[发明专利]基于卷积神经网络的雷达干扰检测识别方法

权利要求书

1.基于卷积神经网络的雷达干扰检测识别方法，其特征在于，包括：

S1、对采集的雷达信号/仿真的雷达信号进行下变频和降采样预处理；

S2、采用低频率分辨率、高时间分辨率的短时傅里叶变换对预处理后信号进行时域变换得到时频图像a；

S3、对时频图像a依次执行恒虚警检测和干扰测量，得到干扰信号的时间参数和频率参数；

S4、根据时间参数，提取采集的雷达信号/仿真的雷达信号中的干扰信号；根据频率参数，采用带通滤波器对提取的干扰信号进行滤波处理；

S5、将滤波后的信号采用高频率分辨率、低时间分辨率的短时傅里叶变换进行时域变换得到时频图像b，并对时频图像b进行归一化处理；

S6、采用维纳滤波算法对归一化处理后的时频图像b进行平滑处理，之后对平滑处理结果进行自适应裁剪；

S7、采用双三次插值算法对自适应裁剪后的图像进行缩放得到识别数据；

S8、将识别数据输入预训练CNN模型进行识别，得到干扰信号的类型；

对平滑处理后的时频图像b进行自适应裁剪进一步包括：

C1、从频率维两端逐列向平滑处理后的时频图像b中心搜索，分别找到第一个大于等于的像素值所在列h₁和h₂，为平滑处理后的时频图像b中的最大像素值；

C2、从列h₁和h₂分别向两端逐列搜索找到第一个小于等于的像素值所在的列h₃和h₄，a和b为小于1的系数，且a＞b；

C3、截取列h₃和h₄之间的图像。

2.根据权利要求1所述的基于卷积神经网络的雷达干扰检测识别方法，其特征在于，所述预训练CNN模型的训练方法包括：

A1、利用仿真的纯干扰信号的频率参数，并根据预设的频率参数，采用带通滤波器对纯干扰信号进行滤波处理；

A2、将滤波后的信号采用高频率分辨率、低时间分辨率的短时傅里叶变换进行时域变换得到时频图像c，并对时频图像c进行归一化处理；

A3、采用维纳滤波算法对归一化后的时频图像c进行平滑处理，之后对平滑处理结果进行自适应裁剪；

A4、采用双三次插值算法对自适应裁剪后的图像进行缩放得到训练数据；

A5、重复步骤A1至步骤A4得到设定数量的训练数据，并将所有训练数据送入CNN模型进行训练，得到识别干扰信号类别的预训练CNN模型。

3.根据权利要求1所述的基于卷积神经网络的雷达干扰检测识别方法，其特征在于，对时频图像a执行恒虚警检测的方法包括：

S311、采用顺序滑窗向平方律检波器中输入时频图像a中未选取的前n个数据，并将输出值按大小进行排序；

S312、选取第k个数据的输出值与门限因子d相乘作为判决阈值，将输出值与判据阈值的差异大于设定门限的数据标记为干扰信号，其余标记为背景信号，按照时频图像a中数据原始顺序重置标记顺序；

S313、判断时频图像a中的所有数据是否都进行标记，若是，完成检测，否则，返回步骤S311。