CN115616503A - 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 - Google Patents
一种基于卷积神经网络模型的雷达干扰信号类型识别方法 Download PDFInfo
- Publication number
- CN115616503A CN115616503A CN202211405873.1A CN202211405873A CN115616503A CN 115616503 A CN115616503 A CN 115616503A CN 202211405873 A CN202211405873 A CN 202211405873A CN 115616503 A CN115616503 A CN 115616503A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- convolutional neural
- interference
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于卷积神经网络模型的雷达干扰信号类型识别方法,包括:获取回波时域序列并进行时频转换,得到回波频域序列;对回波时域序列和回波频域序列分别进行分级量化,根据分级量化结果生成第一和第二实矩阵;拼接第一和第二实矩阵并转为灰度图像;将灰度图像输入至预先训练完成的卷积神经网络模型中,以使卷积神经网络模型输出雷达干扰信号类型识别结果;其中,卷积神经网络模型是基于多个样本灰度图像以及每个样本灰度图像对应的雷达干扰信号类型进行训练得到的。本发明基于卷积神经网络模型,运用图像分类识别的方法对雷达干扰信号类型进行智能化识别,具有较高的泛化能力和识别准确率。
Description
技术领域
本发明属于雷达领域,具体涉及一种基于卷积神经网络模型的雷达干扰信号类型识别方法。
背景技术
在雷达领域中,干扰技术与抗干扰技术相互攻防,此消彼长、互相促进。干扰技术分为有源干扰技术和无源干扰技术。其中,有源干扰使用主动辐射能量的干扰机对进行实时干扰;无源干扰利用箔条、诱饵、隐身涂层等方法反射或吸收雷达波,以干扰雷达的探测识别。针对各式各样的干扰技术,如今已有大量应对干扰的抗干扰措施,但由于干扰情形多变且难以预知,因此需要首先识别出雷达干扰信号的类型,然后选择相应的抗干扰措施。
现有抗干扰算法一般只能针对相近原理的干扰进行抗干扰处理,具体是根据信号特点进行人工分析和信号特征的提取,然后根据所提取的信号特征确定干扰类型,进而实施相应的抗干扰措施。人工进行信号特征提取虽然可以精确提取信号特点,但若信号类型发生改变、扩充,则需重新设计特征提取算法,才能保证识别算法原本的识别能效。并且,人工进行信号特征提取过程中会引入主观因素,使得识别结果不准确,从而影响后续实施的抗干扰措施的有效性。
发明内容
为了解决现有技术中所存在的上述问题,本发明提供了一种基于卷积神经网络模型的雷达干扰信号类型识别方法。
本发明要解决的技术问题通过以下技术方案实现:一种基于卷积神经网络模型的雷达干扰信号类型识别方法,包括:信号预处理步骤和干扰识别步骤;
所述信号预处理步骤,包括:获取雷达的回波时域序列,并对所述回波时域序列进行时频转换,得到回波频域序列;对所述回波时域序列进行分级量化,并根据分级量化结果生成第一实矩阵;对所述回波频域序列进行分级量化,并根据分级量化结果生成第二实矩阵;拼接所述第一实矩阵和所述第二实矩阵,并将拼接结果转换为灰度图像;
所述干扰识别步骤,包括:将所述灰度图像输入至预先训练完成的卷积神经网络模型中,以使所述卷积神经网络模型输出雷达干扰信号类型识别结果;
其中,所述卷积神经网络模型是基于多个样本灰度图像以及每个样本灰度图像对应的雷达干扰信号类型进行训练得到的;每个所述样本灰度图像均是按照所述信号预处理步骤对一样本回波时域序列进行处理得到的灰度图像。
可选地,所述对所述回波时域序列分级量化,并根据分级量化结果生成第一实矩阵的步骤,是利用下述公式实现的:
ax(m,n)=0.5*sgn(m-M+1+rankx(n))+0.5,
xmax=max(x(1),x(2),…,x(N-1)),
xmin=min(x(1),x(2),…,x(N-1));
其中,ax(m,n)为所述第一实矩阵中第m行、第n列的元素,0≤m≤M-1,0≤n≤N-1,M为分级个数,N为所述回波时域序列x的长度;x(n)为x的第n个元素;sgn(·)为符号函数。
可选地,所述对所述回波频域序列分级量化,并根据分级量化结果生成第二实矩阵的步骤,是利用下述公式实现的:
aX(m,n)=0.5*sgn(m-M+1+rankX(n))+0.5,
Xmax=max(X(1),X(2),…,X(N-1)),
Xmin=min(X(1),X(2),…,X(N-1));
其中,aX(m,n)为所述第二实矩阵中第m行、第n列的元素,0≤m≤M-1,0≤n≤N-1,X(n)为所述回波频域序列X的第n个元素。
可选地,所述将拼接结果转换为灰度图像的步骤,包括:
将拼接结果中每个元素的值转换为灰度值,形成初始灰度图像;
基于插值法将所述初始灰度图像的尺寸调整到与所述卷积神经网络模型的输入匹配。
可选地,所述卷积神经网络模型,包括顺次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层以及第二全连接层;
其中,各卷积层的卷积核大小均为3*3,且卷积核的输入通道数和输出通道数沿数据流向呈增长趋势;各卷积层的激活函数均为ReLU;
所述卷积神经网络模型在工作时,所述灰度图像被输入至所述第一卷积层,由所述第二全连接层输出所述雷达干扰信号类型识别结果。
可选地,所述卷积神经网络模型的训练方式包括:
获取训练数据集;所述训练数据集包括多个样本灰度图像,且所述多个样本灰度图像分属于多种不同的雷达干扰信号类型;
使用k-fold交叉验证方法对所述训练数据集进行划分,得到k个训练集和k个验证集;所述k个训练集和所述k个验证集一一对应;
基于所述k个训练集对所述卷积神经网络模型进行训练,并使用训练集对应的验证集对训练集的训练效果进行验证。
可选地,对所述卷积神经网络模型进行训练的过程中,基于样本灰度图像所属的雷达干扰信号类型以及卷积神经网络模型输出的雷达干扰信号类型计算交叉熵损失,以基于交叉熵损失调整所述卷积神经网络模型的网络权重参数。
可选地,所述交叉熵损失的计算公式为:
其中,卷积神经网络模型输出的雷达干扰信号类型是8维向量x,x[j]表示取x的第j位元素;x[class]表示取x的第class位元素,class的取值根据应样本灰度图像所属的雷达干扰信号类型确定。
可选地,所述训练方式还包括:
在使用k-fold交叉验证方法对所述训练数据集进行划分之前,使用分层抽样法从所述训练数据集中抽取部分样本灰度图像形成测试集,以后续使用k-fold交叉验证方法对所述训练数据集中剩余的样本灰度图像进行划分;
以及,在得到训练完成的卷积神经网络模型之后,使用所述测试集对训练完成的卷积神经网络模型进行测试。
可选地,任一所述训练样本对应的雷达干扰信号类型包括:间歇采样转发干扰、瞄准式干扰、阻塞式干扰、扫频干扰、距离欺骗干扰、灵巧噪声干扰、密集假目标干扰或者箔条干扰。
本发明提供的基于卷积神经网络模型的雷达干扰信号类型识别方法中,基于卷积神经网络模型,运用图像分类识别的方法对雷达干扰信号类型进行智能化识别,具有较高的泛化能力。并且,由于本发明中输入至卷积神经网络模型的灰度图像包含了时域和频域两方面的信息,能够提取到时域和频域两方面的信号特征,且能够利用到时域信号特征和频域信号特征之间的对应关系,因此,本发明输出的雷达干扰信号类型识别结果更为准确。
综上,本发明提供的基于卷积神经网络模型的雷达干扰信号类型识别方法,具有较高的泛化能力和识别准确率,可以方便雷达进一步针对性地采取抗干扰措施,以实现具有实时性和准确性的抗干扰处理。
以下将结合附图及对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的基于卷积神经网络模型的雷达干扰信号类型识别方法的流程图;
图2为本发明实施例中使用的卷积神经网络模型的训练过程示意图;
图3为本发明实施例中使用的一种卷积神经网络模型的结构示意图;
图4(a)~图4(h)示出了本发明实施例中训练卷积神经网络模型时,输入到模型中的样本灰度图像;
图5(a)~图5(h)为图3所示模型的各卷积层针对图4(a)~图4(h)所示样本灰度图像的输出;
图6(a)为图3所示卷积神经网络模型在训练过程中随训练圈数变化的识别准确率曲线图;
图6(b)为图3所示卷积神经网络模型在训练过程中随训练圈数变化的损失值曲线图;
图7为图3所示卷积神经网络模型的测试结果识别矩阵。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
为了更加准确地识别雷达干扰信号类型,本发明实施例提供了一种基于卷积神经网络模型的雷达干扰信号类型识别方法,参见图1所示,该方法包括:信号预处理步骤和干扰识别步骤。
其中,如图1所示,该信号预处理步骤,包括:
S11:获取雷达的回波时域序列,并对回波时域序列进行时频转换,得到回波频域序列。
具体的,对雷达接收的干扰信号进行信号采样,得到一个一维信号序列。采样过程需满足奈奎斯特采样定理。即采样点数N满足:N=floor(T*fs);其中,T为待采样的雷达干扰信号的时长,fs为采样频率,floor(·)运算为向下取整运算。这样,采样得到的回波时域序列包含原雷达干扰信号的所有信息,不会造成信息丢失。
将采集到的一维信号序列作为回波时域序列x。然后,对回波时域序列x进行傅里叶变换,得到回波频域序列X。
S12:对回波时域序列进行分级量化,并根据分级量化结果生成第一实矩阵。
具体的,该步骤S12是利用下述公式实现的:
ax(m,n)=0.5*sgn(m-M+1+rankx(n))+0.5,
xmax=max(x(1),x(2),…,x(N-1)),
xmin=min(x(1),x(2),…,x(N-1));
其中,ax(m,n)为第一实矩阵中第m行、第n列的元素,0≤m≤M-1,0≤n≤N-1,即第一实矩阵的维度为M×N,M为分级个数,N为回波时域序列x的长度;x(n)为x的第n个元素;sgn(·)为符号函数。xmax和xmin分别是回波时域序列x中的最大值和最小值。rankx(n)则是回波时域序列x中第n个采样点对应的量化等级。
S13:对回波频域序列进行分级量化,并根据分级量化结果生成第二实矩阵。
具体的,对回波频域序列分级量化,并根据分级量化结果生成第二实矩阵的步骤,是利用下述公式实现的:
aX(m,n)=0.5*sgn(m-M+1+rankX(n))+0.5,
Xmax=max(X(1),X(2),…,X(N-1)),
Xmin=min(X(1),X(2),…,X(N-1));
其中,aX(m,n)为第二实矩阵中第m行、第n列的元素,0≤m≤M-1,0≤n≤N-1,X(n)为回波频域序列X的第n个元素。Xmax和Xmin分别是回波时域序列x中的最大值和最小值。rankX(n)则是回波时域序列X中第n个采样点对应的量化等级。
S14:拼接第一实矩阵和第二实矩阵,并将拼接结果转换为灰度图像。
具体的,将第一实矩阵和第二实矩阵按目标维度进行合并,并将拼接结构转换为灰度矩阵;将灰度矩阵进行输出即是一张灰度图像。其中,目标维度可以是行维度或列维度。如果是行维度,则拼接结果的矩阵的维度为M×(2N),而如果是行维度,则拼接结果的矩阵的维度为(2M)×N。
其中,将拼接结果转换为灰度矩阵的过程可以用如下公式表示:
a=(28-1)·[ax,aX];
该公式中,ax表示第一实矩阵,aX表示第二实矩阵,[ax,aX]表示ax与aX拼接起来的矩阵。
或者,在一种可选实现方式中,如果拼接出来的矩阵维度与卷积神经网络模型的输入不匹配,则可以先将拼接结果中每个元素的值转换为灰度值,形成初始灰度图像;然后,基于插值法将该初始灰度图像的尺寸调整到与卷积神经网络模型的输入匹配,得到待输入至积神经网络中进行干扰识别的灰度图像。
继续参见图1所示,上述的干扰识别步骤,包括:
S20:将灰度图像输入至预先训练完成的卷积神经网络模型中,以使卷积神经网络模型输出雷达干扰信号类型识别结果。
其中,卷积神经网络模型是基于多个样本灰度图像以及每个样本灰度图像对应的雷达干扰信号类型进行训练得到的,每个样本灰度图像均是按照信号预处理步骤对一样本回波时域序列进行处理得到的灰度图像。
示例性的,参见图2所示,该卷积神经网络模型可以包括顺次连接的第一卷积层conv1、第二卷积层conv2、第三卷积层conv3、第四卷积层conv4、第一全连接层mlp1以及第二全连接层mlp2。
其中,各卷积层的卷积核大小均为3*3,且卷积核的输入通道数和输出通道数沿数据流向呈增长趋势;各卷积层的激活函数均为ReLU。各卷积层之间通过卷积核卷积运算连接,全连接层与相邻层通过全连接方式连接。
该卷积神经网络模型在工作时,灰度图像被输入至第一卷积层conv1,由第二全连接层mlp2输出雷达干扰信号类型识别结果。
可以看到,该卷积神经网络模型包含了4个级联的卷积层,由此可从灰度图像中更深度地挖掘时域和频域两方面的信号特征,以及挖掘这两方面特征之间的对应关系,从而使得最终的识别结果更为准确。
在一个具体的示例中,上述卷积神经网络模型的模型结构参数如下所示:
可以理解的是,其他结构形式的深度卷积神经网络模型也可以作为本发明实施例中的卷积神经网络模型,即本发明实施例中使用的卷积神经网络模型的结构并不局限于上述的举例。
上述卷积神经网络模型的训练方式包括:
(1)获取训练数据集;该训练数据集包括多个样本灰度图像,且多个样本灰度图像分属于多种不同的雷达干扰信号类型;
(2)使用k-fold交叉验证方法对训练数据集进行划分,得到k个训练集和k个验证集;k个训练集和k个验证集一一对应;
(3)基于k个训练集对卷积神经网络模型进行训练,并使用每个训练集对应的验证集对基于该训练集的训练效果进行验证。
示例性的,在一种实现方式中,可以采用一雷达干扰信号集来构建训练数据集来训练该卷积神经网络模型:该数据集中包含多条雷达干扰信号,这些雷达干扰信号分属于间歇采样转发干扰、瞄准式干扰、阻塞式干扰、扫频干扰、距离欺骗干扰、灵巧噪声干扰、密集假目标干扰以及箔条干扰共8种雷达干扰信号类型。每型的数据20000条,共计16000条数据。对其中每条的雷达干扰信号按照上述信号预处理步骤进行处理,便可以得到训练数据集。由此,构建好的训练数据集中,任一训练样本对应的雷达干扰信号类型包括:间歇采样转发干扰、瞄准式干扰、阻塞式干扰、扫频干扰、距离欺骗干扰、灵巧噪声干扰、密集假目标干扰或者箔条干扰。图4(a)~图4(h)种分别示出了根据上述8种雷达干扰信号得到的样本灰度图像。图5(a)~图5(h)相应地示出了图3所示模型的各卷积层针对图4(a)~图4(h)所示样本灰度图像的输出。
另外,可选地,为了测试训练效果,可以在使用k-fold交叉验证方法对训练数据集进行划分之前,使用分层抽样法从训练数据集中抽取部分(例如20%)样本灰度图像形成测试集,从而在步骤(2)中使用k-fold交叉验证方法对剩余的样本灰度图像进行划分,由此根据该训练数据集可形成k个训练集、k个验证集以及1个测试集。划分结果示意如下:
在另一种实现方式中,可以通过雷达实际向外发射各种类型的干扰信号,并通过采集回波信号来形成训练数据集,这也是可以的。
在步骤(3)中对卷积神经网络模型进行训练的过程中,基于样本灰度图像所属的雷达干扰信号类型以及卷积神经网络模型输出的雷达干扰信号类型计算交叉熵损失,以基于交叉熵损失对卷积神经网络模型的训练效果进行评估。
这里,交叉熵损失的计算公式为:
其中,卷积神经网络模型输出的雷达干扰信号类型是一8维向量x,x[j]表示取x的第j位元素;x[class]表示取x的第class位元素,class的取值根据应样本灰度图像所属的雷达干扰信号类型确定。
具体的,在实际训练过程中,参见图2所示,使用k个训练集分别对卷积神经网络模型进行训练,其中每向模型输入一个训练样本,都对应计算交叉熵损失,以便根据统计的交叉熵损失值来调整模型的权重参数。每使用完p个训练集(epoch),使用对应的验证集来验证识别效果。如果验证结果显示识别效果差,则继续使用剩余的训练集进行训练。如果识别效果良好,则使用整个训练数据集对模型进行测试,如果测试结果显示准确率不达标(例如低于97%),则说明模型欠拟合,继续使用剩余的训练集进行训练;而如果测试结果显示准确率达标,则专门使用测试集对训练得到的卷积神经网络模型进行测试,测试通过即可将模型投入使用;而如果测试不通过,则说明模型过拟合,此时可以使用数据集扩增、Dropout方法等手段,重新进行训练。
其中,训练过程中卷积神经网络模型的模型训练参数可参见如下,当然并不局限于此:
训练最大循环次数 | 5000 |
训练每批读取量 | 64 |
学习率 | 0.001*power(0.76^epoch) |
训练数据集是否打乱 | 是 |
测试数据集是否打乱 | 否 |
该表中,power是返回给定数字的乘幂的函数,epoch表示训练集,每完成一个训练集的训练,即是一个epoch。
在实际应用中,上述卷积神经网络模型的搭建以及训练均可在Python软件中实现。
图6(a)和图6(b)分别示出了上述卷积神经网络模型的训练过程中,随epoch变化的识别准确率曲线和损失值曲线。在验证集上,卷积神经网络模型的损失值曲线在经历500个epoch的训练后保持稳定且保持在比较小的损失水平。此时,卷积神经网络模型在训练集和验证集上表现良好,没有发生欠拟合现象,这表明网络的结构足以拟合雷达干扰信号的数据。最终,在训练集上,卷积神经网络模型的识别准确率达99.1%,在验证集上达97.6%,性能表现较佳。
图7为测试集在卷积神经网络模型上的测试结果。其中,矩阵的纵坐标为数据的实际标签,横坐标为在卷积神经网络模型输出的识别结果,“0~7”的标签分别对应8种干扰信号类型。矩阵值代表纵坐标标签的数据被识别为横坐标标识数据的个例占总测试数据集的比例,用以指示识别结果中各情形出现频率占比关系。只有矩阵的对角线元素是识别正确的情形,其余矩阵元素皆是识别错误的情形。
下面为卷积神经网络模型对8种类型雷达干扰信号的识别准确率详情,可以看到,其在测试集上的平均干扰识别准确率达97.92%,识别雷达干扰信号的性能优良。
干扰类型 | 测试集数据量 | 正确识别样本数 | 识别准确率 |
间歇采样转发干扰 | 4000 | 3925 | 99.64% |
瞄准式干扰 | 4000 | 4000 | 100.00% |
阻塞式干扰 | 4000 | 3999 | 99.99% |
扫频干扰 | 4000 | 3984 | 99.60% |
距离欺骗干扰 | 4000 | 4000 | 100.00% |
灵巧噪声干扰 | 4000 | 3925 | 98.12% |
密集假目标干扰 | 4000 | 3906 | 97.65% |
箔条干扰 | 4000 | 3533 | 88.33% |
合计 | 32000 | / | 97.92% |
本发明实施例提供的基于卷积神经网络模型的雷达干扰信号类型识别方法中,基于卷积神经网络模型,运用图像分类识别的方法对雷达干扰信号类型进行智能化的识别,相较于传统抗干扰算法只能针对相近原理的干扰进行抗干扰处理、特定问题特定分析的工作方式而言,本发明实施例具有较高的模型泛化能力。并且,由于本发明实施例中输入至卷积神经网络模型的灰度图像包含了时域和频域两方面的信息,能够提取到时域和频域两方面的信号特征,且能够利用到时域信号特征和频域信号特征之间的对应关系,因此,本发明实施例输出的雷达干扰信号类型识别结果更为准确,能够适用于复杂电磁环境,面对难以预测的信号类型或复合类型情形下也可以进行干扰识别,从而方便雷达进一步针对性地采取抗干扰措施,以实现具有实时性和准确性的抗干扰处理。
本发明实施例提供的方法可以应用于电子设备。具体的,该电子设备可以为:雷达、台式计算机、便携式计算机、服务器等。在此不作限定,任何可以实现本发明的电子设备,均属于本发明的保护范围。
需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。
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)
1.一种基于卷积神经网络模型的雷达干扰信号类型识别方法,其特征在于,包括:信号预处理步骤和干扰识别步骤;
所述信号预处理步骤,包括:获取雷达的回波时域序列,并对所述回波时域序列进行时频转换,得到回波频域序列;对所述回波时域序列进行分级量化,并根据分级量化结果生成第一实矩阵;对所述回波频域序列进行分级量化,并根据分级量化结果生成第二实矩阵;拼接所述第一实矩阵和所述第二实矩阵,并将拼接结果转换为灰度图像;
所述干扰识别步骤,包括:将所述灰度图像输入至预先训练完成的卷积神经网络模型中,以使所述卷积神经网络模型输出雷达干扰信号类型识别结果;
其中,所述卷积神经网络模型是基于多个样本灰度图像以及每个样本灰度图像对应的雷达干扰信号类型进行训练得到的;每个所述样本灰度图像均是按照所述信号预处理步骤对一样本回波时域序列进行处理得到的灰度图像。
4.根据权利要求1所述的方法,其特征在于,所述将拼接结果转换为灰度图像的步骤,包括:
将拼接结果中每个元素的值转换为灰度值,形成初始灰度图像;
基于插值法将所述初始灰度图像的尺寸调整到与所述卷积神经网络模型的输入匹配。
5.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型,包括顺次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层以及第二全连接层;
其中,各卷积层的卷积核大小均为3*3,且卷积核的输入通道数和输出通道数沿数据流向呈增长趋势;各卷积层的激活函数均为ReLU;
所述卷积神经网络模型在工作时,所述灰度图像被输入至所述第一卷积层,由所述第二全连接层输出所述雷达干扰信号类型识别结果。
6.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型的训练方式包括:
获取训练数据集;所述训练数据集包括多个样本灰度图像,且所述多个样本灰度图像分属于多种不同的雷达干扰信号类型;
使用k-fold交叉验证方法对所述训练数据集进行划分,得到k个训练集和k个验证集;所述k个训练集和所述k个验证集一一对应;
基于所述k个训练集对所述卷积神经网络模型进行训练,并使用训练集对应的验证集对训练集的训练效果进行验证。
7.根据权利要求6所述的方法,其特征在于,对所述卷积神经网络模型进行训练的过程中,基于样本灰度图像所属的雷达干扰信号类型以及卷积神经网络模型输出的雷达干扰信号类型计算交叉熵损失,以基于交叉熵损失调整所述卷积神经网络模型的网络权重参数。
9.根据权利要求7所示的方法,其特征在于,所述训练方式还包括:
在使用k-fold交叉验证方法对所述训练数据集进行划分之前,使用分层抽样法从所述训练数据集中抽取部分样本灰度图像形成测试集,以后续使用k-fold交叉验证方法对所述训练数据集中剩余的样本灰度图像进行划分;
以及,在得到训练完成的卷积神经网络模型之后,使用所述测试集对训练完成的卷积神经网络模型进行测试。
10.根据权利要求1所述的方法,其特征在于,任一所述训练样本对应的雷达干扰信号类型包括:间歇采样转发干扰、瞄准式干扰、阻塞式干扰、扫频干扰、距离欺骗干扰、灵巧噪声干扰、密集假目标干扰或者箔条干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211405873.1A CN115616503A (zh) | 2022-11-10 | 2022-11-10 | 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211405873.1A CN115616503A (zh) | 2022-11-10 | 2022-11-10 | 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115616503A true CN115616503A (zh) | 2023-01-17 |
Family
ID=84877981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211405873.1A Pending CN115616503A (zh) | 2022-11-10 | 2022-11-10 | 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616503A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-11-10 CN CN202211405873.1A patent/CN115616503A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
CN106772331B (zh) | 目标识别方法和目标识别装置 | |
CN113571067B (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN113156376A (zh) | 基于sacnn的雷达辐射源信号识别方法 | |
CN104732970A (zh) | 一种基于综合特征的舰船辐射噪声识别方法 | |
CN114636975A (zh) | 基于谱图融合和注意力机制的lpi雷达信号识别方法 | |
CN113625227A (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 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN106950475A (zh) | 一种基于小波变换的局部放电信号提取方法及装置 | |
CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
CN115616503A (zh) | 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 | |
Konan et al. | Machine learning techniques to detect and characterise whistler radio waves | |
Qian et al. | Recognition of radar deception jamming based on convolutional neural network | |
Cao et al. | Deep representation method for radar emitter signal using wavelet packets decomposition | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN114428235B (zh) | 基于决策级融合的空间微动目标识别方法 | |
CN114519372B (zh) | 基于支持向量机的一维距离像目标识别方法 |
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 |