一种基于双线性高效神经网络的有源干扰识别方法技术

本发明专利技术属于雷达干扰信号识别技术领域，具体涉及一种基于双线性高效神经网络的有源干扰识别方法。本发明专利技术针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题，设计了更智能化的干扰识别方法。本发明专利技术通过对多种干扰信号进行建模分析，从信号时频图像的角度，采用双线性高效神经网络进行识别，在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性，相对于人工提取特征的传统方式，精度更高、更为简便。本发明专利技术无需干扰信号特征的先验知识，在低干噪比下具有一定的鲁棒性，突破了现有的雷达有源干扰识别方法的应用局限。

【技术实现步骤摘要】
一种基于双线性高效神经网络的有源干扰识别方法
本专利技术属于雷达干扰信号识别
，具体涉及一种基于双线性高效神经网络的有源干扰识别方法。
技术介绍
借助数字射频存储(DigitalRadioFrequencyMemory,DRFM)对雷达信号的精确复制与再现，现代有源干扰更多以相干干扰的模式展现，其对回波信号的识别有很强的迷惑作用，显著降低了雷达的工作性能和探测效率，为雷达抗干扰技术的发展带来新的挑战。抗干扰措施的选取，需要在确定干扰类型的基础上进行。传统基于DRFM的雷达有源干扰类型的识别依赖事先累计的工作经验，并且通过人工识别，存在工作效率低下且正确率因人而定、自主化及智能化程度不强等缺点。同时，随着模式识别、机器学习等分类识别技术的飞速发展，特别是近年来重新兴起的深度学习理论，都为干扰识别提供了更多的启发。在复杂的电磁环境中，研究有源干扰类型的自动识别，能够很大程度上减少人为因素的缺点，提高干扰识别率，减轻雷达工作人员的负担，为雷达抗干扰打下很好的基础。通过对现有技术文献的检索发现，刘明骞等在《西安交通大学学报》(20本文档来自技高网...

【技术保护点】
1.一种基于双线性高效神经网络的有源干扰识别方法，其特征在于，包括以下步骤：/n步骤1：获取包含干扰信号和雷达回波信号的输入信号s(t)；s(t)＝J(t)+n(t)；J(t)表示电子干扰或回波信号；n(t)表示高斯白噪声输入信号；/n步骤2：对输入信号在不同干噪比下进行时频变换，得到不同干噪比下的时频图像X(t,ω)/n

【技术特征摘要】
1.一种基于双线性高效神经网络的有源干扰识别方法，其特征在于，包括以下步骤：
步骤1：获取包含干扰信号和雷达回波信号的输入信号s(t)；s(t)＝J(t)+n(t)；J(t)表示电子干扰或回波信号；n(t)表示高斯白噪声输入信号；
步骤2：对输入信号在不同干噪比下进行时频变换，得到不同干噪比下的时频图像X(t,ω)



其中，ω表示频率；符号*代表共轭；u和τ是两个积分时间变量；g(u)为时域平滑窗；h(τ)为频域窗；
步骤3：对所有时频图像进行预处理，取每一种干噪比下的部分时频图像构建训练集，其余时频图像组成测试集；对训练集中的时频图像进行标注；
步骤4：将训练集输入至双线性高效网络进行训练；
所述的双线性高效网络包括EfficientNet-B3、空间注意力机制、全局平均池化模块层、全连接层和softmax函数分类层，损失函数设定为交叉熵函数；
步骤4.1：将EfficientNet-B3在ImageNet数据集上进行预训练，并删去EfficientNet-B3的全连接层；
步骤4.2：将训练集中的时频图像输入到EfficientNet-B3中，在EfficientNet-B3的批量归一化层进行特征提取，得到特征矩阵F；
步骤4.3：将特征矩阵F输入到空间注意力机制中，得到矩阵M；将矩阵M与F相乘得到特征矩阵F1；
M＝σ(f7×7([AvgPool(F)；MaxPool(F)]))；
其中，σ为sigmoid型激活函数；f7×7为7×7的传统卷积操作；AvgPool(F)为全局平均池化操作，MaxPool(F)为全局最大池化操作H表示特征矩阵F的行；W...

【专利技术属性】
技术研发人员：肖易寒，周静怡，陈涛，郭立民，蒋伊琳，宋柯，于祥祯，
申请(专利权)人：哈尔滨工程大学，上海无线电设备研究所，
类型：发明
国别省市：黑龙江;23