值α倍的量测值进行剔除,从而减弱异常值对参数估计的影响;
重复前三个步骤,直至剔除的异常量测值个数为0,输出此时的平均值作为参数估计结果。
本实施例中,设置α为0.2,所得参数估计结果如表2所示。其中,干扰参数估计的性能指标可以用误差率Er衡量:
表2干扰参数估计结果表
整体来看,在干噪比大于0dB时,本发明所提供的参数估计方法对12类干扰参数的误差率小于10%,平均估计误差优于5%。单次转发类干扰参数估计精度最好,其次是数量类参数,周期类参数由于需要结合两类参数估计方法,所以性能相对较差。
因此,针对混合多干扰环境下的干扰感知,本发明通过使用检测网络替代传统分类网络,能够识别样本中存在多种干扰的场景,突破了分类网络只能识别单一干扰样本的局限。在检测结果的基础上,利用时频图的坐标信息,并结合坐标优化选取,可以针对不同干扰计算出相应的干扰参数,解决了现有参数估计算法需要针对具体干扰类型单独设计的缺陷。除此以外,在干扰参数估计精度上,所提供的方法可以实现超分辨。
综上所述,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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度目标检测网络的雷达混合干扰感知方法,其特征在于,包括以下步骤:
步骤1、考虑噪声调频干扰、梳状谱干扰、窄脉冲干扰、重复转发干扰、密集假目标干扰以及灵巧噪声干扰的6种单干扰场景及其两两组合的15种双干扰场景,分别仿真得到各单干扰场景和各双干扰场景下的仿真基带信号;
步骤2、将仿真基带信号进行预处理,得到时频图,时频图及其对应的标签矩阵作为样本形成数据集;
步骤3、将数据集中的各样本按比例划分为训练集和测试集;
步骤4、将训练集作为输入,对初始目标检测网络进行训练,得到训练后的目标检测网络,其中,训练的收敛条件为:损失函数下降到趋于稳定;
步骤5、将测试集输入训练后的目标检测网络,得到干扰类型和干扰位置。
2.如权利要求1所述的方法,其特征在于,所述干扰类型分为单次发射干扰和多次发射干扰;多次发射干扰的参数划分为数量类参数和周期类参数。
3.如权利要求1-2所述的方法,其特征在于,本方法还包括步骤6:利用时频图的坐标信息,并结合坐标优化选取,分别计算单次发射干扰和多次发射干扰的参数,完成参数估计,具体方法为:
针对单次发射干扰的参数估计,使用解析计算的方法获得;针对数量类参数估计,直接统计获得;针对周期类参数估计,首先使用解析计算的方法获得每个仿真基带信号的脉冲的参数值,然后对每个脉冲的参数值求取均值,并对偏离均值的异常参数值进行剔除,重复上述步骤,直至均值不再变化,将此时的均值作为最终参数估计结果。
4.如权利要求1所述的方法,其特征在于,所述仿真基带信号的获取方法为:
针对各干扰场景,将所有干扰参数分别在设定范围内进行取值,在每种参数组合下生成10个干扰样本;其中,干扰参数包括:接收机带宽、采样频率、脉冲重复周期、混合干扰干噪比、噪声调幅干扰的调制噪声带宽、梳状谱干扰的子频点个数、窄脉冲干扰的脉冲宽度、窄脉冲干扰的脉冲重复周期、重复转发干扰的转发次数、重复转发干扰的转发间隔以及灵巧噪声干扰的切片宽度。
5.如权利要求1所述的方法,其特征在于,所述将仿真基带信号进行预处理,得到时频图,具体方法为:
对仿真基带信号进行短时傅里叶变换,得到时频图;将时频图的幅度进行归一化处理;对归一化的时频图采用双三次线性插值的方法进行图像增强处理。
6.如权利要求1所述的方法,其特征在于,所述目标检测网络为Yolov5网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210539344.4A CN115201766A (zh) | 2022-05-17 | 2022-05-17 | 一种基于深度目标检测网络的雷达混合干扰感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210539344.4A CN115201766A (zh) | 2022-05-17 | 2022-05-17 | 一种基于深度目标检测网络的雷达混合干扰感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115201766A true CN115201766A (zh) | 2022-10-18 |
Family
ID=83575107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210539344.4A Pending CN115201766A (zh) | 2022-05-17 | 2022-05-17 | 一种基于深度目标检测网络的雷达混合干扰感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115201766A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299408A (zh) * | 2023-05-25 | 2023-06-23 | 中国电子科技集团公司信息科学研究院 | 一种多雷达自主协同探测系统及探测方法 |
-
2022
- 2022-05-17 CN CN202210539344.4A patent/CN115201766A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299408A (zh) * | 2023-05-25 | 2023-06-23 | 中国电子科技集团公司信息科学研究院 | 一种多雷达自主协同探测系统及探测方法 |
CN116299408B (zh) * | 2023-05-25 | 2023-08-04 | 中国电子科技集团公司信息科学研究院 | 一种多雷达自主协同探测系统及探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106353737B (zh) | 一种基于全频带谱分析的雷达压制式干扰检测方法 | |
CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
CN109143195B (zh) | 一种基于全kl散度的雷达目标检测方法 | |
CN108765470A (zh) | 一种针对目标遮挡改进的kcf跟踪算法 | |
CN107015205A (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN107241696A (zh) | 基于信道状态信息的多径效应辨别方法和距离估计方法 | |
CN103475897A (zh) | 一种基于失真类型判断的自适应图像质量评价方法 | |
CN115201766A (zh) | 一种基于深度目标检测网络的雷达混合干扰感知方法 | |
CN105116412B (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN113253269B (zh) | 一种基于图像分类的sar自聚焦方法 | |
CN102830394B (zh) | 基于多谱线积累的弱目标探测方法 | |
CN105187139B (zh) | 一种基于群智感知的室外无线信号接收强度地图构建方法 | |
CN106204531B (zh) | 一种同步检测彩色图像中噪点与边缘点的方法 | |
CN107194917A (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN103714542A (zh) | 低分辨率高频声纳图像中目标亮点提取方法 | |
CN107451608A (zh) | 基于多视幅度统计特性的sar图像无参考质量评价方法 | |
CN103607249A (zh) | 一种ds/fh混合扩频信号参数测试方法与系统 | |
CN116299195A (zh) | 一种基于toa序列相关度的雷达信号处理方法 | |
CN109116323A (zh) | 基于多项式曲线拟合的iff系统虚警门限的优化方法及设备 | |
CN113466807B (zh) | 雷达临界被截获距离测试系统 | |
CN108985292A (zh) | 一种基于多尺度分割的sar图像cfar目标检测方法与系统 | |
CN111308436B (zh) | 基于体积相关函数的雷达空时自适应处理方法及装置 |
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 |