一种基于多域变换深度学习的间歇采样干扰参数估计方法技术

本发明专利技术公开了一种基于多域变换深度学习的间歇采样干扰参数估计方法，首先通过短时傅里叶变换生成间歇采样干扰时频图，并将时频图规格统一，将干扰参数转化为标签数据，生成间歇采样干扰数据，再将生成的时频图数据以及标签数据送入卷积神经网络进行模型训练，对间歇采样干扰时频域进行检测，最后根据模型的输出矩阵，结合参数估计转化算法对间歇采样干扰典型参数进行估计，得到采样宽度、采样间隔、转发次数、切片数量的估计结果。本发明专利技术的方法在对间歇采样干扰进行多域变换的基础上，利用目标检测网络对间歇采样干扰的采样宽度、采样间隔、转发次数、切片数量进行估计，识别速度快，参数估计准确度高。参数估计准确度高。参数估计准确度高。

【技术实现步骤摘要】
一种基于多域变换深度学习的间歇采样干扰参数估计方法


[0001]本专利技术属于电子侦察
，具体涉及一种基于多域变换深度学习的间歇采样干扰参数估计方法。

技术介绍

[0002]雷达干扰可以通过干扰或欺骗对抗方雷达设备，使其降低或丧失效能，随着信号处理技术的发展，复杂干扰技术得以迅速发展，间歇采样干扰在此背景下提出。
[0003]间歇采样干扰通过对截获雷达信号采样切片并转发，因此与雷达信号具有相参性，可以进行匹配滤波，形成密集的假目标群，具有较强的干扰效果，因此在电子侦察领域得到了广泛的应用。间歇采样干扰策略灵活多变，可以通过调整参数来达到不同的干扰效果，因此站在抗干扰的角度，对其干扰参数进行估计是非常有必要的。目前来说，对间歇采样干扰的参数估计主要包括采样宽度、采样间隔、转发次数、切片数量。
[0004]从现有工作看，针对间歇采样转发式干扰的参数提取方法研究很少。目前，间歇采样转发式干扰的参数估计大都建立在时频分析的基础上，文献“Parameter estimation and suppression for DRFM...

【技术保护点】

【技术特征摘要】
1.一种基于多域变换深度学习的间歇采样干扰参数估计方法，具体步骤如下：步骤S1、间歇采样干扰通过短时傅里叶变换生成间歇采样干扰时频图，并将时频图规格统一，将干扰参数转化为标签数据，生成间歇采样干扰数据；步骤S2、基于步骤S1的数据，训练间歇采样干扰估计模型；步骤S3、基于步骤S2训练好的网络模型，对间歇采样干扰时频域进行检测；步骤S4、根据模型的输出矩阵，结合参数估计转化算法对间歇采样干扰典型参数进行估计，得到采样宽度、采样间隔、转发次数、切片数量的估计结果。2.根据权利要求1所述的一种基于多域变换深度学习的间歇采样干扰参数估计方法，其特征在于，所述步骤S1具体如下：利用Matlab分别产生转发次数为m的干扰时频图，进行干扰参数与时频图数据的转化，将时频图大小固定为L
×
L(L表示时频图像素大小)，在产生时频图的同时按照干扰仿真数据生成图片标注结果，标注数据为目标框的坐标x
n,min
,y
n,min
,x
n,max
,y
n,max
以及目标类型c，c的值即为转发次数m；其中，干扰参数的设置为：脉冲宽度为T
w
，发射信号的带宽为B，调频斜率为K，采样宽度为τ，采样间隔为T，干扰转发时延为τ
J
；按照式(1)所述方法将干扰参数转化为时频图标注数据：其中，n＝0,1,
…
,N
‑
1，表示第n个切片，N＝fix((T
w
‑
...

【专利技术属性】
技术研发人员：崔国龙，吴长鑫，孔昱凯，董露心，余显祥，方学立，张立东，孔令讲，杨晓波，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：