CN115951315A - 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 - Google Patents
基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 Download PDFInfo
- Publication number
- CN115951315A CN115951315A CN202310186465.XA CN202310186465A CN115951315A CN 115951315 A CN115951315 A CN 115951315A CN 202310186465 A CN202310186465 A CN 202310186465A CN 115951315 A CN115951315 A CN 115951315A
- Authority
- CN
- China
- Prior art keywords
- wavelet packet
- energy spectrum
- radar
- time
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 230000010076 replication Effects 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 239000000306 component Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000969130 Atthis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于改进小波包能量谱的雷达欺骗干扰识别方法及系统，方法包括：获取待识别的雷达欺骗干扰信号；对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，将时变小波包能量谱作为待选特征序列，构建特征集；确定特征集中所有待选特征序列的模糊熵，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据；训练LSTM网络，基于训练好的LSTM网络对信号特征序列数据分类，识别雷达欺骗干扰信号。可实现对雷达欺骗干扰信号的高效准确识别。
Description
技术领域
本发明属于雷达探测技术领域，更具体地，涉及一种基于改进小波包能量谱的雷达欺骗干扰识别。
背景技术
随着现代信息化战争中高强度电磁干扰与日俱增，雷达系统的各种人为或非人为干扰问题日益突出。DRFM技术具有信号高速采样和长时间存储复制的能力，能够调制产生与雷达信号相关性很高的干扰信号，基于DRFM的欺骗干扰给现代雷达的作战能力带来了极其严峻的挑战。雷达采取最优反干扰措施来降低干扰给雷达带来的影响，提高雷达系统的作战效能，其先决条件就是正确识别出干扰类型。因此，干扰类型识别作为抗干扰技术的重要环节一直是研究的热点。常见的基于DRFM的雷达欺骗干扰主要有：密集复制假目标干扰，间歇采样转发干扰，切片干扰以及频谱弥散干扰等。
目前基于DRFM的干扰识别的主流方法是基于信号特征提取的分类方法。影响这类方法性能的主要因素包括两个方面，一是特征集的选取及提取，另一个是分类器的选择。在干扰信号特征的选取及提取方面，由于各类干扰信号具有很强的相似性，单独一种特征都不足以完成分类任务，因此需要对信号做时域、频域、其他变换域等多维度的特征提取，如载波因子系数、平均频谱平坦系数、峰度系数、偏度系数、高斯白噪声因子等时频特征，相关性检测、稀疏度、分数阶傅里叶、奇异谱等变换域特征，这样一定程度上增大了计算复杂度，造成算法应用泛化能力弱。相关学者根据干扰信号频域内能量分布的差异，在一个相干处理周期利用小波或小波包分多尺度分解计算进行特征提取，对各类欺骗干扰取得了较好的识别效果。
但是这些方法仅考虑小波系数的频段分布能量，没有考虑到能量随时间的变化情况，无法反映对应频段信号能量变化的局部信息，导致在低干噪比条件下识别率较低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种基于改进小波包能量谱的雷达欺骗干扰识别方法及系统，对小波包分解系数进行时间滑窗计算随时间变化的小波包能量谱实现干扰信号特征提取，利用模糊熵抽取重要特征序列，构建信号特征序列数据输入到LSTM网络进行分类识别，实现对雷达欺骗干扰信号的准确识别。
为实现上述目的，按照本发明的一方面，提供一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，包括：
获取待识别的雷达欺骗干扰信号；
对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，将时变小波包能量谱作为待选特征序列，构建特征集；
确定特征集中所有待选特征序列的模糊熵，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据；
训练LSTM网络，基于训练好的LSTM网络对信号特征序列数据分类，识别雷达欺骗干扰信号。
进一步地，所述待识别的雷达欺骗干扰信号包括密集复制假目标干扰、频谱弥散干扰、切片干扰、间歇采样转发干扰以及目标回波信号中的任一种或多种。
进一步地，所述对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，包括：
设 w为宽度为
的滑动窗，窗中心为
，滑动窗内待识别的雷达欺骗干扰信号在各个频带范围内信号的能量为：
在时间上滑动窗口汇总得到时变小波包能量谱：
进一步地，所述对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，包括：采用3阶Daubechies小波函数对待识别的雷达欺骗干扰信号在干噪比为8dB状态下的数据进行3层小波包分解。
进一步地，所述确定特征集中所有待选特征序列的模糊熵，包括：
待选特征序列的模糊熵为：
进一步地，所述据模糊熵从特征集的待选特征序列中选取信号特征序列数据，包括： 从特征集的待选特征序列中选取模糊熵前
大的特征序列作为信号特征序列数据，其中，
为正整数。
进一步地，所述训练LSTM网络，包括：
采集密集复制假目标干扰、频谱弥散干扰、切片干扰、间歇采样转发干扰以及目标回波信号作为原始数据；
对原始数据进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，将时变小波包能量谱作为待选特征序列，构建原始数据特征集；
确定原始数据特征集中所有待选特征序列的模糊熵，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据，划分测试集和训练集；
构建LSTM网络模型，基于训练集训练LSTM网络模型，并用于对测试集的分类判别。
按照本发明的第二方面，提供一种基于改进小波包能量谱的雷达欺骗干扰识别系统，包括：
第一主模块，用于获取待识别的雷达欺骗干扰信号；
第二主模块，用于对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，基于时变小波包能量谱构建特征集；
第三主模块，用于确定特征集中各时间序列的模糊熵，根据模糊熵从特征集的时间序列中选取信号特征序列数据；
第四主模块，用于构建LSTM网络对信号特征序列数据分类，识别雷达欺骗干扰信号。
按照本发明的第三方面，提供一种电子终端，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现所述的方法。
按照本发明的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现所述的方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的雷达欺骗干扰识别方法，用小波包分解对干扰信号进行全频段分解，通过对小波包分解系数进行时间滑窗方法提取某一分解层次上不同时频空间的小波包能量谱，构造出随时间变化的具有序列特性的小波包能量谱特征，针对提取出来的小波能量谱特征序列数据具有一定的冗余性，采用模糊熵方法对特征序列数据进行抽取，提取数据中的主要序列信息，剔除隐藏在特征中的冗余成分，增强有用特征信息。在分类器的选择上，创造性地把用于时间序列分类和图像领域的LSTM网络应用到雷达欺骗干扰信号识别中。仿真结果表明，本发明的方法能够有效地提取干扰信号小波包能量谱时序特征，利用LSTM网络实现雷达欺骗干扰信号的高效准确识别，在干噪比为-2dB时，该方法对各类干扰信号的整体识别正确率可以达到96%，相对传统方法识别性能提高明显。
2.本发明的雷达欺骗干扰识别方法，对小波包分解系数进行时间滑窗计算随时间变化的小波包能量谱实现干扰信号特征提取，小波包分解可以把信号按任意时频分辨率无泄露、不重叠地分解到不同频段，能够对信号频段信息进行更好的时频局部化分析，信号的全部特征信息(包括低频部分和高频部分)均得以保留，给提取信号中的特征信息提供了强有力的支持。
3. 本发明的雷达欺骗干扰识别方法，对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，利用模糊熵抽取重要特征序列，剔除隐藏在特征中的冗余成分，增强有用特征信息，提高识别的速度。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
图1为本发明实施例的雷达获取雷达欺骗干扰信号的示意图；
图2为本发明实施例的基于改进小波包能量谱的雷达欺骗干扰识别方法示意图；
图3为本发明实施例的基于改进小波包能量谱的雷达欺骗干扰识别系统示意图；
图4为本发明实施例的电子设备示意图；
图5为本发明实施例LSTM的基本结构示意图；
图6为本发明实施例5类信号不同干噪比下识别正确率图；
图7为本发明实施例模型训练识别率迭代曲线图；
图8为本发明实施例3种模型5类信号不同干噪比下综合识别率图；
图9为本发明实施例未利用模糊熵特征选择时模型识别率迭代曲线。
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。
在本发明的描述中，除非另有明确的规定和限定，术语“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像本申请实施例中一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本发明的雷达欺骗干扰识别方法，可应用于汽车、航空、船舶或陆地等领域的雷达检测信号识别。
其中，小波包分解是一种能够对各类非平稳随机信号进行有效处理的现代时频分析和处理方法，通过小波包变换可将采集的信号分解为多个二维参量（时间、位置）和频率，实现信号在不同频带、不同时刻的特征分解。由于小波包分解具有很强的时频局部化分解能力，为各类信号的特征提取和识别奠定了基础，目前已广泛应用于语言、图像、地震、机械振动等领域。
小波包分解实际是对小波分解进行改进，将信号高频分量和低频分量都进行分解，比小波变换划分更加精细和全面，更能体现出信号全频率特点，特征向量能够自适应选择频带，具有时频局部化特点，特征与频谱对应，从而提高信号的时频分辨率。
每次小波包分解都是将信号频带进行划分，并得到相应子频带的信号成分，这样原信号的特征信息也就在各子频带信号中。对于各类信号在频域中特征可以通过各个频带的能量进行分析和识别。因此在信号进行小波包分解后，可以将分布在不同频带内的能量分布特征作为信号识别的重要依据。
本发明提供一种基于改进小波包能量谱的雷达欺骗干扰识别方法，基于改进的小波包分析方法提取待识别信号的特征，并基于模糊熵剔除隐藏在特征中的冗余成分，增强有用特征信息，选用LSTM网络对雷达欺骗干扰信号进行分类识别，可有效提取干扰信号小波包能量谱时序特征，利用LSTM网络实现雷达欺骗干扰信号的高效准确识别。本发明所述的基于改进小波包能量谱的雷达欺骗干扰识别方法，如图2所示。
具体地，该方法包括步骤S100-S400。
其中，步骤S100、获取待识别的雷达欺骗干扰信号。
如图1所示为本发明实施例的雷达获取雷达欺骗干扰信号的示意图，雷达发射探测信号，干扰机截获雷达信号，并对截获的雷达信号多次延时、移频、采样、调相等处理在短时间形成假目标来淹没真实目标，占用雷达资源，影响目标正确检测。
需要说明的是，针对雷达线性调频（Linear Frequency Modulation，LFM）发射信号的欺骗干扰样式有密集复制假目标干扰、频谱弥散干扰、切片干扰、以及在切片干扰基础上发展的间歇采样转发干扰。
本发明实施例所述待识别的雷达欺骗干扰信号包括密集复制假目标干扰、频谱弥散干扰、切片干扰、间歇采样转发干扰以及目标回波信号中的任一种或多种。
LFM信号为雷达发射信号时，可表示为：
其中，
是初始频率，
是时间变量，
是调频斜率，
是带宽，
是信号存在的时宽，
是矩形函数，需要说明的是，此处j为虚数单位；
可得到距雷达距离R的目标回波信号
为：
其中，c为无线电速度。
密集复制假目标干扰是由假目标干扰发展而来的，干扰机对DRFM中存储的信号在单个脉冲重复周期中进行多次复制转发形成，密集复制假目标干扰为：
其中，
为干扰子脉冲之间的时延间隔，
为转发次数，
为幅度调制系数，
是干扰信号，
为雷达信号。
间歇采样转发干扰是采用DRFM干扰机对雷达信号进行间歇采样再依次转发形成的，一个采样周期中多次采样转发，就形成了间歇采样转发干扰：
其中，
是间歇采样的脉冲的宽度，
是雷达信号的脉宽，
是采样周期，
表示间歇采样占空比，
为转发次数。
切片干扰是对雷达信号进行切片采样依次转发形成的，切片干扰为：
其中，
表示雷达LFM信号脉宽，
表示矩形脉冲串个数，
表示每一段填充的时隙个数，
表示矩形脉冲串脉宽，
是冲击函数，
表示矩形脉冲串基波周期。
频谱弥散干扰是通过对截获雷达信号频率调制、延时拼接产生的高密度距离多假目标，其数学表达式为：
对于LFM雷达信号而言，干扰子脉冲
是对LFM信号的
倍采样，
是第
个脉冲的幅度，其表达式如下所示：
其中，
为子信号调频斜率，
。
为识别雷达欺骗干扰信号，需要对采集的待识别的雷达欺骗干扰信号进行特征提取。
其中，步骤S200、对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，将时变小波包能量谱作为待选特征序列，构建特征集；
对于密集复制假目标干扰、频谱弥散干扰、切片干扰、间歇采样转发干扰以及目标回波信号这五类信号，在一个采样周期内各层小波包重构信号频率在一定范围内分布，并且由于干扰采样及复制转发特点的不同，在时域上5类信号会出现不同的频率分布特性，据此，可根据小波包分解的方法进行特征提取。
根据干扰信号频域内能量分布的差异，在一个相干处理周期利用小波或小波包分多尺度分解计算进行特征提取，仅考虑小波系数的频段分布能量，没有考虑到能量随时间的变化情况，无法反映对应频段信号能量变化的局部信息，导致在低干噪比条件下识别率较低。
本发明实施例的改进小波包能量谱提取，用小波包分解对干扰信号进行全频段分解，通过对小波包分解系数进行时间滑窗方法提取某一分解层次上不同时频空间的小波包能量谱，构造出随时间变化的具有序列特性的小波包能量谱特征。
基于上述实施例，作为一个可选的实施例，本发明实施例所述步骤S200包括步骤S201~S202.
步骤S201、设 w为宽度为
的滑动窗，窗中心为
，滑动窗内待识别的雷达欺骗干扰信号在各个频带范围内信号的能量为：
步骤S202、在时间上滑动窗口汇总得到时变小波包能量谱：
基于上述实施例，作为一个可选的实施例，本发明实施例所述对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，包括：采用3阶Daubechies小波函数对待识别的雷达欺骗干扰信号在干噪比为8dB状态下的数据进行3层小波包分解。
将得到的时变小波包能量谱按照时间步划分为待识别的待选特征序列，构建特征集。
在本发明的一个可选的实施例中，所述特征集中的待选特征序列直接用于训练好的LSTM网络进行分类识别。但是待选特征序列为小波包分解方法直接得到，提取出来的小波能量谱特征序列数据具有一定的冗余性，直接用于LSTM网络识别或者训练会导致模型训练周期长，泛化性能差。
步骤S300、确定特征集中所有待选特征序列的模糊熵，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据；
所述确定特征集中所有待选特征序列的模糊熵，包括：
待选特征序列的模糊熵为：
其中，
为特征序列；
为
相空间重构后第
个
维向量，
为嵌入维数；
为均值。
对整个待选特征序列数据的各个时间步来说，某个时间步模糊熵值越大，则表示该时间步包含的信息越多，对分类结果影响越大。通过选择较大模糊熵的时间步数据可以达到有用特征选择的目的。
具体而言，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据，包括：从特征集的待选特征序列中选取模糊熵前
大的特征序列作为信号特征序列数据，其中，
为正整数。
根据每个时间步的待选特征序列的模糊熵的大小，选取模糊熵最大的几项作为信号特征序列数据，提取数据中的主要序列信息，剔除隐藏在特征中的冗余成分，增强有用特征信息。
以时变小波包能量谱作为连续的特征序列数据，其数据具有时间连续性，某个时间步上的特征数据与其发生的一段时间内采样到的数据都相关，因此选用具有记忆功能的LSTM模型符合干扰信号分类要求。
步骤S400、训练LSTM网络，基于训练好的LSTM网络对信号特征序列数据分类，识别雷达欺骗干扰信号。
具体地，训练LSTM网络，包括：
采集密集复制假目标干扰、频谱弥散干扰、切片干扰、间歇采样转发干扰以及目标回波信号作为原始数据；
对原始数据进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，将时变小波包能量谱作为待选特征序列，构建原始数据特征集；
确定原始数据特征集中所有待选特征序列的模糊熵，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据，划分测试集和训练集；
构建LSTM网络模型，基于训练集训练LSTM网络模型，并用于对测试集的分类判别。
对于测试集测试的模型精度满足要求的LSTM网络模型，即为训练好的LSTM网络模型。
如图5所示为LSTM单元的基本结构，LSTM网络用LSTM单元取代了一般循环神经网络的隐藏单元，通过输入门、遗忘门和输出门控制LSTM单元的状态更新，解决了一般循环神经网络存在的梯度爆炸问题，使得网络的学习更加的稳定。记忆单元是LSTM的核心组件，每个LSTM单元包含一个元组，在
时刻其状态为
，包含了序列的长期记忆信息；在
时刻隐含层的状态为
，包含了序列的短期记忆信息。
LSTM通过三个门控节点控制隐藏状态的信息的记忆、输入信息的获取和输出信息的传输。每一门控节点的实现是通过计算一个0～1之间的门控系数，通过系数控制决定信息的获取。各门控系数的计算式为：
其中，
为各门控节点的权值矩阵，
为各门控节点的偏置。LSTM网络的传播模型与一般循环神经网络的不同点在于隐藏状态的计算，LSTM隐藏状态的计算式为：
其中，
表示
时刻LSTM单元的状态，其计算式为
式中，
表示输入经过tanh函数激活后的单元状态的更新向量，其表达式为
其中
代表记忆权重，
代表记忆单元偏置。
在时刻
时，LSTM记忆单元的输入包括：序列输入
、记忆单元
时刻的状态
以及隐含层
时刻的状态
；其输出包括：
时刻记忆单元的状态
与隐含层的状态
。在
时刻假定输入层数据为
，则此刻隐含层状态
和输出层的预测值
为
本发明的基于改进小波包能量谱的雷达欺骗干扰识别方法，小波包分解对干扰信号进行全频段分解，通过对小波包分解系数进行时间滑窗方法提取某一分解层次上不同时频空间的小波包能量谱，构造出随时间变化的具有序列特性的小波包能量谱特征，针对提取出来的小波能量谱特征序列数据具有一定的冗余性，采用模糊熵方法对特征序列数据进行抽取，提取数据中的主要序列信息，剔除隐藏在特征中的冗余成分，增强有用特征信息，并利用LSTM网络进行分类识别，可实现对雷达欺骗干扰的准确识别。
实施例1
雷达欺骗干扰信号采集：
对间歇采样转发干扰、密集复制假目标干扰、切片干扰以及频谱弥散干扰4种欺骗干扰及回波信号共5种信号，在JNR为−8～8dB的范围内，干噪比间隔为2dB，每类信号每个干噪比产生下100个训练样本。雷达发射信号脉冲时宽
为20us，重复周期100us，采样频率
为100MHZ，目标距离雷达5000m。5类信号的参数如表1所示，所有参数在取值范围内随机选取。对算法进行测试时，在每个干噪比下各产生100个测试样本用于测试。
表1 5类信号参数设置
干扰识别效果：
为了验证该系统的干扰识别效果，采用Matlab2019b搭建LSTM网络对上述5类信号进行仿真实验。每个信号样本截取出长度为10000的序列，并进行小波包分解，设矩形时间窗长度为512，滑动步长256，每个信号样本计算得到8×38维的小波包能量谱特征矩阵，表2表示对5类信号所有样本38个时间步的特征数据求模糊熵后得到的结果，可以看出13～21时间步模糊熵较大，因此将这9个时间步构成特征序列数据，共8×9维矩阵作为分类器输入进行分类识别。
表2 小波包能量谱各时间步特征模糊熵
在训练网络构建方面，设LSTM网络的隐含层结点数为100，全连接网络的两个隐含层神经元数为40。训练过程中设定优化方法学习率为0.001，批处理数量为500，最大训练次数设置为1200。图6给出了5类信号在不同干噪比下的识别准确率。从总体上看，每类信号的识别率随干噪比的增大而变大，在JNR=0dB时，测试集识别率可以达到100%，在JNR=−2dB，测试集各类信号可以达到96%以上的识别正确率。图7出了训练集识别率迭代曲线，可以看出，随着迭代次数的增加，训练集目标识别准确率不断提高，在迭代次数为500次时，训练集识别率接近100%，这说明用本文所采取的训练方法可以保证训练过程快速且高精度地收敛。
为了验证本系统性能，本文将实验结果与未利用模糊熵特征选择时的LSTM网络识别方法以及传统的未进行时间滑窗的小波包能量谱和支持向量机（Support VectorMachine, SVM）分类器相结合的分类识别方法进行5类信号综合识别率性能对比。图8给出了不同干噪比情况下，上述3种方法的识别率。图9给出了未利用模糊熵特征选择时的LSTM模型训练集识别率迭代曲线。从图中可以看出，未使用模糊熵进行特征选择下的信号识别率有一定程度的下降，在JNR=0dB时，测试集5类信号综合识别率为97.3%，在JNR=−2dB，综合识别率信号91.2%。分析原因是由于较大的冗余特征序列影响了识别效果，同时使得网络收敛速度明显降低。
由图8可以看出，传统的未考虑时间变化的小波包能量谱和SVM分类器下识别率有较大的下降，在JNR=0dB时，综合识别率仅为79.8%，在JNR=−2dB，综合识别率为71.3%。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种基于改进小波包能量谱的雷达欺骗干扰识别系统，该系统用于执行上述方法实施例中的基于改进小波包能量谱的雷达欺骗干扰识别方法。参见图3，该系统包括：
第一主模块，用于获取待识别的雷达欺骗干扰信号；
第二主模块，用于对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，基于时变小波包能量谱构建特征集；
第三主模块，用于确定特征集中各时间序列的模糊熵，根据模糊熵从特征集的时间序列中选取信号特征序列数据；
第四主模块，用于构建LSTM网络对信号特征序列数据分类，识别雷达欺骗干扰信号。
需要说明的是，本发明提供的系统实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述系统实施例中的装置进行改进，从而得到相应的系统类实施例，用于实现其他方法类实施例中的方法。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图4示，该电子设备包括：至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
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，并不用于限制本发明，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 (10)
1.一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，包括：
获取待识别的雷达欺骗干扰信号；
对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，将时变小波包能量谱作为待选特征序列，构建特征集；
确定特征集中所有待选特征序列的模糊熵，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据；
训练LSTM网络，基于训练好的LSTM网络对信号特征序列数据分类，识别雷达欺骗干扰信号。
2.根据权利要求1所述的一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，所述待识别的雷达欺骗干扰信号包括密集复制假目标干扰、频谱弥散干扰、切片干扰、间歇采样转发干扰以及目标回波信号中的任一种或多种。
3.根据权利要求1所述的一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，所述对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，包括：
设 w为宽度为
的滑动窗，窗中心为
，滑动窗内待识别的雷达欺骗干扰信号在各个频带范围内信号的能量为：
在时间上滑动窗口汇总得到时变小波包能量谱：
4.根据权利要求1所述的一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，所述对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，包括：采用3阶Daubechies小波函数对待识别的雷达欺骗干扰信号在干噪比为8dB状态下的数据进行3层小波包分解。
5.根据权利要求1所述的一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，所述确定特征集中所有待选特征序列的模糊熵，包括：
待选特征序列的模糊熵为：
其中，
为特征序列；
为
相空间重构后第
个
维向量，
为嵌入维数；
为均值。
6.根据权利要求1所述的一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，所述据模糊熵从特征集的待选特征序列中选取信号特征序列数据，包括：从特征集的待选特征序列中选取模糊熵前
大的特征序列作为信号特征序列数据，其中，
为正整数。
7.根据权利要求1所述的一种基于改进小波包能量谱的雷达欺骗干扰识别方法，其特征在于，所述训练LSTM网络，包括：
采集密集复制假目标干扰、频谱弥散干扰、切片干扰、间歇采样转发干扰以及目标回波信号作为原始数据；
对原始数据进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，将时变小波包能量谱作为待选特征序列，构建原始数据特征集；
确定原始数据特征集中所有待选特征序列的模糊熵，根据模糊熵从特征集的待选特征序列中选取信号特征序列数据，划分测试集和训练集；
构建LSTM网络模型，基于训练集训练LSTM网络模型，并用于对测试集的分类判别。
8.一种基于改进小波包能量谱的雷达欺骗干扰识别系统，其特征在于，包括：
第一主模块，用于获取待识别的雷达欺骗干扰信号；
第二主模块，用于对待识别的雷达欺骗干扰信号进行基于时间滑窗的改进小波包能量谱提取，得到时变小波包能量谱，基于时变小波包能量谱构建特征集；
第三主模块，用于确定特征集中各时间序列的模糊熵，根据模糊熵从特征集的时间序列中选取信号特征序列数据；
第四主模块，用于构建LSTM网络对信号特征序列数据分类，识别雷达欺骗干扰信号。
9.一种电子终端，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310186465.XA CN115951315B (zh) | 2023-03-02 | 2023-03-02 | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310186465.XA CN115951315B (zh) | 2023-03-02 | 2023-03-02 | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115951315A true CN115951315A (zh) | 2023-04-11 |
| CN115951315B CN115951315B (zh) | 2023-06-23 |
Family
ID=85896211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310186465.XA Active CN115951315B (zh) | 2023-03-02 | 2023-03-02 | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115951315B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332214A (zh) * | 2023-11-30 | 2024-01-02 | 中国航发上海商用航空发动机制造有限责任公司 | 基于小波变换与频域相干函数融合式喘振报警方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050128125A1 (en) * | 2003-08-28 | 2005-06-16 | Jian Li | Land mine detector |
| CN102508206A (zh) * | 2011-10-31 | 2012-06-20 | 哈尔滨工程大学 | 基于小波包去噪和功率谱熵的线性调频信号参数估计方法 |
| EP3489710A1 (en) * | 2017-11-23 | 2019-05-29 | Veoneer Sweden AB | Radar interference suppression |
| CN111680737A (zh) * | 2020-06-03 | 2020-09-18 | 西安电子科技大学 | 差异性信噪比条件下的雷达辐射源个体识别方法 |
| CN113239880A (zh) * | 2021-06-02 | 2021-08-10 | 西安电子科技大学 | 基于改进随机森林的雷达辐射源识别方法 |
| CN113790890A (zh) * | 2021-09-10 | 2021-12-14 | 南京航空航天大学 | 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 |
-
2023
- 2023-03-02 CN CN202310186465.XA patent/CN115951315B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050128125A1 (en) * | 2003-08-28 | 2005-06-16 | Jian Li | Land mine detector |
| CN102508206A (zh) * | 2011-10-31 | 2012-06-20 | 哈尔滨工程大学 | 基于小波包去噪和功率谱熵的线性调频信号参数估计方法 |
| EP3489710A1 (en) * | 2017-11-23 | 2019-05-29 | Veoneer Sweden AB | Radar interference suppression |
| CN111680737A (zh) * | 2020-06-03 | 2020-09-18 | 西安电子科技大学 | 差异性信噪比条件下的雷达辐射源个体识别方法 |
| CN113239880A (zh) * | 2021-06-02 | 2021-08-10 | 西安电子科技大学 | 基于改进随机森林的雷达辐射源识别方法 |
| CN113790890A (zh) * | 2021-09-10 | 2021-12-14 | 南京航空航天大学 | 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| BING LIU 等: "Research on Anti-Frequency Sweeping Jamming Method for Frequency Modulation Continuous Wave Radio Fuze Based on Wavelet Packet Transform Features", 《APPLIED SCIENCES》, vol. 12, no. 17 * |
| 徐俊艳 等: "基于小波和神经网络的雷达目标识别方法研究", 《山东农业大学学报(自然科学版)》, vol. 36, no. 02 * |
| 田晓 等: "基于归一化小波分解能量比的雷达有源欺骗干扰识别", 《数据采集与处理》, vol. 28, no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332214A (zh) * | 2023-11-30 | 2024-01-02 | 中国航发上海商用航空发动机制造有限责任公司 | 基于小波变换与频域相干函数融合式喘振报警方法 |
| CN117332214B (zh) * | 2023-11-30 | 2024-04-12 | 中国航发上海商用航空发动机制造有限责任公司 | 基于小波变换与频域相干函数融合式喘振报警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115951315B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Interrupted-sampling repeater jamming suppression based on stacked bidirectional gated recurrent unit network and infinite training | |
| CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
| CN109766791B (zh) | 一种基于自编码器的通信信号调制识别方法 | |
| 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 | |
| CN113962151B (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
| Wei et al. | Intra-pulse modulation radar signal recognition based on Squeeze-and-Excitation networks | |
| Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
| 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 | |
| CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| Tang et al. | Jamming recognition based on AC-VAEGAN | |
| Duan et al. | Interrupted-sampling repeater jamming suppression with one-dimensional semi-parametric signal decomposition | |
| Zhu et al. | A probe-feature for specific emitter identification using axiom-based grad-CAM | |
| Xiao et al. | Active jamming recognition based on bilinear EfficientNet and attention mechanism | |
| Orduyilmaz et al. | Machine learning-based radar waveform classification for cognitive EW | |
| Xing et al. | Detection of Low‐Flying Target under the Sea Clutter Background Based on Volterra Filter | |
| Guo et al. | Anti‐interrupted sampling repeater jamming method for random pulse repetition interval and intra‐pulse frequency agile radar | |
| Qian et al. | Recognition of radar deception jamming based on convolutional neural network | |
| Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model | |
| CN115267713B (zh) | 一种基于语义分割的间歇采样干扰识别和抑制方法 | |
| Cao et al. | Deep representation method for radar emitter signal using wavelet packets decomposition | |
| Tian et al. | Multiresolution jamming recognition with few-shot learning | |
| CN116520256A (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 | |
| CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
| CN115236620B (zh) | 基于dcnn的间歇采样类干扰识别与抗干扰目标检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |