【技术实现步骤摘要】
本专利技术涉及雷达信号处理，具体涉及一种雷达干扰识别方法、装置及设备。
技术介绍
1、随着雷达系统的不断发展，雷达在军事安全，民航、交通运输、气象监测、地面监视以及自动驾驶等领域都发挥着越来越重要的作用。然而，随着雷达欺骗干扰技术的发展，雷达系统受到了严重冲击。欺骗性干扰在现代战争中普遍存在，其通过制造虚假信号来掩盖真实目标信息，影响雷达系统的正常工作。目前，大多数抗干扰技术都是针对特定类别的干扰定制的，因此如何准确识别干扰类型至关重要。
2、一般来说，雷达的干扰识别方法主要分为两类，传统方法和深度学习方法。传统方法如基于似然的方法和基于信号特征的方法。基于似然的方法需要先验知识来构建模型，然后使用广义似然比检验(glrt)对信号进行分类和检测，但在复杂的电磁环境下，该方法的应用范围受到一定的限制。基于信号特征的方法通过提取可分离特征对干扰信号进行分类。然而，分类性能主要取决于人工特征的判别能力，因此识别精确度欠佳。基于深度学习方法，如将卷积神经网络(cnn)应用于雷达干扰识别。目前，已有研究人员选择将原始雷达信号作为输入，使用1d-cnn模型来识别干扰类型，或将原始雷达信号的时频分布，输入到2d-cnn结构中来完成分类任务。尽管这些方法可以取得较好的性能，但通常需要大量的样本进行训练。由于电磁环境的复杂性，收集大量的训练样本具有挑战，这种困难可能导致基于深度学习的识别方法鲁棒性较差。
3、因此，现有的雷达干扰识别方法存在应用范围受限，或者识别鲁棒性较差的问题。
技术实现思路<
1、为了解决现有技术中所存在的上述问题，本专利技术提供了一种雷达干扰识别方法、装置及设备。
2、本专利技术要解决的技术问题通过以下技术方案实现：
3、第一方面，本专利技术提供了一种雷达干扰识别方法，包括：
4、获取待识别雷达信号；
5、对待识别雷达信号进行时频变换，得到待识别频域信号；
6、将待识别频域信号依据时频变换的窗口大小，建模为待识别图结构；
7、将待识别频域信号和待识别图结构，输入预训练干扰识别模型，获得信号识别结果；预训练干扰识别模型基于预训练图卷积模型和预训练深度识别模型共同构建得到；预训练图卷积模型用于获取待识别图结构中的空间信息；预训练深度识别模型用于获取待识别频域信号中的全局特征。
8、可选地，对待识别雷达信号进行时频变换，得到待识别频域信号，包括：
9、对待识别雷达信号进行短时傅里叶变换处理，得到待识别频域信号。
10、可选地，将待识别频域信号依据时频变换的窗口大小，建模为待识别图结构，包括：
11、将待识别频域信号基于短时傅里叶变换处理时对应的窗口，建模为节点；
12、利用余弦相似度计算得到节点的权重值；
13、通过节点和权重值，构建得到待识别图结构。
14、可选地，预训练干扰识别模型包括：预训练图卷积模型、预训练深度识别模型以及预训练全连接模块；
15、预训练图卷积模型与预训练深度识别模型并行连接，构成第一结构；
16、第一结构与预训练全连接模块串行连接；
17、其中，预训练图卷积模型采用预训练gcnii模型，预训练深度识别模型采用预训练transformer模型。
18、可选地，将待识别频域信号和待识别图结构，输入预训练干扰识别模型，获得信号识别结果，包括：
19、将待识别图结构输入预训练图卷积模型，获得空间信息；
20、将待识别频域信号输入预训练深度识别模型，获得全局特征；
21、对空间信息和全局特征进行特征融合处理，得到融合特征；
22、将融合特征输入预训练全连接模块进行分类识别，获得信号识别结果。
23、可选地，对空间信息和全局特征进行特征融合处理，得到融合特征，包括：
24、采用互注意力机制对空间信息和全局特征进行特征融合处理，得到融合特征。
25、可选地，预训练干扰识别模型的训练过程包括：
26、获取雷达信号样本；雷达信号样本包括：雷达回波信号样本和雷达干扰信号样本；
27、对雷达信号样本进行时频变换，得到频域信号样本；
28、将频域信号样本依据时频变换的窗口大小，建模为图结构样本；
29、将频域信号样本和图结构样本输入初始干扰识别模型进行训练，并将满足预设停止条件的初始干扰识别模型，作为预训练干扰识别模型；预训练干扰识别模型和初始干扰识别模型结构相同。
30、可选地，预设停止条件包括：训练次数达到预设训练阈值；或损失函数值持续小于预设损失阈值。
31、第二方面，本专利技术提供了一种雷达干扰识别装置，包括：获取单元、时频变换单元、建模单元以及识别单元；
32、获取单元用于：获取待识别雷达信号；
33、时频变换单元用于：对待识别雷达信号进行时频变换，得到待识别频域信号；
34、建模单元用于：将待识别频域信号依据时频变换的窗口大小，建模为待识别图结构；
35、识别单元用于：将待识别频域信号和待识别图结构，输入预训练干扰识别模型，获得信号识别结果；预训练干扰识别模型基于预训练图卷积模型和预训练深度识别模型共同构建得到；预训练图卷积模型用于获取待识别图结构中的空间信息；预训练深度识别模型用于获取待识别频域信号中的全局特征。
36、第三方面，本专利技术提供一种雷达干扰识别设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当雷达干扰识别设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如上述第一方面雷达干扰识别方法的步骤。
37、本专利技术提供了一种雷达干扰识别方法、装置及设备。其中，雷达干扰识别方法，包括：获取待识别雷达信号；对待识别雷达信号进行时频变换，得到待识别频域信号；将待识别频域信号依据时频变换的窗口大小，建模为待识别图结构；将待识别频域信号和待识别图结构，输入预训练干扰识别模型，获得信号识别结果；预训练干扰识别模型基于预训练图卷积模型和预训练深度识别模型共同构建得到；预训练图卷积模型用于获取待识别图结构中的空间信息；预训练深度识别模型用于获取待识别频域信号中的全局特征。在本专利技术中，通过将待识别频域信号建模为待识别图结构，并采用预训练图卷积模型和预训练深度识别模型结合的方式对待识别图结构和待识别频域信号进行特征提取，可以实现从空间信息层面和全局特征层面对信号特征的提取，获取的特征信息更加全面，提高了对雷达干扰信号识别的精确度和鲁棒性；另外，由于避免了先验知识的获取，且采用本专利技术方法可以针对多种电磁信号进行处理，因此扩大了雷达干扰识别方法的应用范围。
38、以下将结合附图及实施例对本专利技术做进一步详细说明。
本文档来自技高网...【技术保护点】
1.一种雷达干扰识别方法，其特征在于，包括：
2.根据权利要求1所述的雷达干扰识别方法，其特征在于，所述对所述待识别雷达信号进行时频变换，得到待识别频域信号，包括：
3.根据权利要求2所述的雷达干扰识别方法，其特征在于，所述将所述待识别频域信号依据时频变换的窗口大小，建模为待识别图结构，包括：
4.根据权利要求1所述的雷达干扰识别方法，其特征在于，所述预训练干扰识别模型包括：预训练图卷积模型、预训练深度识别模型以及预训练全连接模块；
5.根据权利要求4所述的雷达干扰识别方法，其特征在于，所述将所述待识别频域信号和所述待识别图结构，输入预训练干扰识别模型，获得信号识别结果，包括：
6.根据权利要求5所述的雷达干扰识别方法，其特征在于，所述对所述空间信息和所述全局特征进行特征融合处理，得到融合特征，包括：
7.根据权利要求1所述的雷达干扰识别方法，其特征在于，所述预训练干扰识别模型的训练过程包括：
8.根据权利要求7所述的雷达干扰识别方法，其特征在于，所述预设停止条件包括：训练次数达到预设训练阈值；或
9.一种雷达干扰识别装置，其特征在于，包括：获取单元、时频变换单元、建模单元以及识别单元；
10.一种雷达干扰识别设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述雷达干扰识别设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-8任一项所述雷达干扰识别方法的步骤。
...【技术特征摘要】
1.一种雷达干扰识别方法，其特征在于，包括：
2.根据权利要求1所述的雷达干扰识别方法，其特征在于，所述对所述待识别雷达信号进行时频变换，得到待识别频域信号，包括：
3.根据权利要求2所述的雷达干扰识别方法，其特征在于，所述将所述待识别频域信号依据时频变换的窗口大小，建模为待识别图结构，包括：
4.根据权利要求1所述的雷达干扰识别方法，其特征在于，所述预训练干扰识别模型包括：预训练图卷积模型、预训练深度识别模型以及预训练全连接模块；
5.根据权利要求4所述的雷达干扰识别方法，其特征在于，所述将所述待识别频域信号和所述待识别图结构，输入预训练干扰识别模型，获得信号识别结果，包括：
6.根据权利要求5所述的雷达干扰识别方法，其特征在于，所述对所述空...
【专利技术属性】
技术研发人员：蒋俊正，李安，朱春杰，全英汇，
申请(专利权)人：西安电子科技大学杭州研究院，
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。