CN116520256B - 一种基于深度学习的机载预警雷达干扰识别方法和装置 - Google Patents
一种基于深度学习的机载预警雷达干扰识别方法和装置 Download PDFInfo
- Publication number
- CN116520256B CN116520256B CN202310796414.9A CN202310796414A CN116520256B CN 116520256 B CN116520256 B CN 116520256B CN 202310796414 A CN202310796414 A CN 202310796414A CN 116520256 B CN116520256 B CN 116520256B
- Authority
- CN
- China
- Prior art keywords
- interference
- signal
- radar
- noise
- representing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims description 23
- 230000035485 pulse pressure Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 11
- 230000001427 coherent effect Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及机载雷达技术领域，提供了一种基于深度学习的机载预警雷达干扰识别方法和装置。其中所述方法包括：针对机载预警雷达回波数据，计算得到各类型干扰的信号功率；根据各类型干扰的信号功率，构建得到各类型干扰的回波信号矢量；根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱；对各类型干扰的最小方差谱进行数据标记，生成得到训练数据集，使用所述训练数据集对所述卷积神经网络进行训练；使用训练结束的卷积神经网络进行干扰识别。本发明通过预先对机载雷达信号进行处理得到不同类型的干扰，使用各类型的干扰生成训练数据集，从而简化卷积神经网络的特征输入，有效解决了机载预警雷达干扰识别难的问题。
Description
技术领域
本发明涉及机载雷达技术领域，特别是涉及一种基于深度学习的机载预警雷达干扰识别方法和装置。
背景技术
当前雷达干扰的样式日趋复杂，特别是随着数字射频存储器（DRFM）的发展与应用，干扰样式从传统的欺骗干扰和压制干扰发展为各种形式的灵巧干扰。灵巧干扰以其样式多、随机性强以及干扰效率高等特点，对现代雷达的生存和发展构成了严重威胁。干扰识别是雷达抗干扰的前提，灵巧干扰兼具欺骗干扰和压制干扰的特点，一方面，干扰在距离和多普勒频率上具有随机性，致使雷达难以获取服从独立同分布条件的训练样本；另一方面，灵巧干扰可以获得比传统压制干扰更大的脉压增益，具有较高的干扰利用率。相对于常规地面雷达，机载雷达同时面临着强杂波背景，干扰和杂波信号叠加在一起，进一步增大了干扰识别的难度。
卷积神经网络以其强大的分类能力而备受关注，它不需要额外的特征提取过程，只需将带有标注的样本数据输入网络就能自动的利用卷积层提取图像特征，提取的效果远高于人工特征。传统深度学习方法，通过增加网络的深度是一种常见的特征提取方式，但是针对雷达信号特别是机载雷达信号是不适用的，原因有两方面：(1)机载雷达在空间驻留时间很短，一个波位回波信号只有几帧或十几帧数据，因此用于训练深层网络的标签数据严重不足；(2)雷达回波信号除开目标信号，还包含干扰和杂波信号，信号形式比较复杂，难以提取稳定的训练数据。导致使用深度学习进行干扰识别时需要大量的训练数据，且训练效果不佳。鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明要解决的技术问题是机载雷达信号形式复杂，难以提取稳定的训练数据，导致使用深度学习进行干扰识别需要大量的训练数据，且训练效果不佳。
本发明采用如下技术方案：
第一方面，本发明提供了一种基于深度学习的机载预警雷达干扰识别方法，包括：
针对机载预警雷达回波数据，计算得到各类型干扰的信号功率；
根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量、噪声卷积干扰的回波信号矢量、随机移频干扰的回波信号矢量和延时转发干扰的回波信号矢量；
根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱；
对各类型干扰的最小方差谱进行数据标记，生成得到训练数据集，使用所述训练数据集对所述卷积神经网络进行训练；
使用训练结束的卷积神经网络进行干扰识别。
优选的，所述针对机载预警雷达回波数据，计算得到各类型干扰的信号功率，具体包括：
根据机载雷达发射信号，得到机载雷达接收信号；其中，/>为延迟时间，/>表示发射信号幅度，表示信号复包络，/>表示载频，/>表示初始相位，/>表示接收信号幅度，/>表示多普勒频率；
对于某一距离单元的机载雷达接收回波，经过混频和相参检波后的I/Q双通道信号表示为；
所述机载雷达接收信号还表示为；其中，/>为目标信号，/>为杂波信号，/>为干扰信号，/>为噪声信号；
针对杂波信号有/>；其中，复随机数/>表示由于杂波块反射引入的随机起伏，该随机数仅与杂波块的位置有关，而与空时采样无关。/>表示杂波幅度统计分布特性，/>表示空间频率，/>表示归一化多普勒频率，/>为距离环所划分的杂波块的数目，/>为模糊次数；
计算得到雷达接收到的各类型干扰的信号功率为；其中，/>表示单阵元单脉冲干扰信号的干噪比，其表达式为/>；其中/>表示接收方向图，λ表示工作波长，K表示玻尔兹曼常数，T 0为室温，F n为噪声系数，L s为系统损耗，/>表示干扰功率谱密度（单位：W/Hz），/>和/>分别表示干扰的方位角和俯仰角，/>表示干扰机与雷达之间的距离。
优选的，所述根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量，具体包括：
当存在单个压制噪声干扰时，压制噪声干扰的回波信号矢量为；其中，表示干扰的空间频率，/>表示空时导向矢量，/>；空域导向矢量，/>为压制噪声干扰的信号功率,d为阵元间距，同时定义/>方向的单位矢量为；
当同时存在个互不相关的压制噪声干扰时，则压制噪声干扰的回波信号矢量为。
优选的，所述噪声卷积干扰的回波信号矢量与压制噪声干扰的回波信号矢量一致，噪声卷积干扰脉压之后的JNR增益为，脉压后噪声卷积干扰的幅度；其中，/>为卷积的噪声长度，/>为脉压前的脉冲宽度，/>为雷达接收机带宽。
优选的，所述随机移频干扰的回波信号矢量为；其中，空域导向矢量，时域导向矢量/>，/>，/>为干扰机自身运动导致的多普勒频率，/>为干扰机对接收到的雷达信号进行调制后产生的频率，/>为脉冲重复频率；其中，随机移频干扰中单个假目标信号脉压之后的JNR增益为/>。
优选的，所述延时转发干扰的回波信号矢量与随机移频干扰的回波信号矢量一致，延时转发干扰的单个假目标信号脉之后的JNR增益为。
优选的，所述根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱，具体包括：
根据第一类型干扰的回波信号矢量，估计得到第一类型干扰的空时协方差矩阵/>；
根据所述第一类型干扰的空时协方差矩阵，计算得到第一类型干扰的最小方差谱/>;其中，/>分别表示目标的空域锥角和归一化多普勒频率。
优选的，所述卷积神经网络包括第一卷积层、第二卷积层、第一批量归一化层和第二批量归一化层；
所述第一卷积层、第二卷积层、第一批量归一化层和第二批量归一化层均表示为操作；其中，/>和/>分别代表第i层卷积核大小和输出特征通道数，/>为训练数据集中的各标签数据；
对第二批量归一化层的输出进行展平归一化处理和Softmax函数分类得最终输出结果/>；其中/>表示对/>进行展平处理成一维特征向量，/>表示全连接层。
第二方面，本发明还提供了一种基于深度学习的机载预警雷达干扰识别装置，所述装置包括回波矢量构建模块、最小方差谱构建模块和识别模块；
所述回波矢量构建模块用于针对机载预警雷达回波数据，计算得到各类型干扰的信号功率；根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量、噪声卷积干扰的回波信号矢量、回波信号矢量和延时转发干扰的回波信号矢量；
所述最小方差谱构建模块用于根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱；
所述识别模块用于对各类型干扰的最小方差谱进行数据标记，生成得到训练数据集，使用所述训练数据集对所述卷积神经网络进行训练；并使用训练结束的卷积神经网络进行干扰识别。
第三方面，本发明还提供了一种基于深度学习的机载预警雷达干扰识别装置，用于实现第一方面所述的基于深度学习的机载预警雷达干扰识别方法，所述装置包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行第一方面所述的基于深度学习的机载预警雷达干扰识别方法。
第四方面，本发明还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，用于完成第一方面所述的基于深度学习的机载预警雷达干扰识别方法。
本发明通过预先对机载雷达信号进行处理得到不同类型的干扰，使用各类型的干扰生成训练数据集，从而简化卷积神经网络的特征输入，有效解决了机载预警雷达干扰识别难的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的第一种基于深度学习的机载预警雷达干扰识别方法的流程示意图；
图2是本发明实施例提供的第二种基于深度学习的机载预警雷达干扰识别方法的流程示意图；
图3是本发明实施例提供的第三种基于深度学习的机载预警雷达干扰识别方法的流程示意图；
图4是本发明实施例提供的第四种基于深度学习的机载预警雷达干扰识别方法的流程示意图；
图5是本发明实施例提供的一种基于深度学习的机载预警雷达干扰识别方法的应用场景示意图；
图6是本发明实施例提供的第五种基于深度学习的机载预警雷达干扰识别方法的流程示意图；
图7是本发明实施例提供的一种基于深度学习的机载预警雷达干扰识别装置的模块示意图；
图8是本发明实施例提供的一种基于深度学习的机载预警雷达干扰识别装置的架构示意图。
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。
本发明中术语“第一”、“第二”等仅用于描述目的，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”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
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:
本发明实施例1提供了一种基于深度学习的机载预警雷达干扰识别方法，如图1所示，包括：
在步骤201中，针对机载预警雷达回波数据，计算得到各类型干扰的信号功率。所述各类型干扰包括压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰。
在步骤202中，根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量、噪声卷积干扰的回波信号矢量、随机移频干扰的回波信号矢量和延时转发干扰的回波信号矢量。
在步骤203中，根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱。
在步骤204中，对各类型干扰的最小方差谱进行数据标记，生成得到训练数据集，使用所述训练数据集对所述卷积神经网络进行训练；所述数据标记由专家对最小方差谱进行标记得到，生成标记数据，所有类型干扰所对应的标记数据汇总得到训练数据集。
在步骤205中，使用训练结束的卷积神经网络进行干扰识别。卷积神经网络的输出即为干扰识别结果。
本发明通过预先对机载雷达信号进行处理得到不同类型的干扰，使用各类型的干扰生成训练数据集，从而简化卷积神经网络的特征输入，有效解决了机载预警雷达干扰识别难的问题。
其中，所述针对机载预警雷达回波数据，计算得到各类型干扰的信号功率，具体包括：
根据机载雷达发射信号，得到机载雷达接收信号；其中，t为发射时刻，/>为延迟时间，/>表示发射信号幅度，/>表示信号复包络，/>表示载频，/>表示初始相位，/>表示接收信号幅度，/>表示多普勒频率。
对于某一距离单元的机载雷达接收回波，经过混频和相参检波后的I/Q双通道信号表示为。
所述机载雷达接收信号还表示为；其中，/>为目标信号，/>为杂波信号，/>为干扰信号，/>为噪声信号。
针对杂波信号有/>；其中，/>表示杂波幅度，复随机数/>表示由于杂波块反射引入的随机起伏，该随机数仅与杂波块的位置有关，而与空时采样无关。/>表示杂波幅度统计分布特性，/>表示空间频率，/>表示归一化多普勒频率，/>为距离环所划分的杂波块的数目，/>为模糊次数，/>代表杂波块的空时导向矢量。
计算得到雷达接收到的各类型干扰的信号功率为；其中，/>表示噪声幅度，/>表示单阵元单脉冲干扰信号的干噪比，其表达式为；其中，/>表示接收方向图，λ表示工作波长，K表示玻尔兹曼常数，/>为室温，/>为噪声系数，/>为系统损耗，/>表示干扰功率谱密度（单位：W/Hz），/>和/>分别表示干扰的方位角和干扰的俯仰角，/>表示干扰机与雷达之间的距离，B为雷达接收机带宽。
其中，根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量和噪声卷积干扰的回波信号矢量的过程，如图2所示，具体包括：
在步骤301中，构建压制噪声干扰的回波信号矢量，当存在单个压制噪声干扰时，压制噪声干扰的回波信号矢量为；其中，/>表示干扰的空间频率，/>表示空时导向矢量，/>；空域导向矢量，/>为压制噪声干扰的信号功率,d为阵元间距，同时定义/>方向的单位矢量为。/>代表压制噪声干扰。
当同时存在个互不相关的压制噪声干扰时，则压制噪声干扰的回波信号矢量为，其中，/>为第i个压制噪声干扰幅度，/>为第i个压制噪声干扰的空域导向矢量。
在步骤302中，构建噪声卷积干扰的回波信号矢量，所述噪声卷积干扰的回波信号矢量与压制噪声干扰的回波信号矢量一致，但JNR增益不同，噪声卷积干扰脉压之后的JNR增益为，脉压后噪声卷积干扰的幅度/>；其中，/>为卷积的噪声长度，/>为脉压前的脉冲宽度，/>为雷达接收机带宽，/>为噪声幅度。
构建得到随机移频干扰的回波信号矢量和延时转发干扰的回波信号矢量的过程，如图3所示，具体包括：
在步骤401中，构建随机移频干扰的回波信号矢量，所述随机移频干扰的回波信号矢量为；其中，空域导向矢量，时域导向矢量/>，/>，/>为干扰机自身运动导致的多普勒频率，/>为干扰机对接收到的雷达信号进行调制后产生的频率，/>为脉冲重复频率；其中，随机移频干扰中单个假目标信号脉压之后的JNR增益为/>。
在步骤402中，构建延时转发干扰的回波信号矢量，所述延时转发干扰的回波信号矢量与随机移频干扰的回波信号矢量一致，但JNR增益不同，延时转发干扰的单个假目标信号脉之后的JNR增益为。
在实际使用中，所述根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱，如图4所示，具体包括：
在步骤501中，根据第一类型干扰的回波信号矢量，估计得到第一类型干扰的空时协方差矩阵/>。
在步骤502中，根据所述第一类型干扰的空时协方差矩阵，计算得到第一类型干扰的最小方差谱/>；其中，/>分别表示目标的空域锥角和归一化多普勒频率。/>为目标的空时导向矢量。
在此需要说明的是，所述第一类型干扰并非代指每一特定类型的干扰，而是仅仅以一个类型干扰说明各类型干扰的最小方差谱的计算过程，如第一类型干扰为压制噪声干扰时，则计算得到的为压制噪声干扰的空时协方差矩阵和压制噪声干扰的最小方差谱，在实际使用中，需计算得到所有类型干扰的最小方差谱。
所述卷积神经网络包括第一卷积层、第二卷积层、第一批量归一化层和第二批量归一化层。
所述第一卷积层、第二卷积层、第一批量归一化层和第二批量归一化层均表示为操作；其中，/>和/>分别代表第i层卷积核大小和输出特征通道数，/>为训练数据集中的各标签数据。
对第二批量归一化层的输出进行展平归一化处理和Softmax函数分类得最终输出结果/>；其中/>表示对/>进行展平处理成一维特征向量，/>表示全连接层。所述最终输出结果即为干扰识别结果。
实施例2:
本发明基于实施例1所描述的方法基础上，结合具体的应用场景，并借由相关场景下的技术表述来阐述本发明特性场景下的实现过程。
以如图5所示的机载雷达场景为例，本发明所述的方法如图6所示，具体包括：
步骤601中，针对机载预警雷达回波数据，构造无干扰，压制噪声干扰，噪声卷积干扰，随机移频干扰和延时转发干扰的空时干扰杂波数据。
步骤602中，采用步骤601构造的空时干扰杂波数据估计空时协方差矩阵。
步骤603中，根据步骤602估计的空时协方差矩阵计算最小方差谱。
步骤604中，构建卷积神经网络结构。
步骤605中，利用步骤603生成的空时干扰杂波数据的最小方差谱和标签作为实验数据训练神经网络。
步骤606：根据步骤605训练的神经网络识别各类型干扰。
所述步骤601具体包括：
设定所述机载雷达接收阵元数目为N，相干处理脉冲数为K；假设机载雷达发射信号表示为。
其中，表示发射信号幅度，/>表示信号复包络，/>表示载频，/>表示初始相位。则时间延迟为/>的机载雷达接收信号表示为/>；其中，/>表示接收信号幅度，/>表示多普勒频率。
对于某一距离单元的机载雷达接收回波，经过混频和相参检波后的I/Q双通道信号可以表示为。
假设待检测距离单元存在目标和干扰信号，则雷达回波信号可表示为；其中，/>为目标信号，/>为杂波信号，/>为干扰信号，/>为噪声信号。
针对杂波信号，若距离环所划分的杂波块的数目为/>，考虑距离模糊情况，假设模糊次数为/>，则/>；其中，复随机数/>表示由于杂波块反射引入的随机起伏，该随机数仅与杂波块的位置有关，而与空时采样无关。/>表示杂波幅度统计分布特性，/>表示空间频率，/>表示归一化多普勒频率，/>表示空时导向矢量。
针对干扰信号按照干扰类型可分为压制噪声干扰，噪声卷积干扰，随机移频干扰和延时转发干扰。由雷达方程可知，雷达接收到的某一干扰信号的功率为/>，其中表示单阵元单脉冲干扰信号的干噪比，其表达式为；其中，/>表示干扰功率谱密度（单位：W/Hz），/>和分别表示干扰的方位角和俯仰角，/>表示干扰机与雷达之间的距离。同时考虑时间采样和空间采样，则压制噪声干扰的回波信号矢量为/>；其中/>表示干扰的空间频率，/>表示空时导向矢量，其表达式为/>；。
如果同时存在个互不相关的干扰，则压制噪声干扰的回波信号矢量为。噪声卷积干扰的数学表达式同压制噪声干扰，二者唯一的区别是噪声卷积干扰脉压之后的JNR增益为/>；其中，/>为卷积的噪声长度，/>为脉压前的脉冲宽度，/>为雷达接收机带宽。所以脉压后噪声卷积干扰的幅度/>。
随机移频干扰所在的实际距离单元为；其中，mod(·)为取余函数，/>为干扰机与雷达之间的距离决定的时延，/>为干扰机的调制时延，为LFM信号的调频斜率，/>为脉冲重复间隔，ΔR表示距离分辨率。
随机移频干扰的回波信号矢量为；其中，空域导向矢量/>如上述所示，时域导向矢量/>，其中，/>为干扰机自身运动导致的多普勒频率，/>为干扰机对接收到的雷达信号进行调制后产生的频率，/>为脉冲重复频率。
随机移频干扰中单个假目标信号脉压之后的JNR增益为；延迟转发干扰未进行频率调制，所以假目标所在的实际距离为/>；延时转发干扰的信号矢量与随机移频干扰中假目标的信号矢量相同。单个假目标脉压后的增益为/>；
所述步骤602具体包括：采用步骤601构造的空时干扰杂波数据估计空时协方差矩阵为；其中/>为步骤601构造的空时干扰杂波数据。
所述步骤603具体包括：利用回波数据计算最小方差谱为；其中，/>分别表示目标的空域锥角和归一化多普勒频率。
所述步骤604具体包括：卷积神经网络有2组卷积层和批量归一化层，分别为第一卷积层、第二卷积层、第一批量归一化层和第二批量归一化层，机载雷达干扰回波数据和标签数据作为信号输入，形式上，各卷积层和各批量归一化层可以表示为操作/>为；其中/>和/>分别代表第i层卷积核大小和输出特征通道数。网络最后对第二批量归一化层输出/>进行展平归一化处理和Softmax函数分类即可得最终的分类结果/>；其中/>表示对/>进行展平处理成一维特征向量，/>表示全连接层。
所述步骤605具体包括：利用步骤603生成的空时干扰杂波数据的最小方差谱和标签作为实验数据训练神经网络，其中每种类型干扰各60个，数据集共计240个，选取50%作为训练集，30%作为测试集，20%作为验证集，训练集用于训练卷积神经网络；
所述步骤606具体包括：利用测试集测试分类结果，给出混淆矩阵和不同干燥比条件下的识别率。
与现有技术相比，本发明的有益效果在于，本发明通过提供一种基于深度学习的基于深度学习的机载预警雷达干扰识别方法，首先通过建立的干扰模型和阵列信号模型生成数据集；其次利用训练数据集训练卷积神经网络模型，最后通过识别正确率，干噪比的影响对本文所提出的方法进行评估。
本发明通过干扰模型生成了四类干扰包括：压制噪声干扰、噪声卷积干扰、随机移频干扰和延时转发干扰。并通过搭建卷积神经网络有效解决了机载预警雷达干扰识别难的问题。
实施例3:
在实施例1和实施例2的基础上，本实施例还提供了一种基于深度学习的机载预警雷达干扰识别装置，如图7所示，所述装置包括回波矢量构建模块、最小方差谱构建模块和识别模块。
所述回波矢量构建模块用于针对机载预警雷达回波数据，计算得到各类型干扰的信号功率；根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量、噪声卷积干扰的回波信号矢量、回波信号矢量和延时转发干扰的回波信号矢量。
所述最小方差谱构建模块用于根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱。
所述识别模块用于对各类型干扰的最小方差谱进行数据标记，生成得到训练数据集，使用所述训练数据集对所述卷积神经网络进行训练；并使用训练结束的卷积神经网络进行干扰识别。
如图8所示，是本发明实施例的基于深度学习的机载预警雷达干扰识别装置的架构示意图。本实施例的基于深度学习的机载预警雷达干扰识别装置包括一个或多个处理器21以及存储器22。其中，图8中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器22作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序和非易失性计算机可执行程序，如实施例1中的基于深度学习的机载预警雷达干扰识别方法。处理器21通过运行存储在存储器22中的非易失性软件程序和指令，从而执行基于深度学习的机载预警雷达干扰识别方法。
存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器22可选包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中，当被所述一个或者多个处理器21执行时，执行上述实施例1中的基于深度学习的机载预警雷达干扰识别方法。
值得说明的是，上述装置和系统内的模块、单元之间的信息交互、执行过程等内容，由于与本发明的处理方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random AccessMemory）、磁盘或光盘等。
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)
1.一种基于深度学习的机载预警雷达干扰识别方法，其特征在于，包括：
针对机载预警雷达回波数据，计算得到各类型干扰的信号功率；
根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量、噪声卷积干扰的回波信号矢量、随机移频干扰的回波信号矢量和延时转发干扰的回波信号矢量；
根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱；
对各类型干扰的最小方差谱进行数据标记，生成得到训练数据集，使用所述训练数据集对所述卷积神经网络进行训练；
使用训练结束的卷积神经网络进行干扰识别；
所述针对机载预警雷达回波数据，计算得到各类型干扰的信号功率，具体包括：
根据机载雷达发射信号，得到机载雷达接收信号；其中，t为发射时刻，/>为延迟时间，/>表示发射信号幅度，/>表示信号复包络，/>表示载频，/>表示初始相位，/>表示接收信号幅度，/>表示多普勒频率；
对于某一距离单元的机载雷达接收回波，经过混频和相参检波后的I/Q双通道信号表示为；
所述机载雷达接收信号还表示为；其中，/>为目标信号，/>为杂波信号，/>为干扰信号，/>为噪声信号；
针对杂波信号有/>；其中，复随机数/>表示由于杂波块反射引入的随机起伏，/>表示杂波幅度统计分布特性，/>表示空间频率，/>表示归一化多普勒频率，/>为距离环所划分的杂波块的数目，/>为模糊次数；
计算得到雷达接收到的各类型干扰的信号功率为；其中，/>表示单阵元单脉冲干扰信号的干噪比，其表达式为/>；/>为噪声幅度；其中，/>表示接收方向图，λ表示工作波长，K表示玻尔兹曼常数，T 0为室温，F n为噪声系数，L s为系统损耗，/>表示干扰功率谱密度，/>和/>分别表示干扰的方位角和俯仰角，/>表示干扰机与雷达之间的距离。
2.根据权利要求1所述的基于深度学习的机载预警雷达干扰识别方法，其特征在于，所述根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量，具体包括：
当存在单个压制噪声干扰时，压制噪声干扰的回波信号矢量为；其中，/>表示干扰的空间频率，/>表示空时导向矢量，/>；空域导向矢量，/>为压制噪声干扰的信号功率,d为阵元间距，/>为/>方向的单位矢量，；
当同时存在个互不相关的压制噪声干扰时，则压制噪声干扰的回波信号矢量为；其中，/>为第i个压制噪声干扰幅度。
3.根据权利要求2所述的基于深度学习的机载预警雷达干扰识别方法，其特征在于，所述噪声卷积干扰的回波信号矢量与压制噪声干扰的回波信号矢量一致，噪声卷积干扰脉压之后的JNR增益为，脉压后噪声卷积干扰的幅度/>；其中，/>为卷积的噪声长度，/>为脉压前的脉冲宽度，/>为雷达接收机带宽。
4.根据权利要求1所述的基于深度学习的机载预警雷达干扰识别方法，其特征在于，所述随机移频干扰的回波信号矢量为；其中，空域导向矢量/>，时域导向矢量/>，/>，/>为干扰机自身运动导致的多普勒频率，/>为干扰机对接收到的雷达信号进行调制后产生的频率，/>为脉冲重复频率；其中，随机移频干扰中单个假目标信号脉压之后的JNR增益为/>；其中，为脉压前的脉冲宽度，/>为雷达接收机带宽。
5.根据权利要求4所述的基于深度学习的机载预警雷达干扰识别方法，其特征在于，所述延时转发干扰的回波信号矢量与随机移频干扰的回波信号矢量一致，延时转发干扰的单个假目标信号脉之后的JNR增益为。
6.根据权利要求1所述的基于深度学习的机载预警雷达干扰识别方法，其特征在于，所述根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱，具体包括：
根据第一类型干扰的回波信号矢量，估计得到第一类型干扰的空时协方差矩阵；
根据所述第一类型干扰的空时协方差矩阵，计算得到第一类型干扰的最小方差谱；其中，/>分别表示目标的空域锥角和归一化多普勒频率。
7.根据权利要求1所述的基于深度学习的机载预警雷达干扰识别方法，其特征在于，所述卷积神经网络包括第一卷积层、第二卷积层、第一批量归一化层和第二批量归一化层；
所述第一卷积层、第二卷积层、第一批量归一化层和第二批量归一化层均表示为操作；其中，/>和/>分别代表第i层卷积核大小和输出特征通道数，/>为训练数据集中的各标签数据；
对第二批量归一化层的输出进行展平归一化处理和Softmax函数分类得最终输出结果/>；其中/>表示对/>进行展平处理成一维特征向量，/>表示全连接层。
8.一种基于深度学习的机载预警雷达干扰识别装置，其特征在于，所述装置包括回波矢量构建模块、最小方差谱构建模块和识别模块；
所述回波矢量构建模块用于针对机载预警雷达回波数据，计算得到各类型干扰的信号功率；根据各类型干扰的信号功率，构建得到压制噪声干扰的回波信号矢量、噪声卷积干扰的回波信号矢量、回波信号矢量和延时转发干扰的回波信号矢量；
所述最小方差谱构建模块用于根据各类型干扰的回波信号矢量，计算得到各类型干扰的最小方差谱；
所述识别模块用于对各类型干扰的最小方差谱进行数据标记，生成得到训练数据集，使用所述训练数据集对所述卷积神经网络进行训练；并使用训练结束的卷积神经网络进行干扰识别；
所述针对机载预警雷达回波数据，计算得到各类型干扰的信号功率，具体包括：
根据机载雷达发射信号，得到机载雷达接收信号；其中，t为发射时刻，/>为延迟时间，/>表示发射信号幅度，/>表示信号复包络，/>表示载频，/>表示初始相位，/>表示接收信号幅度，/>表示多普勒频率；
对于某一距离单元的机载雷达接收回波，经过混频和相参检波后的I/Q双通道信号表示为；
所述机载雷达接收信号还表示为；其中，/>为目标信号，/>为杂波信号，/>为干扰信号，/>为噪声信号；
针对杂波信号有/>；其中，复随机数/>表示由于杂波块反射引入的随机起伏，/>表示杂波幅度统计分布特性，/>表示空间频率，/>表示归一化多普勒频率，/>为距离环所划分的杂波块的数目，/>为模糊次数；
计算得到雷达接收到的各类型干扰的信号功率为；其中，/>表示单阵元单脉冲干扰信号的干噪比，其表达式为/>；其中，/>表示接收方向图，λ表示工作波长，K表示玻尔兹曼常数，T 0为室温，F n为噪声系数，L s为系统损耗，表示干扰功率谱密度，/>和/>分别表示干扰的方位角和俯仰角，/>表示干扰机与雷达之间的距离。
9.一种基于深度学习的机载预警雷达干扰识别装置，其特征在于，所述装置包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行权利要求1-7任一所述的基于深度学习的机载预警雷达干扰识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310796414.9A CN116520256B (zh) | 2023-07-03 | 2023-07-03 | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310796414.9A CN116520256B (zh) | 2023-07-03 | 2023-07-03 | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520256A CN116520256A (zh) | 2023-08-01 |
| CN116520256B true CN116520256B (zh) | 2023-09-01 |
Family
ID=87405097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310796414.9A Active CN116520256B (zh) | 2023-07-03 | 2023-07-03 | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520256B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118151101B (zh) * | 2024-05-10 | 2024-07-19 | 中国人民解放军空军预警学院 | 一种掩护波形策略的波形设计方法与装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1580573A1 (en) * | 2002-03-13 | 2005-09-28 | Raytheon Canada Limited | System and method for noise suppression in pre-processed radar data |
| WO2014020630A1 (en) * | 2012-08-02 | 2014-02-06 | Mbda Italia S.P.A. | Stap filtering method and apparatus of an echo radar signal |
| EP3654059A1 (fr) * | 2018-11-15 | 2020-05-20 | Thales | Procédé de création d'au moins une voie de réception virtuelle par l'utilisation d'une antenne radar et système radar |
| CN112612005A (zh) * | 2020-11-27 | 2021-04-06 | 中山大学 | 基于深度学习的雷达抗主瓣干扰方法 |
| 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 |
| CN114527436A (zh) * | 2022-02-16 | 2022-05-24 | 西安电子科技大学 | 基于最优干扰规划模型的集群协同干扰规划方法 |
| CN115856786A (zh) * | 2022-12-22 | 2023-03-28 | 西北工业大学 | 一种基于信号分割的智能干扰抑制方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9853751B2 (en) * | 2015-12-21 | 2017-12-26 | Vecima Networks Inc. | Method of estimating the frequency response of multipath channels |
| US11488019B2 (en) * | 2018-06-03 | 2022-11-01 | Kneron (Taiwan) Co., Ltd. | Lossless model compression by batch normalization layer pruning in deep neural networks |
| US11614511B2 (en) * | 2020-09-17 | 2023-03-28 | Infineon Technologies Ag | Radar interference mitigation |
| US20230076874A1 (en) * | 2021-08-30 | 2023-03-09 | Samsung Electronics Co., Ltd. | Power control and beam management for communication and sensing |
-
2023
- 2023-07-03 CN CN202310796414.9A patent/CN116520256B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1580573A1 (en) * | 2002-03-13 | 2005-09-28 | Raytheon Canada Limited | System and method for noise suppression in pre-processed radar data |
| WO2014020630A1 (en) * | 2012-08-02 | 2014-02-06 | Mbda Italia S.P.A. | Stap filtering method and apparatus of an echo radar signal |
| EP3654059A1 (fr) * | 2018-11-15 | 2020-05-20 | Thales | Procédé de création d'au moins une voie de réception virtuelle par l'utilisation d'une antenne radar et système radar |
| 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 |
| CN112612005A (zh) * | 2020-11-27 | 2021-04-06 | 中山大学 | 基于深度学习的雷达抗主瓣干扰方法 |
| CN114527436A (zh) * | 2022-02-16 | 2022-05-24 | 西安电子科技大学 | 基于最优干扰规划模型的集群协同干扰规划方法 |
| CN115856786A (zh) * | 2022-12-22 | 2023-03-28 | 西北工业大学 | 一种基于信号分割的智能干扰抑制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高精度相控阵预警雷达信号建模与干扰方法研究;赵俊阳;刘湘伟;杨刚;;舰船电子对抗(01);37-41 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520256A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huizing et al. | Deep learning for classification of mini-UAVs using micro-Doppler spectrograms in cognitive radar | |
| CN106970369B (zh) | 基于知识辅助的宽带雷达目标检测方法 | |
| CN105866749B (zh) | 一种距离和速度同步拖引的雷达干扰识别方法 | |
| KR101902833B1 (ko) | 덕팅 현상으로 인한 다중의 주기 외 표적 제거 방법 | |
| CN106772280B (zh) | 一种基于一比特采样的sar欺骗干扰产生方法及系统 | |
| 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 | |
| CN113962151B (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
| Ng et al. | Range-Doppler detection in automotive radar with deep learning | |
| CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
| Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
| CN111044987B (zh) | 基于汽车雷达的环境目标速度解模糊方法、系统及介质 | |
| CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
| Qu et al. | IRNet: Interference recognition networks for automotive radars via autocorrelation features | |
| Xiao et al. | Active jamming recognition based on bilinear EfficientNet and attention mechanism | |
| Chen et al. | Improved target detection through DNN-based multi-channel interference mitigation in automotive radar | |
| Huang et al. | Yolo-ore: A deep learning-aided object recognition approach for radar systems | |
| CN112630744B (zh) | 一种多相参积累方法融合的海上小目标检测方法及系统 | |
| Haifawi et al. | Drone Detection & Classification with Surveillance ‘Radar On-The-Move’and YOLO | |
| CN112835006A (zh) | 一种基于帧间积累的跟踪雷达海上小目标检测方法及系统 | |
| 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 | |
| Reddy et al. | Optimization of orthogonal adaptive waveform design in presence of compound Gaussian clutter for MIMO radar | |
| Gulum | Autonomous non-linear classification of LPI radar signal modulations | |
| CN111044996A (zh) | 一种基于降维近似消息传递的lfmcw雷达目标检测方法 | |
| CN113534132B (zh) | 一种自适应无人机波达方向估计方法 | |
| Delyon | Clutter map detector for active diver detection sonar |
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 |