基于语义分割的雷达复合干扰识别方法技术

本发明专利技术提供一种基于语义分割的雷达复合干扰识别方法，根据单一干扰的类型、中心频率、带宽、起始时间和持续时间来产生不同时频重叠度的复合干扰信号，生成样本图片；对样本图片进行标注生成复合干扰样本；干扰类型标签包括单一干扰类型和背景部分；再语义分割模型对复合干扰样本中的所有像素点语义类型判断完毕输出当前预测结果；本发明专利技术实现了对复合干扰准确分类识别和时频分布信息提取。能自动提取复合干扰类型特征，不依赖人工选择；覆盖干扰空间大，识别准确率高。识别准确率高。识别准确率高。

【技术实现步骤摘要】
基于语义分割的雷达复合干扰识别方法


[0001]本专利技术涉及干扰识别技术，特别涉及雷达复合干扰识别技术。

技术介绍

[0002]现代雷达所面临的干扰环境日益复杂，由类型多样、参数多变的有源干扰信号通过加性组合方式构成复合干扰难以识别和抑制，成为雷达的主要电磁威胁。
[0003]在雷达复合干扰类型不断增加的同时，在复杂干扰环境下对复合干扰信号的识别、分类及分割的研究却相对滞后。在复合干扰识别研究中，对于常见的有源干扰组合后产生的复合干扰缺乏覆盖范围广、准确有效的识别与分割方式；在干扰识别和参数估计中，更多依赖人工分析与提取特征，具有很强的主观性和较差的扩展性。
[0004]一种现有的雷达复合干扰识别方式是基于特征提取的复合干扰识别算法，基于时域、频域、时频域等变换域提取复合干扰区分度高的特征，并通过决策树、支持向量机等分类器完成分类识别。基于特征提取的复合干扰识别算法建立在对干扰的多域特征进行人工分析的基础上，依赖人工特征分析的过程繁琐，干扰识别准确率较低，扩展性差，实际应用难度高，工程实用性差。
[0005]一种基于伪平滑魏格纳
‑
威利分布SPWVD和改进AlexNet的复合干扰识别方法，通过伪平滑魏格纳
‑
威利分布提取6种复合干扰的时频分布信息，使用改进后的深度神经网络AlexNet实现对复合干扰的分类识别。采用深度学习方法可以通过网络自动提取复合干扰的本质特征，解决了传统特征提取方法智能性和泛化性差的问题。实际环境中复合干扰类型、参数、复合方式多样，干扰识别和信息提取难度较大。该方法复合干扰识别范围较小，且如何在干扰识别的基础上，实现对构成复合干扰的多种干扰的时频分布信息的获取，仍然是一个难题。

技术实现思路

[0006]本专利技术所要解决的技术问题是，针对现有复合干扰识别的复合干扰类型数量较少，无法获取构成复合干扰的多类干扰的时频分布信息的问题，提供一种覆盖干扰空间大，识别准确率高、能自动提取复合干扰类型特征的雷达复合干扰识别方法。
[0007]本专利技术为解决上述技术问题所采用的技术方案是，基于语义分割的雷达复合干扰识别方法，包括：
[0008]1)复合干扰产生及样本处理步骤：
[0009]1‑
1)复合干扰信号的产生：根据单一干扰的类型、中心频率、带宽、起始时间和持续时间来产生不同时频重叠度的复合干扰信号；
[0010]1‑
2)干扰预处理：在复合干扰信号上叠加高斯白噪声构成接收信号，将接收信号转变为基带信号，提取基带信号中的复合干扰信号，对提取的复合干扰信号经短时傅里叶变换得到时频信息矩阵，再对时频信息矩阵进行单元检测得到复合干扰有效频段；
[0011]1‑
3)时频分析：通过对时频信息矩阵进行频域滤波抑制了复合干扰有效频段外的
噪声，再通过短时傅里叶变换将滤波后的时频信息矩阵转化为二维时频图像；
[0012]1‑
4)图像归一化与裁剪：将二维时频图像中的像素值按比例缩放到[0，255]范围内，依据复合干扰有效频段对二维时频图像进行截取生成样本图片；
[0013]1‑
5)样本标注：对样本图片进行中特征标不同的干扰类型标签赋予不同的RGB数值生成复合干扰样本；干扰类型标签包括单一干扰类型和背景部分；
[0014]2)语义分割模型构建步骤：语义分割包括特征提取步骤、维度调整步骤、上采样和结果预测步骤和辅助分类步骤：
[0015]特征提取步骤：将生成复合干扰样本经过多层残差处理和最大池化后到复合干扰样本的特征并输出至数据维度调整模块；
[0016]维度调整步骤：将提取出的复合干扰样本的特征的数据体尺寸的第三通道调整为num_class，num_class为复合干扰数据集的标签数，标签数为语义类型总数＝单一干扰类型总数+1；
[0017]辅助分类步骤：利用特征提取的中间层特征通过转置卷积进行上采样将数据体尺寸恢复到a
×
a
×
num_class，其中a
×
a为输入至语义分割模型的复合干扰样本的图片尺寸，输出上采样后的中间层特征中每个像素点对应的学习结果向量的第三通道上的最大值至上采样和结果预测步骤；
[0018]结果预测步骤：经过转置卷积将经过维度调整的复合干扰样本的特征上采样，将复合干扰样本的特征的数据体尺寸恢复到a
×
a
×
num_class，其中a
×
a为输入至语义分割模型的复合干扰样本的图片尺寸，即每个像素点对应的学习结果向量为1
×1×
num_class，获取在学习结果向量的第三通道上取最大值并与来自中间层特征的学习结果向量的第三通道上的最大值进行加权叠加形成最终的分类向量；将分类向量的第三通道上取最大值时对应的干扰类型标签作为该像素点的语义类型；对所有像素点语义类型判断完毕之后输出当前预测结果；
[0019]3)识别结果分析步骤：使用交叉熵函数作为损失函数对语义分割模型的预测结果与样本真实结果之间的差异进行计算，将计算得到的梯度信号反向传播至语义分割模型进行约束直至语义分割模型训练完成。
[0020]本专利技术的有益效果是，实现了对复合干扰准确分类识别和时频分布信息提取。能自动提取复合干扰类型特征，不依赖人工选择；覆盖干扰空间大，识别准确率高。
附图说明
[0021]图1为本专利技术复合干扰样本处理过程；
[0022]图2为复合干扰产生及样本处理过程；
[0023]图3为CJ
‑
FCN模型示意图；
[0024]图4为残差基本模块示意图。
具体实施方式
[0025]本专利技术流程如图1所示，包括复合干扰产生及样本处理步骤、语义分割模型构建步骤以及最终的识别结果分析步骤。
[0026]1、复合干扰产生及样本处理步骤：
[0027]如图2所示，包括复合干扰信号的产生、干扰预处理、时频分析、图像归一化与裁剪、样本标注5个步骤，最终得到干扰类型标注的复合干扰语义分割数据集。
[0028]1‑
1)复合干扰信号的产生：在单一干扰中选用了7种干扰，分别是噪声调频干扰FM、梳状谱干扰COMB、切片重构干扰C&I、间歇采样转发干扰IS、频谱弥散干扰SMSP、噪声卷积干扰CN和噪声乘积干扰MN；理想干扰产生的干噪比设置5种干噪比点，分别是0dB、2dB、4dB、6dB、8dB；三种功率比例1:1、1:2、2:1；根据中心频率、带宽、起始时间、持续时间等参数产生不同时频重叠度的复合干扰信号。
[0029]1‑
2)干扰预处理：将复合干扰信号再叠加一段持续时间较长的高斯白噪声构成接收信号，使用数字下变频DDC技术将接收信号转变为基带信号，通过统计排序与恒虚警检测提取基带信号中的复合干扰部分，对提取的复合干扰信号进行短时傅里叶变换后的时频信息矩阵进行单元检测，并将时频信息矩阵向其横轴和纵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于语义分割的雷达复合干扰识别方法，其特征在于，包括以下步骤：1)复合干扰产生及样本处理步骤：1
‑
1)复合干扰信号的产生：根据单一干扰的类型、中心频率、带宽、起始时间和持续时间来产生不同时频重叠度的复合干扰信号；1
‑
2)干扰预处理：在复合干扰信号上叠加高斯白噪声构成接收信号，将接收信号转变为基带信号，提取基带信号中的复合干扰信号，对提取的复合干扰信号经短时傅里叶变换得到时频信息矩阵，再对时频信息矩阵进行单元检测得到复合干扰有效频段；1
‑
3)时频分析：通过对时频信息矩阵进行频域滤波抑制了复合干扰有效频段外的噪声，再通过短时傅里叶变换将滤波后的时频信息矩阵转化为二维时频图像；1
‑
4)图像归一化与裁剪：将二维时频图像中的像素值按比例缩放到[0，255]范围内，依据复合干扰有效频段对二维时频图像进行截取生成样本图片；1
‑
5)样本标注：对样本图片进行中特征标注不同的干扰类型标签赋予不同的RGB数值生成复合干扰样本；干扰类型标签包括单一干扰类型和背景部分；2)语义分割模型构建步骤：语义分割包括特征提取步骤、维度调整步骤、上采样和结果预测步骤和辅助分类步骤：特征提取步骤：将生成复合干扰样本经过多层残差处理和最大池化后到复合干扰样本的特征并输出至数据维度调整模块；维度调整步骤：将提取出的复合干扰样本的特征的数据体尺寸的第三通道调整为num_class，num_class为复合干扰数据集的标签数，标签数为语义类型总数＝单一干扰类型总数+1；辅助分类步骤：利用特征提取的中间层特征通过转置卷积进行上采样将数据体尺寸恢复到a
×
a
×
...

【专利技术属性】
技术研发人员：张伟，李浩，陈翾宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：