CN114818828B - 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 - Google Patents
雷达干扰感知模型的训练方法及雷达干扰信号识别方法 Download PDFInfo
- Publication number
- CN114818828B CN114818828B CN202210547511.XA CN202210547511A CN114818828B CN 114818828 B CN114818828 B CN 114818828B CN 202210547511 A CN202210547511 A CN 202210547511A CN 114818828 B CN114818828 B CN 114818828B
- Authority
- CN
- China
- Prior art keywords
- interference
- signal
- model
- spectrum
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008447 perception Effects 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 122
- 239000002131 composite material Substances 0.000 claims abstract description 88
- 238000005070 sampling Methods 0.000 claims abstract description 59
- 239000006185 dispersion Substances 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000002679 ablation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 150000001875 compounds Chemical group 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000012014 frustrated Lewis pair Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种雷达干扰感知模型的训练方法及雷达干扰信号识别方法，雷达干扰感知模型的训练方法包括：获取训练样本数据；其中，训练样本数据包括梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号；将训练样本数据进行时频分析处理，生成时频分布图像；将时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型。在本申请实施例中，引入计算机视觉领域的“目标检测”思想建立目标检测模型，在目标检测模型的训练时仅需提供四种单一干扰信号。而训练完成的目标检测模型能够识别出图像中的所有干扰信号种类，进而实现对四种单一干扰信号、六种两两复合信号以及四种三重复合信号的雷达干扰的灵活感知。
Description
技术领域
本申请涉及数据处理领域，具体而言，涉及一种雷达干扰感知模型的训练方法及雷达干扰信号识别方法。
背景技术
雷达作为一种具备对敌目标检测、定位、跟踪和制导等能力的重要装备，在当下复杂多变的电磁环境下，其应对各式电磁干扰威胁的抗干扰能力是其正常发挥作战性能的保障。由于现有的大多数抗干扰技术都是针对特定类型的干扰，而最佳抗干扰应对措施的选择首先需要高效的雷达干扰感知技术进行指导配合。因此对于雷达干扰感知技术的研究具有重要的军事应用价值和研究意义。
然而，现有的对于雷达干扰感知技术的研究，需要获取所有的雷达干扰情况，即，需要构建所有干扰情况的数据集。比如在研究四种常见的干扰信号时，还需要获取四种干扰信号两两之间复合的情况(有六种复合信号)，若再考虑三种干扰信号复合，则又会出现四种复合信号，为此则需额外建立10种复合干扰数据集。对于仿真数据的生成将需要繁琐的数据集建立步骤，需要极大的工作量；对于实测数据，在复杂的战场环境中搜集来自非合作目标的干扰数据极其困难。
可见，现有的对于雷达干扰感知的研究，存在数据集构建工作量大、难度高等问题。
发明内容
本申请实施例的目的在于提供一种雷达干扰感知模型的训练方法及雷达干扰信号识别方法，以改善“对于雷达干扰感知的研究，存在数据集构建工作量大、难度高等问题”的问题。
本发明是这样实现的：
第一方面，本申请实施例提供一种雷达干扰感知模型的训练方法，包括：获取训练样本数据；其中，所述训练样本数据包括梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号；将所述训练样本数据进行时频分析处理，生成时频分布图像；将所述时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型。
在本申请实施例中，仅获取梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号这四种单一信号作为训练样本数据，然后将训练样本数据进行时频分析处理，生成时频分布图像后，输入至目标检测模型中进行训练。即，本申请实施例中，引入计算机视觉领域的“目标检测”思想建立目标检测模型，在目标检测模型的训练时仅需提供四种单一干扰信号。而训练完成的目标检测模型能够识别出图像中的所有干扰信号种类，进而实现对四种单一干扰信号、六种两两复合信号以及四种三重复合信号的雷达干扰的灵活感知。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述将所述时频分布图像输入至初始的目标检测模型中进行训练，包括：获取用户对所述时频分布图像进行标记后的图像；将标记后的时频分布图像输入至所述初始的目标检测模型中进行有监督训练。
在本申请实施例中，通过将用户标记后的时频分布图像输入至初始点的目标检测模型中进行有监督训练，以便于目标检测模型能够有效学习各个信号对应的时频分布图像的特征。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述初始的目标检测模型为YOLO v5s模型。
在本申请实施例中，采用YOLO v5s模型作为目标检测模型，能够提高目标检测模型的检测性能，YOLO v5s模型相比其他的目标检测模型具有更少的参数量，能够减小网络模型训练的复杂度。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述YOLO v5s模型的第八层为分组卷积层。
在本申请实施例中，将YOLO v5s模型的第八层标准卷积层替换为分组卷积层，能够显著地减少第八层的参数量和计算量，进而减小YOLO v5s模型的参数量和计算量。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述YOLO v5s模型的第七层、第十层以及第二十四层为Ghost卷积层。
在本申请实施例中，将YOLO v5s模型的第七层、第十层以及第二十四层的C3层替换为Ghost卷积层能够显著地减少第七层、第十层以及第二十四层各自的参数量和计算量，进而减小YOLO v5s模型的参数量和计算量。
第二方面，本申请实施例提供一种雷达干扰信号识别方法，包括：获取待检测干扰信号；将所述待检测干扰信号进行时频分析处理，生成待检测时频分布图像；将所述待检测时频分布图像输入至如权利要求1-5中任一项所述的雷达干扰感知模型的训练方法所生成的雷达干扰感知模型中，得到所述待检测干扰信号的识别结果；其中，所述识别结果包括：梳状谱干扰信号，间歇采样干扰信号，窄带瞄频干扰信号，频谱弥散干扰信号，梳状谱干扰与间歇采样干扰复合信号，梳状谱干扰与窄带瞄频干扰复合信号，梳状谱干扰与频谱弥散干扰复合信号，间歇采样干扰与窄带瞄频干扰复合信号，间歇采样干扰与频谱弥散干扰复合信号，窄带瞄频干扰与频谱弥散干扰复合信号，梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号，梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号，梳状谱干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号，以及间歇采样干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号中的一种。
第三方面，本申请实施例提供一种雷达干扰感知模型的训练装置，包括：第一获取模块，用于获取训练样本数据；其中，所述训练样本数据包括梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号；第一处理模块，用于将所述训练样本数据进行时频分析处理，生成时频分布图像；训练模块，用于将所述时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型。
第四方面，本申请实施例提供一种雷达干扰信号识别装置，包括：第二获取模块，用于获取待检测干扰信号；第二处理模块，用于将所述待检测干扰信号进行时频分析处理，生成待检测时频分布图像；识别模块，用于将所述待检测时频分布图像输入至第一方面实施例所提供的雷达干扰感知模型的训练方法所生成的雷达干扰感知模型中，得到所述待检测干扰信号的识别结果；其中，所述识别结果包括：梳状谱干扰信号，间歇采样干扰信号，窄带瞄频干扰信号，频谱弥散干扰信号，梳状谱干扰与间歇采样干扰复合信号，梳状谱干扰与窄带瞄频干扰复合信号，梳状谱干扰与频谱弥散干扰复合信号，间歇采样干扰与窄带瞄频干扰复合信号，间歇采样干扰与频谱弥散干扰复合信号，窄带瞄频干扰与频谱弥散干扰复合信号，梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号，梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号，梳状谱干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号，以及间歇采样干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号中的一种。
第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例，和/或执行上述第二方面实施例提供的方法。
第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例，和/或执行上述第二方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的模块框图。
图2为本申请实施例提供的一种雷达干扰感知模型的训练方法的步骤流程图。
图3为本申请实施例提供的四种干扰信号各自对应的时频分布图像的示意图。
图4为本申请实施例提供的YOLO v5s模型原本的第八层Conv层与替换之后的分组卷积层的对比图。
图5为本申请实施例提供的Ghost卷积层的运算过程的示意图。
图6为本申请实施例提供的一种YOLO v5s模型的结构示意图。
图7为本申请实施例提供的一种YOLO v5s模型的测试结果混淆矩阵的示意图。
图8为本申请实施例提供的三重干扰复合信号的感知结果的示意图。
图9为本申请实施例提供的两重干扰复合信号的感知结果的示意图。
图10为本申请实施例提供的一种雷达干扰信号识别方法的步骤流程图。
图11为本申请实施例提供的一种雷达干扰感知模型的训练装置的模块框图。
图12为本申请实施例提供的一种雷达干扰信号识别装置的模块框图。
图标：100-电子设备；110-处理器；120-存储器；200-雷达干扰感知模型的训练装置；210-第一获取模块；220-第一处理模块；230-训练模块；300-雷达干扰信号识别装置；310-第二获取模块；320-第二处理模块；330-识别模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参阅图1，本申请实施例提供的一种应用雷达干扰感知模型的训练方法，和/或雷达干扰信号识别方法的电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是终端或者服务器，终端可以是，但不限于个人计算机(Personal Computer，PC)、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。服务器可以是但不限于网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。当然，上述列举的设备仅用于便于理解本申请实施例，其不应作为对本实施例的限定。
在结构上，电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。雷达干扰感知模型的训练装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作***(Operating System，OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块，如，雷达干扰感知模型的训练装置所包括的软件功能模块及计算机程序等，以实现雷达干扰感知模型的训练方法。又例如，雷达干扰信号识别装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作***中的软件模块。处理器110用于执行存储器120中存储的可执行模块，如，雷达干扰信号识别装置所包括的软件功能模块及计算机程序等，以实现雷达干扰信号识别方法。
处理器110可以在接收到执行指令后，执行计算机程序。
其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
需要说明的是，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
本申请实施例提出的一种雷达干扰感知模型的训练方法及雷达干扰信号识别方法，引入计算机视觉领域的“目标检测”思想建立目标检测模型，在目标检测模型的训练时仅需提供四种单一干扰信号。而训练完成的目标检测模型能够识别出图像中的所有干扰信号种类，进而实现对四种单一干扰信号、六种两两复合信号以及四种三重复合信号的雷达干扰的灵活感知。为了便于理解本方案，首先，对雷达干扰感知模型的训练过程进行说明。
请参阅图2，图2为本申请实施例提供的雷达干扰感知模型的训练方法的步骤流程图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的雷达干扰感知模型的训练方法不以图2及以下所示的顺序为限制，该方法包括：步骤S101-步骤S103。
步骤S101：获取训练样本数据。
其中，训练样本数据包括梳状谱干扰信号(Comb Spectrum Jamming，CSJ)、间歇采样干扰信号(Interrupted Sampling Repeater Jamming，ISRJ)、窄带瞄频干扰信号(Narrowband Aiming Jamming，NAJ)以及频谱弥散干扰信号(Smeared spectrum jamming，SMSP)。
一实施例中，可以使用线性调频信号作为雷达发射信号，依据压制和欺骗类型干扰的数学模型生成训练样本数据。需要说明的是，上述的压制和欺骗类型干扰的数学模型可以参考现有技术中所提供的模型，本申请不作过多说明。
即，上述训练样本数据可以来源于仿真数据。其中，干扰信号的主要仿真参数设置可以参考表一。
表一
当然，上述训练样本数据也可以来源于实测数据，或通过其他仿真实验得到，本申请不作限定。
一实施例中，将上述四种干扰信号中的每种干扰信号通过仿真生成125组样本，共计500组样本，然后按照训练集80％，验证集20％的方式划分。其中，训练集80％即为上述的训练样本数据。而剩余的验证集20％用于在后续模型训练完成后，对模型的训练水平(即模型的检测误差)进行验证，以选择出最好的模型。
步骤S102：将训练样本数据进行时频分析处理，生成时频分布图像。
在获取到训练样本数据后，利用短时傅里叶变换(Short-Time FourierTransform，STFT)对训练样本数据做时频分析处理，得到反应瞬时频率随时间变化的时频分布图像。
其中，短时傅里叶变换的表达式为：
STFT(t,f)＝∫j(τ)g*(τ-t)e-j2πfτdτ (1)
其中，公式(1)中，j(t)表示干扰信号，g(t)表示窗函数；g*(t)表示窗函数的共轭。
由于上述短时傅里叶变换的具体公式为本领域所熟知，因此，此处不作过多说明。
请参阅图3，图3示出了四种干扰信号各自对应的时频分布图像，其中，第一个为梳状谱干扰信号(CSJ)对应的时频分布图像，第二个为间歇采样干扰信号(ISRJ)对应的时频分布图像，第三个为窄带瞄频干扰信号(NAJ)对应的时频分布图像，第四个为频谱弥散干扰信号(SMSP)对应的时频分布图像，每个图像中的横坐标表示时间(单位：秒)，每个图像中的纵坐标表示频率(单位：赫兹)。
一实施例，可以将时频分布图像的尺寸统一，比如，将时频分布图像的尺寸统一缩放至224*224像素大小，当然，具体的尺寸也可以根据实际的需求而定，本申请不作限定。
步骤S103：将时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型。
最后，构建初始的目标检测模型，并将时频分布图像作为该目标检测模型的输入进行训练，以使模型在时频域对干扰信号进行特征提取，最终训练生成用于对雷达干扰信号进行感知的雷达干扰感知模型。
一实施例中，采用有监督学习的方式对目标检测模型中进行训练，即，上述步骤S103可以具体包括：获取用户对时频分布图像进行标记后的图像；将标记后的时频分布图像输入至初始的目标检测模型中进行有监督训练。
在本申请实施例中，通过将用户标记后的时频分布图像输入至初始点的目标检测模型中进行有监督训练，以便于目标检测模型能够有效学习各个信号对应的时频分布图像的特征。
在通过上述训练方式得到的雷达干扰感知模型，由于其能够通过学习检测出时频分布图像中的干扰信号的特征。因此，当一个时频分布图像中同时包含不同的干扰信号所对应的特征时，雷达干扰感知模型也能够同时检测出来。可见，本申请实施例中，引入计算机视觉领域的“目标检测”思想建立目标检测模型，在目标检测模型的训练时仅需提供四种单一干扰信号。而训练完成的目标检测模型(即上述雷达干扰感知模型)能够识别出图像中的所有干扰信号种类，进而实现对四种单一干扰信号、六种两两复合信号以及四种三重复合信号的雷达干扰的灵活感知。
由于训练完成的雷达干扰感知模型目的在于检测出单一干扰信号和复合信号，因此可以采用单一干扰信号和符合信号作为测试阶段的测试样本。其中，测试样本包括：梳状谱干扰信号(CSJ)，间歇采样干扰信号(ISRJ)，窄带瞄频干扰信号(NAJ)，频谱弥散干扰信号(SMSP)，梳状谱干扰与间歇采样干扰复合信号(CSJ+ISRJ)，梳状谱干扰与窄带瞄频干扰复合信号(CSJ+NAJ)，梳状谱干扰与频谱弥散干扰复合信号(CSJ+SMSP)，间歇采样干扰与窄带瞄频干扰复合信号(ISRJ+NAJ)，间歇采样干扰与频谱弥散干扰复合信号(ISRJ+SMSP)，窄带瞄频干扰与频谱弥散干扰复合信号(NAJ+SMSP)，梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号(CSJ+ISRJ+NAJ)，梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号(CSJ+ISRJ+SMSP)，梳状谱干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号(CSJ+NAJ+SMSP)，以及间歇采样干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号(ISRJ+NAJ+SMSP)。
一实施例中，测试样本在JNR为0dB至16dB之间，间隔2dB生成，共9种JNR条件下，每种干扰信号生成5组样本，共计9×14×5＝630组测试样本。设Pjam为干扰信号功率，Pnoise为添加到干扰信号中的噪声功率，JNR定义如下：
上述的测试样本用于对最终筛选出的雷达干扰感知模型的泛化能力及效果进行评估。
于本申请实施例中，采用YOLO系列模型作为初始的目标检测模型。具体的，可以采用YOLO系列中的YOLO v5s模型作为目标检测模型。YOLO v5s能够提高目标检测模型的检测性能，YOLO v5s模型相比其他的目标检测模型具有更少的参数量，能够减小网络模型训练的复杂度。
请参阅表二，表二为YOLO v5s模型的层级名称以及在使用YOLO v5s模型进行训练时的参数量。
表二
由于上述YOLO v5s模型本申请的层级已为本领域所熟知，因此，此处不作过多说明。
从表二可知，采用YOLO v5s模型进行训练时的参数量的总量为7071633。而其中第8层的Conv层与第7、10、24层的C3层占据全部网络参数量的58.98％，因此，于本申请实施例中，还对YOLO v5s模型的这四层结构进行轻量化改进。
作为一种轻量化实施方式，YOLO v5s模型的第八层设置为分组卷积层。
请参阅图4，图4为YOLO v5s模型原本的第八层Conv层与替换之后的分组卷积层的对比图。
需要说明的是，Conv层即为标准卷积层，标准卷积层为是CNN(Convolutionalneural network，卷积神经网络)中最基本的运算，是CNN的基础。
假设一组输入特征图尺寸为Cin×Hin×Win；Cin、Hin、Win分别为输入特征图通道数(Channel)、高度、宽度。经过一组K×K尺寸的卷积核，得到输出特征图尺寸为Cout×Hout×Wout。对于标准卷积，该运算过程，参数量为(K×K×Cin)×Cout。对于分组卷积，设分组数为G，将特征图在Channel(通道)上进行等分，即Cin/G个Channel编为一组，相应地，每组卷积运算后输出特征图Channel变为Cout/G，此时每组参数量为(K×K×Cin/G)×Cout/G，共有G组，分组卷积总参数量为(K×K×Cin)×Cout/G，为标准卷积运算的1/G，G值设置需满足同时被Cin与Cout整除。
在图4所示运算过程中，Cin＝8，Cout＝4，G＝2，此时分组卷积参数量为标准卷积的1/2。当然，在其他实施例中，G还可以根据需求设定为4，对此，本申请不作限定。
可见，在本申请实施例中，将YOLO v5s模型的第八层标准卷积层替换为分组卷积层，能够显著地减少第八层的参数量和计算量，进而减小YOLO v5s模型的参数量和计算量。
作为另一种轻量化实施方式，YOLO v5s模型的第七层、第十层以及第二十四层为Ghost卷积层。
需要说明的是，传统的深度学习神经网络中由卷积操作得到大量冗余特征图，这些特征图之间十分相似。由卷积操作得到冗余特征图的过程中包含大量的网络参数，消耗了大量的计算资源。而这些冗余信息保证了对输入数据的全面理解，对模型的精度至关重要，所以并不能直接去除这些冗余特征图。为使用更低成本的计算量来获取这些冗余特征图，因此此处采用Ghost卷积层作为YOLO v5s模型的第七层、第十层以及第二十四层。
Ghost卷积是一种分阶段的卷积运算模块，运算过程如图5所示。假设运算过程中卷积核大小为K×K，最终输出特征图尺寸为输出特征图尺寸为Cout×Hout×Wout，对于Cin×Hin×Win的输入特征图，首先输入特征图通过标准卷积运算得到Cin/s个Channel的特征图，该过程参数量为(K×K×Cin)×Cout/s。再对这些特征图进行线性变换得到冗余特征图，φ指线性变换操作，图中为逐通道卷积，可视为G＝Cin的分组卷积，该过程参数量为K×K×Cout×(s-1)/s。而这些线性变换得到的冗余特征图，就被称为之前特征图的“Ghost”，最终的输出特征图由此两部分特征图组合而成，整个过程参数量为(K×K×Cin)×Cout/s+(K×K×Cin)×Cout/s，约为标准卷积参数量的1/s。
需要说明的是，上述的s可以根据实际情况设定，比如输入特征图为八个维度，经过常规卷积变为了四个，那么s为2，即，在图5中s为2。
可见，在本申请实施例中，将YOLO v5s模型的第七层、第十层以及第二十四层的C3层替换为Ghost卷积层能够显著地减少第七层、第十层以及第二十四层各自的参数量和计算量，进而减小YOLO v5s模型的参数量和计算量。
请参阅图6，图6为通过上述轻量化改进后的YOLO v5s模型的结构示意图。输入数据为各类干扰的时频分析图像，首先经特征提取主干网络(第一层至第十层)提取时频域特征信息，再由特征融合网络(第十一层至第二十五层)融合不同尺度的特征信息，在三种尺度的特征图上进行预测，输出干扰感知结果。
下面目标检测模型对训练配置及试验验证相关内容进行说明。
网络训练过程主要的超参数设置如下：训练周期(epochs)为1000，批处理量(batchsize)为64，选择随机梯度下降法(Stochastic Gradient Descent,SGD)作为优化器，并设置动量因子为0.937，权重衰减系数为0.0005，初始学习率为0.01，在模型训练过程中将学习率逐步调整为原来的1/5，保证模型逐渐收敛。
评价指标：
网络的感知性能评价指标使用目标检测任务中常用的平均精度均值(MeanAverage Precision,mAP)指标，同时计算两种交并比(Intersection over Union，IOU)阈值下的mAP。分别为[email protected]与[email protected]:0.95，前者为IOU＝0.5时的mAP，后者为IOU从0.5到0.95，步长0.05，10种IOU的平均mAP。
实验中对某一种雷达干扰感知的结果包含4种情况，真阳性(True Positive，TP)，感知正确，感知结果为正的正样本；假阳性(False Positive，FP)，感知错误，感知结果为正的负样本；真阴性(True Negative，TN)，感知正确，感知结果为负的负样本；假阴性(FalseNegative，FN)，感知错误，感知结果为负的正样本。感知结果是否为正负样本根据IOU是否大于阈值确定。则召回率(Recall)、准确率(Precision)定义分别如公式(3)和公式(4)所示。
mAP的定义如公式(5)和公式(6)所示，其中AP为某一类的精度均值，P为Precision，R为Recall，P(R)表示精度和召回率的曲线，C为干扰类别数量，mAP越大则表示感知性能越强。
对于模型大小评价指标采用参数量(Params)的大小，运算复杂度采用浮点运算次数(Floating Point Operations，FLOPs)进行评价。
消融试验：
将原始的YOLO v5s和改进算法进行消融对比，评估各个模块对原始的YOLO v5s的改进能力，参数量、计算量、[email protected]与[email protected]:0.95的实验结果分别如表三、表四所列。
可以发现，在使用Ghost模块改进后，网络参数量与计算量明显下降，且感知性能也得到提升。对于分组卷积的使用，网络参数量与计算量进一步减少，但当G＝4时，感知性能会出现下降。综合消融实验结果比较，最终的改进结构为使用Ghost模块并且分组卷积G＝2，此时的改进算法在参数量减少24.4％的情况下仍保持了感知精度的明显提升。
表三
/>
表四
对比试验：
将改进网络(即上述结构改进后的目标检测模型)与YOLO v5s、YOLO v3、SSD几种典型的目标检测网络的感知性能进行对比。
无论在[email protected]及[email protected]:0.95的评价指标下，YOLO v5s与本申请实施例的改进网络的感知性能都明显优于经典的YOLO v3和SSD网络。对于[email protected]，YOLO v5s与本文改进网络的感知性能十分接近，最多相差1.2％。对于评价指标更为严格的[email protected]:0.95，本申请实施例改进网络的感知性能在不同JNR下仍优于未改进的YOLO v5s，最高在JNR＝16dB时可提高4.1％。
JNR低至0dB时，本申请实施例改进网络的测试结果混淆矩阵如图7所示，其中横轴为真实的干扰类别标签，纵轴为本文改进网络预测的干扰类别标签，Background标签指图像的背景。其中的数值为Recall，表示对于某类干扰，感知正确的干扰样本数与实际存在的干扰样本数的比值。由混淆矩阵表明，在所有的复合类型中，本文改进网络对CSJ、ISRJ、SMSP三类干扰的Recall都可达0.94以上。由于此时JNR较低，背景的噪声与NAJ特征接近，是低JNR条件下干扰感知难度大的重要原因，导致感知结果出现混淆，但对NAJ的Recall仍可达到0.89。可以看出，在JNR为0dB时，本文改进网络仍保持了较高的干扰感知性能。
感知结果证明：
使用本申请实施例所提供的网络模型对10类复合干扰进行感知实验，随机选取不同JNR条件下的复合干扰样本。输出的感知结果会显示干扰感知框，对干扰信号在时频图像中的分布区域进行框选，同时标注其所属类型。四种三重复合模式干扰与六种两两复合模式干扰的感知结果分别如图8、图9所示。
其中，图8(a)为梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号(CSJ+ISRJ+SMSP)的感知结果；图8(b)为梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号(CSJ+ISRJ+NAJ)；图8(c)为间歇采样干扰信号、窄带瞄频干扰和频谱弥散干扰三重复合信号(ISRJ+NAJ+SMSP)；图8(d)为梳状谱干扰信号、窄带瞄频干扰和频谱弥散干扰三重复合信号(CSJ+NAJ+SMSP)。
图9(a)为间歇采样干扰与频谱弥散干扰复合信号(ISRJ+SMSP)，图9(b)为梳状谱干扰与窄带瞄频干扰复合信号(CSJ+NAJ)，图9(c)为窄带瞄频干扰与频谱弥散干扰复合信号(NAJ+SMSP)，图9(d)为梳状谱干扰与间歇采样干扰复合信号(CSJ+ISRJ)，图9(e)为梳状谱干扰与频谱弥散干扰复合信号(CSJ+SMSP)，图9(f)为间歇采样干扰与窄带瞄频干扰复合信号(ISRJ+NAJ)。
从上述感知效果表明，干扰感知框可以准确标示框选出干扰信号，并且没有出现漏检，对于存在部分遮挡情况的干扰信号也能够准确感知。
下面对通过上述实施例训练得到的雷达干扰感知模型的应用过程进行说明，请参阅图10，图10为本申请实施例提供的一种雷达干扰信号识别方法，包括：步骤S201～步骤S203。
步骤S201：获取待检测干扰信号。
步骤S202：将待检测干扰信号进行时频分析处理，生成待检测时频分布图像。
步骤S203：将待检测时频分布图像输入至雷达干扰感知模型中，得到待检测干扰信号的识别结果。
其中，所述识别结果包括：梳状谱干扰信号，间歇采样干扰信号，窄带瞄频干扰信号，频谱弥散干扰信号，梳状谱干扰与间歇采样干扰复合信号，梳状谱干扰与窄带瞄频干扰复合信号，梳状谱干扰与频谱弥散干扰复合信号，间歇采样干扰与窄带瞄频干扰复合信号，间歇采样干扰与频谱弥散干扰复合信号，窄带瞄频干扰与频谱弥散干扰复合信号，梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号，梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号，梳状谱干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号，以及间歇采样干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号中的一种。
也即，在训练生成最终的雷达干扰感知模型后，可以将雷达干扰感知模型用于对待测干扰信号的感知检测。
请参阅图11，基于同一发明构思，本申请实施例还提供一种雷达干扰感知模型的训练装置200，该装置包括：
第一获取模块210，用于获取训练样本数据；其中，所述训练样本数据包括梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号。
第一处理模块220，用于将所述训练样本数据进行时频分析处理，生成时频分布图像。
训练模块230，用于将所述时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型。
可选地，该训练模块230具体用于获取用户对所述时频分布图像进行标记后的图像；将标记后的时频分布图像输入至所述初始的目标检测模型中进行有监督训练。
可选地，所述初始的目标检测模型为YOLO v5s模型。
可选地，所述YOLO v5s模型的第八层为分组卷积层。
可选地，所述YOLO v5s模型的第七层、第十层以及第二十四层为Ghost卷积层。
请参阅图12，基于同一发明构思，本申请实施例提供一种雷达干扰信号识别装置300，包括：
第二获取模块310，用于获取待检测干扰信号。
第二处理模块320，用于将所述待检测干扰信号进行时频分析处理，生成待检测时频分布图像。
识别模块330，用于将所述待检测时频分布图像输入至如权利要求1-5中任一项所述的雷达干扰感知模型的训练方法所生成的雷达干扰感知模型中，得到所述待检测干扰信号的识别结果；其中，所述识别结果包括：梳状谱干扰信号，间歇采样干扰信号，窄带瞄频干扰信号，频谱弥散干扰信号，梳状谱干扰与间歇采样干扰复合信号，梳状谱干扰与窄带瞄频干扰复合信号，梳状谱干扰与频谱弥散干扰复合信号，间歇采样干扰与窄带瞄频干扰复合信号，间歇采样干扰与频谱弥散干扰复合信号，窄带瞄频干扰与频谱弥散干扰复合信号，梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号，梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号，梳状谱干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号，以及间歇采样干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号中的一种。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种雷达干扰感知模型的训练方法，其特征在于，包括：
获取训练样本数据；其中，所述训练样本数据包括梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号；
将所述训练样本数据进行时频分析处理，生成时频分布图像；
将所述时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型；
其中，所述初始的目标检测模型为YOLO v5s模型；
所述YOLO v5s模型的第八层为分组卷积层；以及，
所述YOLO v5s模型的第七层、第十层以及第二十四层为Ghost卷积层。
2.根据权利要求1所述的方法，其特征在于，所述将所述时频分布图像输入至初始的目标检测模型中进行训练，包括：
获取用户对所述时频分布图像进行标记后的图像；
将标记后的时频分布图像输入至所述初始的目标检测模型中进行有监督训练。
3.一种雷达干扰信号识别方法，其特征在于，包括：
获取待检测干扰信号；
将所述待检测干扰信号进行时频分析处理，生成待检测时频分布图像；
将所述待检测时频分布图像输入至如权利要求1-2中任一项所述的雷达干扰感知模型的训练方法所生成的雷达干扰感知模型中，得到所述待检测干扰信号的识别结果；其中，所述识别结果包括：梳状谱干扰信号，间歇采样干扰信号，窄带瞄频干扰信号，频谱弥散干扰信号，梳状谱干扰与间歇采样干扰复合信号，梳状谱干扰与窄带瞄频干扰复合信号，梳状谱干扰与频谱弥散干扰复合信号，间歇采样干扰与窄带瞄频干扰复合信号，间歇采样干扰与频谱弥散干扰复合信号，窄带瞄频干扰与频谱弥散干扰复合信号，梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号，梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号，梳状谱干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号，以及间歇采样干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号中的一种。
4.一种雷达干扰感知模型的训练装置，其特征在于，包括：
第一获取模块，用于获取训练样本数据；其中，所述训练样本数据包括梳状谱干扰信号、间歇采样干扰信号、窄带瞄频干扰信号以及频谱弥散干扰信号；
第一处理模块，用于将所述训练样本数据进行时频分析处理，生成时频分布图像；
训练模块，用于将所述时频分布图像输入至初始的目标检测模型中进行训练，生成雷达干扰感知模型；
其中，所述初始的目标检测模型为YOLO v5s模型；
所述YOLO v5s模型的第八层为分组卷积层；以及，
所述YOLO v5s模型的第七层、第十层以及第二十四层为Ghost卷积层。
5.一种雷达干扰信号识别装置，其特征在于，包括：
第二获取模块，用于获取待检测干扰信号；
第二处理模块，用于将所述待检测干扰信号进行时频分析处理，生成待检测时频分布图像；
识别模块，用于将所述待检测时频分布图像输入至如权利要求1-2中任一项所述的雷达干扰感知模型的训练方法所生成的雷达干扰感知模型中，得到所述待检测干扰信号的识别结果；其中，所述识别结果包括：梳状谱干扰信号，间歇采样干扰信号，窄带瞄频干扰信号，频谱弥散干扰信号，梳状谱干扰与间歇采样干扰复合信号，梳状谱干扰与窄带瞄频干扰复合信号，梳状谱干扰与频谱弥散干扰复合信号，间歇采样干扰与窄带瞄频干扰复合信号，间歇采样干扰与频谱弥散干扰复合信号，窄带瞄频干扰与频谱弥散干扰复合信号，梳状谱干扰、间歇采样干扰和窄带瞄频干扰三重复合信号，梳状谱干扰信号、间歇采样干扰和频谱弥散干扰三重复合信号，梳状谱干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号，以及间歇采样干扰、窄带瞄频干扰和频谱弥散干扰三重复合信号中的一种。
6.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；
所述存储器用于存储程序；
所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-2中任一项所述的方法，和/或执行如权利要求3所述的方法。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如权利要求1-2中任一项所述的方法，和/或执行如权利要求3所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210547511.XA CN114818828B (zh) | 2022-05-18 | 2022-05-18 | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210547511.XA CN114818828B (zh) | 2022-05-18 | 2022-05-18 | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114818828A CN114818828A (zh) | 2022-07-29 |
| CN114818828B true CN114818828B (zh) | 2024-04-05 |
Family
ID=82514404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210547511.XA Active CN114818828B (zh) | 2022-05-18 | 2022-05-18 | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114818828B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及*** |
| CN117452367B (zh) * | 2023-12-21 | 2024-03-26 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号提取方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019161076A1 (en) * | 2018-02-19 | 2019-08-22 | Digital Global Systems, Inc. | Systems, methods, and devices for unmanned vehicle detection and threat management |
| CN111541511A (zh) * | 2020-04-20 | 2020-08-14 | 中国人民解放军海军工程大学 | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 |
| CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
| CN113469073A (zh) * | 2021-07-06 | 2021-10-01 | 西安电子科技大学 | 一种基于轻量级深度学习的sar图像舰船检测方法及*** |
| CN113486898A (zh) * | 2021-07-08 | 2021-10-08 | 西安电子科技大学 | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及*** |
| CN114266299A (zh) * | 2021-12-16 | 2022-04-01 | 京沪高速铁路股份有限公司 | 基于无人机作业的铁路桥梁钢结构缺陷检测方法及*** |
| CN114429156A (zh) * | 2022-01-21 | 2022-05-03 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200143279A1 (en) * | 2018-11-06 | 2020-05-07 | DeepSig Inc. | Radio frequency band segmentation, signal detection and labelling using machine learning |
-
2022
- 2022-05-18 CN CN202210547511.XA patent/CN114818828B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019161076A1 (en) * | 2018-02-19 | 2019-08-22 | Digital Global Systems, Inc. | Systems, methods, and devices for unmanned vehicle detection and threat management |
| CN111541511A (zh) * | 2020-04-20 | 2020-08-14 | 中国人民解放军海军工程大学 | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 |
| CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
| CN113469073A (zh) * | 2021-07-06 | 2021-10-01 | 西安电子科技大学 | 一种基于轻量级深度学习的sar图像舰船检测方法及*** |
| CN113486898A (zh) * | 2021-07-08 | 2021-10-08 | 西安电子科技大学 | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及*** |
| CN114266299A (zh) * | 2021-12-16 | 2022-04-01 | 京沪高速铁路股份有限公司 | 基于无人机作业的铁路桥梁钢结构缺陷检测方法及*** |
| CN114429156A (zh) * | 2022-01-21 | 2022-05-03 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
Non-Patent Citations (5)
| Title |
|---|
| Qinzhe Lv等."Radar Deception Jamming Recognition Based on Weighted Ensemble CNN With Transfer Learning".《IEEE》.2021,第1-11页. * |
| Xiongxin Zou等."A lightweight model based on YOLOv5 for helmet wearing detection".《PROCEEDINGS OF SPIE》.2022,第1-6页. * |
| 成李博."基于深度学习的滑坡灾害检测模型研究".《中国优秀硕士学位论文全文数据库 基础科学辑》.2021,第II页. * |
| 王书坤等."改进的轻量型YOLOv5绝缘子缺陷检测算法研究".《湖北民族大学学报 （ 自然科学版 ）》.2021,第456-461页. * |
| 郎彬deng."一种小样本数据驱动的雷达复合干扰轻量化感知网络".《 北京航空航天大学学报》.2022,第1-13页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114818828A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114818828B (zh) | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 | |
| CN110992169B (zh) | 一种风险评估方法、装置、服务器及存储介质 | |
| EP3385919B1 (en) | Method of processing passage record and device | |
| CN109155006A (zh) | 使用神经网络进行基于频率的音频分析 | |
| Gaidai et al. | A novel bio-system reliability approach for multi-state COVID-19 epidemic forecast | |
| CN111191601B (zh) | 同行用户识别方法、装置、服务器及存储介质 | |
| Pihur et al. | Reconstruction of genetic association networks from microarray data: a partial least squares approach | |
| CN111080108A (zh) | 数据驱动的武器装备作战效能评估指标筛选方法及*** | |
| CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
| EP4273754A1 (en) | Neural network training method and related device | |
| CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN115631396A (zh) | 一种基于知识蒸馏的YOLOv5目标检测方法 | |
| CN110287703B (zh) | 车辆安全风险检测的方法及装置 | |
| CN113256622A (zh) | 基于三维图像的目标检测方法、装置及电子设备 | |
| CN117332324A (zh) | 管道漏损检测方法、装置、电子设备及存储介质 | |
| US11341394B2 (en) | Diagnosis of neural network | |
| Su et al. | PSR-LSTM model for weak pulse signal detection | |
| US9122705B1 (en) | Scoring hash functions | |
| CN115345257A (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 | |
| Jung et al. | Spatial cluster detection for ordinal outcome data | |
| CN115146258B (zh) | 请求处理方法、装置、存储介质及电子设备 | |
| CN114400049B (zh) | 肽段定量模型的训练方法、装置、计算机设备及存储介质 | |
| CN113505627B (zh) | 遥感数据处理方法、装置、电子设备和存储介质 | |
| CN117877753B (zh) | 基于多元数据的大流行病的监控方法、***、设备和介质 | |
| CN112839327B (zh) | 基于WiFi信号的人员合法性检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |