雷达干扰多域特征对抗学习与检测识别方法技术

本发明专利技术公开一种雷达干扰多域特征对抗学习与检测识别方法，解决了雷达信号一维信息信息量不足和准确率依赖于庞大数据集的问题。实现步骤：收集雷达信号；时频分析获取数据集；对无干扰和带干扰的时频数据集样本标注；构建生成器和判别器，组成GAN网络；利用时频数据集对GAN网络训练获取生成图像并筛选用于再训练；GAN网络计算无干扰和有源干扰类型概率；获取检测结果。本发明专利技术通过时频分析处理获取雷达信号二维时频信息，通过生成对抗网络训练，大大提高了有无干扰和有源干扰类型检测的准确率，同时通过生成器获取生成图像补充训练集，减小对训练数据数量的需求。用于对雷达信号进行有无干扰检测以及有源干扰类型识别。无干扰检测以及有源干扰类型识别。无干扰检测以及有源干扰类型识别。

【技术实现步骤摘要】
雷达干扰多域特征对抗学习与检测识别方法


[0001]本专利技术属于信号处理
，更进一步涉及雷达信号处理
中的干扰检测识别，具体是一种雷达干扰多域特征对抗学习与检测识别方法。本专利技术可用于对雷达信号进行有无干扰检测以及有源干扰类型识别。

技术介绍

[0002]雷达干扰是破坏和扰乱敌方雷达检测目标的重要手段，可以分为有源干扰和无源干扰。其中，雷达有源干扰针对性更强，破坏性更大，给雷达探测目标带来了严峻的挑战。有源干扰检测识别是抑制雷达有源干扰的第一步，可以分为有无干扰检测和有源干扰类型识别，有无干扰检测是进行有源干扰类型识别的前提，其用于检测雷达回波中是否存在影响信号的干扰存在；有源干扰类型识别是对存在干扰的回波进行干扰类型判断，在压制式干扰、重复转发式干扰、假目标式干扰等多种干扰类型中，确定该回波存在的干扰类型。有源干扰检测识别是雷达抗干扰系统的重要组成部分，其结果直接决定了抗干扰系统对干扰抑制算法的选择，影响到最终的干扰抑制结果。
[0003]现阶段的雷达有源干扰类型检测识别多停留在对信号的瞬时幅度、频率、相位等信息进行处理，进而对有源干扰类型进行判断。面对日益复杂的干扰环境，仅对信号的一维信息进行处理已无法满足有源干扰检测识别的要求，进而需要对信号进行短时傅里叶变换得到包含更多可用信息的二维时频图。
[0004]专利CN113534059A(“开集场景下基于深度卷积网络的雷达有源干扰识别方法”)介绍了一种利用深度学习的有源干扰识别方法，其通过深度学习获取有源干扰信号的后验分布，然后通过计算置信分数来实现干扰识别。该方法直接使用信号的一维信息进行训练，对复杂多变的有源干扰适应能力较弱，无法满足日益复杂干扰环境下的有源干扰识别的要求。
[0005]专利CN113759320A(“基于递归图和深度学习的雷达有源干扰信号识别方法”)介绍了一种基于递归图和深度学习的识别方法，通过采用仿真的方式构建大量的不同类别的干扰仿真信号，并将各一维的干扰仿真信号均转换为二维递归图，利用深度学习进行训练和预测。该方法的精度依赖于庞大的干扰仿真信号数据集，在实际应用中难以收集到大量的雷达信号作为数据集，不能保证该方法的识别准确率。
[0006]综上，现有的雷达有源干扰信号检测识别方法中存在着适应能力差，仅利用雷达信号一维信息导致信息量不足，以及识别准确率依赖于庞大的数据集的问题。

技术实现思路

[0007]本专利技术的目的在于针对现有技术的不足，提出了一种利用信号二维时频域信息的基于对抗学习的雷达干扰多域特征的检测与识别方法。
[0008]本专利技术是一种雷达干扰多域特征对抗学习与检测识别方法，其特征在于，利用时频分析处理，获取原始雷达信号的二维时频域特征；利用生成对抗网络GAN，获取生成图像
并筛选生成图像以扩充数据集；利用生成对抗网络GAN，判断雷达信号有无干扰并计算有源干扰类型的概率，包括有如下步骤：
[0009](1)收集无干扰和带干扰的雷达信号：收集或仿真一定数量的无干扰和带各类型干扰的雷达信号，作为训练GAN网络所需数据集的基础数据；
[0010](2)通过时频分析处理获取时频图数据集：对收集的雷达信号进行短时傅里叶变换、取模、对数变换、移动零频点和着色处理得到无干扰和带干扰的雷达信号的时频图数据集；
[0011](3)对无干扰和带干扰的时频图数据集进行样本标注，并划分训练集和验证集：基于任务需要，对收集或仿真的复杂雷达信号进行分类，首先将收集或仿真的雷达信号分为有干扰信号和无干扰信号；然后将有干扰雷达信号再细分为4种常见的有源干扰样式的雷达信号，对于已分类的无干扰信号以及4种有源干扰信号进行样本标注；最后在每一类信号中设置一定的比例分为训练集数据和验证集数据，将所有的训练集数据进行整合形成训练集，将所有验证集数据进行整合形成验证集；
[0012](4)构建生成对抗网络GAN的生成器：以经典生成对抗网络GAN的生成器为基础，构建适应数据集图片尺寸的生成器；构建的生成器中包括一个全连接层，以及与全连接层相连接的多个串联的转置卷积层，该转置卷积层是由转置卷积、归一化和激活三种运算依次进行的；
[0013](5)构建生成对抗网络GAN的判别器，组成生成对抗网络GAN：以经典生成对抗网络GAN的判别器为基础，构建适应数据集图片尺寸的判别器；判别器的结构包括多个串联的卷积层，以及与最后一个卷积层连接的全连接层和与全连接层连接的分类层，其中的卷积层是由卷积、激活和归一化三种运算依次进行的；生成对抗网络GAN的生成器和判别器之间进行数据交互组成了生成对抗网络GAN；
[0014](6)利用时频图数据集对GAN网络进行训练，并生成大量生成图像：基于已构建的生成对抗网络GAN，首先，分别构建GAN网络生成器的损失函数和判别器的损失函数，对生成器和判别器的性能进行定量描述；然后构建网络的训练目标函数作为网络训练的优化方向；最后基于上述函数对GAN网络生成器和判别器进行训练，并利用纳什均衡状态判定方法得到最优的GAN网络；通过最优GAN网络的生成器生成大量的生成图像；
[0015](7)对生成的生成图像进行筛选，用以扩充数据集并进行再训练：首先利用生成对抗网络GAN的生成器产生大量的生成图像，针对生成图像的质量参差不齐利用数据多样性评估进行筛选，然后再利用KL距离方法进行筛选，获取与真实数据具有相似特征的生成图像；然后将这类生成图像加入训练集中；最后对生成对抗网络GAN进行再训练，获取最终的训练权重和GAN网络；
[0016](8)利用GAN网络计算无干扰和各类有源干扰类型的概率：将验证集中雷达信号某个回波的时频图，即雷达信号根据步骤(2)中时频分析处理的过程进行时频分析处理得到的某个回波的时频图输入到训练好的GAN网络中，即可获得该回波不存在干扰的概率，以及存在各类型有源干扰的概率；
[0017](9)获取检测结果：利用多分类法判断是否存在干扰以及存在干扰时有源干扰的类型，如果输出概率结果中概率最大的类型为无干扰类型，则认定该回波不存在干扰；否则，认定该回波存在干扰，并取计算出的有源干扰类型概率中最大的概率值，其对应的有源
干扰类型认定为该回波存在的有源干扰类型；结束检测识别，将是否存在干扰的判断结果和存在干扰时有源干扰的类型输出，完成检测识别。
[0018]利用时频分析处理获取雷达信号的二维时频域信号，解决了仅利用雷达信号一维信息导致信息量不足的问题；利用GAN网络生成对抗学习的过程解决了适应性差的问题，利用GAN网络的生成器获取生成图像扩充数据集，解决了准确率依赖于庞大的数据集的问题。
[0019]本专利技术与现有的技术相比具有以下优点：
[0020]利用雷达信号二维时频信息提高准确性，由于本专利技术采用了时频分析处理的方法获取雷达信号的二维时频信息，克服了现有技术仅使用雷达信号一维信息提取特征判断是否存在干扰以及有源干扰类型时准确率低的问题。本专利技术利用雷达信号的二维时频信息，从图像域的方向出发，采用机器学习的方法来提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达干扰多域特征对抗学习与检测识别方法，其特征在于，利用时频分析处理，获取原始雷达信号的二维时频域特征；利用生成对抗网络GAN，获取生成图像并筛选生成图像以扩充数据集；利用生成对抗网络GAN，计算雷达信号有无干扰和有源干扰类型的概率，包括有如下步骤：(1)收集无干扰和带干扰的雷达信号：收集或仿真一定数量的无干扰和带各类型干扰的雷达信号，作为训练GAN网络所需数据集的基础数据；(2)通过时频分析处理获取时频图数据集：对收集的雷达信号进行短时傅里叶变换、取模、对数变换、移动零频点和着色处理得到无干扰和带干扰的雷达信号的时频图数据集；(3)对无干扰和带干扰的时频图数据集进行样本标注，并划分训练集和验证集：基于任务需要，对收集或仿真的复杂雷达信号进行分类，首先将收集或仿真的雷达信号分为有干扰信号和无干扰信号；然后将有干扰雷达信号再细分为4种常见的有源干扰样式的雷达信号，对于已分类的无干扰信号以及4种有源干扰信号进行样本标注；最后在每一类信号中设置一定的比例分为训练集数据和验证集数据，将所有的训练集数据进行整合形成训练集，将所有验证集数据进行整合形成验证集；(4)构建生成对抗网络GAN的生成器：以经典生成对抗网络GAN的生成器为基础，构建适应数据集图片尺寸的生成器；构建的生成器中包括一个全连接层，以及与全连接层相连接的多个串联的转置卷积层，该转置卷积层是由转置卷积、归一化和激活三种运算依次进行的；(5)构建生成对抗网络GAN的判别器，组成生成对抗网络GAN：以经典生成对抗网络GAN的判别器为基础，构建适应数据集图片尺寸的判别器；判别器的结构包括多个串联的卷积层，以及与最后一个卷积层连接的全连接层和与全连接层连接的分类层，其中的卷积层是由卷积、激活和归一化三种运算依次进行的；生成对抗网络GAN的生成器和判别器之间进行数据交互组成了生成对抗网络GAN；(6)利用时频图数据集对GAN网络进行训练，并生成大量生成图像：基于已构建的生成对抗网络GAN，首先，分别构建GAN网络生成器的损失函数和判别器的损失函数，对生成器和判别器的性能进行定量描述；然后构建网络的训练目标函数作为网络训练的优化方向；最后基于上述函数对GAN网络生成器和判别器进行训练，并利用纳什均衡状态判定方法得到最优的GAN网络；通过最优GAN网络的生成器生成大量的生成图像；(7)对生成的生成图像进行筛选，用以扩充数据集并进行再训练：首先利用生成对抗网络GAN的生成器产生大量的生成图像，针对生成图像的质量参差不齐利用数据多样性评估进行筛选，然后再利用KL距离方法进行筛选，获取与真实数据具有相似特征的生成图像；然后将这类生成图像加入训练集中；最后对生成对抗网络GAN进行再训练，获取最终的训练权重和GAN网络；(8)利用GAN网络计算无干扰和有源干扰类型的概率：将验证集中雷达信号某个回波的时频图，即雷达信号根据步骤(2)中时频分析处理的过程进行时频分析处理得到的某个回波的时频图输入到训练好的GAN网络中，即可获得该回波不存在干扰的概率，以及存在各类型有源干扰的概率；(9)获取检测结果：利用多分类法判断是否存在干扰以及存在干扰时有源干扰的类型，如果输出概率结果中概率最大的类型为无干扰类型，则认定该回波不存在干扰；否则，认定
该雷达信号的回波存在干扰，并取计算出的有源干扰类型概率中最大的概率值，其对应的有源干扰类型认定为该回波存在的有源干扰类型；结束检测识别，将是否存在干扰的判断结果和存在干扰时有源干扰的类型输出，完成检测识别。2.根据权利要求1所述的雷达干扰多域特征对抗学习与检测识别方法，其特征在于，步骤(2)中所述的通过时频分析处理获取时频图数据集，包括由如下步骤：(2.1)对雷达信号进行短时傅里叶变换：对雷达信号的每一个回波进行短时傅里叶变换，获取雷达信号的二维时频域特征，存储为二维时频数据y(m,n)，短时傅里叶变换公式为：其中，x(n)表示雷达信号，n为雷达信号的长度，m为短时傅里叶变换的长度，w(k)表示窗函数，k为窗函数的长度，使用的窗函数是Hamming窗，窗函...

【专利技术属性】
技术研发人员：张鹏，李亚超，常星烁，王志伟，郭亮，陈洪猛，陶慧斌，苏毅，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：