一种基于多层通道注意力机制的雷达有源干扰识别方法技术

本发明专利技术公开了一种基于多层通道注意力机制的雷达有源干扰识别方法，包括：对获得的干扰信号进行预处理，得到该干扰信号的时频图和

【技术实现步骤摘要】
一种基于多层通道注意力机制的雷达有源干扰识别方法


[0001]本专利技术属于雷达信号处理
，具体涉及一种基于多层通道注意力机制的雷达有源干扰识别方法
。

技术介绍

[0002]复杂多样的电磁干扰会严重降低雷达的探测性能，因此，本领域技术人员需要对干扰类型进行准确
、
有效的识别，以提升雷达的抗干扰能力
。
[0003]相关技术中存在一种将信息熵作为特征参数的雷达有源信号干扰识别方法，并使用支持向量机对3种干扰信号进行识别，由于该方法采用传统的机器学习模型识别干扰信号，虽然算法简单
、
计算速度快，但是需要借助专家知识的同时，还存在识别率低
、
鲁棒性差，容易受到环境因素影响等
。
[0004]此外，唐陈等人将距离多普勒数据与角度多普勒数据作为数据，基于残差卷积神经网络
CNN
‑
ResNet
实现了五种干扰信号的有效识别；
G. Shao
则通过一维卷积神经网络提取原始信号特征
、
通过二维卷积神经网络提取时频图特征，之后将两部分特征进行融合进行干扰信号识别
。
但是，上述基于深度学习的雷达有源干扰识别方法大都是在闭集条件下进行，面对未知类型的干扰只能将其判断为某一种已知类型干扰，这极大降低了后续实施抗干扰方法过程中的准确性及效果
。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于多层通道注意力机制的雷达有源干扰识别方法
。
本专利技术要解决的技术问题通过以下技术方案实现：本专利技术提供一种基于多层通道注意力机制的雷达有源干扰识别方法，包括：对获得的干扰信号进行预处理，得到该干扰信号的时频图和距离
‑
多普勒
RD
图；将所述时频图和
RD
图输入基于多层通道注意力机制的雷达有源干扰识别网络模型，以使所述雷达有源干扰识别网络模型分别基于所述时频图和所述
RD
图进行分类识别，得到第一概率分布及第二概率分布；根据所述第一概率分布及其对应的第一理想概率分布，计算第一相对熵，并根据所述第二概率分布及其对应的第二理想概率分布，计算第二相对熵；获取预设的第一阈值和第二阈值，并结合所述第一相对熵
、
所述第二相对熵
、
所述第一概率分布和所述第二概率分布，获得干扰识别结果
。
[0006]与现有技术相比，本专利技术的有益效果在于：本专利技术提供一种基于多层通道注意力机制的雷达有源干扰识别方法，利用基于多层通道注意力机制的雷达有源干扰识别网络模型中的两个网络分支分别根据干扰信号的时频图和距离
‑
多普勒图进行识别，并通过识别的概率分布与理想概率分布确定干扰信号的最终识别结果，由于现有的雷达有源干扰识别模型往往会将不存在于数据库中的干扰信号判断为在单一维度上相似的已知干扰类型，严重影响了后续抗干扰策略的实施，而本发
明可以提取更具有多样性的特征，可应用于雷达有源干扰的开集识别中
。
[0007]再者，本专利技术多层通道注意力特征提取模块包括依次连接的第一多层通道注意力机制模块
、
第二多层通道注意力机制模块
、
第一
ResNet
降采样模块
、
第三多层通道注意力机制模块
、
第二
ResNet
降采样模块
、
第四多层通道注意力机制模块，其中，上述多个多层通道注意力机制模块均包括：
ResNet18
子网络
、Inception
子模块
、
通道拼接层
、
第一卷积层和第二卷积层，使用
ResNet
子网络与
Inception
子网络对干扰信号进行多样性特征的提取，可以使得雷达有源干扰识别网络模型对干扰特征的提取更加全面，且当干扰参数在一定范围内变化时也可以对干扰信号进行识别
。
[0008]以下将结合附图及实施例对本专利技术做进一步详细说明
。
附图说明
[0009]图1是本专利技术实施例提供的基于多层通道注意力机制的雷达有源干扰识别方法的一种流程图；图2是本专利技术实施例提供的时频图网络分支和
RD
图网络分支的一种结构示意图；图3是本专利技术实施例提供的多层通道注意力机制模块的一种结构示意图；图4是本专利技术实施例提供的
JNR
为
0~5dB
的混淆矩阵示意图；图5是本专利技术实施例提供的
JNR
为
6~10dB
的混淆矩阵示意图；图6是本专利技术实施例提供的
JNR
为
11~15dB
的混淆矩阵示意图；图7是本专利技术实施例提供的
JNR
为
16~20dB
的混淆矩阵示意图；图8是本专利技术实施例提供的
JNR
为
0~20dB
时已知干扰的识别率变化情况示意图；图9是本专利技术实施例提供的
JNR
为
0~20dB
时未知干扰的识别准确率变化情况示意图
。
具体实施方式
[0010]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此
。
[0011]图1是本专利技术实施例提供的基于多层通道注意力机制的雷达有源干扰识别方法的一种流程图
。
如图1所示，本专利技术实施例提供一种基于多层通道注意力机制的雷达有源干扰识别方法，包括：
S1、
对获得的干扰信号进行预处理，得到该干扰信号的时频图和距离
‑
多普勒
RD
图；
S2、
将时频图和
RD
图输入基于多层通道注意力机制的雷达有源干扰识别网络模型，以使雷达有源干扰识别网络模型分别基于时频图和
RD
图进行分类识别，得到第一概率分布及第二概率分布；
S3、
根据第一概率分布及其对应的第一理想概率分布，计算第一相对熵，并根据第二概率分布及其对应的第二理想概率分布，计算第二相对熵；
S4、
获取预设的第一阈值和第二阈值，并结合第一相对熵
、
第二相对熵
、
第一概率分布和第二概率分布，获得干扰识别结果
。
[0012]需要说明的是，本实施例中雷达有源干扰主要包括压制式干扰和欺骗式干扰，如：
NAMJ(noise amplitude modulation jamming
，噪声调幅干扰
)、NFMJ(noise frequency modulation jamming
，噪声调频干扰
)、NPMJ(noise phase modulation本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多层通道注意力机制的雷达有源干扰识别方法，其特征在于，包括：对获得的干扰信号进行预处理，得到该干扰信号的时频图和距离
‑
多普勒
RD
图；将所述时频图和
RD
图输入基于多层通道注意力机制的雷达有源干扰识别网络模型，以使所述雷达有源干扰识别网络模型分别基于所述时频图和所述
RD
图进行分类识别，得到第一概率分布及第二概率分布；根据所述第一概率分布及其对应的第一理想概率分布，计算第一相对熵，并根据所述第二概率分布及其对应的第二理想概率分布，计算第二相对熵；获取预设的第一阈值和第二阈值，并结合所述第一相对熵
、
所述第二相对熵
、
所述第一概率分布和所述第二概率分布，获得干扰识别结果
。2.
根据权利要求1所述的基于多层通道注意力机制的雷达有源干扰识别方法，其特征在于，对获得的干扰信号进行预处理，得到该干扰信号的时频图和距离
‑
多普勒
RD
图的步骤，包括：获取干扰信号；在一个脉冲重复周期内对所述干扰信号进行短时傅里叶变换，得到该干扰信号的时频图；在脉冲积累的条件下对所述干扰信号进行动目标检测，获得该干扰信号的距离
‑
多普勒
RD
图
。3.
根据权利要求1所述的基于多层通道注意力机制的雷达有源干扰识别方法，其特征在于，所述雷达有源干扰识别网络模型包括结构相同的时频图网络分支和
RD
图网络分支；其中，将所述时频图和
RD
图输入基于多层通道注意力机制的雷达有源干扰识别网络模型，以使所述雷达有源干扰识别网络模型分别基于所述时频图和所述
RD
图进行分类识别，得到第一概率分布及第二概率分布的步骤，包括：将所述时频图
、
所述
RD
图分别输入时频图网络分支和
RD
图网络分支，以使所述时频图网络分支基于时频图进行分类识别，得到第一概率分布，并使所述
RD
图网络分支基于
RD
图进行分类识别，得到第二概率分布
。4.
根据权利要求3所述的基于多层通道注意力机制的雷达有源干扰识别方法，其特征在于，所述时频图网络分支和所述
RD
图网络分支均包括依次连接的卷积神经网络模块
、
注意力机制模块
、
多层通道注意力特征提取模块和全连接模块；其中，所述卷积神经网络模块，用于对输入的时频图或
RD
图进行特征提取，得到第一特征图；所述注意力机制模块，用于根据所述第一特征图计算通道注意力权值，并将所述通道注意力权值与所述第一特征图相乘后，得到第二特征图，进一步计算所述第二特征图的空间注意力权值，并将所述空间注意力权值与所述第二特征图相乘后，得到第三特征图；所述多层通道注意力特征提取模块，用于对所述第三特征图进行特征提取，得到第四特征图；所述全连接模块，用于将所述第四特征图映射为一维特征向量，并计算得到分类为各个干扰信号类别的概率分布
。5.
根据权利要求4所述的基于多层通道注意力机制的雷达有源干扰识别方法，其特征在于，所述注意力机制模块包括通道注意力模块和空间注意力模块；其中，
所述通道注意力模块的计算过程表示为：；；式中，表示平均池化操作，表示最大池化操作，表示共享权值全连接层，表示激活函数，表示所述第一特征图的通道注意力权值，表示第二特征图；所述空间注意力模块的计算过程表示为：；；式中，表示卷积操作，表示所述第二特征图的空间注意力权值，表示第三特征图
。6.
根据权利要求4所述的基于多层通道注意力机制的雷达有源干扰识别方...

【专利技术属性】
技术研发人员：兰岚，关中意，朱圣棋，李西敏，廖桂生，许京伟，戴思超，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：