基于双分支网络和特征融合的雷达欺骗干扰识别方法

摘要

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。

说明书

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；

S4、利用改进的高斯判别相关分析(Gauss Discriminant CorrelationAnalysis,GDCA)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。

进一步的，步骤S1具体为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时频分析得到雷达接收信号的时频图矩阵Z

进一步的，对接收到的雷达信号脉冲信号s(t)进行Wigner-Ville时频分析得到所述的时频图矩阵Z

其中，*表示复共轭，

进一步的，步骤S1中还包括对得到的灰度矩阵G

进一步的，步骤S2具体为将所述得到的时频灰度矩阵V

进一步的，步骤S3具体为将所述得到的时相灰度矩阵V

进一步的，步骤S4中将所述得到的时频和时相特征矩阵利用改进的GDCA算法进行特征融合得到融合后的特征矩阵T。

进一步的，GDCA算法对于类间散度矩阵的定义为：

式中，Φ

进一步的，若特征的维数大于类别数量(p＞＞c)，则协方差矩阵

其中，P是正交特征向量矩阵；

由上式可知，S

令Η

其中，X′是X在空间中的投影；综上可得

式中，

同理，从时相图样本集中提取的特征矩阵Y通过变换后得到的投影矩阵可以表示为Y′；最后，将降维后的投影特征矩阵级联或求和：

进一步的，步骤S5中将所述得到的融合后的特征矩阵T输入至SVM分类器，完成雷达欺骗干扰信号类型的识别。

与现有技术相比，本发明综合考虑了不同雷达接收信号的相位信息存在差异，针对这一差异，经过时频分析后得到的时频-幅度图(以下简称时频图)和时频-相位图(以下简称时相图)同时输入至双分支网络模型中进行特征提取，然后利用GDCA算法进行特征融合，最后使用SVM分类器将融合后的特征进行向量进行分类识别，完成雷达欺骗干扰信号类型的识别。

附图说明

图1为实施例一种基于双分支网络和特征融合的欺骗干扰识别方法流程图；

图2为实施例双分支网络结构示意图；

图3为实施例不同条件下的欺骗干扰识别结果示意图。

具体实施方式

以下通过优选实施例说明本发明的实施过程，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

本实施例提供了一种基于双分支网络和特征融合的欺骗干扰识别方法，如图1所示，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；

S4.利用改进的高斯判别相关分析(Gauss Discriminant CorrelationAnalysis,GDCA)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。

在步骤S1中，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时频分析和灰度、尺寸缩放等处理得到雷达接收信号的时频图和时相图。

在本实施例中，对数据进行预处理。

首先，对接收到的雷达信号脉冲信号s(t)进行Wigner-Ville时频分析得到它的时频图矩阵Z

信号s(t)的时频图矩阵可以表示为：

其中，*表示复共轭，

然后，将时频图矩阵Z

在步骤S2中，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，得到时频特征矩阵。

在实施例中，进行特征提取。

将时频灰度矩阵V

在步骤S3中，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。

在实施例中，进行特征提取。

将预处理好的时相图矩阵V

在步骤S4中，利用改进的GDCA算法对所述双分支网络提取到的特征矩阵进行特征融合。

在实施例中，进行特征融合。

用X∈R

考虑到DCA算法中的类间散度矩阵是将每一类特征向量的平均值与所有类特征向量的平均值做差，这样一来不能有效地降低类间的相关性，而改进的GDCA算法引入核函数来最大化不同类之间的差异，使得投影融合后的特征更具有类间可分性。

因此，改进的GDCA算法对于类间散度矩阵的定义为：

式中，Φ

如果特征的维数大于类别数量(p＞＞c)，则协方差矩阵

其中，P是正交特征向量矩阵；

由上式可知，S

(Φ

令Η

其中，X′是X在空间中的投影。综上可得

式中，

同理，从时相图样本集中提取的特征矩阵Y通过变换后得到的投影矩阵可以表示为Y′。

最后，将降维后的投影特征矩阵级联或求和：

在步骤S5中，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。

在本实施例中，进行分类识别。

将特征融合后的矩阵T输入到SVM分类器中进行分类识别，输出识别概率，不同条件下欺骗干扰信号类型的识别结果如图3所示。

本实施例综合考虑了统雷达转发式欺骗干扰类型识别性能较低的问题，通过加入深度学习算法，可以提高雷达欺骗干扰的识别概率，为进一步对雷达欺骗干扰信号的抑制奠定了基础。

本发明针对传统雷达转发式欺骗干扰类型识别性能较低的问题，通过加入深度学习算法，可以提高雷达欺骗干扰的识别概率，为进一步对雷达欺骗干扰信号的抑制奠定了基础。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。