本发明专利技术涉及雷达仿真与机器学习的交叉技术领域，特别涉及一种基于生成对抗网络的雷达干扰仿真方法、装置及电子设备，包括：基于预设的经典干扰原理生成目标干扰信号，将目标干扰信号输入至预先训练的生成对抗网络生成器，得到满足预设信号特征的仿真干扰信号，将实采干扰数据和满足预设信号特征的仿真干扰信号输入至预先训练的生成对抗网络判别器，得到判别结果，根据判别结果优化预先训练的生成对抗网络判别器，根据优化后的预先训练的生成对抗网络判别器生成的新的判别结果优化预先训练的生成对抗网络生成器，直至满足预设信号特征的仿真干扰信号满足预设干扰条件。由此，解决了在获取高逼真干扰信号过程中的建模困难及计算繁琐复杂的问题。算繁琐复杂的问题。算繁琐复杂的问题。
【技术实现步骤摘要】
基于生成对抗网络的雷达干扰仿真方法、装置及电子设备
[0001]本专利技术涉及雷达仿真与机器学习的交叉
，特别涉及一种基于生成对抗网络的雷达干扰仿真方法、装置及电子设备。
技术介绍
[0002]随着电子对抗程度的日益激烈，雷达作为重要的电磁探测设备之一，其发展水平直接影响现代战争的成败。而雷达仿真技术在雷达科学研究与技术进步上扮演着重要的角色，深刻影响着雷达的发展方向。近些年，电子对抗技术快速发展，雷达干扰与抗干扰仿真逐渐引起科研工作者的重视，其中，高逼真的雷达干扰信号仿真具有重要意义。首先，雷达抗干扰技术的研究依托于有效的干扰数据，而实地采集干扰数据的试验条件通常较为稀缺，因此逼真可靠的干扰信号仿真是研究雷达抗干扰技术的必要基础。其次，随着人工智能的快速进步与深入应用，以数据驱动为主要手段的智能化雷达技术已经初步成为发展趋势，高效率、高可信度的干扰信号仿真是其中不可或缺的技术支撑。
[0003]然而，在实际研究过程中，雷达干扰仿真具有其复杂性，一是因为在实际干扰场景中，干扰信号的样式、干扰释放的策略、干扰硬件平台的特征等十分丰富，充分模拟仿真各种因素以达到高逼真度是较为困难的。二是因为实际干扰机的工作机理通常严格保密，无法从根本上对其产生的信号进行严格模拟，只能从现有数据中总结描述其工作规律。而模型化的手段只能总结出部分工作机理，对于非传统的干扰机理，以及干扰机硬件工作过程中产生的信号杂散、频率弥散等非理想因素，则较难通过模型归纳的方式获得其产生方式。因此，准确模拟非理想因素是高逼真干扰仿真技术的关键所在，如果忽略会导致仿真情况与实际雷达试验存在较大差距，进一步限制了雷达干扰技术的研究与实际应用。
技术实现思路
[0004]本专利技术提供一种基于生成对抗网络的雷达干扰仿真方法、装置及电子设备，解决了在获取高逼真干扰信号过程中建模困难及计算繁琐复杂的问题，通过现有的实采干扰信号数据集，生成逼真的雷达干扰信号，并使得生成的雷达干扰信号与原数据集符合相近的概率分布。
[0005]本专利技术第一方面实施例提供一种基于生成对抗网络的雷达干扰仿真方法，包括以下步骤：基于预设的经典干扰原理生成目标干扰信号，其中，所述预设的经典干扰原理由实采干扰数据得到；将所述目标干扰信号输入至预先训练的生成对抗网络生成器，得到满足预设信号特征的仿真干扰信号，并将所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至预先训练的生成对抗网络判别器，得到判别结果；根据所述判别结果优化所述预先训练的生成对抗网络判别器，并根据优化后的所述预先训练的生成对抗网络判别器生成的新的判别结果优化所述预先训练的生成对抗网络生成器，直至所述满足预设信号特征的仿真干扰信号满足预设干扰条件。
[0006]可选地，在将所述目标干扰信号输入至所述预先训练的生成对抗网络生成器，得
到所述满足预设信号特征的仿真干扰信号之前，还包括：利用由所述预设的经典干扰原理得到的待训练干扰数据训练生成对抗网络中由自编码器构建的生成器，得到所述预先训练的生成对抗网络生成器，其中，在训练过程中，基于所述自编码器的编码单元，对所述待训练干扰数据进行编码得到所述待训练干扰数据的特征向量，并基于所述自编码器的解码单元对所述待训练干扰数据的特征向量进行解码，得到所述待训练干扰数据对应的重建信号。
[0007]可选地，在将所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至所述预先训练的生成对抗网络判别器之前，还包括：基于所述预设的经典干扰原理生成的目标干扰信号，将所述目标干扰信号输入至所述预先训练的生成对抗网络生成器，得到所述满足预设信号特征的仿真干扰信号；根据所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至预先训练的生成对抗网络判别器，并优化第一代价函数，直至所述第一代价函数满足第一预设优化要求。
[0008]可选地，所述第一代价函数为：；其中，为预先训练的生成对抗网络判别器，为实采干扰数据分布的期望，为输入数据，为实采数据集的分布，为生成器所学习到的数据集分布，为梯度惩罚因子，为实采数据和生成数据所构成的混合数据分布期望，为混合数据的分布，为对x求梯度的过程，为范数。
[0009]可选地，所述预设干扰条件为所述预先训练的生成对抗网络生成器对应的第二代价函数满足第二预设优化要求，其中，所述第二代价函数为：；其中，为预先训练的生成对抗网络生成器，为生成器学习到的数据分布期望，为时频图一致性损失，，为对作短时傅里叶变换，为对作短时傅里叶变换，()为平均均方误差，为预先训练的生成对抗网络生成器输出的仿真干扰样本。
[0010]可选地，获取目标干扰数据，包括：基于预设的采样公式，获取所述目标干扰数据，其中，所述预设的采样公式为：；其中，为间歇采样信号，为单位矩形窗信号，为采样时间，为脉宽，为周期冲击函数，为周期序号，为重复周期。
[0011]本专利技术第二方面实施例提供一种基于生成对抗网络的雷达干扰仿真装置，包括：生成模块，用于基于预设的经典干扰原理生成目标干扰信号，其中，所述预设的经典干扰原理由实采干扰数据得到；输入模块，用于将所述目标干扰信号输入至预先训练的生成对抗网络生成器，得到满足预设信号特征的仿真干扰信号，并将所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至预先训练的生成对抗网络判别器，得到判别结果；优
化模块，用于根据所述判别结果优化所述预先训练的生成对抗网络判别器，并根据优化后的所述预先训练的生成对抗网络判别器生成的新的判别结果优化所述预先训练的生成对抗网络生成器，直至所述满足预设信号特征的仿真干扰信号满足预设干扰条件。
[0012]可选地，在将所述目标干扰信号输入至所述预先训练的生成对抗网络生成器，得到所述满足预设信号特征的仿真干扰信号之前，所述输入模块，还用于：利用由所述预设的经典干扰原理得到的待训练干扰数据训练生成对抗网络中由自编码器构建的生成器，得到所述预先训练的生成对抗网络生成器，其中，在训练过程中，基于所述自编码器的编码单元，对所述待训练干扰数据进行编码得到所述待训练干扰数据的特征向量，并基于所述自编码器的解码单元对所述待训练干扰数据的特征向量进行解码，得到所述待训练干扰数据对应的重建信号。
[0013]可选地，在将所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至所述预先训练的生成对抗网络判别器之前，所述输入模块，还用于：基于所述预设的经典干扰原理生成的目标干扰信号，将所述目标干扰信号输入至所述预先训练的生成对抗网络生成器，得到所述满足预设信号特征的仿真干扰信号；根据所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至预先训练的生成对抗网络判别器，并优化第一代价函数，直至所述第一代价函数满足第一预设优化要求。
[0014]可选地，所述第一代价函数为：；其中，为预先训练的生成对抗网络判别器，为实采干扰数据分布的期望，为输入数据，为实采数据集的分布，为生成器所学习到的数据集分布，为梯度惩罚因子，为实采数据和生成数据所构成的混合数据分布期望，为混合数据的分布，为对x求本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的雷达干扰仿真方法，其特征在于，包括以下步骤：基于预设的经典干扰原理生成目标干扰信号，其中，所述预设的经典干扰原理由实采干扰数据得到；将所述目标干扰信号输入至预先训练的生成对抗网络生成器，得到满足预设信号特征的仿真干扰信号，并将所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至预先训练的生成对抗网络判别器，得到判别结果；根据所述判别结果优化所述预先训练的生成对抗网络判别器，并根据优化后的所述预先训练的生成对抗网络判别器生成的新的判别结果优化所述预先训练的生成对抗网络生成器，直至所述满足预设信号特征的仿真干扰信号满足预设干扰条件。2.根据权利要求1所述的基于生成对抗网络的雷达干扰仿真方法，其特征在于，在将所述目标干扰信号输入至所述预先训练的生成对抗网络生成器，得到所述满足预设信号特征的仿真干扰信号之前，还包括：利用由所述预设的经典干扰原理得到的待训练干扰数据训练生成对抗网络中由自编码器构建的生成器，得到所述预先训练的生成对抗网络生成器，其中，在训练过程中，基于所述自编码器的编码单元，对所述待训练干扰数据进行编码得到所述待训练干扰数据的特征向量，并基于所述自编码器的解码单元对所述待训练干扰数据的特征向量进行解码，得到所述待训练干扰数据对应的重建信号。3.根据权利要求2所述的基于生成对抗网络的雷达干扰仿真方法，其特征在于，在将所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至所述预先训练的生成对抗网络判别器之前，还包括：基于所述预设的经典干扰原理生成的目标干扰信号，将所述目标干扰信号输入至所述预先训练的生成对抗网络生成器，得到所述满足预设信号特征的仿真干扰信号；根据所述实采干扰数据和所述满足预设信号特征的仿真干扰信号输入至预先训练的生成对抗网络判别器，并优化第一代价函数，直至所述第一代价函数满足第一预设优化要求。4.根据权利要求3所述的基于生成对抗网络的雷达干扰仿真方法，其特征在于，所述第一代价函数为：；其中，为预先训练的生成对抗网络判别器，为实采干扰数据分布的期望，为输入数据，为实采数据集的分布，为生成器所学习到的数据集分布，为梯度惩罚因子，为实采数据和生成数据所构成的混合数据分布期望，为混合数据的分布，为对x求梯度的过程，为范数。5.根据权利要求4所述的基于生成对抗网络的雷达干扰仿真方法，其特征在于，所述预设干扰条件为所述预先训练的生成对抗网络生成器对应的第二代价函数满足第二预设优化要求，其中，所述...
【专利技术属性】
技术研发人员：王磊，黄彩虹，刘一民，黄天耀，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。