CN115097396A - 基于cnn和lstm串联模型的雷达有源干扰识别方法 - Google Patents
基于cnn和lstm串联模型的雷达有源干扰识别方法 Download PDFInfo
- Publication number
- CN115097396A CN115097396A CN202210707604.4A CN202210707604A CN115097396A CN 115097396 A CN115097396 A CN 115097396A CN 202210707604 A CN202210707604 A CN 202210707604A CN 115097396 A CN115097396 A CN 115097396A
- Authority
- CN
- China
- Prior art keywords
- time
- active interference
- interference signal
- radar
- radar active
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种深度学习下基于卷积神经网络CNN和长短时记忆网络LSTM串联模型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,生成雷达有源干扰信号集合;生成雷达有源干扰信号时频灰度图像集;生成训练集和验证集;构建深度学习网络并进行训练;对待识别的雷达有源干扰信号进行识别。本发明能够在获取信号有效特征不足的情况下进行雷达有源干扰信号类型的检测,加快网络训练时的收敛速度,提高了雷达有源干扰信号分类的准确性,有利于雷达及时选取有效的抗干扰措施,提升雷达的生存率。
Description
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基于卷积神经网络CNN(Convolution Neural Network)和长短时记忆网络LSTM(Long Short-Term Memory)串联模型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有源干扰背景下识别有源干扰的类型。
背景技术
雷达有源干扰信号识别是雷达进行抗干扰的前提和基础。在雷达电子战场中,随着数字射频存储器DRFM(digital radio frequency memory)的诞生和不断发展,干扰机可以在较短时间内快速调制产生多种复杂干扰,其干扰信号的调制方式和相关参数都较为复杂,干扰信号和真实目标回波信号同时被雷达接收机处理后,雷达无法判断真实目标信息。只有精准识别出有源干扰信号的类型,才能及时采取有效的抗干扰措施,保证己方雷达的正常工作。但目前现有技术仍存在一定的问题和不足,在复杂雷达电磁环境中,已知方法对雷达有源干扰的识别往往需要构建大量数据集,且模型的训练耗时较长,收敛速度较慢。
Qinzhe Lv等人在其发表的论文“Radar Deception Jamming Recognition Basedon Weighted Ensemble CNN With Transfer Learning”(IEEE Transactions onGeoscience and Remote Sensing,2021,11)中提出了一种基于加权集成CNN与迁移学习(WECNN-TL)的雷达有源干扰识别方法。该方法通过短时傅里叶变换(STFT)获得干扰信号的时频分布图,然后将该分布图的实部、虚部、模量和相位进行不同的组合,构建多个数据集;最后,构建具有加权投票和迁移学习的集成CNN(ECNN)模型来实现干扰目标识别。该方法存在的不足之处是,构建加权投票和迁移学习的集成CNN的网络模型过程复杂,且需要对干扰信号进行不同的拆分组合,构建多个数据集,由于该网络特征数据集较多,模型的识别准确率依赖于分布图组合特征数据集的好坏,当组合特征无效时模型准确率会迅速下降,而且过程复杂,实时性低。
西安电子科技大学在其申请的专利文献“开集场景下基于深度卷积网络的雷达有源干扰识别方法”(申请号202110831478.9,申请公布号:CN 113534059 A)中公开了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。该方法在开集场景下,对接收到的雷达有源干扰信号进行归一化处理,生成训练集和验证集;构建深度卷积网络模型;训练构建的深度卷积网络模型;利用训练好的深度卷积网络模型对已知有源干扰信号的后验分布集中程度,计算出待分类干扰信号后验分布集中程度置信分数;将置信分数与设定阈值做比较,高于阈值,则判断干扰为后验概率最高的干扰类型,否则判断干扰为未知干扰。该发明虽然能识别出已知有源干扰类型,并判断未知有源干扰类型,但是,该方法仍存在的不足之处是,需要自行搭建一个网络层数为14的深度卷积网络,网络结构过于复杂,模型深度较大,且在训练过程中收敛速度较慢,耗时较长。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种深度学习下基于CNN和LSTM串联模型的雷达有源干扰识别方法,以解决雷达有源干扰环境下干扰信号类型识别结果依赖于较多特征数据集,以及网络在训练时收敛速度较慢、模型复杂度高的问题。
实现本发明目的的思路是:本发明构建一个CNN和LSTM串联的深度学***滑伪Wigner-Ville分布SPWVD(Smooth PseudoWigner-Ville Distribution)时频图像数据集,利用该网络中CNN的卷积核可以自动提取有源干扰时频图像的时频复合特征的能力,识别过程是一个端到端过程,实时性高,避免了需要构建多个不同的特征数据集的过程。本发明将CNN和LSTM串联,串联模型结构简单,只需将时频图像输入CNN,然后将CNN提取到的有源干扰信号的特征向量经过转换传入LSTM做时序特征分析,该网络结构简单,CNN和LSTM均在迭代过程中易收敛,通过使用批量归一化层,解决现有模型收敛速度较慢、模型复杂度高的问题。
本发明的具体步骤如下:
步骤1,生成雷达有源干扰信号集合:
生成包含至少13个种类的雷达有源干扰信号,每个种类的雷达有源干扰信号数据集至少包含900个雷达有源干扰信号时间序列样本,将全部种类的雷达有源干扰信号数据集组成雷达有源干扰信号集合;
步骤2,生成雷达有源干扰信号时频灰度图像集:
步骤2.1,对雷达有源干扰信号集合中每个干扰信号进行平滑伪Wigner-Ville分布SPWVD时频分析,生成该时间序列样本对应的时频彩色图像;
步骤2.2,对每个时频彩色图像进行预处理,得到每个雷达有源干扰信号预处理后的时频灰度图像,将所有时频灰度图像组成时频灰度图像集;
步骤3,生成训练集和验证集:
随机抽取雷达有源干扰信号时频灰度图像数据集的每一种类型中的信号,以5:1的比例组合成训练集和验证集;
步骤4,构建深度学习网络:
步骤4.1,搭建一个8层的卷积神经网络,其结构依次为:第一卷积层,第一池化层,第二卷积层,第二池化层,第三卷积层,第三池化层,第四卷积层,第四池化层;将第一至第四卷积层的卷积核数目依次设置为16,32,64,128,第一至第四卷积层的卷积核大小均设置为3,卷积核的激活函数均设置为relu激活函数;第一至第四池化层均设置为最大池化;
步骤4.2,搭建一个6层的LSTM,其结构依次为:第一层神经元,第二层神经元,第三层神经元,第一全连接层,第二全连接层,SoftMax层;将第一至第三层神经元数目依次设置为8,16,24,第一、第二全连接层的全连接神经元的数目分别设置为512、14;
步骤4.3,将搭建好的CNN和LSTM串联,CNN作为串联深度学习网络的的输入网络,LSTM作为输出网络,得到CNN和LSTM串联的深度学习网络;
步骤5,训练深度学习网络:
步骤5.1,使用随机采样算法,打乱训练集中干扰信号的顺序,得到乱序后的训练集;
步骤5.2,设置训练的学习率为0.0001,使用适应性矩估计Adam优化器迭代更新深度学习网络的参数,损失函数采用交叉熵损失函数;
步骤5.3,将乱序后的雷达有源干扰信号时频灰度图像训练集和验证集,按批次依次输入到深度学***拉伸后输入到LSTM网络,不断迭代更新深度学习网络的参数,直到损失函数收敛为止,得到训练好的深度学习网络;
步骤6,对待识别的雷达有源干扰信号进行识别:
步骤6.1,采用与步骤2相同的方法,对待识别的雷达有源干扰信号进行处理;
步骤6.2,将待识别的雷达有源干扰信号时频灰度图像,按批次将图像依次输入到训练好深度学习网络中,输出雷达有源干扰信号的识别结果。
本发明与现有技术相比具有如下优点:
第一,由于本发明构建的CNN和LSTM串联的深度学习网络中的CNN,直接处理雷达有源干扰信号的SPWVD时频图像数据集,CNN的卷积核可以自动提取有源干扰时频图像的时频复合特征,克服了现有技术需要构建多个不同的特征数据集的不足,使得本发明具有能够在获取信号有效特征不足的情况下进行有源干扰信号类型的检测,提高了雷达有源干扰信号分类的准确性。
第二,由于本发明将CNN和LSTM串联,串联模型结构简单,只需将时频图像输入CNN,然后将CNN提取到的有源干扰信号的特征向量经过转换传入LSTM做时序特征分析,该网络结构简单,CNN和LSTM均在迭代过程中易收敛,通过使用批量归一化层,避免了现有技术中深度学习网络收敛速度较慢、模型复杂度高的问题,使得本发明显著加快了网络在训练时的收敛速度,提高了雷达有源干扰信号识别的效率。
附图说明
图1是本发明的流程图;
图2是本发明仿真实验中CNN和LSTM串联模型训练过程中识别准确率、损失函数的变化曲线图和混淆矩阵图;
图3是本发明仿真实验中CNN和LSTM串联模型在不同干噪比下识别准确率的变化曲线图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细描述。
参照图1和实施例,对本发明实现的具体实施做进一步的详细描述。
步骤1,生成雷达有源干扰信号集合:
本发明的实施例生成包含13个种类雷达有源干扰信号和1类目标回波信号,在[0,21]dB干噪比范围内,每间隔3dB,在各个干噪比下对每种雷达有源干扰信号分别添加指定干噪比的高斯噪声,得到每类雷达有源干扰信号在每个干噪比下的在不同速度条件下生成的300个时间序列、不同带宽条件下生成的300个时间序列和不同时宽条件下生成的300个时间序列,共计900个不同的时间序列样本。在全部干噪比条件下,每种雷达有源干扰信号分别有7200个时间序列样本。将全部干噪比条件下,14种雷达信号共计100800个不同的时间序列样本组成雷达有源干扰信号数据集。
13个种类雷达有源干扰信号分别为:射频噪声干扰,噪声调频干扰、距离拖引干扰、速度拖引干扰、距离速度联合拖引干扰、灵巧噪声干扰、密集假目标干扰、频谱弥散干扰、切片组合干扰、噪声调频干扰时域复合距离拖引干扰、噪声调频干扰时域复合速度拖引干扰、噪声调频干扰时域复合距离速度联合拖引干扰、射频噪声干扰时域复合距离拖引干扰。
每个干扰信号的波长固定为0.1m,脉冲重复周期固定为100μs,脉冲个数固定为6,采样频率固定为25MHz,每个干扰信号的带宽范围为[8,12]MHz、脉宽范围为[7.5,12.5]μs,干扰机的径向速度范围为[400,700]m/s。
步骤2,对雷达有源干扰信号集合中的每个雷达有源干扰信号进行时频分析预处理,生成雷达有源干扰信号时频灰度图像集:
步骤2.1,利用下式,对雷达有源干扰信号数据集中的每个时间序列样本进行时频分析,得到该时间序列样本对应的时频彩色图像:
其中,SPWDi(t,f)表示第i个雷达有源干扰信号在第t个时刻、第f个频率的SPWVD变换时频分布功率谱密度,t的取值范围为[0,100]μs,f的取值范围为[0,25]ΜHz,τ表示雷达有源干扰信号的时延,本发明的实施例中τ取值为26.7μs,u表示雷达有源干扰信号的局部时间,范围为[0,100]μs,si(·)表示第i个雷达有源干扰信号的时间序列,*表示共轭操作,e(·)表示以自然常数e为底的指数操作,j表示虚数单位符号,π表示圆周率,h(·)表示实偶窗函数。
步骤2.2,对每个时频图像依次进行裁剪、灰度化处理,得到每个雷达有源干扰信号预处理后的时频灰度图像。
所述裁剪指的是将每个雷达有源干扰信号时频彩色图像裁剪成大小为64*64的时频彩色图像;灰度化指的是对裁剪后的每张时频彩色图像进行灰度化处理,得到该张图像对应的时频灰度图像。将所有时频灰度图像组成时频灰度图像集。
步骤3,生成训练集和验证集:
随机抽取雷达有源干扰信号时频灰度图像数据集的每一种类型中的信号,以5:1的比例组合成训练集和验证集;
步骤4,构建深度学习网络:
步骤4.1,搭建一个8层的CNN,其结构依次为:第一卷积层,第一池化层,第二卷积层,第二池化层,第三卷积层,第三池化层,第四卷积层,第四池化层;将第一至第四卷积层的卷积核数目依次设置为16,32,64,128,第一至第四卷积层的卷积核大小均设置为3,卷积核的激活函数均设置为relu激活函数;第一至第四池化层均设置为最大池化。
步骤4.2,搭建一个6层的LSTM,其结构依次为:第一层神经元,第二层神经元,第三层神经元,第一全连接层,第二全连接层,SoftMax层;将第一至第三层神经元数目依次设置为8,16,24,第一、第二全连接层的全连接神经元的数目分别设置为512、14。
步骤4.3,将搭建好的CNN和LSTM串联,CNN作为串联深度学习网络的的输入网络,LSTM作为输出网络,得到CNN和LSTM串联的深度学习网络。
步骤5,训练深度学习网络:
步骤5.1,使用随机采样算法,打乱训练集中干扰信号的顺序,得到乱序后的训练集。
步骤5.2,设置训练的学习率为0.0001,使用适应性矩估计Adam优化器迭代更新深度学习网络的参数,损失函数采用交叉熵损失函数。
步骤5.3,将乱序后的雷达有源干扰信号时频灰度图像训练集和验证集,按每批次100张、20张灰度图像依次输入到深度学***拉伸后输入到LSTM网络,不断迭代更新深度学习网络的参数,直到损失函数收敛为止,得到训练好的深度学习网络。
步骤6,对待识别的雷达有源干扰信号进行识别:
步骤6.1,采用与步骤2相同方法,对待识别的雷达有源干扰信号进行处理;
步骤6.2,将待识别的雷达有源干扰信号时频灰度图像,按每批次20张图像依次输入到训练好深度学习网络中,输出雷达有源干扰信号的识别结果。
下面结合仿真实验对本发明的效果做进一步的描述。
1.仿真条件:
本发明的仿真实验的软件平台为:Windows 10操作***和python 3.8。
本发明仿真实验中使用的有源干扰信号包含13类雷达有源干扰信号和1类目标回波信号,分别为:射频噪声干扰、噪声调频干扰、距离拖引干扰、速度拖引干扰、距离速度联合拖引干扰、密集假目标干扰、频谱弥散干扰、切片组合干扰、噪声调频干扰时域复合距离拖引干扰、噪声调频干扰时域复合速度拖引干扰、噪声调频干扰时域复合距离速度联合拖引干扰、射频噪声干扰时域复合距离拖引干扰共13种有源干扰类型和目标回波信号。每个干扰信号的波长固定为0.1m,脉冲重复周期固定为100μs,脉冲个数固定为6,采样频率固定为25MHz,每个干扰信号的带宽范围为[8,12]MHz、脉宽范围为[7.5,12.5]μs,干扰机的径向速度范围为[400,700]m/s。
2.仿真内容与结果分析:
本发明的仿真实验是使用本发明的识别方法,将雷达有源干扰信号时频图像训练集这一小数据集对CNN和LSTM串联的深度学习网络训练后,得到训练好的深度学习网络,进而实现雷达有源干扰信号时频图像测试集的分类。
本发明的仿真实验包括两个:
仿真实验1。
本发明的仿真实验1所使用的训练集和测试集是根据本发明步骤3生成的雷达有源干扰训练集和测试集分别提取13类有源干扰类型和目标回波信号,训练集中每种信号类型有700个信号样本,测试集中每种信号类型有150个信号样本。
13个种类雷达有源干扰信号分别为:射频噪声干扰、噪声调频干扰、距离拖引干扰、速度拖引干扰、距离速度联合拖引干扰、密集假目标干扰、频谱弥散干扰、切片组合干扰、噪声调频干扰时域复合距离拖引干扰、噪声调频干扰时域复合速度拖引干扰、噪声调频干扰时域复合距离速度联合拖引干扰、射频噪声干扰时域复合距离拖引干扰。
使用训练集训练CNN和LSTM的串联模型,在干噪比为21dB的情况下测试有源干扰识别模型,评估模型的识别性能。
通过计算模型每次迭代的损失函数值和识别准确率,得到模型每次迭代的准确率值变化曲线如图2(a)所示,损失函数如图2(b)所示,图2(a)中的横轴代表迭代次数,图像纵轴对应每次迭代的准确率,图2(b)中的横轴代表迭代次数,图像纵轴对应每次迭代的损失函数值。
从图2(a)中可以看出,随着迭代次数的增加,本发明提出的CNN和LSTM的串联模型对雷达有源干扰信号的识别准确率急剧增加,当迭代次数达到160次时,训练集上的准确率不再明显增加,最终收敛至接近1,表明该串联模型对雷达有源干扰信号时频图像的识别性能较好。
从图2(b)中可以看出,随着迭代次数的增加,本发明提出的CNN和LSTM的串联模型损失不再显著减小,表明该串联模型对雷达有源干扰信号时频图像的拟合效果较好。
采用以下公式,计算本发明的方法在雷达有源干扰信号时频图像测试集上对每种雷达有源干扰信号的识别准确率,利用混淆矩阵绘制各类雷达有源干扰信号识别准确率结果图。利用混淆矩阵得到模型对各类雷达有源干扰信号的识别准确率如图2(c)所示。混淆矩阵的横坐标轴是模型对信号的预测标签,纵坐标轴是模型测试集的真实标签,正对角线表示不同标签的正确预测个数,颜色越深表明预测正确的个数越多。
图2(c)中的1-14的标签,分别对应13种雷达有源干扰信号和目标回波信号,标签从1到14分别是:切片组合干扰、灵巧噪声干扰、距离速度拖引干扰、距离拖引干扰、速度拖引干扰、密集假目标干扰、频谱弥散干扰、噪声调频干扰、射频噪声干扰、目标回波信号、噪声调频干扰复合距离速度拖引干扰、噪声调频干扰复合速度拖引干扰、噪声调频干扰复合距离拖引干扰、射频噪声干扰复合距离拖引干扰。
从图2(c)可以看出,本发明提出的CNN和LSTM的串联模型,对13类有源干扰信号和目标回波信号的识别准确率均为1。以上仿真实验表明:本发明提出的方法解决了现有技术需要构建多个不同的特征数据集的不足,能够在获取信号有效特征不足的情况下进行有源干扰信号类型的检测,加快了网络在训练时的收敛速度,提高了雷达有源干扰信号的准确性。
仿真实验2。
本发明的仿真实验2是在[0,21]dB干噪比范围内,每次间隔3dB,分别对本发明提出的CNN和LSTM的串联模型评估模型的识别性能。通过计算模型每次迭代的损失函数值和识别准确率,得到准确率、损失函数值变化曲线如图3所示,图3中的横轴代表迭代次数,左侧图像纵轴对应每次迭代的准确率,右侧图像纵轴对应每次迭代的损失函数值。
从图3中可以看出,随着干噪比的增大,本发明提出的CNN和LSTM的串联模型对雷达有源干扰信号的识别准确率显著提高,当干噪比达到9dB时,训练集上的准确率接近1,表明该网络在当前干噪比下对雷达有源干扰信号的识别性能较好。干噪比越大,干扰信号中的噪声越小,干扰信号特征越明显,随着干噪比的增加模型识别准确率逐渐提高最终收敛至接近1,识别准确率越高代表模型的识别性能越好。以上仿真实验表明:本发明方法端到端的自动有源干扰识别方法在不同干噪比下能准确识别干扰类型,同时在较低的干噪比下仍然具有较高的准确率,表明本发明的方法具有较好的抗噪性能。
Claims (4)
1.一种深度学习下基于卷积神经网络CNN和长短时记忆网络LSTM串联模型的雷达有源干扰识别方法,其特征在于,构建一个由CNN和LSTM串联的深度学习网络,利用CNN和LSTM实现对信号的时频时序深层特征提取,该识别方法的步骤包括如下:
步骤1,生成雷达有源干扰信号集合:
生成包含至少13个种类的雷达有源干扰信号,每个种类的雷达有源干扰信号数据集至少包含900个雷达有源干扰信号时间序列样本,将全部种类的雷达有源干扰信号数据集组成雷达有源干扰信号集合;
步骤2,生成雷达有源干扰信号时频灰度图像集:
步骤2.1,对雷达有源干扰信号集合中每个干扰信号进行平滑伪Wigner-Ville分布SPWVD时频分析,生成该时间序列样本对应的时频彩色图像;
步骤2.2,对每个时频彩色图像进行预处理,得到每个雷达有源干扰信号预处理后的时频灰度图像,将所有时频灰度图像组成时频灰度图像集;
步骤3,生成训练集和验证集:
随机抽取雷达有源干扰信号时频灰度图像数据集的每一种类型中的信号,以5:1的比例组合成训练集和验证集;
步骤4,构建深度学习网络:
步骤4.1,搭建一个8层的卷积神经网络,其结构依次为:第一卷积层,第一池化层,第二卷积层,第二池化层,第三卷积层,第三池化层,第四卷积层,第四池化层;将第一至第四卷积层的卷积核数目依次设置为16,32,64,128,第一至第四卷积层的卷积核大小均设置为3,卷积核的激活函数均设置为relu激活函数;第一至第四池化层均设置为最大池化;
步骤4.2,搭建一个6层的LSTM,其结构依次为:第一层神经元,第二层神经元,第三层神经元,第一全连接层,第二全连接层,SoftMax层;将第一至第三层神经元数目依次设置为8,16,24,第一、第二全连接层的全连接神经元的数目分别设置为512、14;
步骤4.3,将搭建好的CNN和LSTM串联,CNN作为串联深度学习网络的的输入网络,LSTM作为输出网络,得到CNN和LSTM串联的深度学习网络;
步骤5,训练深度学习网络:
步骤5.1,使用随机采样算法,打乱训练集中干扰信号的顺序,得到乱序后的训练集;
步骤5.2,设置训练的学习率为0.0001,使用适应性矩估计Adam优化器迭代更新深度学习网络的参数,损失函数采用交叉熵损失函数;
步骤5.3,将乱序后的雷达有源干扰信号时频灰度图像训练集和验证集,按批次依次输入到深度学***拉伸后输入到LSTM网络,不断迭代更新深度学习网络的参数,直到损失函数收敛为止,得到训练好的深度学习网络;
步骤6,对待识别的雷达有源干扰信号进行识别:
步骤6.1,采用与步骤2相同的方法,对待识别的雷达有源干扰信号进行处理;
步骤6.2,将待识别的雷达有源干扰信号时频灰度图像,按批次将图像依次输入到训练好深度学习网络中,输出雷达有源干扰信号的识别结果。
3.根据权利要求1所述的基于CNN和LSTM串联模型的雷达有源干扰识别方法,其特征在于:步骤2.2中所述的预处理指的是:对雷达有源干扰信号数据集中每个干扰信号的SPWVD变换时频彩色图像依次进行裁剪、灰度化处理,得到雷达有源干扰信号时频灰度图像集;所述裁剪指的是将每个雷达有源干扰信号时频彩色图像裁剪成大小为64*64的时频彩色图像;灰度化指的是对裁剪后的每张时频彩色图像进行灰度化处理,得到该张图像对应的时频灰度图像;将所有时频灰度图像组成时频灰度图像集。
4.根据权利要求1所述的基于深度迁移学习的雷达有源干扰信号识别方法,其特征在于:步骤5.3和步骤6.2中所述的批次指的是:每次输入到网络中的图像张数,每批次所选的张数依赖于数据集的大小设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707604.4A CN115097396A (zh) | 2022-06-21 | 2022-06-21 | 基于cnn和lstm串联模型的雷达有源干扰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707604.4A CN115097396A (zh) | 2022-06-21 | 2022-06-21 | 基于cnn和lstm串联模型的雷达有源干扰识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097396A true CN115097396A (zh) | 2022-09-23 |
Family
ID=83292620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210707604.4A Pending CN115097396A (zh) | 2022-06-21 | 2022-06-21 | 基于cnn和lstm串联模型的雷达有源干扰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097396A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047427A (zh) * | 2023-03-29 | 2023-05-02 | 西安电子科技大学 | 一种小样本雷达有源干扰识别方法 |
CN117289218A (zh) * | 2023-11-24 | 2023-12-26 | 西安电子科技大学 | 一种基于注意力级联网络的有源干扰识别方法 |
CN118226382A (zh) * | 2024-05-22 | 2024-06-21 | 西安电子科技大学 | 基于多标签神经网络的雷达复合干扰识别方法及其装置 |
-
2022
- 2022-06-21 CN CN202210707604.4A patent/CN115097396A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047427A (zh) * | 2023-03-29 | 2023-05-02 | 西安电子科技大学 | 一种小样本雷达有源干扰识别方法 |
CN117289218A (zh) * | 2023-11-24 | 2023-12-26 | 西安电子科技大学 | 一种基于注意力级联网络的有源干扰识别方法 |
CN117289218B (zh) * | 2023-11-24 | 2024-02-06 | 西安电子科技大学 | 一种基于注意力级联网络的有源干扰识别方法 |
CN118226382A (zh) * | 2024-05-22 | 2024-06-21 | 西安电子科技大学 | 基于多标签神经网络的雷达复合干扰识别方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115097396A (zh) | 基于cnn和lstm串联模型的雷达有源干扰识别方法 | |
CN107301432B (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN111220958A (zh) | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 | |
CN113571067B (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN113298846B (zh) | 基于时频语义感知的干扰智能检测方法 | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN112859012B (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
Lin et al. | DL-CFAR: A novel CFAR target detection method based on deep learning | |
CN112949387A (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN114881093B (zh) | 一种信号分类识别方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
Liu et al. | Radar emitter signal detection with convolutional neural network | |
CN111707998A (zh) | 一种基于连通区域特征的海面漂浮小目标检测方法 | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
CN112835008B (zh) | 基于姿态自适应卷积网络的高分辨距离像目标识别方法 | |
CN117233706A (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
Qiu et al. | A radar jamming recognition method based on hybrid dilated convolution | |
CN114580468A (zh) | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 | |
CN114519372A (zh) | 基于支持向量机的一维距离像目标识别方法 | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和*** | |
CN118115853A (zh) | 一种基于轻量化全卷积神经网络的宽带信号检测方法 |
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 |