[发明专利]开集场景下基于深度卷积网络的雷达有源干扰识别方法

说明书

本发明公开一种开集场景下基于深度卷积网络的雷达有源干扰识别方法，其实现步骤为：获取雷达有源干扰信号；对每个干扰信号进行归一化处理；生成训练集和验证集；构建深度卷积网络并进行训练；使用深度卷积网络获取待识别有源干扰信号的后验分布；计算有源干扰信号后验分布的置信分数；判断置信分数是否超过阈值，若是，选择后验分布中后验概率最高的干扰作为识别结果输出，否则，识别结果为未知干扰类型。本发明具有既能准确识别已知有源干扰类型也能检测出未知有源干扰类型优点，同时具有自动提取有源干扰信号的特征的能力。

技术领域

本发明涉及雷达通信技术领域，更进一步涉及雷达信号处理技术领域中的一种开集场景下基于深度卷积网络的雷达有源干扰识别方法。本发明可用于在雷达干扰环境为开集场景雷达干扰为有源干扰背景下识别有源干扰的类型。

背景技术

随着数字技术和高功率发射机的高速发展，雷达干扰技术迅速发展，基于数字储频技术的电子干扰机具有精确复制和重构截获雷达信号的能力，使干扰机能够快速产生调制方式更复杂的相干性干扰，基于高功率技术的电子干扰机能够产生高能量的噪声干扰，当这些干扰信号和真实的目标信号一起进入雷达接收机后，会产生虚假的目标信息掩盖真实目标，使得雷达无法精准探测目标。在复杂电磁环境中感知雷达有源干扰，正确地检测到干扰的存在并识别出干扰类型，是雷达抗有源干扰的前提和基础。

Yihan Xiao等人在其发表的论文“Active jamming recognition based onbilinear EfficientNet and attention mechanis”(IET Radar,SonarNavigation,2021,5)中提出了一种基于双线性EfficientNet和注意机制的雷达有源干扰识别方法。该方法将一维干扰信号转换为二维时频图像；通过具有双向网络注意机制自动提取时频图像的有效特征，构建方法的训练集和测试集，使用训练集训练模型，在测试时将测试样本识别为训练集中实现了雷达有源干扰识别。该方法存在的不足之处是，要求测试样本的类型在训练集中存在，否则当测试环境中出现训练环境中的没有的干扰类型，该方法会将训练环境中的没有的干扰类型识别错误地为训练集中已有干扰类型，所以该方法只适用于闭集干扰环境，无法适用于开集干扰环境。

西安电子科技大学在其申请的专利文献“一种雷达有源干扰的识别方法及系统”(专利申请号：CN201810489421.3，申请公布号CN 108919203 A)中公开了一种雷达有源干扰的识别方法。该方法对接收到的有源干扰进行变分模态分解，得到不同的模态分量；计算每个固有模态分量相应的矩形积分双谱，组合成特征参量；通过随机森林分类器实现雷达有源干扰方式的识别。该方法存在的不足之处是，需要进行变分模态分解，计算每个模态分量的矩形积分双谱构建特征集，模型的识别准确率依赖于模态分解特征的好坏，当特征无效时模型准确率会迅速下降，而且过程复杂识别过程实时性低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种开集场景下基于深度卷积网络的雷达有源干扰识别方法，旨在解决现有方法无法适用于开集干扰场景和当特征无效时有源干扰识别方法准确率会迅速下降，而且过程复杂识别过程实时性低的问题。

实现本发明目的的思路是：本发明构建一个14层的深度卷积网络，该网络的所有卷积层均为一维卷积神经网络层，利用该网络一维卷积神经网络层的卷积核可以自动提取有源干扰信号的深度特征和复合特征的能力提高方法识别准确率，解决现有方法当特征无效时有源干扰识别方法准确率会迅速下降，而且过程复杂识别过程实时性低的问题。本发明设计了一个评估有源干扰信号的后验分布集中程度的置信分数，利用深度卷积网络对已知有源干扰信号输出的后验分布集中，对未知有源干扰信号输出的后验分布分散的特点，用于检测有源干扰信号是否为已知干扰类型，解决现有方法无法适用于开集干扰场景的问题。

本发明的具体步骤如下：

步骤1，获取雷达有源干扰信号：

对雷达接收机接收的含有干扰的有源信号，依次进行混频、滤波处理后得到该有源信号中所有种类的干扰信号；