CN115236620A - 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法 - Google Patents

基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法 Download PDF

Info

Publication number
CN115236620A
CN115236620A CN202210753009.4A CN202210753009A CN115236620A CN 115236620 A CN115236620 A CN 115236620A CN 202210753009 A CN202210753009 A CN 202210753009A CN 115236620 A CN115236620 A CN 115236620A
Authority
CN
China
Prior art keywords
sampling
interference
target
matrix
model
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
CN202210753009.4A
Other languages
English (en)
Inventor
全英汇
吕勤哲
吴耀君
冯伟
赵佳琪
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 CN202210753009.4A priority Critical patent/CN115236620A/zh
Publication of CN115236620A publication Critical patent/CN115236620A/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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，可应用于多种间歇采样干扰场景，以实现对干扰的智能化准确识别与抗干扰目标检测，能够在不依赖于干扰参数估计和专家知识的前提下，大大提升抗干扰目标测距精度，且能够实现与传统方法性能接近的抗干扰目标测速精度。

Description

基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法
技术领域
本发明属于雷达抗干扰目标检测技术领域，具体涉及一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法。
背景技术
雷达制导系统是未来高技术信息化体系作战的核心装备，凭借全天候、全天时下工作能力强，作用距离远等优势，制导雷达在精确制导武器中占有重要地位。
然而，随着电子战技术的发展，战场电磁环境日益复杂，针对雷达的干扰措施不断加强，制导雷达面临多种主瓣内有源/无源干扰的重大挑战，尤其是数字射频存储器(Digital radio frequency memory,DRFM)的发展，使得新型雷达有源干扰的针对性强、复杂度高，且干扰策略愈加灵活多变。最具代表性的间歇采样类干扰采用分时收发体制，干扰机通过间歇性采样、调制所截获的雷达信号，并进行灵活转发，在雷达进行脉冲压缩处理后产生兼具压制性和欺骗性的干扰效果，使得雷达无法探测真实目标，对雷达的生存和作战带来了更加严峻的挑战。因此，研究间歇采样干扰场景下的抗干扰目标检测方法具有巨大的实际应用价值。
目前，雷达抗间歇采样干扰技术主要包括基于参数估计的干扰对消方法和基于带通滤波器设计的干扰抑制方法两类。前者主要通过估计间歇采样干扰的关键参数，重构干扰信号并进行干扰对消，这类方法的抗干扰性能依赖于参数估计的精度，且当重建干扰信号模型与实际干扰样式失配时抗干扰性能将严重受损。后者通过设计带通滤波器以抑制间歇采样干扰信号，但当部分干扰信号与目标信号重合时，容易造成目标信号损失，且带通滤波器的设计大多需要依赖专家知识，也存在模型失配风险。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，包括：
步骤1：获取待测回波数据，所述待测回波数据包括间歇采样类干扰的线性调频雷达回波数据；
步骤2：对所述待检测回波数据进行数据处理，得到其对应的时频图像以及第一双通道实矩阵；
步骤3：将所述时频图像输入至训练完成的目标检测模型，得到目标的受干扰类型分类结果和目标的粗定位预测结果；
步骤4：对所述目标的粗定位预测结果进行修正处理，根据修正处理后的结果，对所述第一双通道实矩阵进行裁剪处理，得到第二双通道实矩阵；
步骤5：根据所述第二双通道实矩阵，构造得到待匹配矩阵，根据发射信号，构造得到双通道模板矩阵，利用所述待匹配矩阵和所述双通道模板矩阵构造得到模板匹配测距矩阵；
步骤6：将所述第二双通道实矩阵输入至训练完成的测速模型得到目标的速度检测结果，将所述模板匹配测距矩阵输入至训练完成的测距模型得到目标的测距结果，根据所述目标的测距结果和所述修正处理后的结果得到目标的回波距离检测结果。
在本发明的一个实施例中，所述目标检测模型为YOLO v4目标检测模型。
在本发明的一个实施例中，所述目标检测模型的训练包括以下步骤：
获取附有标签集的包括多种间歇采样类干扰的线性调频雷达回波数据集，其中，所述回波数据集中每个回波数据样本包括一个相参处理间隔的所有采样点，所述标签集包括样本受干扰类别标签集、目标距离标签集以及目标速度标签集；
对所述回波数据集进行数据处理，得到对应的时频图像样本集和第一双通道实矩阵样本集，所述时频图像样本集和所述第一双通道实矩阵样本集构成抗干扰目标检测样本集；
其中，所述时频图像样本集包括每个回波数据样本对应的时频图像以及受干扰类别标签和定位标签，对于回波数据样本xi，其受干扰类别标签记为
Figure BDA0003721628960000023
其定位标签记为
Figure BDA0003721628960000021
表达式如下：
Figure BDA0003721628960000022
Figure BDA0003721628960000031
Figure BDA0003721628960000032
Figure BDA0003721628960000033
其中，
Figure BDA0003721628960000034
和
Figure BDA0003721628960000035
分别为回波数据样本xi在时间轴的起始点和终止点，
Figure BDA0003721628960000036
和
Figure BDA0003721628960000037
分别为回波数据样本xi在频率轴的起始点和终止点，
Figure BDA0003721628960000038
为回波数据样本xi的目标距离标签，TPRT为脉冲重复时间，NPRT为脉冲重复时间对应采样点数，fs为采样频率，L为时频图像的长度，W为时频图像的宽度，B为雷达发射信号带宽，Tw为干扰机切片宽度，LJam为干扰信号长度；
其中，所述第一双通道实矩阵样本集包括每个回波数据样本对应的第一双通道实矩阵以及目标速度标签和目标距离标签，对于回波数据样本xi，其目标速度标签记为
Figure BDA00037216289600000310
目标距离标签记为
Figure BDA00037216289600000311
将所述抗干扰目标检测样本集划分为训练集、验证集和测试集，将时频图像样本集的训练集和验证集输入至YOLO v4目标检测模型，对模型进行训练和验证，选择验证损失最小的模型作为最终训练完成的目标检测模型，利用时频图像样本集的测试集对训练完成的目标检测模型的性能进行测试；
其中，在目标检测模型验证过程中，根据时频图像样本集的验证集的定位预测结果，统计分析得到目标检测模型的定位预测结果的误差分布范围
Figure BDA0003721628960000039
得到该误差分布范围的区间长度δval。
在本发明的一个实施例中，所述数据处理包括：
提取回波数据的首个脉冲重复时间的回波，对其进行短时傅里叶变换，得到时频分布数据，对所述时频分布数据进行取模、归一化和伪色彩变换处理得到所述回波数据对应的时频图像；
将回波数据按照脉冲重复周期进行变形，得到快-慢时间采样复矩阵，提取所述快-慢时间采样复矩阵的实部和虚部构造得到所述回波数据对应的第一双通道实矩阵。
在本发明的一个实施例中，所述步骤4包括：
步骤4.1：根据在目标检测模型验证过程中获取的目标检测模型的定位预测结果的误差分布范围
Figure BDA0003721628960000041
对所述目标的粗定位预测结果按照下式进行修正处理：
Figure BDA0003721628960000042
Figure BDA0003721628960000043
其中，
Figure BDA0003721628960000044
为修正处理后的结果，
Figure BDA0003721628960000045
为定位预测结果中目标的回波数据在时间轴的起始点的预测值，
Figure BDA0003721628960000046
为目标距离预测值，
Figure BDA0003721628960000047
为误差分布范围的右边界；
步骤4.2：沿着快时间采样维对所述第一双通道实矩阵进行裁剪，得到所述第二双通道实矩阵，其中，以修正处理后的结果
Figure BDA0003721628960000048
为起点，裁剪长度为N* PRT个采样点，
Figure BDA0003721628960000049
NLFM为发射信号采样点数。
在本发明的一个实施例中，所述步骤5包括：
步骤5.1：提取所述第二双通道实矩阵中首个PRT回波，并在快时间采样维进行末尾补0，补0数量为δval个；
步骤5.2：对补0后的双通道实矩阵，沿快时间采样维进行逐点移位采样，将采样结果扩充为模板匹配维，得到待匹配矩阵，其中，采样长度为N* PRT，采样次数为δval次；
步骤5.3：对采样点数为NLFM的发射信号进行末尾补0，补0数量为δval个；
步骤5.4：提取补0后的发射信号的实部和虚部，得到双通道模板，将所述双通道模板沿纵轴复制δval次，得到双通道模板矩阵；
步骤5.5：根据所述双通道模板矩阵和所述待匹配矩阵，将其在通道维拼接构成大小为
Figure BDA00037216289600000410
的模板匹配测距矩阵。
在本发明的一个实施例中，所述测速模型和所述测距模型均为CNN模型，所述CNN模型包括第一特征提取模块、第二特征提取模块和全连接层，其中，
在所述测速模型中，第一特征提取模块用于对输入的所述第二双通道实矩阵进行快时间采样维的特征提取得到第一特征，所述第二特征提取模块用于对输入的所述第一特征进行慢时间采样维的特征提取得到第二特征，所述全连接层用于根据输入的所述第二特征得到目标的速度检测结果；
在所述测距模型中，第一特征提取模块用于对输入的所述模板匹配测距矩阵进行快时间采样维的特征提取得到第一特征，所述第二特征提取模块用于对输入的所述第一特征进行模板匹配维的特征提取得到第二特征，所述全连接层用于根据输入的第二特征得到目标的测距结果。
在本发明的一个实施例中，在所述步骤6中，将所述目标的测距结果与所述修正处理后的结果相加得到目标的回波距离检测结果。
在本发明的一个实施例中，所述测速模型的训练包括以下步骤：
根据在目标检测模型验证过程中获取的目标检测模型的定位预测结果的误差分布范围
Figure BDA0003721628960000051
对时频图像样本集的验证集和测试集的定位预测结果进行修正处理；
沿着快时间采样维对所述第一双通道实矩阵样本集的验证集和测试集进行裁剪，得到第二双通道实矩阵样本集的验证集和测试集，其中，分别以第一双通道实矩阵样本集的验证集和测试集的对应修正处理后的结果为起点，裁剪长度为N* PRT个采样点；
沿快时间采样维对所述第一双通道实矩阵样本集的训练集进行裁剪，得到第二双通道实矩阵样本集的训练集，其中，裁剪起点为
Figure BDA0003721628960000052
范围中的每一点，裁剪长度为N* PRT个采样点，其中，每个起点的裁剪样本数相同；
将第二双通道实矩阵样本集的训练集和验证集输入至CNN测速模型，对模型进行训练和验证，得到训练完成的测速模型，利用第二双通道实矩阵样本集的的测试集对训练完成的测速模型的性能进行测试。
在本发明的一个实施例中，所述测距模型的训练包括以下步骤：
提取所述第二双通道实矩阵样本集中每个样本的首个PRT回波，并在快时间采样维进行末尾补0，补0数量为δval个；对补0后的双通道实矩阵样本集，沿快时间采样维进行逐点移位采样，将采样结果扩充为模板匹配维，得到待匹配矩阵样本集，其中，采样长度为N* PRT，采样次数为δval次；
将所述双通道模板矩阵复制为所述待匹配矩阵样本集中每个样本的第3通道特征和第4通道特征，得到四通道的模板匹配测距矩阵样本集，其中，所述模板匹配测距矩阵样本集的对应标签为目标距离标签与对应修正处理后的结果的差值；
将模板匹配测距矩阵样本集的训练集和验证集输入至CNN测距模型，对模型进行训练和验证，得到训练完成的测距模型，利用模板匹配测距矩阵样本集的的测试集对训练完成的测距模型的性能进行测试。
与现有技术相比，本发明的有益效果在于：
本发明的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，能够在不依赖于干扰参数估计和专家知识的前提下，大大提升抗干扰目标测距精度，且能够实现与传统方法(相参积累后)性能接近的抗干扰目标测速精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1为本发明实施例提供的一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法的流程图；
图2为本发明实施例提供的检测模型的构建训练示意图；
图3(a)为本发明实施例提供的间歇采样转发干扰示意图；
图3(b)为本发明实施例提供的带有叠加转发的间歇采样转发干扰示意图；
图3(c)为本发明实施例提供的带有循环转发的间歇采样转发干扰示意图；
图4为本发明实施例提供的抗干扰目标检测图像集获取流程图；
图5为本发明实施例提供的第一双通道实矩阵构建方法示意图；
图6为本发明实施例提供的YOLO v4目标检测模型的网络结构示意图；
图7为本发明实施例提供的YOLO v4目标检测模型的目标检测与裁剪方法示意图；
图8为本发明实施例提供的模板匹配测距矩阵的构建方法示意图；
图9为本发明实施例提供的测距和测速模型结构示意图；
图10为YOLO v4目标检测模型在验证集上的目标定位误差分布情况；
图11为YOLO v4目标检测模型对五种干扰的识别精度示意图；
图12(a)为YOLO v4目标检测模型对ISRJ的检测输出图像；
图12(b)为YOLO v4目标检测模型对MDFJ的检测输出图像；
图12(c)为YOLO v4目标检测模型对ISRJ-OF的检测输出图像；
图12(d)为YOLO v4目标检测模型对ISRJ-CF的检测输出图像；
图12(e)为YOLO v4目标检测模型对NMJ的检测输出图像；
图13(a)为本发明方法与传统方法在四种无调制间歇采样类干扰情况下的目标测距精度随SNR的变化趋势图；
图13(b)为本发明方法与传统方法在四种无调制间歇采样类干扰情况下的目标测速精度随SNR的变化趋势图；
图13(c)为本发明方法与传统方法在卷积调制间歇采样干扰情况下的目标测距精度随SNR的变化趋势图；
图13(d)为本发明方法与传统方法在卷积调制间歇采样干扰情况下的目标测速精度随SNR的变化趋势图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
相关术语解释说明如下：
深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)；
线性调频(linear frequency modulation，LFM)；
相参处理间隔(Coherent Processing Interval,CPI)；
脉冲重复时间(pulse repetition time,PRT)；
短时傅里叶变换(short-time Fourier transform,STFT)；
间歇采样转发干扰(Interrupted sampling and repeating jamming,ISRJ)；
单脉冲密集转发干扰(Mono-pulse dense forwarding jamming,MDFJ)；
带有叠加转发的间歇采样转发干扰(Interrupted sampling and repeatingjamming with overlay forwarding,ISRJ-OF)；
带有循环转发的间歇采样转发干扰(Interrupted sampling and repeatingjamming with cyclic forwarding,ISRJ-CF)；
噪声卷积干扰(Noise convolution jamming,NMJ)；
YOLO v4(you only look once version4)；
实施例一
请参见图1，图1为本发明实施例提供的一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法的流程图，如图所示，本实施例的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，包括：
步骤1：获取待测回波数据，待测回波数据包括间歇采样类干扰的线性调频雷达回波数据；
在本实施例中，待测回波数据的间歇采样类干扰类型包括ISRJ、MDFJ、ISRJ-OF、ISRJ-CF和/或NMJ。
步骤2：对待检测回波数据进行数据处理，得到其对应的时频图像以及第一双通道实矩阵；
具体地，步骤2包括：
提取待测回波数据的首个脉冲重复时间的回波，对其进行短时傅里叶变换，得到时频分布数据，对时频分布数据进行取模、归一化和伪色彩变换处理得到待测回波数据对应的时频图像；
将待测回波数据按照脉冲重复周期进行变形，得到快-慢时间采样复矩阵，提取快-慢时间采样复矩阵的实部和虚部构造得到待测回波数据对应的第一双通道实矩阵。
步骤3：将时频图像输入至训练完成的目标检测模型，得到目标的受干扰类型分类结果和目标的粗定位预测结果；
在本实施例中，目标检测模型为YOLO v4目标检测模型，该YOLO v4目标检测模型的结构如图6所示的网络结构示意图，如图所示，YOLO v4目标检测模型主要包括骨干网络(Backbone)、特征提取及融合网络(Neck)以及检测头(Head)，分别实现对输入时频图像的基础特征提取、多尺度特征融合检测以及目标分类与位置判定，最终实现受干扰目标检测，输出目标的受干扰类型分类结果和目标的粗定位预测结果。
具体地，在Backbone网络中，采用Darknet-53模型并结合CSPNet(Cross StagePartial Networks)形成CSPDarknet53，输入RGB图像经过由卷积层、BN层、Mish激活函数组成的CBM模块后，依次经过5个跨层残差模块(Resblock_body)进行特征提取，每个跨层残差模块的输出特征尺度减半且通道维增加一倍。在Neck网络中，对Backbone网络后三个跨层残差模块的输出特征进行处理；首先，采用空间金字塔池化网络(Spatial PyramidPooling，SPP)对Backbone网络的输出特征进行多尺度特征提取，SPP模块具有四个大小分别为1×1、5×5、9×9、13×13，步长为1，且均对输入进行自动补0填充的池化核，从而实现多尺度特征提取，并进行张量拼接得到尺度不变、通道维增大一倍的输出特征。然后，结合特征金字塔网络(Feature Pyramid Network，FPN)与路径聚合网络(Path AggregationNetwork,PANet)实现对Backbone网络以及SPP模块共三路输出的多尺度特征融合与检测。在Head模块，采用三个检测头分别将三种尺度下特征图划分为19×19、38×38、76×76个栅格，并采用卷积网络得到目标的受干扰类型分类结果和目标的粗定位预测结果
Figure BDA0003721628960000091
其中，
Figure BDA0003721628960000092
和
Figure BDA0003721628960000093
分别为目标的粗定位预测结果中目标的回波数据在时间轴的起始点和终止点的预测值，
Figure BDA0003721628960000094
和
Figure BDA0003721628960000095
分别为目标的粗定位预测结果中目标的回波数据在频率轴的起始点和终止点的预测值，
Figure BDA0003721628960000096
为目标的受干扰类型的预测结果。
需要说明的是，在其他实施例中，目标检测模型也可以如YOLO系列其他版本的网络，或者采用Faster RCNN、SSD等目标检测算法实现待测回波数据受干扰类型分类结果和目标的粗定位预测结果。
步骤4：对目标的粗定位预测结果进行修正处理，根据修正处理后的结果，对第一双通道实矩阵进行裁剪处理，得到第二双通道实矩阵；
具体地，步骤4包括：
步骤4.1：根据在目标检测模型验证过程中获取的目标检测模型的定位预测结果的误差分布范围
Figure BDA0003721628960000097
对目标的粗定位预测结果按照下式进行修正处理：
Figure BDA0003721628960000098
Figure BDA0003721628960000099
其中，
Figure BDA00037216289600000910
为修正处理后的结果，
Figure BDA00037216289600000911
为定位预测结果中目标的回波数据在时间轴的起始点的预测值，
Figure BDA00037216289600000912
为目标距离预测值，
Figure BDA00037216289600000913
为误差分布范围的右边界；
步骤4.2：沿着快时间采样维对第一双通道实矩阵进行裁剪，得到第二双通道实矩阵，其中，以修正处理后的结果
Figure BDA0003721628960000101
为起点，裁剪长度为N* PRT个采样点，
Figure BDA0003721628960000102
NLFM为发射信号采样点数，δval为误差分布范围的区间长度。
步骤5：根据第二双通道实矩阵，构造得到待匹配矩阵，根据发射信号，构造得到双通道模板矩阵，利用待匹配矩阵和双通道模板矩阵构造得到模板匹配测距矩阵；
具体地，步骤5包括：
步骤5.1：提取第二双通道实矩阵中首个PRT回波，并在快时间采样维进行末尾补0，补0数量为δval个；
步骤5.2：对补0后的双通道实矩阵，沿快时间采样维进行逐点移位采样，将采样结果扩充为模板匹配维，得到待匹配矩阵，其中，采样长度为N* PRT，采样次数为δval次；
步骤5.3：对采样点数为NLFM的发射信号进行末尾补0，补0数量为δval个；
步骤5.4：提取补0后的发射信号的实部和虚部，得到双通道模板，将双通道模板沿纵轴复制δval次，得到双通道模板矩阵；
步骤5.5：根据双通道模板矩阵和待匹配矩阵，将其在通道维拼接构成大小为
Figure BDA0003721628960000103
的模板匹配测距矩阵。
步骤6：将第二双通道实矩阵输入至训练完成的测速模型得到目标的速度检测结果，将模板匹配测距矩阵输入至训练完成的测距模型得到目标的测距结果，根据目标的测距结果和修正处理后的结果得到目标的回波距离检测结果。
在本实施例中，测速模型和测距模型均为CNN模型，CNN模型包括第一特征提取模块、第二特征提取模块和全连接层。
其中，在测速模型中，第一特征提取模块用于对输入的第二双通道实矩阵进行快时间采样维的特征提取得到第一特征，第二特征提取模块用于对输入的第一特征进行慢时间采样维的特征提取得到第二特征，全连接层用于根据输入的第二特征得到目标的速度检测结果。
在测距模型中，第一特征提取模块用于对输入的模板匹配测距矩阵进行快时间采样维的特征提取得到第一特征，第二特征提取模块用于对输入的第一特征进行模板匹配维的特征提取得到第二特征，全连接层用于根据输入的第二特征得到目标的测距结果。
具体地，结合参见图9所示的测距和测速模型结构示意图，如图所示，CNN测距模型和CNN测速模型分别采用模板匹配测距矩阵与第二双通道实矩阵作为模型输入，设样本大小为w1×l1×c1，其中w1表示输入矩阵的模板匹配维(测距)或慢时间维(测速)大小，l1表示样本的快速时间维大小，c1表示样本的通道维大小。首先，第一特征提取模块(也就是快时间维特征提取模块)通过多个卷积层在样本的快速时间采样维提取特征，在每个卷积层后采用LeakyReLU(leaky rectified linear units)激活函数与最大池化操作，并加入Droupot层以减轻模型过拟合的风险，其中卷积核大小可表示为1×lconv，池化核大小为1×lpool，该模块输出特征F1的尺寸为w1×1×n5，其中n5为该模块最后一层卷积核个数。然后，第二特征提取模块(也就是测距模型的模板匹配维特征提取模块，测速模型的慢时间维特征提取模块)以F1为输入，通过多个卷积层在输入特征的模板匹配维/慢时间采样维提取特征，在每个卷积层后采用LeakyReLU(leaky rectified linear units)激活函数与最大池化操作，并加入Droupot层以减轻模型过拟合的风险，其中卷积核大小可表示为lconv×1，池化核大小为lpool×1，该模块输出特征F2的尺寸为1×1×n7，其中n7为该模块最后一层卷积核个数。最后，将特征F2输入到激活函数为Softmax的全连接层进行分类，得到目标的测距结果/目标的速度检测结果。
在本实施例中，将目标的测距结果与修正处理后的结果相加得到目标的回波距离检测结果。
进一步地，结合图2所示的检测模型的构建训练示意图，对本实施例的目标检测模型、测速模型和测距模型的训练进行具体说明。
首先，获取附有标签集的包括多种间歇采样类干扰的线性调频雷达回波数据集，其中，回波数据集中每个回波数据样本包括一个相参处理间隔的所有采样点，标签集包括样本受干扰类别标签集、目标距离标签集以及目标速度标签集。
在本实施例中，通过仿真产生含多种间歇采样类干扰的LFM雷达回波数据集
Figure BDA0003721628960000111
其中，样本集X中的每个样本xi包含一个CPI的所有采样点，标签集
Figure BDA0003721628960000112
中包含样本的受干扰类别标签集Yj、目标距离标签集Yr以及目标速度标签集Yv，回波数据集中样本-标签对的总数为N。
具体地，仿真产生含多种间歇采样类干扰的LFM雷达回波数据集
Figure BDA0003721628960000121
雷达发射波形采用LFM信号，其时域信号表达式为：
Figure BDA0003721628960000122
其中，A为信号幅度,f0为信号中心频率，光速为c，则波长λ＝c/f0，T为发射波信号时宽，B为发射波信号带宽，则调频斜率
Figure BDA0003721628960000123
Figure BDA0003721628960000124
为矩形函数，定义为：
Figure BDA0003721628960000125
设采样频率为fs，则发射信号采样点数为NLFM，脉冲重复时间(PRT)为TPRT，对应采样点数NPRT＝TPRT*fs，每个CPI脉冲数为MCPI，回波信号中真实目标随机出现在第1到NPRT-NLFM个距离单元，即Yr∈(0,NPRT-NLFM)，真实目标速度
Figure BDA0003721628960000126
设置每个速度单元大小为
Figure BDA0003721628960000127
则Yv∈(0,MCPI-1)。
雷达所受间歇采样类干扰包括ISRJ、MDFJ、ISRJ-OF、ISRJ-CF和NMJ共5种，干扰标签依次为0到4，即Yj∈(0,4)。如图3(a)所示的ISRJ示意图，ISRJ通过干扰机“收发分时”体制，对所截获雷达信号进行多次转发，以实现干扰目的，设干扰机切片数目为N，切片宽度为Tw，单个切片转发次数为M，假目标多普勒频率为fj，则其时域表达式为：
Figure BDA0003721628960000128
MDFJ可看作ISRJ的特殊形式，即切片数目N＝1，单个切片转发次数M＞10。
如图3(b)所示带有叠加转发的间歇采样转发干扰(ISRJ-OF)示意图，ISRJ-OF主要包括ISRJ部分和叠加转发部分，设干扰机的第n个切片为pn，即在ISRJ后将干扰机所采样的N个切片做累加
Figure BDA0003721628960000129
并进行周期性的侦查和转发，其中侦查时长为τinv。
如图3(c)所示的带有循环转发的间歇采样转发干扰(ISRJ-CF)示意图，ISRJ-CF主要包括ISRJ部分和循环转发部分，即在ISRJ后将干扰机所采样的切片pn依次进行周期性的侦查和转发。
噪声卷积干扰(NMJ)采用噪声信号n(t)对所截获雷达信号进行卷积调制，其数学表达式为：
Figure BDA0003721628960000131
其中，
Figure BDA0003721628960000132
表示卷积运算。所构建样本集X中的每个样本xi包含一个CPI的所有采样点，标签集
Figure BDA0003721628960000133
中包含样本的受干扰类别标签集Yj、目标距离标签集Yr以及目标速度标签集Yv，且回波数据集中样本-标签对的总数为N。
然后，对回波数据集进行数据处理，得到对应的时频图像样本集和第一双通道实矩阵样本集，时频图像样本集和第一双通道实矩阵样本集构成抗干扰目标检测样本集；
具体地，提取每个回波数据样本xi的首个PRT的回波做STFT，之后进行预处理(取模、归一化和伪色彩变换处理)得到时频图像样本
Figure BDA0003721628960000134
然后组成时频图像样本集Xtf，根据受干扰目标距离与带宽信息构建目标定位标签，并与相应样本的干扰类别标签集Yj组成目标检测标签集Ytf，最终建立完整的时频图像样本集Stf＝[Xtf,Ytf]。
在本实施例中，请参见图4所示的抗干扰目标检测图像集获取流程图；首先，提取每个回波样本xi的首个PRT的回波x'i(t)做STFT并取模以获得时频谱图，其数学表达式为：
Figure BDA0003721628960000135
其中，φ(t)为时域窗函数，τ为窗函数中心位置。对每个时频谱样本进行伪彩色变换得到时频图像样本
Figure BDA0003721628960000136
并共同组成时频样本集Xtf。然后，根据受干扰样本的在时频图中的位置信息，构造样本xi的定位标签
Figure BDA0003721628960000137
其中，
Figure BDA0003721628960000138
Figure BDA0003721628960000139
Figure BDA00037216289600001310
Figure BDA0003721628960000141
式中，
Figure BDA0003721628960000142
和
Figure BDA0003721628960000143
分别为回波数据样本xi在时间轴的起始点和终止点，
Figure BDA0003721628960000144
和
Figure BDA0003721628960000145
分别为回波数据样本xi在频率轴的起始点和终止点，
Figure BDA0003721628960000146
为回波数据样本xi的目标距离标签，TPRT为脉冲重复时间，NPRT为脉冲重复时间对应采样点数，fs为采样频率，L为时频图像的长度，W为时频图像的宽度，B为雷达发射信号带宽，Tw为干扰机切片宽度，LJam为干扰信号长度；
最后，结合每个时频图像样本
Figure BDA0003721628960000147
中回波信号的受干扰类型及对应标签集Yj，构建完整的时频图像样本集
Figure BDA0003721628960000148
进一步地，将每个回波数据样本xi按照脉冲重复周期进行变形，得到大小为N×(MCPI×NPRT)的快-慢时间采样复矩阵样本集，提取其实部、虚部构造双通道实矩阵样本集(也就是第一双通道实矩阵样本集)Xt。结合时频图像样本集Stf以及速度标签集Yv共同构成抗干扰目标检测样本集S＝[(Xtf,Xt),(Ytf,Yv)]，并将其划分为类别平衡的训练集、验证集和测试集。
在本实施例中，请参见图5所示的第一双通道实矩阵构建方法示意图；样本总数为N的回波数据样本集中，每个样本xi的长度(采样点数)为(MCPI×NPRT)，按照脉冲重复周期将各CPI回波进行变形，得到大小为MCPI×NPRT的二维快-慢时间采样复矩阵，其中第mCPI(1≤mCPI≤MCPI)行分别为第mCPI个PRT的NPRT点快时间采样序列。然后，分别提取每个二维回波样本的实部、虚部以构造大小为N×(MCPI×NPRT×2)的双通道实矩阵样本集(也就是第一双通道实矩阵样本集)Xt，结合时频图像样本集Stf以及目标速度标签集Yv共同构成抗干扰目标检测样本集
Figure BDA0003721628960000149
最后，将抗干扰目标检测样本集S划分为训练集Strain、验证集Sval和测试集Stest，即S＝[Strain,Sval,Stest]，其中各集合样本数依次为Ntrain、Nval和Ntest，且每个集合中各个干扰类别、速度类别的样本数分布均匀，形成各类别平衡的数据集。
其次，按照图6所示的YOLO v4目标检测模型的网络结构示意图构建YOLO v4目标检测模型，利用时频图像样本集训练YOLO v4模型，将时频图像样本集的训练集和验证集输入至YOLO v4目标检测模型，对模型进行训练和验证，选择验证损失最小的模型作为最终训练完成的目标检测模型，利用时频图像样本集的测试集对训练完成的目标检测模型的性能进行测试；其中，在目标检测模型验证过程中，根据时频图像样本集的验证集的定位预测结果，统计分析得到目标检测模型的定位预测结果的误差分布范围
Figure BDA0003721628960000151
得到该误差分布范围的区间长度δval。
在模型测试时利用时频图像样本集的验证集定位结果的误差情况对每个样本的粗定位预测结果
Figure BDA0003721628960000152
进行修正，得到修正处理后的结果(也就是受干扰目标的时域回波粗定位结果)
Figure BDA0003721628960000153
具体修正公式如下所示：
Figure BDA0003721628960000154
Figure BDA0003721628960000155
并将修正处理后的结果
Figure BDA0003721628960000156
作为起始点，结合时频图像样本集的验证集预测结果的误差分布范围
Figure BDA0003721628960000157
该误差分布范围的区间长度δval以及发射波形采样点数确定截取长度
Figure BDA0003721628960000158
在快速时间采样维裁剪样第一双通道实矩阵样本集Xt，得到大小为
Figure BDA0003721628960000159
的第二双通道实矩阵样本集
Figure BDA00037216289600001510
以减小后续CNN测距模型和CNN测速模型的数据处理量。
具体地，参照图7所示的YOLO v4模型目标检测与样本集裁剪方法示意图。首先，分别采用训练集Strain和验证集Sval的时频图像样本集对所构建的YOLO v4模型进行充分训练和模型验证，并选择验证损失最小的模型作为最终模型；其次，对验证集的粗定位预测结果
Figure BDA00037216289600001511
进行比例变换
Figure BDA00037216289600001512
得到原始时域回波的定位预测结果
Figure BDA00037216289600001513
再其次，参照真实目标所处的距离单元
Figure BDA00037216289600001521
对验证集定位预测结果
Figure BDA00037216289600001514
进行统计分析得到模型定位预测结果的误差分布范围的区间长度δval，以及相对于真实距离单元的左、右误差边界
Figure BDA00037216289600001515
与
Figure BDA00037216289600001516
由于以
Figure BDA00037216289600001517
至
Figure BDA00037216289600001518
范围内的定位预测结果作为起始点的检测样本将损失真实目标回波信息，故采用右误差边界
Figure BDA00037216289600001519
对模型的定位预测结果
Figure BDA00037216289600001520
进行移位修正，得到修正处理后的结果，即就是受干扰目标回波的粗定位结果
Figure BDA0003721628960000161
为减少后续抗干扰网络的输入数据量，将第一双通道实矩阵样本集Xt中的测试集和验证集沿快时间采样维进行裁剪，以受干扰目标回波的粗定位结果
Figure BDA0003721628960000162
为起点，截取长度为
Figure BDA0003721628960000163
的采样点，形成大小为
Figure BDA0003721628960000164
的后续网络模型的测试集以及大小为
Figure BDA0003721628960000165
的后续网络模型的验证集。
基于YOLOv4模型验证集定位结果的误差范围长度区间δval，设置后续抗干扰测距网络输出类别数为δval，并在第一双通道实矩阵样本集的训练集Strain中沿快时间采样维，以
Figure BDA0003721628960000166
范围中的每一点为起点，裁剪长度为
Figure BDA0003721628960000167
的回波样本作为后续网络模型的训练集，其中每个起点的裁剪样本数相同(各距离类别样本数均衡)。
最终，结合裁剪得到的后续网络模型的训练集、验证集和测试集构成大小为
Figure BDA0003721628960000168
第二双通道实矩阵样本集
Figure BDA0003721628960000169
按照图9所示的测距和测速模型结构示意图构建CNN测距模型和CNN测速模型，将第二双通道实矩阵样本集的训练集和验证集输入至CNN测速模型，对模型进行训练和验证，得到最终训练完成的测速模型，利用第二双通道实矩阵样本集的的测试集对训练完成的测速模型的性能进行测试。
进一步地，提取第二双通道实矩阵样本集中每个样本的首个PRT回波，并在快时间采样维进行末尾补0，补0数量为δval个；对补0后的双通道实矩阵样本集，沿快时间采样维进行逐点移位采样，将采样结果扩充为模板匹配维，得到待匹配矩阵样本集，其中，采样长度为N* PRT，采样次数为δval次；将双通道模板矩阵复制为待匹配矩阵样本集中每个样本的第3通道特征和第4通道特征，得到四通道的模板匹配测距矩阵样本集，其中，模板匹配测距矩阵样本集的对应标签为目标距离标签与对应修正处理后的结果的差值。
具体地，参见图8所示的模板匹配测距矩阵的构建方法示意图；首先，提取第二双通道实矩阵样本集
Figure BDA00037216289600001610
的每个样本中大小为
Figure BDA00037216289600001611
的首个PRT回波(含实部和虚部)，进行δval点末尾补0得到大小为
Figure BDA00037216289600001612
的补0双通道矩阵样本；其次，对所得补0后双通道矩阵样本沿快时间采样维进行长度为
Figure BDA00037216289600001613
的δval次逐点移位采样，并将采样结果扩充为模板匹配维，其中模板匹配维的第υ行样本为原补0双通道样本在快速时间采样维的第
Figure BDA00037216289600001614
点采样段，故得到大小为
Figure BDA00037216289600001615
的待匹配矩阵样本集。
再其次，对NLFM点发射波形进行δval点末尾补0，提取其实部、虚部构造大小为(NLFM+δval)×2的双通道模板，并沿纵轴复制δval次得到大小为
Figure BDA0003721628960000171
的双通道模板矩阵；然后，将双通道模板矩阵复制为待匹配矩阵样本集中每个样本的第3、4通道特征，得到大小为
Figure BDA0003721628960000172
的四通道模板匹配测距样本集Xr1。
最后，以每个样本的目标距离标签
Figure BDA0003721628960000173
减去对应的修正处理后的结果
Figure BDA0003721628960000174
得到模板匹配测距矩阵样本的标签集
Figure BDA0003721628960000175
与Xr1组成完整的模板匹配测距矩阵样本集Sr1＝[Xr1,Yr1]。
将模板匹配测距矩阵样本集的训练集和验证集输入至CNN测距模型，对模型进行训练和验证，得到训练完成的测距模型，利用模板匹配测距矩阵样本集的的测试集对训练完成的测距模型的性能进行测试。
需要说明的是，在本实施例中，采用无调制干扰训练CNN测距模型，将所得模型部分层权重迁移至CNN测速模型，并进行测速模型训练；将所得测距、测速模型用作带卷积噪声调制干扰的初始模型，进行少量训练得到性能良好的已训练模型，最终进行模型测试，验证效果。
具体地，采用模板匹配测距矩阵样本集Sr1中受无调制间歇采样干扰的训练样本对抗干扰测距CNN(anti-jamming ranging CNN,AJRCNN)模型进行训练得到已训练AJRCNN；再其次，将已训练AJRCNN的权重迁移为抗干扰测速CNN(anti-jamming velocimetry CNN,AJVCNN)模型的初始权重，并采用第二双通道实矩阵样本集
Figure BDA0003721628960000176
中对应无调制训练样本训练AJVCNN模型；然后，将已训练AJRCNN与AJVCNN作为受卷积噪声调制干扰样本的初始化抗干扰测距、测速模型，并分别采用样本集Sr1和
Figure BDA0003721628960000177
中对应训练样本进行模型训练。最后，分别采用样本集Sr1和
Figure BDA0003721628960000178
中测试样本进行模型性能测试，得到模型测距测试结果
Figure BDA0003721628960000179
与模型测速测试结果
Figure BDA00037216289600001710
将每个样本测距测试结果
Figure BDA00037216289600001711
与YOLO v4模型相应的修正处理后的
Figure BDA00037216289600001712
相加得到目标回波距离预测结果集
Figure BDA00037216289600001713
本发明实施例的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，能够在不依赖于干扰参数估计和专家知识的前提下，大大提升抗干扰目标测距精度，且能够实现与传统方法(相参积累后)性能接近的抗干扰目标测速精度。
实施例二
本实施例通过仿真对比实验对本实施例的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法的效果进行说明。
1.仿真实验设置
设置线性调频雷达发射波形带宽为B＝10MHz，脉宽B＝12MHz，波长λ＝0.2m，采样频率fs＝32MHz，脉冲重复时间TPRT＝170μs，每个CPI脉冲数为64；真实目标信噪比SNR＝-25～10dB，五种干扰干噪比SNR＝10～35dB，主要参数如表1所示，此外，每种干扰均带有随机多普勒调制。仿真产生每类干扰样本数为16384，训练集Strain、验证集Sval和测试集Stest分别占总样本数的40％、10％和50％。
表1干扰仿真参数
Figure BDA0003721628960000181
2.实验结果分析
首先，采用训练集Strain训练所构建的YOLO v4网络，并利用验证集Sval进行模型验证，得到模型定位误差分布情况，如图10所示；YOLO模型对时域回波的定位预测输出中，99.90％的预测结果
Figure BDA0003721628960000182
落在距离真实标签[-40,20]的范围内，即误差范围为60，故取
Figure BDA0003721628960000183
对模型的粗定位预测结果
Figure BDA0003721628960000184
进行移位修正，得到修正后受干扰目标回波的粗定位结果
Figure BDA0003721628960000185
由于YOLO网络验证精度99.90％的定位误差分布范围为60点，即第二阶段抗干扰目标测距网络需要在该误差范围内进行精确定位，且测速模型输出为64类(一个CPI含64个脉冲)，故设置δval＝64，构建大小为81920×(64×448×2)的双通道实矩阵样本集
Figure BDA0003721628960000186
构建大小为81920×(64×448×4)四通道模板匹配测距样本集Xr1，以及模板匹配测距样本标签集
Figure BDA0003721628960000187
构建AJRCNN与AJVCNN，其结构如表2所示，其中采用模板匹配测距集为输入的AJRCNN的输入层nc＝4，采用双通道快-慢时间采样样本集作为输入的AJVCNN的输入层nc＝2。对模板匹配集Sr1中训练样本进行类别均衡，并采用无调制干扰训练AJRCNN，由于模型输入层通道数不同，故将所得模型除卷积层1外的其余层权重迁移至AJVCNN进行测速模型训练，将所得测距、测速模型用作带噪声卷积调制干扰的初始模型，进行少量训练得到性能良好的已训练模型。
表2 AJRCNN与AJVCNN结构参数
Figure BDA0003721628960000191
最终，采用测试集Stest进行模型测试，验证算法效果；图11为YOLO v4网络对五种干扰测试集的识别精度，其平均精度达到99.90％；图12(a)、图12(b)、图12(c)、图12(d)和图12(e)分别为YOLO网络对含有ISRJ、MDFJ、ISRJ-OF、ISRJ-CF和NMJ五种受干扰样本的回波检测的输出图像，其中各识别置信度均为1.00。利用已训练好的AJRCNN、AJVCNN分别检测含无调制干扰的样本与含噪声卷积调制干扰的样本，并结合YOLO网络的粗定位结果，得到真实目标距离、速度信息。为更好的反应模型性能，将所提方法效果与传统抗干扰方法进行对比。传统抗干扰目标测距方法主要包括干扰参数估计、干扰抑制(将干扰段置0)、脉冲压缩和恒虚警检测，传统抗干扰目标测速方法主要包括干扰参数估计、干扰抑制(将干扰段置0)、脉冲压缩处理、动目标检测(moving targets detection,MTD)和恒虚警检测，其中恒虚警率Pfa设置为10-6，干扰参数估计准确性设置为100％，在每个SNR上进行10000次蒙特卡洛实验得到检测概率Pd。图13(a)为本发明方法对四种无调制ISRJ的抗干扰目标距离检测精度以及传统方法检测概率随SNR的变化趋势图，图13(b)为本发明方法对四种无调制ISRJ的抗干扰目标速度检测精度以及传统方法检测概率随SNR的变化趋势图。图13(c)为本发明方法对NMJ的抗干扰目标距离检测精度以及传统方法检测概率随SNR的变化趋势图，图13(d)为本发明方法对NMJ的抗干扰目标速度检测精度以及传统方法检测概率随SNR的变化趋势图。由此可见，本发明方法较传统方法的抗干扰测距性能提升明显，在SNR＝-10dB时抗干扰目标检测精度约为90％，大约与传统方法在SNR＝-1dB时性能接近；以检测概率90％为基准，本发明方法的抗干扰目标测速网络所需SNR＝-19dB，与传统方法性能接近，能够有效实现抗干扰目标测速。
应当说明的是，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，包括：
步骤1：获取待测回波数据，所述待测回波数据包括间歇采样类干扰的线性调频雷达回波数据；
步骤2：对所述待检测回波数据进行数据处理，得到其对应的时频图像以及第一双通道实矩阵；
步骤3：将所述时频图像输入至训练完成的目标检测模型，得到目标的受干扰类型分类结果和目标的粗定位预测结果；
步骤4：对所述目标的粗定位预测结果进行修正处理，根据修正处理后的结果，对所述第一双通道实矩阵进行裁剪处理，得到第二双通道实矩阵；
步骤5：根据所述第二双通道实矩阵，构造得到待匹配矩阵，根据发射信号，构造得到双通道模板矩阵，利用所述待匹配矩阵和所述双通道模板矩阵构造得到模板匹配测距矩阵；
步骤6：将所述第二双通道实矩阵输入至训练完成的测速模型得到目标的速度检测结果，将所述模板匹配测距矩阵输入至训练完成的测距模型得到目标的测距结果，根据所述目标的测距结果和所述修正处理后的结果得到目标的回波距离检测结果。
2.根据权利要求1所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述目标检测模型为YOLO v4目标检测模型。
3.根据权利要求2所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述目标检测模型的训练包括以下步骤：
获取附有标签集的包括多种间歇采样类干扰的线性调频雷达回波数据集，其中，所述回波数据集中每个回波数据样本包括一个相参处理间隔的所有采样点，所述标签集包括样本受干扰类别标签集、目标距离标签集以及目标速度标签集；
对所述回波数据集进行数据处理，得到对应的时频图像样本集和第一双通道实矩阵样本集，所述时频图像样本集和所述第一双通道实矩阵样本集构成抗干扰目标检测样本集；
其中，所述时频图像样本集包括每个回波数据样本对应的时频图像以及受干扰类别标签和定位标签，对于回波数据样本xi，其受干扰类别标签记为
Figure FDA0003721628950000021
其定位标签记为
Figure FDA0003721628950000022
表达式如下：
Figure FDA0003721628950000023
Figure FDA0003721628950000024
Figure FDA0003721628950000025
Figure FDA0003721628950000026
其中，
Figure FDA0003721628950000027
和
Figure FDA0003721628950000028
分别为回波数据样本xi在时间轴的起始点和终止点，
Figure FDA0003721628950000029
和
Figure FDA00037216289500000210
分别为回波数据样本xi在频率轴的起始点和终止点，
Figure FDA00037216289500000211
为回波数据样本xi的目标距离标签，TPRT为脉冲重复时间，NPRT为脉冲重复时间对应采样点数，fs为采样频率，L为时频图像的长度，W为时频图像的宽度，B为雷达发射信号带宽，Tw为干扰机切片宽度，LJam为干扰信号长度；
其中，所述第一双通道实矩阵样本集包括每个回波数据样本对应的第一双通道实矩阵以及目标速度标签和目标距离标签，对于回波数据样本xi，其目标速度标签记为
Figure FDA00037216289500000212
目标距离标签记为
Figure FDA00037216289500000213
将所述抗干扰目标检测样本集划分为训练集、验证集和测试集，将时频图像样本集的训练集和验证集输入至YOLO v4目标检测模型，对模型进行训练和验证，选择验证损失最小的模型作为最终训练完成的目标检测模型，利用时频图像样本集的测试集对训练完成的目标检测模型的性能进行测试；
其中，在目标检测模型验证过程中，根据时频图像样本集的验证集的定位预测结果，统计分析得到目标检测模型的定位预测结果的误差分布范围
Figure FDA00037216289500000214
得到该误差分布范围的区间长度δval。
4.根据权利要求3所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述数据处理包括：
提取回波数据的首个脉冲重复时间的回波，对其进行短时傅里叶变换，得到时频分布数据，对所述时频分布数据进行取模、归一化和伪色彩变换处理得到所述回波数据对应的时频图像；
将回波数据按照脉冲重复周期进行变形，得到快-慢时间采样复矩阵，提取所述快-慢时间采样复矩阵的实部和虚部构造得到所述回波数据对应的第一双通道实矩阵。
5.根据权利要求4所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述步骤4包括：
步骤4.1：根据在目标检测模型验证过程中获取的目标检测模型的定位预测结果的误差分布范围
Figure FDA0003721628950000031
对所述目标的粗定位预测结果按照下式进行修正处理：
Figure FDA0003721628950000032
Figure FDA0003721628950000033
其中，
Figure FDA0003721628950000034
为修正处理后的结果，
Figure FDA0003721628950000035
为定位预测结果中目标的回波数据在时间轴的起始点的预测值，
Figure FDA0003721628950000036
为目标距离预测值，
Figure FDA0003721628950000037
为误差分布范围的右边界；
步骤4.2：沿着快时间采样维对所述第一双通道实矩阵进行裁剪，得到所述第二双通道实矩阵，其中，以修正处理后的结果
Figure FDA0003721628950000038
为起点，裁剪长度为N* PRT个采样点，
Figure FDA0003721628950000039
NLFM为发射信号采样点数。
6.根据权利要求5所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述步骤5包括：
步骤5.1：提取所述第二双通道实矩阵中首个PRT回波，并在快时间采样维进行末尾补0，补0数量为δval个；
步骤5.2：对补0后的双通道实矩阵，沿快时间采样维进行逐点移位采样，将采样结果扩充为模板匹配维，得到待匹配矩阵，其中，采样长度为N* PRT，采样次数为δval次；
步骤5.3：对采样点数为NLFM的发射信号进行末尾补0，补0数量为δval个；
步骤5.4：提取补0后的发射信号的实部和虚部，得到双通道模板，将所述双通道模板沿纵轴复制δval次，得到双通道模板矩阵；
步骤5.5：根据所述双通道模板矩阵和所述待匹配矩阵，将其在通道维拼接构成大小为
Figure FDA0003721628950000041
的模板匹配测距矩阵。
7.根据权利要求6所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述测速模型和所述测距模型均为CNN模型，所述CNN模型包括第一特征提取模块、第二特征提取模块和全连接层，其中，
在所述测速模型中，第一特征提取模块用于对输入的所述第二双通道实矩阵进行快时间采样维的特征提取得到第一特征，所述第二特征提取模块用于对输入的所述第一特征进行慢时间采样维的特征提取得到第二特征，所述全连接层用于根据输入的所述第二特征得到目标的速度检测结果；
在所述测距模型中，第一特征提取模块用于对输入的所述模板匹配测距矩阵进行快时间采样维的特征提取得到第一特征，所述第二特征提取模块用于对输入的所述第一特征进行模板匹配维的特征提取得到第二特征，所述全连接层用于根据输入的第二特征得到目标的测距结果。
8.根据权利要求7所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，在所述步骤6中，将所述目标的测距结果与所述修正处理后的结果相加得到目标的回波距离检测结果。
9.根据权利要求8所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述测速模型的训练包括以下步骤：
根据在目标检测模型验证过程中获取的目标检测模型的定位预测结果的误差分布范围
Figure FDA0003721628950000042
对时频图像样本集的验证集和测试集的定位预测结果进行修正处理；
沿着快时间采样维对所述第一双通道实矩阵样本集的验证集和测试集进行裁剪，得到第二双通道实矩阵样本集的验证集和测试集，其中，分别以第一双通道实矩阵样本集的验证集和测试集的对应修正处理后的结果为起点，裁剪长度为N* PRT个采样点；
沿快时间采样维对所述第一双通道实矩阵样本集的训练集进行裁剪，得到第二双通道实矩阵样本集的训练集，其中，裁剪起点为
Figure FDA0003721628950000043
范围中的每一点，裁剪长度为N* PRT个采样点，其中，每个起点的裁剪样本数相同；
将第二双通道实矩阵样本集的训练集和验证集输入至CNN测速模型，对模型进行训练和验证，得到训练完成的测速模型，利用第二双通道实矩阵样本集的的测试集对训练完成的测速模型的性能进行测试。
10.根据权利要求9所述的基于DCNN的间歇采样类干扰识别与抗干扰目标检测方法，其特征在于，所述测距模型的训练包括以下步骤：
提取所述第二双通道实矩阵样本集中每个样本的首个PRT回波，并在快时间采样维进行末尾补0，补0数量为δval个；对补0后的双通道实矩阵样本集，沿快时间采样维进行逐点移位采样，将采样结果扩充为模板匹配维，得到待匹配矩阵样本集，其中，采样长度为N* PRT，采样次数为δval次；
将所述双通道模板矩阵复制为所述待匹配矩阵样本集中每个样本的第3通道特征和第4通道特征，得到四通道的模板匹配测距矩阵样本集，其中，所述模板匹配测距矩阵样本集的对应标签为目标距离标签与对应修正处理后的结果的差值；
将模板匹配测距矩阵样本集的训练集和验证集输入至CNN测距模型，对模型进行训练和验证，得到训练完成的测距模型，利用模板匹配测距矩阵样本集的的测试集对训练完成的测距模型的性能进行测试。
CN202210753009.4A 2022-06-29 2022-06-29 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法 Pending CN115236620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210753009.4A CN115236620A (zh) 2022-06-29 2022-06-29 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210753009.4A CN115236620A (zh) 2022-06-29 2022-06-29 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法

Publications (1)

Publication Number Publication Date
CN115236620A true CN115236620A (zh) 2022-10-25

Family

ID=83671947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210753009.4A Pending CN115236620A (zh) 2022-06-29 2022-06-29 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法

Country Status (1)

Country Link
CN (1) CN115236620A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117949898A (zh) * 2024-03-22 2024-04-30 西安电子科技大学 干扰信号的参数提取方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117949898A (zh) * 2024-03-22 2024-04-30 西安电子科技大学 干扰信号的参数提取方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Shao et al. Convolutional neural network-based radar jamming signal classification with sufficient and limited samples
CN114429156B (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN104950296B (zh) 基于重加权自适应功率剩余的稳健非均匀检测方法
CN113962151B (zh) 基于深度卷积迁移学习的距离假目标智能识别方法
CN103941254A (zh) 一种基于地质雷达的土壤物性类别识别方法和装置
CN111722199A (zh) 一种基于卷积神经网络的雷达信号检测方法
CN112083393B (zh) 基于谱图平均时间特征的间歇采样转发干扰识别方法
Lv et al. Deep neural network-based interrupted sampling deceptive jamming countermeasure method
CN106772273A (zh) 一种基于动态孔径的sar虚假目标干扰抑制方法及系统
CN116047427B (zh) 一种小样本雷达有源干扰识别方法
CN115236620A (zh) 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法
CN113640768A (zh) 一种基于小波变换的低分辨雷达目标识别方法
Chen et al. LFM signal detection and estimation based on deep convolutional neural network
Bhatti et al. Radar signals intrapulse modulation recognition using phase-based stft and bilstm
Brieger et al. Multimodal learning for reliable interference classification in GNSS signals
Liu et al. Unsupervised clustering method to discriminate dense deception jamming for surveillance radar
CN112881986A (zh) 基于优化深度模型的雷达切片存储转发式干扰抑制方法
CN115061094B (zh) 一种基于神经网络与svm的雷达目标识别方法
Tao et al. Radio frequency interference detection for SAR data using spectrogram-based semantic network
CN113391286B (zh) 基于二维块稀疏恢复的虚拟孔径mimo雷达目标探测方法
CN115345216A (zh) 一种融合先验信息的fmcw雷达干扰消除方法
CN113901878A (zh) 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法
Zhang et al. FUAS-Net: Feature-oriented unsupervised network for FMCW radar interference suppression
Wang et al. Application of wavelet scattering network and ensemble learning on deception jamming recognition for ultra-wideband detectors
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

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