[发明专利]基于卷积神经网络的雷达干扰检测识别方法

说明书

本发明公开了一种基于卷积神经网络的雷达干扰检测识别方法，其包括对雷达信号预处理；采用短时傅里叶变换对预处理后信号进行时域变换；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；根据时间参数，提取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；将滤波后的信号采用短时傅里叶变换进行时域变换得到时频图像b，并进行归一化处理；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；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；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。

技术领域

本发明涉及干扰信号类型的识别，具体涉及一种基于卷积神经网络的雷达干扰检测识别方法。

背景技术

随着数字射频存储(DFRM)技术的出现和迅速应用，现代电子战中雷达有源干扰的逼真度更高，形式复杂多样，对雷达的正常工作及生存造成了严重的威胁，因此如何有效对抗干扰越来越成为现代雷达的迫切需求。抗干扰的前提是干扰的正确识别，传统的方法是基于特征提取的干扰分类，但该类方法需人工选取特征且泛化能力弱。近年来，也有许多雷达干扰识别算法不断涌现，但仅仅关注于某几类干扰或分类算法研究，针对雷达干扰的识别，缺乏一种泛华能力强且自主化高的方法。

发明内容

针对现有技术中的上述不足，本发明提供的基于卷积神经网络的雷达干扰检测识别方法解决了现有技术进行雷达识别时需要人工选取特征且泛化能力弱的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于卷积神经网络的雷达干扰检测识别方法，其包括：

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。

本发明的有益效果为：采用较低频率分辨率的短时傅立叶变换加恒虚警检测可以在时频图像中快速检测干扰并测量其时频参数，同时为干扰分离提取和干扰类型识别提供参考，保证了干扰提取的准确性。

对提取的干扰进行类别识别时，不用人工提取各类干扰的特征，CNN模型可自动学习并提取干扰信号的深度特征；本方案的识别方法鲁棒性好，可适用于多类雷达干扰且对干扰的参数变化适应性强。

附图说明

图1为基于卷积神经网络的雷达干扰检测识别方法的流程图。

图2为恒虚警检测方法的原理框图。

图3为自适应裁剪前后示意图，其中a为裁剪前的三维时频图像，b为裁剪后的三维时频图像；

图4为4dB时频数据集示意图。

图5为干扰的混淆矩阵图。

具体实施方式