[發明專利]針對間歇采樣重復轉發式干擾的雷達干擾抑制方法

有效

• 申請號: 202011030707.9
• 申請日: 2020-09-27
• 公開（公告）號: CN112214929B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 廖闊;武玉霞;金一帆;傅梓楓;沈曉峰;周代英
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G01S7/36
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

本發明屬于雷達技術領域，具體是涉及一種針對間歇采樣重復轉發式干擾的雷達干擾抑制方法。本發明采用深度學習的方法，將有干擾的回波信號作為輸入數據，無干擾的回波信號作為標簽數據，對網絡進行訓練。網絡模型采用U形結構，通過降采樣和上采樣兩部分結構，使得上采樣部分的輸入數據由前一層輸出和對應降采樣部分輸出特征圖結合組成，結構中若干組跨層特征融合，實現了對信號局部結構和整體結構特征的多尺度提取，進一步提高輸出特征對原始信息的表達能力，從而更好的實現干擾濾除的效果。

技術領域

本發明屬于雷達技術領域，具體是涉及一種針對間歇采樣重復轉發式干擾的雷達干擾抑制方法。

背景技術

近年來，數字射頻存儲器的發展，使雷達抗干擾技術面臨嚴峻挑戰。尤其是基于數字射頻存儲器(Digital Radio Frequency Memory,DRFM)的存儲轉發式干擾，更加大了雷達抗干擾技術的研究難度。基于DRFM的干擾機可對雷達發射信號進行精確復制，并釋放高保真的相干干擾，由于干擾信號同真實目標信號高度近似，使得假目標能獲得與真實目標相當的處理增益，真假目標極難辨別。同時，還可通過密集重復轉發截獲的雷達信號的方式，在脈壓后形成大量密集假目標，在欺騙的同時達到壓制的效果。因此，這種以DRFM為基礎的，間歇采樣并重復轉發的干擾方式，使得干擾信號的抑制難上加難。

目前，深度學習發展迅速，它有別于傳統的人為設定特征的方式，可利用深度模型從雷達回波數據中自動學習到有利于區分真實目標信號和干擾信號的細微差異性特征。因此，研究基于深度網絡模型的雷達抗存儲轉發型干擾方法有望進一步提高雷達抗干擾能力。

發明內容

本發明的目的是，針對以射頻存儲轉發為基礎的間歇采樣重復轉發式干擾方式，提出一種基于U形網絡結構的深度學習雷達干擾抑制方法。

本發明的技術方案為：

針對間歇采樣重復轉發式干擾的雷達干擾抑制方法，包括以下步驟：

S1、獲取樣本數據：

獲取無干擾的目標回波信號和間歇采樣重復轉發式干擾信號，分為訓練集和驗證集，設訓練集分別包括N₁個無干擾的目標回波信號和間歇采樣重復轉發式干擾信號，驗證集分別包括N₂個無干擾的目標回波信號和間歇采樣重復轉發式干擾信號，每個樣本具有M個采樣點；

S2、對樣本數據進行預處理：

對步驟S1獲得的數據集進行擴充，固定數據維數為1.2*M，將雷達目標無干擾回波數據在[1,1.2*M]的區間上通過隨機平移和加權疊加，模擬出不同距離上出現的10個不同強度目標的情況，通過設置信干比，生成樣本個數為50*N₁、維度為1.2*M的回波信號和干擾信號混疊的帶干擾的目標回波信號，作為訓練數據，無干擾的回波信號集合作為標簽信號；同理生成樣本個數為50*N₂、維度為1.2*M的回波信號和干擾信號混疊的帶干擾的目標回波信號，作為驗證數據，無干擾的回波信號集合作為標簽信號；

S3、構建U型深度網絡模型：

U型深度網絡模型分為下采樣和上采樣兩個部分，包括一維卷積層，最大值池化層和上卷積層，步驟S2預處理后的數據作為U型深度網絡模型的輸入，每兩層一維卷積層之后都增加一個最大值池化層，池化層輸出繼續輸入一維卷積層，下采樣共有4層一維卷積層，濾波器數量逐層倍增，上采樣部分同樣有4層一維卷積層，每一層卷積層的輸入由上一層卷積層輸出和對稱卷積層的輸出特征圖拼接構成，濾波器數量逐層遞減，直至4層卷積層結束，最后一層卷積核為1*1，實現干擾抑制輸出；損失函數使用均方差函數，誤差函數如下：

其中w和b為訓練參數集，signalNum為標簽信號的個數，pre_sig，real_sig分別為模型的預測信號和真實標簽信號；