[發明專利]開集場景下基于深度卷積網絡的雷達有源干擾識別方法

有效

• 申請號: 202110831478.9
• 申請日: 2021-07-22
• 公開（公告）號: CN113534059B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 周宇;宋星;梁曉敏;周兵
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S7/02
• 分類號: G01S7/02;G01S7/36;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開一種開集場景下基于深度卷積網絡的雷達有源干擾識別方法，其實現步驟為：獲取雷達有源干擾信號；對每個干擾信號進行歸一化處理；生成訓練集和驗證集；構建深度卷積網絡并進行訓練；使用深度卷積網絡獲取待識別有源干擾信號的后驗分布；計算有源干擾信號后驗分布的置信分數；判斷置信分數是否超過閾值，若是，選擇后驗分布中后驗概率最高的干擾作為識別結果輸出，否則，識別結果為未知干擾類型。本發明具有既能準確識別已知有源干擾類型也能檢測出未知有源干擾類型優點，同時具有自動提取有源干擾信號的特征的能力。

技術領域

本發明涉及雷達通信技術領域，更進一步涉及雷達信號處理技術領域中的一種開集場景下基于深度卷積網絡的雷達有源干擾識別方法。本發明可用于在雷達干擾環境為開集場景雷達干擾為有源干擾背景下識別有源干擾的類型。

背景技術

隨著數字技術和高功率發射機的高速發展，雷達干擾技術迅速發展，基于數字儲頻技術的電子干擾機具有精確復制和重構截獲雷達信號的能力，使干擾機能夠快速產生調制方式更復雜的相干性干擾，基于高功率技術的電子干擾機能夠產生高能量的噪聲干擾，當這些干擾信號和真實的目標信號一起進入雷達接收機后，會產生虛假的目標信息掩蓋真實目標，使得雷達無法精準探測目標。在復雜電磁環境中感知雷達有源干擾，正確地檢測到干擾的存在并識別出干擾類型，是雷達抗有源干擾的前提和基礎。

Yihan Xiao等人在其發表的論文“Active jamming recognition based onbilinear EfficientNet and attention mechanis”(IET Radar,SonarNavigation,2021,5)中提出了一種基于雙線性EfficientNet和注意機制的雷達有源干擾識別方法。該方法將一維干擾信號轉換為二維時頻圖像；通過具有雙向網絡注意機制自動提取時頻圖像的有效特征，構建方法的訓練集和測試集，使用訓練集訓練模型，在測試時將測試樣本識別為訓練集中實現了雷達有源干擾識別。該方法存在的不足之處是，要求測試樣本的類型在訓練集中存在，否則當測試環境中出現訓練環境中的沒有的干擾類型，該方法會將訓練環境中的沒有的干擾類型識別錯誤地為訓練集中已有干擾類型，所以該方法只適用于閉集干擾環境，無法適用于開集干擾環境。

西安電子科技大學在其申請的專利文獻“一種雷達有源干擾的識別方法及系統”(專利申請號：CN201810489421.3，申請公布號CN 108919203 A)中公開了一種雷達有源干擾的識別方法。該方法對接收到的有源干擾進行變分模態分解，得到不同的模態分量；計算每個固有模態分量相應的矩形積分雙譜，組合成特征參量；通過隨機森林分類器實現雷達有源干擾方式的識別。該方法存在的不足之處是，需要進行變分模態分解，計算每個模態分量的矩形積分雙譜構建特征集，模型的識別準確率依賴于模態分解特征的好壞，當特征無效時模型準確率會迅速下降，而且過程復雜識別過程實時性低。

發明內容

本發明的目的在于針對上述現有技術的不足，提出一種開集場景下基于深度卷積網絡的雷達有源干擾識別方法，旨在解決現有方法無法適用于開集干擾場景和當特征無效時有源干擾識別方法準確率會迅速下降，而且過程復雜識別過程實時性低的問題。

實現本發明目的的思路是：本發明構建一個14層的深度卷積網絡，該網絡的所有卷積層均為一維卷積神經網絡層，利用該網絡一維卷積神經網絡層的卷積核可以自動提取有源干擾信號的深度特征和復合特征的能力提高方法識別準確率，解決現有方法當特征無效時有源干擾識別方法準確率會迅速下降，而且過程復雜識別過程實時性低的問題。本發明設計了一個評估有源干擾信號的后驗分布集中程度的置信分數，利用深度卷積網絡對已知有源干擾信號輸出的后驗分布集中，對未知有源干擾信號輸出的后驗分布分散的特點，用于檢測有源干擾信號是否為已知干擾類型，解決現有方法無法適用于開集干擾場景的問題。

本發明的具體步驟如下：

步驟1，獲取雷達有源干擾信號：

對雷達接收機接收的含有干擾的有源信號，依次進行混頻、濾波處理后得到該有源信號中所有種類的干擾信號；