一种基于卷积神经网络的多站雷达系统干扰鉴别方法技术方案

本发明专利技术公开了一种基于卷积神经网络的多站雷达系统干扰鉴别方法，包括：根据多站雷达系统中的K个雷达得到K组慢时间随机复包络序列；将K组慢时间随机复包络序列依次水平链接得到第一二维数据块；将第一二维训练数据块输入至第一干扰鉴别网络得到第一分类输出结果；采用梯度下降法得到第一干扰鉴别网络的损失函数的最小值以得到第二干扰鉴别网络；将第一二维数据块输入至第二干扰鉴别网络，在第二干扰鉴别网络的误差和小于或者等于阈值时得到第三干扰鉴别网络；将第二二维数据块输入至所述第三干扰鉴别网络得到最终分类输出结果。本发明专利技术的干扰鉴别方法提高了多站雷达系统信息处理过程对采样数据的利用率，提高了对欺骗式干扰的鉴别概率。干扰的鉴别概率。干扰的鉴别概率。

【技术实现步骤摘要】
一种基于卷积神经网络的多站雷达系统干扰鉴别方法


[0001]本专利技术属于雷达
，具体涉及一种基于卷积神经网络的多站雷达系统干扰鉴别方法。

技术介绍

[0002]随着现代战争中电磁环境日益复杂，对雷达系统而言，有效的电子干扰对抗技术变得尤为重要。众多干扰类型中，欺骗式干扰是雷达系统需要应对的一种重要干扰样式，对截获的雷达信号进行存储、调制和转发，从而在真实目标附近产生大量欺骗式假目标，以干扰和迷惑雷达的检测系统和跟踪系统。
[0003]针对欺骗式干扰，单站雷达难以进行对抗，而多雷达系统通过对空间分布的各节点处雷达连接成网，构成网络化探测系统。在网络化探测系统中，各节点处的雷达根据不同的频段、角度、模式等，形成高度密集的多维信号空间，最终使得系统捕获到大量回波数据集，随后系统可以在融合中心将各雷达采集到的信息进行共享与信息融合，从而极大提升系统整体的抗干扰能力。
[0004]在此过程中，对多站雷达系统捕获的大量回波数据集进行信息融合是信号处理技术的关键性问题。而现有的算法仅依据人工提取的单一特征对回波数据进行分类识别，但是人工提取特征全面性不够，对多站雷达捕获的大量回波数据集利用率较低，严重影响了干扰鉴别效果。
[0005]因此，依据人工提取的单一特征对回波数据进行分类识别的现有算法不能充分利用多站雷达捕获的大量回波数据集，无法充分发挥多站雷达系统抗欺骗式干扰的能力。

技术实现思路

[0006]针对上述在多站雷达系统欺骗式干扰对抗中的不足，本专利技术的目的在于提出一种基于卷积神经网络的多站雷达系统鉴别欺骗式干扰的方法。利用卷积神经网络很强的模型学习与特征表示能力对欺骗式干扰进行鉴别，弥补了人工提取特征单一、鉴别效果不理想等问题，提高了多站雷达系统鉴别欺骗式干扰的概率。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]一种基于卷积神经网络的多站雷达系统干扰鉴别方法，包括：
[0008]步骤1、根据多站雷达系统中的K个雷达得到K组慢时间随机复包络序列，其中，K≥2；
[0009]步骤2、将K组所述慢时间随机复包络序列依次水平链接得到第一二维数据块；
[0010]步骤3、将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，所述第一分类输出结果为目标信号或者干扰信号，其中，所述干扰鉴别网络包含4个卷积层、2个池化层、2个全连接层，每层均构建若干个权重系数矩阵w和偏置向量b；
[0011]步骤4、基于反向传播方法，采用梯度下降法得到所述第一干扰鉴别网络的损失函
数的最小值以得到第二干扰鉴别网络；
[0012]步骤5、将所述第一二维数据块输入至所述第二干扰鉴别网络，在所述第二干扰鉴别网络的误差和小于或者等于阈值时得到第三干扰鉴别网络；
[0013]步骤6、将第二二维数据块输入至所述第三干扰鉴别网络得到最终分类输出结果。
[0014]在本专利技术的一个实施例中，所述步骤1，包括：
[0015]步骤1.1、每个所述雷达对接收信号进行匹配滤波、相干积累和恒虚警检测后得到若干预设目标，所述预设目标为目标或者干扰；
[0016]步骤1.2、确定所述步骤1.1中所得到的所有预设目标中在距离单元中的预设目标，在所述距离单元中，获得相干处理周期的所有脉冲重复时间，在所有所述脉冲重复时间内对所述距离单元进行匹配滤波后得到若干复幅度，则每个雷达的所有复幅度构成该雷达的慢时间随机复包络序列。
[0017]在本专利技术的一个实施例中，所述慢时间随机复包络序列包括噪声信号序列和不含噪声的慢时间复幅度序列。
[0018]在本专利技术的一个实施例中，所述步骤3，包括：
[0019]将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，其中，若第l层为卷积层，第l
‑
1层为池化层或输入层，则第l
‑
1层到第l层的前向计算公式为：
[0020][0021]其中，conv2D表示二维卷积，l表示层数，表示第l层的第j个激活后的输出，i表示第l
‑
1层第i个元素，共N
l
‑1个，表示第l层的第j个未激活输出，表示第l
‑
1层的第i个激活后的输出，表示第l层针对第j个未激活输出的偏置向量，表示第l
‑
1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，f(
■
)表示把
■
作为输入通过激活函数激活后的输出；
[0022]若第l层为池化层，则第l
‑
1层到池化层的前向计算公式为：
[0023][0024]其中，表示第l层针对第j个未激活输出的权重，表示第l
‑
1层的第i个激活后的输出，down表示下采样函数；
[0025]若第l层为全连接层，则第l
‑
1层到全连接层的前向计算公式为：
[0026][0027]其中，表示第l
‑
1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，表示第l
‑
1层的第i个激活后的输出。
[0028]在本专利技术的一个实施例中，所述损失函数为：
[0029][0030]其中，E表示误差和，L表示输出层，N
L
表示目标和干扰数的总和，d表示第d个元素，表示第L层的输出结果，t
d
表示第d个元素的标签结果。
[0031]在本专利技术的一个实施例中，所述步骤4包括：
[0032]步骤4.1、计算所述第一干扰鉴别网络的输出层的误差和，将所述误差和反向传播至所述第一干扰鉴别网络的第一个隐含层，以得到各层的残差；
[0033]步骤4.2、基于所述残差，采用梯度下降法计算所述第一干扰鉴别网络的损失函数的最小值得到每层的权重系数矩阵w和偏置向量b；
[0034]步骤4.3、根据所述步骤4.2所得到的每层的权重系数矩阵w和偏置向量b得到第二干扰鉴别网络。
[0035]在本专利技术的一个实施例中，所述步骤5.1包括：
[0036]计算所述第一干扰鉴别网络的输出层的误差和并反向传播至所述第一干扰鉴别网络的各隐含层，以得到各层的残差，其中，
[0037]若第l+1层为卷积层，第l层为池化层，则从第l+1层到第l层的反向传播公式为：
[0038][0039]其中，表示一个上采样操作后的输出，up表示上采样函数，ssx、ssy表示池化层横向和纵向的步长，表示的倒数，β＝(ssx
×
ssy)
‑1，表示第l层的第j个输出的残差，表示第l+1层的第i个输出的残差；
[0040]若第l+1层为池化层，第l层为卷积层，则从第l+1层到第l层的反向传播公式为：
[0041][0042]其中，rot180(
·
)表示对卷积核反转180
°<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的多站雷达系统干扰鉴别方法，其特征在于，包括：步骤1、根据多站雷达系统中的K个雷达得到K组慢时间随机复包络序列，其中，K≥2；步骤2、将K组所述慢时间随机复包络序列依次水平链接得到第一二维数据块；步骤3、将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，所述第一分类输出结果为目标信号或者干扰信号，其中，所述干扰鉴别网络包含4个卷积层、2个池化层、2个全连接层，每层均构建若干个权重系数矩阵w和偏置向量b；步骤4、基于反向传播方法，采用梯度下降法得到所述第一干扰鉴别网络的损失函数的最小值以得到第二干扰鉴别网络；步骤5、将所述第一二维数据块输入至所述第二干扰鉴别网络，在所述第二干扰鉴别网络的误差和小于或者等于阈值时得到第三干扰鉴别网络；步骤6、将第二二维数据块输入至所述第三干扰鉴别网络得到最终分类输出结果。2.根据权利要求1所述的多站雷达系统干扰鉴别方法，其特征在于，所述步骤1，包括：步骤1.1、每个所述雷达对接收信号进行匹配滤波、相干积累和恒虚警检测后得到若干预设目标，所述预设目标为目标或者干扰；步骤1.2、确定所述步骤1.1中所得到的所有预设目标中在距离单元中的预设目标，在所述距离单元中，获得相干处理周期的所有脉冲重复时间，在所有所述脉冲重复时间内对所述距离单元进行匹配滤波后得到若干复幅度，则每个雷达的所有复幅度构成该雷达的慢时间随机复包络序列。3.根据权利要求1所述的多站雷达系统干扰鉴别方法，其特征在于，所述慢时间随机复包络序列包括噪声信号序列和不含噪声的慢时间复幅度序列。4.根据权利要求1所述的多站雷达系统干扰鉴别方法，其特征在于，所述步骤3，包括：将所述第一二维数据块输入至第一干扰鉴别网络，经过逐层线性和激活运算，得到第一分类输出结果，其中，若第l层为卷积层，第l
‑
1层为池化层或输入层，则第l
‑
1层到第l层的前向计算公式为：其中，conv2D表示二维卷积，l表示层数，表示第l层的第j个激活后的输出，i表示第l
‑
1层第i个元素，共N
l
‑1个，表示第l层的第j个未激活输出，表示第l
‑
1层的第i个激活后的输出，表示第l层针对第j个未激活输出的偏置向量，表示第l
‑
1层的第i个激活后的输出与第l层的第j个未激活的输出之间的权值，f(
■
)表示把
·
作为输入通过激活函数激活后的输出；若第l层为池化层，则第l
‑
1层到池化层的前向计算公式为：其中，表...

【专利技术属性】
技术研发人员：刘洁怡，罗宏亮，公茂果，周佳社，张明阳，李豪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：