雷达智能抗复合干扰方法与装置制造方法及图纸

本发明专利技术公开了一种雷达智能抗复合干扰方法：采集神经深度学习网络训练所需的训练样本数据和标签数据；构建深度学习网络，确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；将训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程。本发明专利技术所提方法无需干扰样本选择过程、可快速抑制干扰和检测目标、无需矩阵相乘和求逆等计算量大的过程和实现端到端的处理等优点。本发明专利技术还提供了相应的雷达智能抗复合干扰装置。装置。装置。

【技术实现步骤摘要】
雷达智能抗复合干扰方法与装置


[0001]本专利技术涉及雷达
，具体地，涉及一种雷达智能抗复合干扰方法与装置，适用于所有类型的相控阵雷达，可抑制复合干扰并提取目标。

技术介绍

[0002]雷达是现代战争中的“千里眼”，具备战场信息获取与态势感知能力。正因为如此，敌方千方百计地想通过释放干扰来破坏雷达的探测效能。为最大限度地发挥雷达探测效能，技术人员已探索出了各种抗干扰方法，取得了很大的成效。这些抗干扰方法是基于信号模型推导得出的，当雷达系统中出现误差时，不同的方法会出现不同程度的性能下降。总的来说，最小方差无失真响应（Minimum Variance Distortionless Response，MVDR）方法在实际中应用较多，能较稳健地抑制副瓣干扰。
[0003]然而，MVDR方法需要提取纯净的干扰样本，这在实际当中是较难做到的。尤其是现在干扰方未来会同时释放多种组合干扰，即复合干扰，那么这时候就存在提取纯净干扰样本难的问题。如果提取到的干扰样本不纯，MVDR方法无法彻底抑制干扰并实现目标检测。本专利技术针对这一问题，首次将深度学习引入到干扰抑制中，提出一种雷达智能抗复合干扰方法，可自适应地提取干扰样本并形成MVDR最优权值，从而实现复合干扰下的目标检测。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种雷达智能抗复合干扰方法，其目的在于抑制复合干扰，采用深度学习实现雷达目标检测。
[0005]为了实现上述目的，按照本专利技术的一个方面，提供了一种雷达智能抗复合干扰方法，包括：（1）采集神经深度学习网络训练所需的训练样本数据和标签数据：训练样本数据是向量化的阵列接收数据协方差矩阵，标签数据是理想的MVDR最优权；（2）构建深度学习网络：确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；（3）对深度学习网络进行训练：将第（1）步产生的训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；（4）对训练好的深度学习网络进行测试：重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；（5）抑制干扰和目标检测：将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
[0006]本专利技术的一个实施例中，所述步骤（2）中深度学习网络由3个卷积层和3个全连接层组成，3个卷积层中的卷积核大小均为3
×
1，卷积核个数分别为64、32和16；3个全连接层的神经元个数分别为128、64和32，输入层的大小是2M2×
1，输出层的大小是2M
×
1，其中M表
示阵元个数。
[0007]本专利技术的一个实施例中，所述步骤（2）中深度学习网络中，前5层的激活函数均采用整流线性单元函数，最后的输出层激活函数不采用任何激活函数。
[0008]本专利技术的一个实施例中，所述步骤（2）中深度学习网络中，使用均方误差损失函数。
[0009]本专利技术的一个实施例中，所述步骤（2）中深度学习网络中，采用Adam梯度下降优化算法。
[0010]本专利技术的一个实施例中，所述步骤（3）具体为：将步骤（1）产生的数据输入到深度学习网络中进行训练，这里epoch设为10，batch_size设为256，最终均方误差为10
‑4量级，训练完后得到一组权值；其中，一个epoch就是将所有训练样本训练一次的过程；将整个训练样本分成若干个batch，每batch样本的大小称为batch_size。
[0011]本专利技术的一个实施例中，所述步骤（4）具体为：重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量。
[0012]本专利技术的一个实施例中，所述步骤（5）具体为：测试时重新产生的阵列接收数据表示为，在得到深度学习网络输出权值向量后，先将其转化为复数权值其中表示取第1至M个元素，表示取第M+1至2M个元素，将测试输出得到权值向量的共轭转置与测试的阵列接收数据相乘上式即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。
[0013]按照本专利技术的另一方面，还提供了一种雷达智能抗复合干扰装置：包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储能被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成上述雷达智能抗复合干扰方法。
[0014]总体而言，通过本专利技术所构思的以上技术方案与现有MVDR技术相比，具有如下有益效果：（1）本专利技术所提方法无需干扰样本选择过程；（2）本专利技术所提方法可快速抑制干扰和检测目标，无需矩阵相乘和求逆等计算量大的过程，实现实时的端到端处理；（3）本专利技术所提方法性能与现有MVDR技术性能几乎一致。
附图说明
[0015]图1是本专利技术雷达智能抗复合干扰方法的流程示意图；图2是本专利技术实施例中深度学习网络结构示意图；图3是本专利技术实施例中抑制干扰后目标检测的结果。
具体实施方式
[0016]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0017]实施例1首先介绍深度学习网络的输入和标签数据。假设空间中有1个目标、1个主瓣压制干扰和1个副瓣欺骗干扰，阵列是一个由M个阵元组成的均匀线阵，阵元间距d为半波长，该阵列的接收数据用R表示：其中X表示阵列接收数据，L表示快拍数，表示共轭转置，分别表示目标信号的协方差矩阵、干扰的协方差矩阵和噪声的协方差矩阵。将R进行矢量化变为向量r，提取出其虚部和实部重新构成一个新向量：其中表示取虚部值，表示取实部值。上述向量即为深度学习网络的训练样本数据。
[0018]MVDR方法的理想权值w可表示为：其中表示期望信号方向，表示期望导向矢量：其中表示转置。那么深度学习网络标签数据为：上述向量即为深度学习网络的标签数据。
[0019]具体地，如图1所示，本专利技术提供了一种雷达智能抗复合干扰方法，包括如下步骤：（1）采集神经深度学习网络训练所需的训练样本数据和标签数据：训练样本数据是向量化的阵列接收数据协方差矩阵，标签数据是理想的最小方差无失真响应最优权；（2）构建深度学习网络：确定深度学习网络大小、梯度下降优化算法、激活函数和
损失函数；本步骤中，深度学习网络由3个卷积层和3个全连接层组成，3个卷积层中的卷积核大小均为3
×
1，卷积核个数分别为64、32和16；3个全连接层的神经元个数分别为128、64和32，输入层的大小是2M2×
1，输出层的大小是2M
×
1，其中M表示阵元个数；并且，前5层的激活函数均采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达智能抗复合干扰方法，其特征在于，包括如下步骤：（1）采集神经深度学习网络训练所需的训练样本数据和标签数据：训练样本数据是向量化的阵列接收数据协方差矩阵，标签数据是理想的MVDR最优权；（2）构建深度学习网络：确定深度学习网络大小、梯度下降优化算法、激活函数和损失函数；（3）对深度学习网络进行训练：将第（1）步产生的训练样本数据和标签数据输入到深度学习网络中进行训练，得到训练好的深度学习网络；（4）对训练好的深度学习网络进行测试：重新产生向量化的阵列接收数据协方差矩阵，输入到训练好的深度学习网络进行测试，输出得到一个权值向量；（5）抑制干扰和目标检测：将测试输出得到的权值向量与测试的阵列接收数据相乘，即是抑制干扰的过程，该结果是一个行向量，再对该向量进行脉冲压缩处理即能实现目标检测。2.如权利要求1所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（2）中深度学习网络由3个卷积层和3个全连接层组成，3个卷积层中的卷积核大小均为3
×
1，卷积核个数分别为64、32和16；3个全连接层的神经元个数分别为128、64和32，输入层的大小是2M2×
1，输出层的大小是2M
×
1，其中M表示阵元个数。3.如权利要求2所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（2）中深度学习网络中，前5层的激活函数均采用整流线性单元函数，最后的输出层激活函数不采用任何激活函数。4.如权利要求2所述的雷达智能抗复合干扰方法，其特征在于，所述步骤（2）中深度学习网络中，使用均方误差损失函数。5.如权...

【专利技术属性】
技术研发人员：李槟槟，林志凯，陈辉，许霄龙，李锡武，杜庆磊，刘维建，王永良，
申请(专利权)人：中国人民解放军空军预警学院，
类型：发明
国别省市：