[发明专利]基于双分支网络和特征融合的雷达欺骗干扰识别方法

说明书

本发明公开了基于双分支网络和特征融合的雷达欺骗干扰识别方法，包括以下步骤：S1、对接受到的真目标回波信号和雷达欺骗干扰信号经过Wigner‑Ville时频分析、灰度处理得到雷达接收信号的时频图和时相图；S2、将所得到的时频图样本输入至预训练好的双分支网络的上分支网络进行特征提取；S3、将所得到的时相图样本输入至预训练好的双分支网络的下分支网络进行特征提取；S4、利用高斯判别相关分析算法对所述双分支网络提取到的特征矩阵进行特征融合；S5、将融合后的特征输入到分类器中完成欺骗干扰信号的识别。本发明可以提高雷达欺骗干扰信号类型的识别率。

技术领域

本发明属于雷达欺骗干扰识别技术领域，具体涉及一种基于双分支网络和特征融合的雷达欺骗干扰识别方法。

背景技术

电子战定义为利用电磁能确定、剥夺、削弱或者防止雷达使用电磁频谱的军事行动，电子支援措施和电子干扰措施是电子战的两大组成部分。整体上，电子战的首要目标是减弱雷达能力，通过电子战中各种攻击手段，最大可能地保存我方战力，消减敌方战力，为战争胜利创造条件。针对电子战中大量出现的雷达干扰方法，研究怎样消除、抵抗、减弱敌方干扰对我方雷达带来的负面影响，具有重要的国防与军事意义。

对雷达进行有源干扰的方法主要可分为压制性、欺骗性干扰以及两者的组合。有源假目标欺骗干扰是雷达电子战中主要的干扰样式之一，特别是数字射频存储器(DRFM)技术的不断发展，为欺骗干扰的有效实施提供了便利。从产生机理的角度，欺骗干扰分为转发式欺骗干扰和产生式欺骗干扰两种，产生式欺骗干扰通过研究雷达接收信号的时域波形、频率分布，主动地产生与雷达接收信号相似的干扰信号，通过改变干扰信号的时延、多普勒频率等，达到欺骗雷达的目的，而转发式欺骗干扰通过截获并转发空间中的电磁信号，达到类似的效果。DRFM技术被广泛应用在转发式欺骗干扰产生上，雷达发射线性调频信号(LFM)，被搭载DRFM的干扰机接收捕获，输入射频信号的频率通常被下移，然后用高速模数转换器(ADC)进行采样，采样得到的样本在幅度、相位和频率上展开，并由数模转换器(DAC)处理，然后上变频并发射回目标雷达，达到以假乱真的目的。由于干扰波形可以通过相当大的相干处理增益来实现，所以很难区分真实目标和虚假目标，给雷达方正确、及时区分真假目标带来了更为严峻的挑战。

深度学习作为机器学习的一个分支或子领域，是机器学习和人工智能的最新趋势之一。深度学习方法的架构由多个具有非线性操作的抽象层组成，为了拥有强大的学习能力，它使用这些多层次的非线性信息处理和抽象，进行有监督或者无监督的特征学习、表示、分类和模式识别。随着深度学习技术的不断发展，不仅促进了计算机视觉和机器视觉领域的革命性进步，而且广泛应用于语音识别、数据挖掘、自动机器翻译和自动驾驶等等领域，目前将深度学习方法应用到欺骗干扰识别的研究成果较少，若能利用合适的神经网络模型有效地改善欺骗干扰的识别性能，将成为电子对抗领域中的又一新突破，具有重要的军事意义。

基于上述现状，本发明基于深度学习理论提出了一种基于双分支网络和特征融合的欺骗干扰识别方法。

发明内容

本发明的目的是针对现有技术的缺陷，提出了一种基于双分支网络和特征融合的欺骗干扰识别方法，其可以提高雷达欺骗干扰信号类型的识别率，为进一步对雷达欺骗干扰信号抑制奠定了基础。

为了实现以上目的，本发明采用以下技术方案：

一种基于双分支网络和特征融合的欺骗干扰识别方法，包括步骤：

S1、对接受到的真目标回波信号和雷达欺骗干扰信号经过Wigner-Ville时频分析、灰度处理得到雷达接收信号的时频图和时相图；

S2、将所述得到的时频图样本输入至预训练好的双分支网络的上分支网络进行特征提取，得到时频特征矩阵；

S3、将所述得到的时相图样本输入至预训练好的双分支网络的下分支网络进行特征提取，得到时相特征矩阵；