[发明专利]雷达干扰多域特征对抗学习与检测识别方法

说明书

本发明公开一种雷达干扰多域特征对抗学习与检测识别方法，解决了雷达信号一维信息信息量不足和准确率依赖于庞大数据集的问题。实现步骤：收集雷达信号；时频分析获取数据集；对无干扰和带干扰的时频数据集样本标注；构建生成器和判别器，组成GAN网络；利用时频数据集对GAN网络训练获取生成图像并筛选用于再训练；GAN网络计算无干扰和有源干扰类型概率；获取检测结果。本发明通过时频分析处理获取雷达信号二维时频信息，通过生成对抗网络训练，大大提高了有无干扰和有源干扰类型检测的准确率，同时通过生成器获取生成图像补充训练集，减小对训练数据数量的需求。用于对雷达信号进行有无干扰检测以及有源干扰类型识别。

技术领域

本发明属于信号处理技术领域，更进一步涉及雷达信号处理技术领域中的干扰检测识别，具体是一种雷达干扰多域特征对抗学习与检测识别方法。本发明可用于对雷达信号进行有无干扰检测以及有源干扰类型识别。

背景技术

雷达干扰是破坏和扰乱敌方雷达检测目标的重要手段，可以分为有源干扰和无源干扰。其中，雷达有源干扰针对性更强，破坏性更大，给雷达探测目标带来了严峻的挑战。有源干扰检测识别是抑制雷达有源干扰的第一步，可以分为有无干扰检测和有源干扰类型识别，有无干扰检测是进行有源干扰类型识别的前提，其用于检测雷达回波中是否存在影响信号的干扰存在；有源干扰类型识别是对存在干扰的回波进行干扰类型判断，在压制式干扰、重复转发式干扰、假目标式干扰等多种干扰类型中，确定该回波存在的干扰类型。有源干扰检测识别是雷达抗干扰系统的重要组成部分，其结果直接决定了抗干扰系统对干扰抑制算法的选择，影响到最终的干扰抑制结果。

现阶段的雷达有源干扰类型检测识别多停留在对信号的瞬时幅度、频率、相位等信息进行处理，进而对有源干扰类型进行判断。面对日益复杂的干扰环境，仅对信号的一维信息进行处理已无法满足有源干扰检测识别的要求，进而需要对信号进行短时傅里叶变换得到包含更多可用信息的二维时频图。

专利CN113534059A(“开集场景下基于深度卷积网络的雷达有源干扰识别方法”)介绍了一种利用深度学习的有源干扰识别方法，其通过深度学习获取有源干扰信号的后验分布，然后通过计算置信分数来实现干扰识别。该方法直接使用信号的一维信息进行训练，对复杂多变的有源干扰适应能力较弱，无法满足日益复杂干扰环境下的有源干扰识别的要求。

专利CN113759320A(“基于递归图和深度学习的雷达有源干扰信号识别方法”)介绍了一种基于递归图和深度学习的识别方法，通过采用仿真的方式构建大量的不同类别的干扰仿真信号，并将各一维的干扰仿真信号均转换为二维递归图，利用深度学习进行训练和预测。该方法的精度依赖于庞大的干扰仿真信号数据集，在实际应用中难以收集到大量的雷达信号作为数据集，不能保证该方法的识别准确率。

综上，现有的雷达有源干扰信号检测识别方法中存在着适应能力差，仅利用雷达信号一维信息导致信息量不足，以及识别准确率依赖于庞大的数据集的问题。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种利用信号二维时频域信息的基于对抗学习的雷达干扰多域特征的检测与识别方法。

本发明是一种雷达干扰多域特征对抗学习与检测识别方法，其特征在于，利用时频分析处理，获取原始雷达信号的二维时频域特征；利用生成对抗网络GAN，获取生成图像并筛选生成图像以扩充数据集；利用生成对抗网络GAN，判断雷达信号有无干扰并计算有源干扰类型的概率，包括有如下步骤：

(1)收集无干扰和带干扰的雷达信号：收集或仿真一定数量的无干扰和带各类型干扰的雷达信号，作为训练GAN网络所需数据集的基础数据；

(2)通过时频分析处理获取时频图数据集：对收集的雷达信号进行短时傅里叶变换、取模、对数变换、移动零频点和着色处理得到无干扰和带干扰的雷达信号的时频图数据集；