[发明专利]基于小样本的多模态雷达有源欺骗干扰识别方法

说明书

本发明公开了一种基于小样本的多模态雷达有源欺骗干扰识别方法，属于雷达有源欺骗干扰识别技术领域。本发明包括：对获取到的雷达有源欺骗干扰信号进行信号处理，以提取特征参数模态数据集和时频图像数据集，对前者进行高斯随机化扩充，对后者利用手写字符数据集Omniglot数据集进行扩充，再将其划分为支撑集和查询集；搭建基于多模态融合的原型网络，根据支撑集分别计算特征参数模态和时频图像模态的原型，对特征参数模态和时频图像模态的原型进行特征融合，获取多模态融合原型；根据多模态融合原型对查询集的样本进行分类，以得到雷达有源欺骗干扰的识别模型。本发明能够在小样本的条件下获取到足够的干扰特征，达到良好的雷达有源欺骗干扰识别效果。

技术领域

本发明涉及雷达有源欺骗干扰识别技术领域，尤其涉及一种基于小样本的多模态雷达有源欺骗干扰识别方法。

背景技术

雷达欺骗干扰识别是雷达抗干扰核心技术之一，雷达在区分干扰种类后，可以采取相应的抗干扰措施抑制此类干扰，以达到更好的抗干扰效果。传统的干扰识别大多只针对单一干扰模式，进行某一维度的特征提取以进行干扰识别，但干扰信号特征提取往往依赖研究者主观设计，且对深层的抽象特征难以进行设计提取，从而影响干扰识别性能。

近年来，由于机器学习极佳的自动学习及深度挖掘数据特征的能力，不少学者将其应用于雷达欺骗干扰识别领域，利用神经网络(Neural Networks，NN)、卷积神经网络(Convolutional Neural Network，CNN)、孪生网络(Siamese Network)等进行干扰识别，在分类精度及普适性识别方面取得了良好的性能。但是，基于机器学习或深度学习的识别方法受训练样本数量影响较大，需要完备的训练集及足够的样本支撑网络的训练，在训练样本有限的条件下，无法捕捉到数据特征，很难达到期望的识别效果。而在实际的应用场景中，捕获敌方干扰信息，构建完备的训练集均存在着极大的困难，现有的方法难以完成小样本下的雷达有源欺骗干扰的识别。

发明内容

本发明针对现有技术的不足，提出了一种基于小样本的多模态雷达有源欺骗干扰识别方法，以有效提升小样本条件下的雷达有源欺骗干扰识别效果。

本发明采用的技术方案为：

基于小样本的多模态雷达有源欺骗干扰识别方法，包括以下步骤：

步骤S1、对获取到的雷达有源欺骗干扰信号进行信号处理，提取时域、频域及时频域的特征参数模态信息，得到特征参数模态数据集；并利用短时傅里叶变换(Short-timeFourier Transfer，STFT)提取雷达有源欺骗干扰信号的时频图像模态信息，得到时频图像数据集；

步骤S2、对步骤S1中获取到的时频图像数据集进行图像增强及形态学闭运算降噪处理；

步骤S3、使用高斯随机化的方式扩充步骤S1得到的特征参数模态数据集，并利用手写字符数据集Omniglot数据集扩充步骤S1得到的时频图像数据集；

步骤S4、将步骤S3扩充后的特征参数模态数据集划分为支撑集和查询集；

步骤S5、搭建基于多模态融合的原型网络，根据支撑集分别计算特征参数模态和时频图像模态的原型，并进行特征层融合，获得多模态融合原型；

步骤S6、根据步骤S5中得到的多模态融合原型对查询集的样本进行分类，计算损失，优化原型网络，最终得到雷达有源欺骗干扰的识别模型，以获取目标对象的雷达有源欺骗干扰信号的识别结果。

具体的，所述步骤S1包括以下子步骤：

步骤S11、根据雷达有源欺骗干扰的特点利用干扰信号提取时域矩偏度、时域矩峰度、时域包络起伏度、归一化幅度标准差、频域矩偏度、频域矩峰度、频域包络起伏度、归一化幅度频谱最大值、尺度重心九种共十个特征进行干扰识别。

步骤S12、利用STFT变换获取雷达欺骗干扰信号的时频图像，并对图像进行归一化灰度处理；