CN117233706B - 一种基于多层通道注意力机制的雷达有源干扰识别方法 - Google Patents
一种基于多层通道注意力机制的雷达有源干扰识别方法 Download PDFInfo
- Publication number
- CN117233706B CN117233706B CN202311526753.1A CN202311526753A CN117233706B CN 117233706 B CN117233706 B CN 117233706B CN 202311526753 A CN202311526753 A CN 202311526753A CN 117233706 B CN117233706 B CN 117233706B
- Authority
- CN
- China
- Prior art keywords
- probability distribution
- diagram
- channel attention
- attention mechanism
- 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.)
- Active
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 99
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 101150077939 mapA gene Proteins 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多层通道注意力机制的雷达有源干扰识别方法,包括:对获得的干扰信号进行预处理,得到该干扰信号的时频图和RD图;将时频图和RD图输入基于多层通道注意力机制的雷达有源干扰识别网络模型,使其分别基于时频图和RD图进行分类识别,得到第一概率分布及第二概率分布;根据第一概率分布及第一理想概率分布,计算第一相对熵,并根据第二概率分布及第二理想概率分布,计算第二相对熵;获取预设的第一阈值和第二阈值,并结合第一相对熵、第二相对熵、第一概率分布和第二概率分布,获得干扰识别结果。本发明可以提取更具有多样性的特征,且当干扰参数在一定范围内变化时雷达有源干扰识别网络模型仍可进行识别。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于多层通道注意力机制的雷达有源干扰识别方法。
背景技术
复杂多样的电磁干扰会严重降低雷达的探测性能,因此,本领域技术人员需要对干扰类型进行准确、有效的识别,以提升雷达的抗干扰能力。
相关技术中存在一种将信息熵作为特征参数的雷达有源信号干扰识别方法,并使用支持向量机对3种干扰信号进行识别,由于该方法采用传统的机器学习模型识别干扰信号,虽然算法简单、计算速度快,但是需要借助专家知识的同时,还存在识别率低、鲁棒性差,容易受到环境因素影响等。
此外,唐陈等人将距离多普勒数据与角度多普勒数据作为数据,基于残差卷积神经网络CNN-ResNet实现了五种干扰信号的有效识别;G. Shao则通过一维卷积神经网络提取原始信号特征、通过二维卷积神经网络提取时频图特征,之后将两部分特征进行融合进行干扰信号识别。但是,上述基于深度学习的雷达有源干扰识别方法大都是在闭集条件下进行,面对未知类型的干扰只能将其判断为某一种已知类型干扰,这极大降低了后续实施抗干扰方法过程中的准确性及效果。
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多层通道注意力机制的雷达有源干扰识别方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供一种基于多层通道注意力机制的雷达有源干扰识别方法,包括:
对获得的干扰信号进行预处理,得到该干扰信号的时频图和距离-多普勒RD图;
将所述时频图和RD图输入基于多层通道注意力机制的雷达有源干扰识别网络模型,以使所述雷达有源干扰识别网络模型分别基于所述时频图和所述RD图进行分类识别,得到第一概率分布及第二概率分布;
根据所述第一概率分布及其对应的第一理想概率分布,计算第一相对熵,并根据所述第二概率分布及其对应的第二理想概率分布,计算第二相对熵;
获取预设的第一阈值和第二阈值,并结合所述第一相对熵、所述第二相对熵、所述第一概率分布和所述第二概率分布,获得干扰识别结果。
与现有技术相比,本发明的有益效果在于:
本发明提供一种基于多层通道注意力机制的雷达有源干扰识别方法,利用基于多层通道注意力机制的雷达有源干扰识别网络模型中的两个网络分支分别根据干扰信号的时频图和距离-多普勒图进行识别,并通过识别的概率分布与理想概率分布确定干扰信号的最终识别结果,由于现有的雷达有源干扰识别模型往往会将不存在于数据库中的干扰信号判断为在单一维度上相似的已知干扰类型,严重影响了后续抗干扰策略的实施,而本发明可以提取更具有多样性的特征,可应用于雷达有源干扰的开集识别中。
再者,本发明多层通道注意力特征提取模块包括依次连接的第一多层通道注意力机制模块、第二多层通道注意力机制模块、第一ResNet降采样模块、第三多层通道注意力机制模块、第二ResNet降采样模块、第四多层通道注意力机制模块,其中,上述多个多层通道注意力机制模块均包括:ResNet18子网络、Inception子模块、通道拼接层、第一卷积层和第二卷积层,使用ResNet子网络与Inception子网络对干扰信号进行多样性特征的提取,可以使得雷达有源干扰识别网络模型对干扰特征的提取更加全面,且当干扰参数在一定范围内变化时也可以对干扰信号进行识别。
以下将结合附图及实施例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多层通道注意力机制的雷达有源干扰识别方法的一种流程图;
图2是本发明实施例提供的时频图网络分支和RD图网络分支的一种结构示意图;
图3是本发明实施例提供的多层通道注意力机制模块的一种结构示意图;
图4是本发明实施例提供的JNR为0~5dB的混淆矩阵示意图;
图5是本发明实施例提供的JNR为6~10dB的混淆矩阵示意图;
图6是本发明实施例提供的JNR为11~15dB的混淆矩阵示意图;
图7是本发明实施例提供的JNR为16~20dB的混淆矩阵示意图;
图8是本发明实施例提供的JNR为0~20dB时已知干扰的识别率变化情况示意图;
图9是本发明实施例提供的JNR为0~20dB时未知干扰的识别准确率变化情况示意图。
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。
图1是本发明实施例提供的基于多层通道注意力机制的雷达有源干扰识别方法的一种流程图。如图1所示,本发明实施例提供一种基于多层通道注意力机制的雷达有源干扰识别方法,包括:
S1、对获得的干扰信号进行预处理,得到该干扰信号的时频图和距离-多普勒RD图;
S2、将时频图和RD图输入基于多层通道注意力机制的雷达有源干扰识别网络模型,以使雷达有源干扰识别网络模型分别基于时频图和RD图进行分类识别,得到第一概率分布及第二概率分布;
S3、根据第一概率分布及其对应的第一理想概率分布,计算第一相对熵,并根据第二概率分布及其对应的第二理想概率分布,计算第二相对熵;
S4、获取预设的第一阈值和第二阈值,并结合第一相对熵、第二相对熵、第一概率分布和第二概率分布,获得干扰识别结果。
需要说明的是,本实施例中雷达有源干扰主要包括压制式干扰和欺骗式干扰,如:NAMJ(noise amplitude modulation jamming,噪声调幅干扰)、NFMJ(noise frequencymodulation jamming,噪声调频干扰)、NPMJ(noise phase modulation jamming,噪声调相干扰)、NCJ(noise convolution jamming,噪声卷积干扰)、NSJ(noise sweep jamming,噪声扫频干扰)、RDJ(range deception jamming,距离欺骗干扰)、VDJ(velocity deceptionjamming,速度欺骗干扰)、RGPJ(range gate pulling-off jamming,距离波门托引干扰)、VGPJ(velocity gate pulling-off jamming,速度波门托引干扰)、DFTJ(dense falsetarget jamming,密集假目标干扰)、ISRJ(interrupted sampling repeater jamming,间歇采样转发干扰)、C&I(chopping and interleaving jamming,切片转发干扰)、SMSP(smeared spectrum jamming,频谱弥散干扰)、SNJ(smart noise jamming,灵巧噪声干扰),其中的前5种为压制式干扰,后9种为欺骗式干扰。
可选地,步骤S1中,对获得的干扰信号进行预处理,得到该干扰信号的时频图和距离-多普勒RD图的步骤,包括:
S101、获取干扰信号;
S102、在一个脉冲重复周期内对干扰信号进行短时傅里叶变换,得到该干扰信号的时频图;
S103、在脉冲积累的条件下对干扰信号进行动目标检测,获得该干扰信号的距离-多普勒RD图。
具体而言,对于已经获得的干扰信号,在一个脉冲重复周期内进行短时傅里叶变换,获得干扰信号在一个脉冲重复周期内的时频图,同时在脉冲积累的条件下,对干扰信号进行MTD (Microwave Traffic Detector,动目标检测),获得干扰信号的RD(Range-Dopple,距离-多普勒)图。
图2是本发明实施例提供的时频图网络分支和RD图网络分支的一种结构示意图。如图2所示,上述雷达有源干扰识别网络模型包括结构相同的时频图网络分支和RD图网络分支。
步骤S2中,将时频图和RD图输入基于多层通道注意力机制的雷达有源干扰识别网络模型,以使雷达有源干扰识别网络模型分别基于时频图和RD图进行分类识别,得到第一概率分布及第二概率分布的步骤,包括:
将时频图、RD图分别输入时频图网络分支和RD图网络分支,以使时频图网络分支基于时频图进行分类识别,得到第一概率分布,并使RD图网络分支基于RD图进行分类识别,得到第二概率分布。
具体而言,请继续参见图2,时频图网络分支和RD图网络分支均包括依次连接的卷积神经网络模块、注意力机制模块、多层通道注意力特征提取模块和全连接模块;其中,
卷积神经网络模块,用于对输入的时频图或RD图进行特征提取,得到第一特征图;
注意力机制模块,用于根据第一特征图计算通道注意力权值,并将通道注意力权值与第一特征图相乘后,得到第二特征图,进一步计算第二特征图的空间注意力权值,并将空间注意力权值与第二特征图相乘后,得到第三特征图;
多层通道注意力特征提取模块,用于对第三特征图进行特征提取,得到第四特征图;
全连接模块,用于将第四特征图映射为一维特征向量,并计算得到分类为各个干扰信号类别的概率分布。
应当理解,传统的深度学习模型是通过卷积核在不断卷积的过程中,利用反向传递机制调整权值,而发明人在研究过程中发现,深度学习模型在训练学习时,往往数据中存在一些重要性不强、但确实会影响到模型训练的特征,因此本实施例引入注意力机制对卷积神经网络进行空间、通道的注意力权值计算,对通道与空间数据进行赋权值,在特征提取之前完成基于注意力机制的特征筛选。
如图2所示,本实施例中,注意力机制模块包括通道注意力模块和空间注意力模块;其中,
通道注意力模块的计算过程表示为:
;
;
式中,表示平均池化操作,/>表示最大池化操作,/>表示共享权值全连接层,/>表示激活函数,/>表示第一特征图/>的通道注意力权值,/>表示第二特征图;
空间注意力模块的计算过程表示为:
;
;
式中,表示卷积操作,/>表示第二特征图/>的空间注意力权值,/>表示第三特征图。
具体而言,通道注意力模块的计算过程表示为:,也就是说,卷积神经网络模块输出的第一特征图/>作为通道注意力模块的输入信号,首先分别在空间维上进行平均池化和最大池化,并保留通道维数,得到通道维数均为、空间维度尺寸均为1×1的输出/>和/>;接着,/>与通过共享全连接层后相加,并通过/>激活函数计算得到第一特征图/>的通道注意力权值/>,最后将通道注意力权值/>与第一特征图/>相乘,以此实现对第一特征图/>通道维的注意力权值赋予,得到通道注意力模块输出的第二特征图/>。
进一步地,第二特征图作为空间注意力模块的输入信号,首先分别在通道维上进行平均池化与最大池化,并保留第二特征图/>的空间尺寸,得到空间维度尺寸均为/>、通道数均为1的输出/>和/>,其中,/>表示第二特征图/>的宽度,/>表示第二特征图/>的长度;然后,将输出与/>在通道维拼接之后,依次通过卷积运算和/>激活函数计算得到第二特征图/>的空间注意力权值/>;最后,将通道注意力权值与第二特征图/>相乘,实现对第二特征图/>空间维的注意力权值赋予,得到空间注意力模块输出的第三特征图/>。
可选地,本实施例中多层通道注意力特征提取模块包括依次连接的第一多层通道注意力机制模块、第二多层通道注意力机制模块、第一ResNet降采样模块、第三多层通道注意力机制模块、第二ResNet降采样模块、第四多层通道注意力机制模块;
其中,第一多层通道注意力机制模块、第二多层通道注意力机制模块、第三多层通道注意力机制模块和第四多层通道注意力机制模块的结构相同,均包括:ResNet18子网络、Inception子网络、通道拼接层、第一卷积层和第二卷积层,其中,ResNet18子网络与Inception子网络并联后连接至通道拼接层,通道拼接层依次与第一卷积层、第二卷积层连接。
通常,ResNet网络是在对输入数据进行卷积运算的同时,通过前馈的方式将卷积结果与输入数据相加,这样的结构能够传递上一层特征的优点,同时也有效的缓解了梯度消失与梯度爆炸的问题。但是,对于需要进行开集识别的模型而言,现有ResNet网络在特征提取时过于单一,往往会忽略较为细节的特征。因此,本实施例在多层通道注意力机制模块中引入了Inception子网络,也就是在ResNet18子网络的基础上并联Inceoption子网络。
图3是本发明实施例提供的多层通道注意力机制模块的一种结构示意图,其中,INPUT表示多层通道注意力机制模块的输入数据,Conv[x,y,z]表示卷积核大小为x、步长为y、填充长度为z的卷积操作,BatchNorm2d表示2D的批标准化操作,Channel Concatenation表示在通道维上进行数据拼接,AvgPool表示平均池化操作,Relu表示线性整流操作,请参见图3,本实施例对ResNet18子网络的输出、Inception子网络的输出以及输入数据进行通道维的拼接后,进一步通过第一卷积层、第二卷积层获得拼接后的特征图的权值,进而通过该权值实现通道维上的特征选择。此种设计方式既保留了ResNet的特点,同时也实现了针对特征的主动选择,使得特征提取具有多样性。
示例性地,多层通道注意力机制模块的计算过程表示如下:
;
其中,
;
式中,、/>、/>分别表示对ResNet18子网络的输出、Inception子网络的输出以及输入数据进行特征映射得到的权值,/>表示平均池化操作,/>表示卷积操作,/>、/>、/>分别表示ResNet18子网络的输出、Inception子网络的输出以及输入数据,/>表示激活函数,/>表示多层通道注意力机制模块的输出。
可选地,上述步骤S3中,根据第一概率分布及其对应的第一理想概率分布,计算第一相对熵的步骤,包括:
S301、获取时频图网络分支输出的第一概率分布,并确定第一概率分布中最大概率值对应的第一干扰信号类别;
S302、将第一干扰信号类别对应的理想概率确定为1、并将其余干扰信号类别对应的理想概率确定为0,得到第一理想概率分布;
S303、根据第一概率分布及第一理想概率分布,计算第一相对熵:
;
式中,表示干扰信号类别为/>时的第一概率,/>表示干扰信号类别为/>时的第一理想概率,/>表示所有干扰信号类别构成的集合。
具体而言,将时频图输入时频图网络分支后,时频图网络分支输出第一概率分布,其表示分类至各个干扰信号类别的概率分布,步骤S301中,确定第一概率分布中最大概率值对应的第一干扰信号类别,即时频图网络分支基于时频图的雷达有源干扰识别结果;接着,在确定第一理想概率分布时,将第一干扰信号类别对应的理想概率确定为1、并将其余干扰信号类别对应的理想概率确定为0,也就是说,在理想情况下,时频图网络分支识别得到干扰信号术语第一干扰信号类别的概率为1;步骤S303中,按照如下公式计算第一相对熵以衡量第一概率分布与第一理想概率分布之间的差异:
。
需要说明的是,由于根据第二概率分布及第二理想概率分布计算第二相对熵的步骤与第一相对熵的计算步骤相同,故此处不再赘述。
另外,由于第一理想概率分布中存在为0的数据,而第一相对熵的计算需要以第一理想概率分布作为除数,因此,根据第一概率分布及第一理想概率分布,计算第一相对熵的步骤之前,还包括:
对第一概率分布及第一理想概率分布进行预处理;
其中,对第一概率分布及第一理想概率分布进行预处理的步骤,包括:
将第一概率分布及第一理想概率分布中为0的概率值置为1e-9、并将大于1的概率值置为1。
上述操作可以保证第一概率分布之和为1,同时也避免了0值对计算的干扰。
当然,在计算第二相对熵之前,也需要对第二概率分布和第二理想概率分布进行相同的预处理。
可选地,本实施例中第一阈值与第二阈值可以通过统计的方式预先获得。获取预设的第一阈值和第二阈值的步骤,包括:
分别将各个训练数据的时频图和RD图输入基于多层通道注意力机制的雷达有源干扰识别网络模型,获得时频网络分支输出的第三概率分布和RD网络分支输出的第四概率分布;
根据第三概率分布及其对应的第三理想概率分布,计算第三相对熵,并根据第四概率分布及其对应的第四理想概率分布,计算第四相对熵;
分别统计各个训练数据对应的第三相对熵、第四相对熵,得到第一阈值和第二阈值;其中,90%的训练数据的第三相对熵小于该第一阈值,并且90%的训练数据的第四相对熵小于该第二阈值。
步骤S4中,结合第一相对熵、第二相对熵、第一概率分布和第二概率分布,获得干扰识别结果的步骤,包括:
S401、判断第一概率分布中最大概率值对应的第一干扰信号类别与第二概率分布中最大概率值对应的第二干扰信号类别/>是否相同;
S402、若是,则分别比较第一相对熵与第一阈值、第二相对熵与第二阈值,当第一相对熵小于第一阈值且第二相对熵小于第二阈值时,将第一干扰信号类别确定为干扰识别结果。
具体而言,如果第一概率分布中最大概率值对应的第一干扰信号类别与第二概率分布中最大概率值对应的第二干扰信号类别/>不同,则直接将干扰信号拒绝为未知类型;反之,进一步比较第一相对熵与第一阈值、第二相对熵与第二阈值,当第一相对熵小于第一阈值且第二相对熵小于第二阈值时,则表示两个网络分支的识别结果为干扰信号的干扰识别结果,反之,则将干扰信号拒绝为未知类型。
下面,通过仿真实验对本发明提供的基于多层通道注意力机制的雷达有源干扰识别方法做进一步说明。
针对上述基于多层通道注意力机制的雷达有源干扰识别网络模型,本实施例采用JNR(Jamming Noise Ratio,干噪比)为0~10dB的干扰数据作为训练样本,每种干扰的训练样本为1000个,同时使用JNR为0~20dB的干扰数据作为验证样本,验证样本中,每种干扰在每一个JNR有100个样本,0~20dB一共2100个样本。
对基于多层通道注意力机制的雷达有源干扰识别网络模型进行训练,训练过程中的学习率为0.0001,使用的优化器为Adam,Batchsize设置为128,每次迭代训练将训练样本分为训练集与验证集,其中训练集为70%,验证集为30%。当验证集的准确率连续5次达到99%以上时,训练结束,保存训练得到的基于多层通道注意力机制的雷达有源干扰识别网络模型。
将验证样本输入训练得到的基于多层通道注意力机制的雷达有源干扰识别网络模型,图4-7是本发明实施例提供的混淆矩阵示意图,其中,图4是本发明实施例提供的JNR为0~5dB的混淆矩阵示意图,图5是本发明实施例提供的JNR为6~10dB的混淆矩阵示意图,图6是本发明实施例提供的JNR为11~15dB的混淆矩阵示意图,图7是本发明实施例提供的JNR为16~20dB的混淆矩阵示意图,横轴表示干扰识别结果(Predict class),纵轴表示实际输入的干扰信号类别(Actual class)。通过图4-7可以看出,当JNR为0~5dB时,仍会存在对输入数据的误判,但当JNR大于5dB之后,对于已知类别的干扰的未知类别的干扰可以达到至少90%的识别率。
图8是本发明实施例提供的JNR为0~20dB时已知干扰的识别率变化情况示意图,图9是本发明实施例提供的JNR为0~20dB时未知干扰的识别准确率变化情况示意图,其中,横轴表示干扰识别结果,纵轴表示实际输入的干扰信号类别,NAMJ表示噪声调幅干扰、NFMJ表示噪声调频干扰、NCJ表示噪声卷积干扰、RDJ表示距离欺骗干扰、VGPJ表示速度波门托引干扰、DFTJ表示密集假目标干扰、ISRJ表示间歇采样转发干扰、C&I表示切片转发干扰,NPMJ表示噪声调相干扰、NSJ表示噪声扫频干扰、VDJ表示速度欺骗干扰、RGPJ表示距离波门托引干扰、SMSP表示频谱弥散干扰、SNJ表示灵巧噪声干扰。如图8-9所示,在JNR较低的条件下存在某些干扰有较高识别率,其他类别干扰的识别率与未知干扰的识别率均随干噪比的提高而提高。
通过上述各实施例可知,本发明的有益效果在于:
本发明提供一种基于多层通道注意力机制的雷达有源干扰识别方法,利用基于多层通道注意力机制的雷达有源干扰识别网络模型中的两个网络分支分别根据干扰信号的时频图和距离-多普勒图进行识别,并通过识别的概率分布与理想概率分布确定干扰信号的最终识别结果,由于现有的雷达有源干扰识别模型往往会将不存在于数据库中的干扰信号判断为在单一维度上相似的已知干扰类型,严重影响了后续抗干扰策略的实施,而本发明可以提取更具有多样性的特征,可应用于雷达有源干扰的开集识别中。
再者,本发明多层通道注意力特征提取模块包括依次连接的第一多层通道注意力机制模块、第二多层通道注意力机制模块、第一ResNet降采样模块、第三多层通道注意力机制模块、第二ResNet降采样模块、第四多层通道注意力机制模块,其中,上述多个多层通道注意力机制模块均包括:ResNet18子网络、Inception子模块、通道拼接层、第一卷积层和第二卷积层,使用ResNet子网络与Inception子网络对干扰信号进行多样性特征的提取,可以使得模型对干扰特征的提取更加全面,且当干扰参数在一定范围内变化时也可以对干扰信号进行识别。
在本发明的描述中,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该特征。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。
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、结构、材料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、结构、材料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。
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)
1.一种基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,包括:
对获得的干扰信号进行预处理,得到该干扰信号的时频图和距离-多普勒RD图;
将所述时频图和RD图输入基于多层通道注意力机制的雷达有源干扰识别网络模型,以使所述雷达有源干扰识别网络模型分别基于所述时频图和所述RD图进行分类识别,得到第一概率分布及第二概率分布;
根据所述第一概率分布及其对应的第一理想概率分布,计算第一相对熵,并根据所述第二概率分布及其对应的第二理想概率分布,计算第二相对熵;
获取预设的第一阈值和第二阈值,并结合所述第一相对熵、所述第二相对熵、所述第一概率分布和所述第二概率分布,获得干扰识别结果。
2.根据权利要求1所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,对获得的干扰信号进行预处理,得到该干扰信号的时频图和距离-多普勒RD图的步骤,包括:
获取干扰信号;
在一个脉冲重复周期内对所述干扰信号进行短时傅里叶变换,得到该干扰信号的时频图;
在脉冲积累的条件下对所述干扰信号进行动目标检测,获得该干扰信号的距离-多普勒RD图。
3.根据权利要求1所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,所述雷达有源干扰识别网络模型包括结构相同的时频图网络分支和RD图网络分支;其中,
将所述时频图和RD图输入基于多层通道注意力机制的雷达有源干扰识别网络模型,以使所述雷达有源干扰识别网络模型分别基于所述时频图和所述RD图进行分类识别,得到第一概率分布及第二概率分布的步骤,包括:
将所述时频图输入时频图网络分支、将所述RD图输入RD图网络分支,以使所述时频图网络分支基于时频图进行分类识别,得到第一概率分布,并使所述RD图网络分支基于RD图进行分类识别,得到第二概率分布。
4.根据权利要求3所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,所述时频图网络分支和所述RD图网络分支均包括依次连接的卷积神经网络模块、注意力机制模块、多层通道注意力特征提取模块和全连接模块;其中,
所述卷积神经网络模块,用于对输入的时频图或RD图进行特征提取,得到第一特征图;
所述注意力机制模块,用于根据所述第一特征图计算通道注意力权值,并将所述通道注意力权值与所述第一特征图相乘后,得到第二特征图,进一步计算所述第二特征图的空间注意力权值,并将所述空间注意力权值与所述第二特征图相乘后,得到第三特征图;
所述多层通道注意力特征提取模块,用于对所述第三特征图进行特征提取,得到第四特征图;
所述全连接模块,用于将所述第四特征图映射为一维特征向量,并计算得到分类为各个干扰信号类别的概率分布。
5.根据权利要求4所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,所述注意力机制模块包括通道注意力模块和空间注意力模块;其中,
所述通道注意力模块的计算过程表示为:
outputc=Mchannel(input)*input;
式中,AvgPool(·)表示平均池化操作,MaxPool(·)表示最大池化操作,MLP表示共享权值全连接层,sigmoid(·)表示激活函数,Mchannel(input)表示所述第一特征图input的通道注意力权值,outputc表示第二特征图;
所述空间注意力模块的计算过程表示为:
outputs=Mspatial(outputc)*outputc;
式中,Conv(·)表示卷积操作,Mspatial(outputc)表示所述第二特征图outputc的空间注意力权值,outputs表示第三特征图。
6.根据权利要求4所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,所述多层通道注意力特征提取模块包括依次连接的第一多层通道注意力机制模块、第二多层通道注意力机制模块、第一ResNet降采样模块、第三多层通道注意力机制模块、第二ResNet降采样模块、第四多层通道注意力机制模块;
其中,所述第一多层通道注意力机制模块、所述第二多层通道注意力机制模块、所述第三多层通道注意力机制模块和所述第四多层通道注意力机制模块的结构相同,均包括:ResNet18子网络、Inception子网络、通道拼接层、第一卷积层和第二卷积层,其中,所述ResNet18子网络与所述Inception子网络并联后连接至所述通道拼接层,所述通道拼接层依次与第一卷积层、第二卷积层连接。
7.根据权利要求3所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,根据所述第一概率分布及其对应的第一理想概率分布,计算第一相对熵的步骤,包括:
获取所述时频图网络分支输出的第一概率分布,并确定所述第一概率分布中最大概率值对应的第一干扰信号类别;
将所述第一干扰信号类别对应的理想概率确定为1、并将其余干扰信号类别对应的理想概率确定为0,得到第一理想概率分布;
根据所述第一概率分布及所述第一理想概率分布,计算第一相对熵:
式中,p(x)表示干扰信号类别为x时的第一概率,q(x)表示干扰信号类别为x时的第一理想概率,χ表示所有干扰信号类别构成的集合。
8.根据权利要求7所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,根据所述第一概率分布及所述第一理想概率分布,计算第一相对熵的步骤之前,还包括:
对所述第一概率分布及所述第一理想概率分布进行预处理;
其中,对所述第一概率分布及所述第一理想概率分布进行预处理的步骤,包括:
将所述第一概率分布及所述第一理想概率分布中为0的概率值置为1e-9、并将大于1的概率值置为1。
9.根据权利要求7所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,获取预设的第一阈值和第二阈值的步骤,包括:
分别将各个训练数据的时频图和RD图输入所述基于多层通道注意力机制的雷达有源干扰识别网络模型,获得时频网络分支输出的第三概率分布和RD网络分支输出的第四概率分布;
根据所述第三概率分布及其对应的第三理想概率分布,计算第三相对熵,并根据所述第四概率分布及其对应的第四理想概率分布,计算第四相对熵;
分别统计各个训练数据对应的第三相对熵、第四相对熵,得到第一阈值和第二阈值;其中,90%的训练数据的第三相对熵小于该第一阈值,并且90%的训练数据的第四相对熵小于该第二阈值。
10.根据权利要求9所述的基于多层通道注意力机制的雷达有源干扰识别方法,其特征在于,结合所述第一相对熵、所述第二相对熵、所述第一概率分布和所述第二概率分布,获得干扰识别结果的步骤,包括:
判断第一概率分布中最大概率值对应的第一干扰信号类别IDTF与第二概率分布中最大概率值对应的第二干扰信号类别IDRD是否相同;
若是,则分别比较第一相对熵与第一阈值、第二相对熵与第二阈值,当第一相对熵小于第一阈值且第二相对熵小于第二阈值时,将所述第一干扰信号类别确定为干扰识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526753.1A CN117233706B (zh) | 2023-11-16 | 2023-11-16 | 一种基于多层通道注意力机制的雷达有源干扰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526753.1A CN117233706B (zh) | 2023-11-16 | 2023-11-16 | 一种基于多层通道注意力机制的雷达有源干扰识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233706A CN117233706A (zh) | 2023-12-15 |
CN117233706B true CN117233706B (zh) | 2024-02-06 |
Family
ID=89084794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311526753.1A Active CN117233706B (zh) | 2023-11-16 | 2023-11-16 | 一种基于多层通道注意力机制的雷达有源干扰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233706B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452368B (zh) * | 2023-12-21 | 2024-04-02 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
CN114510972A (zh) * | 2022-01-27 | 2022-05-17 | 中国电子科技集团公司信息科学研究院 | 一种分布式雷达有源干扰类型的判别方法 |
WO2023098809A1 (en) * | 2021-12-01 | 2023-06-08 | The University Of Hong Kong | Systems and methods for radio frequency interference suppression in radar |
CN116243248A (zh) * | 2023-03-09 | 2023-06-09 | 哈尔滨工程大学 | 基于多标签分类网络的多分量干扰信号识别方法 |
CN116482618A (zh) * | 2023-06-21 | 2023-07-25 | 西安电子科技大学 | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
CN116794608A (zh) * | 2023-06-27 | 2023-09-22 | 中山大学 | 基于改进MobileViT网络的雷达有源干扰识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11269058B2 (en) * | 2018-06-13 | 2022-03-08 | Metawave Corporation | Autoencoder assisted radar for target identification |
EP3620810B1 (en) * | 2018-09-05 | 2022-07-13 | Nxp B.V. | Radar interference detection |
-
2023
- 2023-11-16 CN CN202311526753.1A patent/CN117233706B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
WO2023098809A1 (en) * | 2021-12-01 | 2023-06-08 | The University Of Hong Kong | Systems and methods for radio frequency interference suppression in radar |
CN114510972A (zh) * | 2022-01-27 | 2022-05-17 | 中国电子科技集团公司信息科学研究院 | 一种分布式雷达有源干扰类型的判别方法 |
CN116243248A (zh) * | 2023-03-09 | 2023-06-09 | 哈尔滨工程大学 | 基于多标签分类网络的多分量干扰信号识别方法 |
CN116482618A (zh) * | 2023-06-21 | 2023-07-25 | 西安电子科技大学 | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
CN116794608A (zh) * | 2023-06-27 | 2023-09-22 | 中山大学 | 基于改进MobileViT网络的雷达有源干扰识别方法 |
Non-Patent Citations (4)
Title |
---|
Active Deception Jamming Recognition in the Presence of Extended Target;Yukai Kong et al.;《IEEE Geoscience and Remote Sensing Letters》;第19卷;1-5 * |
Autoencoder Neural Network-Based STAP Algorithm for Airborne Radar with Inadequate Training Samples;Jing Liu et al.;《remote sensing》;第14卷(第23期);1-18 * |
Semisupervised Change Detection Based on Bihierarchical Feature Aggregation and Extraction Network;Mingyang Zhang et al.;《IEEE Transactions on Neural Networks and Learning Systems》;1-15 * |
基于深度CNN模型的SAR图像有源干扰类型识别方法;陈思伟等;《雷达学报》;第11卷(第5期);897-908 * |
Also Published As
Publication number | Publication date |
---|---|
CN117233706A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111220958A (zh) | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 | |
CN117233706B (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
Jiang et al. | Continuous IFF response signal recognition technology based on capsule network | |
CN109884591A (zh) | 一种基于麦克风阵列的多旋翼无人机声信号增强方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
CN111680539A (zh) | 动态手势雷达识别方法和装置 | |
CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
CN116482618A (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN112666528A (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
CN111931570A (zh) | 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 | |
CN111339816B (zh) | 基于小波神经网络的多无人机射频信号识别方法 | |
CN116679278B (zh) | 一种强地物杂波干扰下的目标雷达检测方法 | |
CN114241263B (zh) | 基于生成对抗网络的雷达干扰半监督开集识别系统 | |
CN115618215B (zh) | 一种基于形态学智能计算的复杂电磁环境分级方法 |
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 |