一种基于深度学习的小样本雷达有源干扰识别方法及系统
文献发布时间:2024-04-18 19:58:21
技术领域
本发明涉及雷达有源干扰对抗技术领域,尤其涉及一种基于深度学习的小样本雷达有源干扰识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
近些年来,多种多样的雷达干扰技术不断产生,减弱了雷达在目标检测、识别和跟踪等方面的能力。为此,有效的干扰识别方法作为干扰对抗的基础,具有重要的研究意义。
传统的雷达干扰信号的识别主要包括两类方法。第一类方法主要依靠人力和专家经验在雷达显示界面判断所受干扰的类型。第二类方法主要通过分析雷达干扰信号的产生机理,人工提取干扰信号在时域、频域及其变换域的特征参数来进行干扰识别。虽然上述两类方法能够在一定程度上实现干扰的识别,但其存在工程实用性较差和可靠性差等问题。因此,需要找到更为有效的方法来对雷达干扰信号进行准确识别。
得益于深度学习技术强大的特征表示能力,基于深度学习的雷达干扰识别受到了研究者的广泛关注。Liu等人将干扰信号的时-频谱作为预训练的卷积神经网络(Convolutional neural network,CNN)的输入来实现干扰识别。Shao等人通过联合利用1D-CNN和2D-CNN,提出了一个深度融合CNN来融合干扰的时域和时频域特征,以实现精确的干扰识别。尽管上述基于深度学习的干扰识别方法能够准确地识别干扰,但它们通常需要大量的干扰样本进行训练。
为了缓解基于深度学习的识别方法对大量标记样本的需要,有研究人员提出了一些方法来实现少量样本条件下的雷达主动干扰识别。Lin等人提出了一种新的架构,以缓解数据有限情况下的过拟合问题。Lv等人提出了一种带有迁移学习的识别方法,以提高小样本环境下的干扰识别准确率。然而,在干扰类型复杂多样的复杂电磁环境中,这些方法的识别性能受到明显限制。
如何在干扰类型复杂多样的电磁环境中实现识别高准确率、高稳定性和实时性好的雷达有源干扰识别,成为亟待解决的问题。
发明内容
本发明提供了一种基于深度学习的小样本雷达有源干扰识别方法及系统,构建的干扰识别网络采用端到端方式进行训练,并且引入蒸馏机制能使深层特征感知模型在保持小样本量和较少测试时间的情况下获得更优识别性能,从而充分利用了小样本干扰信号的有效信息,使得深层特征感知模型能够不依赖于大规模的标记数据,而在小样本下获得较高的识别准确率和稳定性。
实现本发明目的的技术方案如下:
一方面,本发明提供了一种基于深度学习的小样本雷达有源干扰识别方法,包括:
基于雷达信号构建多通道雷达有源干扰数据集;
构建干扰识别网络,构建干扰识别网络包括构建深层特征感知模型、构建自适应置信度聚合模型和构建跨模态优化模型;
根据所述适应置信度聚合模型和所述跨模态优化模型的基础损失函数和蒸馏机制内部的损失函数得到所述干扰识别网络的总损失函数;
基于所述多通道雷达有源干扰数据集和总损失函数对所述干扰识别网络联合训练,直至所述深层特征感知模型输出高精度、高稳定性且实时性强的雷达有源干扰识别信息。
基于一方面,在本发明的一个实施例中,所述基于雷达干扰信号构建多通道雷达有源干扰数据集,包括:
以线性调频信号作为雷达发射信号,仿真出雷达的仿真干扰信号;所述仿真干扰信号包括:间歇采样转发干扰信号、距离欺骗干扰信号、切片重构干扰信号、灵巧噪声干扰信号、速度欺骗干扰信号以及距离欺骗干扰和间歇采样转发干扰复合信号、距离欺骗干扰和灵巧噪声干扰复合信号、距离欺骗干扰和速度欺骗干扰复合信号、速度欺骗干扰和间歇采样转发干扰复合信号;
获取实测干扰信号,所述实测干扰信号包括:阻塞干扰信号、密集假目标干扰信号;
所述仿真干扰信号和所述实测干扰信号经过时频变换、多维度信息提取以及归一化处理得到多通道的雷达有源干扰数据集。
本发明为了获取干扰信号的更多信息分类,应用短时傅里叶变换(STFT)将时域样本转换为时频域数据
时频域数据S处理过程中,首先提取时频域数据S的模数(M)、相位(P)、实部(R)和虚部(I)部分,然后将它们组合成多通道时-频图像集I
基于一方面,在本发明的一个实施例中,所述构建深层特征感知模型,包括:
采用两层卷积层、一层池化层和一层自注意层构建深层特征感知模型;
对所述多通道雷达有源干扰数据集中每个通道的数据分别经过所述深层特征感知模型提取并学习多级深层全局特征;
将雷达有源干扰信号输入所述深层特征感知模型,所述深层特征感知模型输出雷达有源干扰信号各通道的干扰类型以其对应的置信度向量。
基于一方面,在本发明的一个实施例中,所述深层特征感知模型的公式包括:
公式(1)中,
基于一方面,在本发明的一个实施例中,所述构建自适应置信度聚合模型,包括:
采用所述深层特征感知模型的softmax层得到的识别结果和对应的置信度向量、以及自适应置信度聚合机制共同构建自适应置信度聚合模型;
通过所述深层特征感知模型得到多通道干扰识别结果和相应的置信度向量;
所述自适应置信度聚合模型对置信度向量进行归一化处理,将归一化处理的置信度向量作为权重,对多通道干扰识别结果进行自适应聚合,所述自适应置信度聚合模型输出聚合的干扰识别结果。
本发明的Softmax层是一种数学函数,通常用于将一组任意实数转换为表示概率分布的实数。Softmax层可以将一组任意的实数值转化为在[0,1]之间的概率值。
基于一方面,在本发明的一个实施例中,所述自适应置信度聚合模型的公式包括:
公式(2)中,
所述自适应置信度聚合模型的损失函数定义为下式:
公式(3)中,L
置信度损失函数L
基于一方面,在本发明的一个实施例中,所述构建跨模态优化模型,包括:
对所述自适应置信度聚合模型输出的干扰识别结果进行维度扩展得到扩展结果S
采用扩展结果S
将跨模态数据S'输入所述深层特征感知模型进行特征挖掘和学习;
将所述深层特征感知模型输出的各级特征与所述自适应置信度聚合模型内部的相应级特征进行级联,继续送入所述深层特征感知模型的后一层处理;
所述深层特征感知模型输出干扰识别预测P。
基于一方面,在本发明的一个实施例中,扩展结果S
S'=Concat(S
公式(5)中,Concat表示级联操作,I
将跨模态数据S'输入所述深层特征感知模型进行特征挖掘和学习,然后将所述深层特征感知模型输出的各级特征与所述自适应置信度聚合模型内部的相应级特征进行级联,继续送入后一个所述深层特征感知模型处理,最后得到干扰识别预测P,公式为:
P=f
公式(6)中,E(·)表示从原始输入时频谱I
本发明经4个由两层卷积层、一层池化层和一层自注意层组成的深层特征感知模块处理后,应用Softmax函数获得分类类别的概率,并选择概率最大的类别作为预测结果。
基于一方面,在本发明的一个实施例中,所述深层特征感知模型输出干扰识别预测P之后,还包括:
进一步约束所述自适应置信度聚合模型的预测与所述跨模态优化模型的预测;
所述跨模态优化模型的损失函数公式为:
Loss
公式(7)中,Loss
基于一方面,在本发明的一个实施例中,根据所述适应置信度聚合模型和所述跨模态优化模型的基础损失函数和蒸馏机制内部的损失函数得到所述干扰识别网络的总损失函数,包括:
构建基础损失函数Loss
蒸馏机制内部的损失函数为师生蒸馏机制的损失函数,将所述自适应置信度聚合模型和所述跨模态优化模型作为教师模型,将4个由两层卷积层、一层池化层依次使用的二维卷积神经网络作为学生模型,由4个深层特征感知模型组成学生模型根据基础损失函数和蒸馏机制内部的损失函数构建总损失函数;4个深层特征感知模型组成学生模型包括4个深层特征感知模型,每个模型内包括两层卷积层、一层池化层;学生模型将教师模型的预测作为补充知识对自身进行训练。
基于一方面,在本发明的一个实施例中,构建的总损失函数公式包括:
公式(8)中,α和β为两个损失函数权重参数,Loss
基于一方面,在本发明的一个实施例中,基于所述多通道雷达有源干扰数据集和总损失函数对所述干扰识别网络联合训练,包括:
引入了师生蒸馏机制,将构建的自适应置信度聚合模型和跨模态优化模型作为教师模型,将4个由两层卷积层、一层池化层依次使用的2D-CNN网络作为学生模型,学生模型将教师模型的预测作为补充知识对自身进行训练;
所述干扰识别网络通过端到端方式训练,获得高质量的干扰识别结果。
另一方面,本发明提供了一种基于深度学习的小样本雷达有源干扰识别系统,包括:
输入单元,所述输入单元向处理单元输入雷达信号;
处理单元,所述处理单元通过深层特征感知模型处理雷达信号,深层特征感知模型运算出该雷达信号的雷达有源干扰识别信息,所述处理单元将雷达有源干扰识别信息发送给输出单元;
输出单元,所述输出单元输出雷达有源干扰识别信息。
基于另一方面,在本发明的一个实施例中,所述处理单元的深层特征感知模型是通过小样本多通道雷达有源干扰数据集在干扰识别网络中训练的;
干扰识别网络包括深层特征感知模型、自适应置信度聚合模型和跨模态优化模型,自适应置信度聚合模型和跨模态优化模型作为教师模型,深层特征感知模型作为学生模型,学生模型将教师模型的预测作为补充知识对自身进行训练;
干扰识别网络通过端到端方式引入了师生蒸馏机制进行训练。
基于另一方面,在本发明的一个实施例中,干扰识别网络根据适应置信度聚合模型和跨模态优化模型的基础损失函数和蒸馏机制内部的损失函数得到干扰识别网络的总损失函数;
基于多通道雷达有源干扰数据集和总损失函数对干扰识别网络联合训练,直至深层特征感知模型输出高精度、高稳定性且实时性强的雷达有源干扰识别信息。
与现有技术相比,本发明的有益效果是:
1、本发明构建的干扰识别网络采用端到端方式进行训练,并且引入蒸馏机制能使深层特征感知模型在保持小样本量和较少测试时间的情况下获得更优识别性能,从而充分利用了小样本干扰信号的有效信息,使得深层特征感知模型能够不依赖于大规模的标记数据,而在小样本下获得较高的识别准确率和稳定性。
2、本发明基于雷达干扰信号的时频谱的多维信息,通过充分利用深度学习的特征表达能力,采用基于自适应置信度聚合和跨模态信息优化并与师生蒸馏机制联合使用的雷达有源干扰识别方法,对干扰信号的深层特征进行了完全的挖掘,能够适用于干扰类型复杂多样的复杂电磁环境中,并且与先前性能最好的小样本干扰识别方法相比,取得了更好的性能,提高了小样本下雷达有源干扰识别的准确率、稳定性和实时性。
附图说明
图1为本发明实施例提供的一种基于深度学习的小样本雷达有源干扰识别方法流程图;
图2为本发明实施例提供的一种基于深度学习的小样本雷达有源干扰识别系统原理框图;
图3为本发明的方法与其他方法在训练样本占比5%下总体识别准确率的对比图;
图4为本发明的方法与其他方法在训练样本占比5%下的识别推理时间对比图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
实施例1:
请参阅图1,图1为本发明实施例提供的一种基于深度学习的小样本雷达有源干扰识别方法流程图。本发明实施例提供了一种基于深度学习的小样本雷达有源干扰识别方法,包括:
步骤一、基于雷达信号构建多通道雷达有源干扰数据集。
具体的,以线性调频信号作为雷达发射信号,仿真出雷达的仿真干扰信号;仿真干扰信号包括:间歇采样转发干扰信号、距离欺骗干扰信号、切片重构干扰信号、灵巧噪声干扰信号、速度欺骗干扰信号以及距离欺骗干扰和间歇采样转发干扰复合信号、距离欺骗干扰和灵巧噪声干扰复合信号、距离欺骗干扰和速度欺骗干扰复合信号、速度欺骗干扰和间歇采样转发干扰复合信号;
获取实测干扰信号,实测干扰信号包括:阻塞干扰信号、密集假目标干扰信号;
仿真干扰信号和实测干扰信号经过时频变换、多维度信息提取以及归一化处理得到多通道的雷达有源干扰数据集。
本发明实施例为了获取干扰信号的更多信息分类,应用短时傅里叶变换(STFT)将时域样本转换为时频域数据
时频域数据S处理过程中,首先提取时频域数据S的模数(M)、相位(P)、实部(R)和虚部(I)部分,然后将它们组合成多通道时-频图像集I
步骤二、构建干扰识别网络,构建干扰识别网络包括构建深层特征感知模型、构建自适应置信度聚合模型和构建跨模态优化模型。
本发明实施例的上述构建深层特征感知模型,包括:
采用两层卷积层、一层池化层和一层自注意层构建深层特征感知模型;
对多通道雷达有源干扰数据集中每个通道的数据分别经过深层特征感知模型提取并学习多级深层全局特征;
将雷达有源干扰信号输入深层特征感知模型,深层特征感知模型输出雷达有源干扰信号各通道的干扰类型以其对应的置信度向量。
本发明实施例的上述深层特征感知模型的公式包括:
公式(1)中,
本发明实施例的上述构建自适应置信度聚合模型,包括:
采用深层特征感知模型的softmax层得到的识别结果和对应的置信度向量、以及自适应置信度聚合机制共同构建自适应置信度聚合模型;
通过深层特征感知模型得到多通道干扰识别结果和相应的置信度向量;
自适应置信度聚合模型对置信度向量进行归一化处理,将归一化处理的置信度向量作为权重,对多通道干扰识别结果进行自适应聚合,自适应置信度聚合模型输出聚合的干扰识别结果。
本发明实施例的Softmax层是一种数学函数,通常用于将一组任意实数转换为表示概率分布的实数。Softmax层可以将一组任意的实数值转化为在[0,1]之间的概率值。
本发明实施例的上述自适应置信度聚合模型的公式包括:
公式(2)中,
自适应置信度聚合模型的损失函数定义为下式:
公式(3)中,L
置信度损失函数L
本发明实施例的上述构建跨模态优化模型,包括:
对自适应置信度聚合模型输出的干扰识别结果进行维度扩展得到扩展结果S
采用扩展结果S
将跨模态数据S'输入深层特征感知模型进行特征挖掘和学习;
将深层特征感知模型输出的各级特征与自适应置信度聚合模型内部的相应级特征进行级联,继续送入深层特征感知模型的后一层处理;
深层特征感知模型输出干扰识别预测P。
本发明实施例的上述扩展结果S
S'=Concat(S
公式(5)中,Concat表示级联操作,I
将跨模态数据S'输入深层特征感知模型进行特征挖掘和学习,然后将深层特征感知模型输出的各级特征与自适应置信度聚合模型内部的相应级特征进行级联,继续送入后一个深层特征感知模型处理,最后得到干扰识别预测P,公式为:
P=f
公式(6)中,E(·)表示从原始输入时频谱I
本发明实施例经4个由两层卷积层、一层池化层和一层自注意层组成的深层特征感知模块处理后,应用Softmax函数获得分类类别的概率,并选择概率最大的类别作为预测结果。
本发明实施例上述深层特征感知模型输出干扰识别预测P之后,还包括:
进一步约束自适应置信度聚合模型的预测与跨模态优化模型的预测;
跨模态优化模型的损失函数公式为:
Loss
公式(7)中,Loss
步骤三、根据适应置信度聚合模型和跨模态优化模型的基础损失函数和蒸馏机制内部的损失函数得到干扰识别网络的总损失函数。
具体的,构建基础损失函数Loss
蒸馏机制内部的损失函数为师生蒸馏机制的损失函数,将自适应置信度聚合模型和跨模态优化模型作为教师模型,将4个由两层卷积层、一层池化层依次使用的二维卷积神经网络作为学生模型,学生模型将教师模型的预测作为补充知识对自身进行训练;
根据基础损失函数和蒸馏机制内部的损失函数构建总损失函数。
构建的总损失函数公式包括:
公式(8)中,α和β为两个损失函数权重参数,Loss
步骤四、基于多通道雷达有源干扰数据集和总损失函数对干扰识别网络联合训练,直至深层特征感知模型输出高精度、高稳定性且实时性强的雷达有源干扰识别信息。
具体的,引入了师生蒸馏机制,将构建的自适应置信度聚合模型和跨模态优化模型作为教师模型,将4个由两层卷积层、一层池化层依次使用的2D-CNN网络作为学生模型,学生模型将教师模型的预测作为补充知识对自身进行训练;干扰识别网络通过端到端方式训练,获得高质量的干扰识别结果。具体的,本发明实施例由4个深层特征感知模型组成学生模型根据基础损失函数和蒸馏机制内部的损失函数构建总损失函数;4个深层特征感知模型组成学生模型包括4个深层特征感知模型,每个模型内包括两层卷积层、一层池化层;学生模型将教师模型的预测作为补充知识对自身进行训练。
基于上述的一种基于深度学习的小样本雷达有源干扰识别方法,请参阅图2,图2为本发明实施例提供的一种基于深度学习的小样本雷达有源干扰识别系统原理框图。本发明实施例提供的一种基于深度学习的小样本雷达有源干扰识别系统,包括输入单元、处理单元和输出单元,输入单元向处理单元输入雷达信号;处理单元通过深层特征感知模型处理雷达信号,深层特征感知模型运算出该雷达信号的雷达有源干扰识别信息,处理单元将雷达有源干扰识别信息发送给输出单元;输出单元输出雷达有源干扰识别信息。
其中,处理单元的深层特征感知模型是通过小样本多通道雷达有源干扰数据集在干扰识别网络中训练的;干扰识别网络包括深层特征感知模型、自适应置信度聚合模型和跨模态优化模型,自适应置信度聚合模型和跨模态优化模型作为教师模型,深层特征感知模型作为学生模型,学生模型将教师模型的预测作为补充知识对自身进行训练;干扰识别网络通过端到端方式引入了师生蒸馏机制进行训练。
本发明实施例的干扰识别网络根据适应置信度聚合模型和跨模态优化模型的基础损失函数和蒸馏机制内部的损失函数得到干扰识别网络的总损失函数;基于多通道雷达有源干扰数据集和总损失函数对干扰识别网络联合训练,直至深层特征感知模型输出高精度、高稳定性且实时性强的雷达有源干扰识别信息。
实施例2:
在实施例1公开方案的基础上,在本实施例中,一种基于深度学习的小样本雷达有源干扰识别方法,包括以下步骤:
步骤1、根据雷达有源干扰信号的作用原理产生干扰信号的时域波形S
在本实施例中,以LFM信号作为雷达发射信号,仿真了九种雷达干扰信号,分别是间歇采样转发干扰(ISRJ)、距离欺骗干扰(DDJ)、切片重构干扰(CI)、灵巧噪声干扰(SNJ)、速度欺骗干扰(VDJ)以及DDJ+ISRJ、DDJ+SNJ、DDJ+VDJ、VDJ+ISRJ等复合干扰信号。模拟的雷达发射信号、九种干扰信号和两种实测干扰信号(包括阻塞干扰(BJ)和密集假目标干扰(DFTJ))共同构成时域干扰数据集。
为了获取干扰信号的更多信息进行分类,应用短时傅里叶变换(STFT)将时域样本转换为时频域数据
考虑到时-频样本是一个复数矩阵,我们首先提取其模数(M)、相位(P)、实部(R)和虚部(I)部分,然后将它们组合成多通道时-频图像集I
步骤2、对于雷达有源干扰数据集S,对其中每个通道的数据分别经过深层特征感知模块提取并学习干扰的多级深层全局特征I
在本实施例中,对输入雷达有源干扰的图像集I
其中
步骤3、利用自适应置信度聚合机制,将各通道的预测结果以其对应的置信度向量作为权重进行聚合得到初步的干扰预测p
具体地,由于多个通道的干扰识别预测信息各不相同,自适应地聚合这些识别结果有利于融合它们的互补信息,从而获得更准确的干扰识别结果。为了将这一想法付诸实践,提出自适应置信度聚合机制,通过利用相应的置信度向量来聚合多个预测的干扰识别结果。深层特征感知模块和自适应置信度聚合机制共同组成自适应置信度聚合模型,首先通过深层特征感知模块得到各通道的识别结果和相应的置信度向量,然后对预测的置信度向量进行归一化处理。将归一化的置信度向量作为权重,对多通道干扰识别结果进行自适应聚合,得到聚合的干扰识别结果,其公式如下:
其中,
为了确保多个通道的干扰识别结果p
其中,L
步骤4、对初步的干扰预测进行处理p
具体地,为了进一步优化聚合的干扰识别输出P
S'=Concat(S
其中,Concat表示级联操作。利用(5),将时频域数据I
P=f
其中,E(·)表示从原始输入时频谱I
在得到干扰识别预测P后,使用交叉熵损失来确保P与真实类别标签之间的一致性。此外,在训练过程中,为了进一步约束自适应置信度聚合模型的预测与跨模态优化模型的预测,还考虑了P和P
Loss
为了联合训练所提出的自适应置信度聚合模型和跨模态优化模型,构建了网络的基础损失函数L
Loss
其中,Loss
步骤5、引入师生蒸馏机制,并与提出的自适应置信度聚合模型和跨模态优化模型联合训练,通过基础损失函数Loss
具体地,为了提高识别方法的实时性,引入了师生蒸馏机制,将构建的自适应置信度聚合模型和跨模态优化模型作为教师模型,将4个由两层卷积层、一层池化层依次使用的2D-CNN网络作为学生模型,学生模型将教师模型的预测作为补充知识对自身进行训练。因此,构建的总损失函数公式如下:
其中,α和β为两个损失函数权重参数,Loss
Loss
其中,p
整个网络通过端到端方式进行训练,以获得高质量的干扰识别结果。与复杂的教师模型相比,蒸馏机制的引入能使学生模型在保持较少测试时间的情况下,获得相当甚至更优的识别性能。因此,在测试阶段,只使用学生模型进行预测便可获得高精度、高稳定性且实时性强的最终结果。
图3给出了小样本(训练集占比数据集的5%)雷达有源干扰识别总体准确率的对比结果,对比算法包括:权重集成CNN(Weighted Ensemble CNN,WECNN)、和Lv等人的方法,这两种方法均为干扰识别方法。如图3所示,相比于本发明实施例提供的方法,上述对比方法在小样本、干扰样式复杂多样的条件下的总体识别准确率均较低。如图3所示,对比方法在小样本且干扰样式复杂多样的条件下的识别性能明显受限原因在于这上述对比方法没有充分地利用干扰信号的有效信息,只挖掘了干扰信号的较浅层的局部信息。图4给出了上述对比方法和本发明实施例提供的方法识别的推理时间对比结果。由图4可知,本发明实施例提供的方法在小样本识别时的推理时间明显短于其他对比方法。从图3和图4中可知,通过置信度来自适应地聚合多通道的识别结果并利用跨模态的数据来进一步优化网络的识别性能,本方法可以实现更准确的雷达有源干扰识别,并且将自适应置信度聚合模型、跨模态优化模型和师生蒸馏机制联合使用还可以在保持干扰识别准确率的同时大幅提高方法的实时性。
本发明实施例提供的自适应置信度聚合模型,通过预测的置信度自适应地聚合不同通道的预测结果,从而更好地利用了干扰的不同特征的互补信息。本发明实施例提供的跨模态优化模型,通过利用干扰信号的多模态数据中所包含的更丰富的信息,进一步优化了自适应置信度聚合模型得到的聚合的预测结果,有效提高了雷达有源干扰识别的准确率,并且增强了识别网络的鲁棒性。本发明实施例提供的自适应置信度聚合模型、跨模态优化模型和师生蒸馏机制联合使用,在保证良好的干扰识别准确性的同时大幅缩短了识别的推理时间,提高了小样本下雷达有源干扰识别的效率。本发明实施例根据雷达有源干扰的实现机理建模干扰信号,并经过STFT变换获得干扰信号的二维时-频谱图,然后提取其多维度信息以构建雷达有源干扰多通道数据集,并作为干扰识别网络的输入。为了更好地利用不同特征的互补信息来描述干扰信号,本发明实施例的自适应置信度聚合模型,以自适应地聚合不同通道的预测结果,从而提高识别网络的识别精度。本发明实施例的跨模态优化模型,以挖掘聚合的干扰识别结果与干扰信号原始输入时-频域数据之间的相关信息,有效提高了雷达有源干扰识别的准确度和识别网络的鲁棒性。本发明实施例联合使用了师生蒸馏机制和设计的自适应置信度聚合模型、跨模态优化模型,实现了准确度高、鲁棒性强且实时性强的雷达有源干扰识别。
此外,本发明实施例针对基于深度学习的干扰识别方法大多需要大规模数据的问题,本发明通过深层特征感知模块来挖掘干扰信号时-频谱中的深层全局特征,充分利用了干扰信号的有效信息,从而使得该识别方法能够不依赖于大规模的标记数据,而在小样本下获得良好的识别准确率。本发明实施例针对现有的小样本干扰识别方法在复杂的电磁环境下(如干扰样式多且混淆性强、标记样本极少等)识别的准确率较低且稳定性较差的问题,本发明实施例联合通过使用自适应置信度聚合模型和多模态优化模型,将干扰信号有利于分类的信息进行了完全地、有效地挖掘,从而能够有效提高该方法的识别准确率及鲁棒性。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
- 基于递归图和深度学习的雷达有源干扰信号识别方法
- 基于径向基神经网络的雷达有源压制干扰识别方法及系统