[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)干擾檢測識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911259145.2
• 申請(qǐng)日: 2019-12-10
• 公開（公告）號(hào): CN110927706B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 張偉;劉強(qiáng);康慧;吳筱諾;李浩;曹建蜀
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G01S13/00
• 分類號(hào): G01S13/00;G01S7/02;G01S7/36
• 代理公司: 北京正華智誠專利代理事務(wù)所(普通合伙) 11870
• 代理人: 劉方正

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)干擾檢測識(shí)別方法，其包括對(duì)雷達(dá)信號(hào)預(yù)處理；采用短時(shí)傅里葉變換對(duì)預(yù)處理后信號(hào)進(jìn)行時(shí)域變換；對(duì)時(shí)頻圖像a依次執(zhí)行恒虛警檢測和干擾測量，得到干擾信號(hào)的時(shí)間參數(shù)和頻率參數(shù)；根據(jù)時(shí)間參數(shù)，提取雷達(dá)信號(hào)中的干擾信號(hào)；根據(jù)頻率參數(shù)，采用帶通濾波器對(duì)提取的干擾信號(hào)進(jìn)行濾波處理；將濾波后的信號(hào)采用短時(shí)傅里葉變換進(jìn)行時(shí)域變換得到時(shí)頻圖像b，并進(jìn)行歸一化處理；采用維納濾波算法對(duì)歸一化處理后的時(shí)頻圖像b進(jìn)行平滑處理，之后對(duì)平滑處理結(jié)果進(jìn)行自適應(yīng)裁剪；采用雙三次插值算法對(duì)自適應(yīng)裁剪后的圖像進(jìn)行縮放得到識(shí)別數(shù)據(jù)；將識(shí)別數(shù)據(jù)輸入預(yù)訓(xùn)練CNN模型進(jìn)行識(shí)別，得到干擾信號(hào)的類型。

技術(shù)領(lǐng)域

本發(fā)明涉及干擾信號(hào)類型的識(shí)別，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)干擾檢測識(shí)別方法。

背景技術(shù)

隨著數(shù)字射頻存儲(chǔ)(DFRM)技術(shù)的出現(xiàn)和迅速應(yīng)用，現(xiàn)代電子戰(zhàn)中雷達(dá)有源干擾的逼真度更高，形式復(fù)雜多樣，對(duì)雷達(dá)的正常工作及生存造成了嚴(yán)重的威脅，因此如何有效對(duì)抗干擾越來越成為現(xiàn)代雷達(dá)的迫切需求。抗干擾的前提是干擾的正確識(shí)別，傳統(tǒng)的方法是基于特征提取的干擾分類，但該類方法需人工選取特征且泛化能力弱。近年來，也有許多雷達(dá)干擾識(shí)別算法不斷涌現(xiàn)，但僅僅關(guān)注于某幾類干擾或分類算法研究，針對(duì)雷達(dá)干擾的識(shí)別，缺乏一種泛華能力強(qiáng)且自主化高的方法。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)干擾檢測識(shí)別方法解決了現(xiàn)有技術(shù)進(jìn)行雷達(dá)識(shí)別時(shí)需要人工選取特征且泛化能力弱的問題。

為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)干擾檢測識(shí)別方法，其包括：

S1、對(duì)采集的雷達(dá)信號(hào)/仿真的雷達(dá)信號(hào)進(jìn)行下變頻和降采樣預(yù)處理；

S2、采用低頻率分辨率、高時(shí)間分辨率的短時(shí)傅里葉變換對(duì)預(yù)處理后信號(hào)進(jìn)行時(shí)域變換得到時(shí)頻圖像a；

S3、對(duì)時(shí)頻圖像a依次執(zhí)行恒虛警檢測和干擾測量，得到干擾信號(hào)的時(shí)間參數(shù)和頻率參數(shù)；

S4、根據(jù)時(shí)間參數(shù)，提取采集的雷達(dá)信號(hào)/仿真的雷達(dá)信號(hào)中的干擾信號(hào)；根據(jù)頻率參數(shù)，采用帶通濾波器對(duì)提取的干擾信號(hào)進(jìn)行濾波處理；

S5、將濾波后的信號(hào)采用高頻率分辨率、低時(shí)間分辨率的短時(shí)傅里葉變換進(jìn)行時(shí)域變換得到時(shí)頻圖像b，并對(duì)時(shí)頻圖像b進(jìn)行歸一化處理；

S6、采用維納濾波算法對(duì)歸一化處理后的時(shí)頻圖像b進(jìn)行平滑處理，之后對(duì)平滑處理結(jié)果進(jìn)行自適應(yīng)裁剪；

S7、采用雙三次插值算法對(duì)自適應(yīng)裁剪后的圖像進(jìn)行縮放得到識(shí)別數(shù)據(jù)；

S8、將識(shí)別數(shù)據(jù)輸入預(yù)訓(xùn)練CNN模型進(jìn)行識(shí)別，得到干擾信號(hào)的類型。

本發(fā)明的有益效果為：采用較低頻率分辨率的短時(shí)傅立葉變換加恒虛警檢測可以在時(shí)頻圖像中快速檢測干擾并測量其時(shí)頻參數(shù)，同時(shí)為干擾分離提取和干擾類型識(shí)別提供參考，保證了干擾提取的準(zhǔn)確性。

對(duì)提取的干擾進(jìn)行類別識(shí)別時(shí)，不用人工提取各類干擾的特征，CNN模型可自動(dòng)學(xué)習(xí)并提取干擾信號(hào)的深度特征；本方案的識(shí)別方法魯棒性好，可適用于多類雷達(dá)干擾且對(duì)干擾的參數(shù)變化適應(yīng)性強(qiáng)。

附圖說明

圖1為基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)干擾檢測識(shí)別方法的流程圖。

圖2為恒虛警檢測方法的原理框圖。

圖3為自適應(yīng)裁剪前后示意圖，其中a為裁剪前的三維時(shí)頻圖像，b為裁剪后的三維時(shí)頻圖像；

圖4為4dB時(shí)頻數(shù)據(jù)集示意圖。

圖5為干擾的混淆矩陣圖。

具體實(shí)施方式