[发明专利]基于多损失特征自校准网络的雷达有源干扰识别方法

说明书

本发明涉及一种基于多损失特征自校准网络的雷达有源干扰识别方法，包括获取包括雷达有源干扰信号的待识别时频谱图数据；将待识别时频谱图数据输入训练好的多损失特征自校准网络进行干扰类型识别，得到识别分类结果；按照如下步骤进行干扰类型识别：对待识别时频谱图数据进行干扰特征自适应提取，并且自适应缩小同类别干扰特征在特征空间的距离，拉大不同类别干扰特征在特征空间的距离，得到不同类型干扰特征向量；对不同类型干扰特征向量降维映射后进行分类，得到识别分类结果。该方法对复杂混合干扰细微特征的捕捉与表征更为精准。

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种基于多损失特征自校准网络的雷达有源干扰识别方法。

背景技术

日益复杂的电磁环境严重威胁了雷达的探测效能与生存安全。由于现有的雷达抗干扰技术大多数针对特定类型的干扰，只有准确地识别出干扰样式，才能采取相应有效的反制措施。因此，研究雷达干扰识别算法能够为后续雷达抗干扰提供先验信息，具有重要的应用价值。

传统雷达干扰识别算法需要人工分析和提取各类特征，导致通用性差、泛化能力弱。而且基于人工筛选特征的方法容易受到干噪比和其它干扰信号参数变化的影响。

深度卷积神经网络(Deep Convolutional Neural Network，DCNN)由于具有自适应特征提取与表征能力，在图像处理领域获得了广泛应用。目前，已有一些经典的基于深度学习的雷达有源干扰识别方法。深度融合卷积网络(Deep Fusion Convolution NeuralNetwork，DFCNN)结构由一维卷积神经网络、二维卷积神经网络和融合网络三个子网络组成，四个一维卷积神经网络分别提取原始雷达回波中干扰取实部、虚部、相位和幅度后的高维特征，二维卷积神经网络提取干扰的时频特征，两部分特征拼接后输入融合网络进行进一步的特征融合提取，另外还提出软标签平滑用于缓解过拟合。在此基础上，西安电子科技大学的Lv等人提出了一种基于迁移学习的加权集成CNN(Weighted Ensemble CNN withTransfer Learning，WECNN-TL)的雷达有源欺骗干扰识别算法；首先，该算法网络训练的基准数据集由仿真和实测干扰的时频谱混合构成，其次，为了充分挖掘干扰信号的潜在信息，对干扰时频谱提取实部、虚部、模和相位后，组合成15个子数据集；该网络利用引导聚类算法(Bootstrap aggregating，Bagging)的思想，设计了15个子分类器，分别挖掘各子数据集的结构特征并做出个体预测的结果，最终利用一个加权投票算法来获得集合模型的整体预测结果，达到进一步提升测试阶段雷达干扰识别精度的效果。干扰识别网络(JammingRecognition Network，JRNet)利用非对称卷积块(Asymmetric Convolution Block，ACB)在不增加额外计算量的前提下，能够增强存在旋转变形和细微差异等情况下的干扰识别的鲁棒性。迁移学习利用从源域上学到的知识帮助目标域的学习任务，AlexNet在数据集ImageNet上预训练后，分别调整输入和输出层为含干扰雷达回波的时频图和干扰识别的结果。识别卷积神经网络(Recognition Convolution Neural Network，RCNN)利用OS-CFAR从回波信号的时频图中测量干扰参数，然后提取出干扰，送到预先训练的CNN网络中进行分类。

利用深度学习理论实现雷达有源干扰识别，克服了传统识别方法人工依赖性和鲁棒性差的缺点。但是，现有的基于深度学习的雷达有源干扰识别方法存在着特征参数对干扰样式敏感、识别的干扰类型有限、鲁棒性不足等问题，尤其在面对干扰间可辨识特征差异小和干扰样式繁多的识别任务时，对干扰特征提取与聚合能力降低。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于多损失特征自校准网络的雷达有源干扰识别方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于多损失特征自校准网络的雷达有源干扰识别方法，包括步骤：

获取包括雷达有源干扰信号的待识别时频谱图数据；