[发明专利]基于PWVD与卷积神经网络的雷达干扰信号识别方法

说明书

本发明涉及一种基于PWVD与卷积神经网络的雷达干扰信号识别方法，针对目前基于特征参数的识别方法受噪声影响大，不易准确提取干扰特征，模型泛化能力差的问题，选择利用干扰与目标回波混合信号的PWVD分布生成高分辨率时频数据集，并通过去噪、信号检测、灰度化、缩放等操作增强泛化能力，然后设计了一个卷积神经网络来训练识别模型，利用该模型可以完成对每个经过预处理的干扰信号的识别，对于提高雷达干扰识别正确率、增强模型的泛化能力有着重要意义。

技术领域

本发明属于雷达干扰识别技术领域，尤其涉及一种基于PWVD与卷积神经网络的雷达干扰信号识别方法。

背景技术

随着现代战争趋于信息化，雷达起着越来越重要的作用，而基于数字射频存储器(DRFM)的有源欺骗干扰技术的大力研究和发展，使得雷达抗干扰技术面临着极大的挑战。因此，当务之急是如何在复杂的电磁环境下采取恰当的抗干扰措施，而抗干扰的前提是能够正确识别这些干扰。近年来，一些基于机器学习的干扰识别算法不断涌现，它们的主要关注点在于信号的特征参数提取，通过分析信号在时域、频域及时频域等的特点，人工提取多维特征参数，设计决策树、支持向量机、神经网络等不同的分类器对有源干扰类型进行识别。但是由于特征参数只是在小样本情况下信号分布规律的总结，人工特征选择又有可能引入实验者主观因素，得到的结果不一定符合整体规律，导致模型泛化能力较差。

在利用卷积神经网络识别雷达干扰信号方面，前人已经做了相关研究。专利申请号为201911259145.2，专利申请名称为“基于卷积神经网络的雷达干扰检测识别方法”，利用短时傅里叶变换生成时频图像训练卷积神经网络，但是短时傅里叶变换分辨率较低，受窗长的影响很大，不易获得高质量图像，而且所识别信号为纯干扰信号，这与实际对抗场景不符。专利申请号为201911089194.6，专利申请名称为“基于深度卷积神经网络集成的雷达干扰信号识别方法”，提出了一种一维的卷积神经网络，主要利用目标的方位、距离、时间、高度、俯仰角等信息构造数据集进行训练，但是该方法只能识别出干扰属于压制干扰还是欺骗干扰，并不能得到干扰的具体类型。因此，针对雷达干扰信号的识别仍是一个值得研究的问题。

发明内容

为解决上述问题，本发明提供一种基于PWVD与卷积神经网络的雷达干扰信号识别方法，能够优化现有识别方法中特征参数提取过程繁琐、模型泛化能力差等问题，同时可以提高干扰识别正确率。

一种基于PWVD与卷积神经网络的雷达干扰信号识别方法，包括以下步骤：

S1：获取雷达回波的伪Wigner-Ville分布时频图以及雷达回波在不同干扰信号下的伪Wigner-Ville分布时频图，其中，所述干扰信号包括窄带瞄准干扰信号、宽带阻塞干扰信号、灵巧噪声干扰信号、间歇采样转发干扰信号以及多假目标干扰信号；

S2：分别对无干扰信号下以及不同干扰信号下的伪Wigner-Ville分布时频图进行预处理，得到各干扰情况下的灰度时频图；

S3：将各干扰情况下的灰度时频图作为输入，各灰度时频图对应的干扰情况作为输出，对卷积神经网络进行训练，得到雷达干扰信号识别模型；

S4：采集混合回波信号，并按照步骤S1～S2获取混合回波信号的灰度时频图，再将混合回波信号的灰度时频图输入所述雷达干扰信号识别模型，实现混合回波信号中存在的干扰信号的识别。

进一步地，所述伪Wigner-Ville分布时频图的获取方法为：

其中，PWVD_s(t,ω)为混合回波信号的伪Wigner-Ville分布时频图，且混合回波信号为雷达回波或者混杂有干扰信号的雷达回波，h(τ)为设定的窗函数，s(t)为混合回波信号，表示混合回波信号延迟表示混合回波信号超前e^-jωτ表示傅里叶变换中的旋转因子，*为共轭，j表示虚部，t表示时域变量，ω表示频域变量，τ表示积分变量。