[发明专利]基于深度学习的雷达抗主瓣干扰方法

说明书

本发明公开了一种基于深度学习的雷达抗主瓣干扰方法，包括：仿真构建接收信号模型，利用接收信号模型的协方差矩阵集合求取初始空间谱数据；将接收信号模型对应不同主瓣干扰来向和目标来向集合作为标签；构建神经网络，将初始空间谱数据作为神经网络的输入数据，将标签作为神经网络的输出数据，对神经网络进行训练；将雷达阵列实际接收回波数据基于似然估计得到干扰协方差矩阵，然后经数学变换处理后得到初始空间谱；将初始空间谱输入神经网络，得到雷达信号空间谱，实现主瓣干扰和目标在空域上的有效分离。本发明通过构建深度学习神经网络对阵列信号来向进行方向分类的方式，实现主瓣干扰和目标在空域的有效分离，从而实现对目标进行有效的检测。

技术领域

本发明涉及雷达信号处理技术领域，更具体的，涉及一种基于深度学习的雷达抗主瓣干扰方法。

背景技术

随着现代空间电磁环境的日益复杂，主瓣干扰成为当前影响雷达探测性能的一种主要干扰样式。与传统旁瓣干扰不同，主瓣干扰信号从雷达波束主瓣进入，因此可获得与目标信号相当的天线增益，从而使干扰信号能量大幅增加，引起信干比急剧下降，对后续信号处理造成困难。

当前，雷达领域中对抗主瓣干扰的方式主要是采用阵列自适应波束形成技术，其能够自适应地对空间变换的干扰环境做出反应，在干扰方向自适应形成零陷，进而有效滤除干扰。然而，由于主瓣干扰条件下，干扰和目标均位于主瓣波束内，自适应波束形成技术在干扰方向形成零陷时导致主波束发生畸变，同时引起旁瓣电平增高，进而导致目标损失严重，输出信号信干噪比急剧下降。因此，传统阵列自适应波束形成技术目前无法有效对抗自卫式或支援式主瓣干扰。

此外，近几年提出一种基于稀疏超分辨的方法在空域将主瓣内干扰和目标进行分离，从而在无需抑制干扰的情况下实现对目标的有效检测。

相较于传统高分辨方法，稀疏恢复类超分辨方法基于各类稀疏重构算法可实现阵列空间分辨率的大幅提升，进而可实现目标与主瓣干扰的有效分离。然而，在实际应用中，当干扰角度域目标较为接近，即干扰位于主波束3dB宽度以内时，干扰与目标的空域相关性较强，导致稀疏恢复类超分辨算法性能下降严重，无法实现干扰和目标的有效分离；此外，主瓣干扰功率往往远大于目标回波功率，导致在稀疏恢复方法只能将干扰有效恢复，而目标则由于功率太小无法恢复得到。因此，尽管已有稀疏恢复类主瓣干扰条件下目标检测方法，但在实际应用中受限于干扰目标相关性和低信干噪比而往往无法有效工作。

发明内容

本发明为了解决现有技术无法在主瓣干扰的情况下对目标进行有效检测的问题，提供了一种基于深度学习的雷达抗主瓣干扰方法，其通过构建深度学习神经网络对阵列信号来向进行方向分类的方式，实现主瓣干扰和目标在空域的有效分离，从而实现对目标进行有效的检测。

为实现上述本发明目的，采用的技术方案如下：一种基于深度学习的雷达抗主瓣干扰方法，所述的方法包括步骤如下：

S1：仿真构建不同主瓣干扰来向和不同信干噪比情况下的接收信号模型，并利用接收信号模型的协方差矩阵集合求取初始空间谱数据；将接收信号模型对应不同主瓣干扰来向和目标来向集合作为标签；

S2：构建神经网络，将步骤S1得到的初始空间谱数据作为神经网络的输入数据，将得到标签作为神经网络的输出数据，对神经网络进行训练直至收敛；

S3：将雷达阵列实际接收回波数据基于似然估计得到干扰协方差矩阵，然后经数学变换处理后得到初始空间谱；

S4：将步骤S3得到的初始空间谱输入步骤S2训练好的神经网络，得到雷达信号空间谱，从而实现主瓣干扰和目标在空域上的有效分离。

优选地，在步骤S4之后，可将雷达阵列实际接收回波数据中的各距离门输入步骤S2训练好的神经网络，得到目标的距离-方位域，再进行恒虚警检测处理，实现获得目标的距离和方位角信息。