基于多残差编解码器网络恢复受脉内转发干扰信号的方法

技术领域

本发明属于雷达技术领域，具体涉及一种基于多残差编解码器网络恢复受脉内转发干扰信号的方法。

背景技术

近年来，随着雷达技术的不断进步，雷达信号干扰技术也随之迅猛发展。LFM(Linear Frequency Modulation，线性调频)信号因其独特的时间带宽乘积特性、高多普勒容限以及对多普勒频移的不敏感性，在雷达和通信系统中得到广泛应用。然而，LFM信号在实战中往往容易受到干扰，不得不采取措施隐藏己方雷达信息，以减轻或避免对方干扰造成的影响。

对于雷达系统来说，提高抗干扰能力不仅有助于提高其生存能力，还能大幅增强其探测能力。未来的雷达系统将需要利用更多先进的信号处理技术，如高速并行处理、深度学习等，以更有效地对抗各种复杂的新型干扰。同时，为了提升雷达系统的保密性和抗干扰能力，针对雷达信号的加密和解密技术也将成为研究的重要方向。这些前沿技术的应用将为雷达技术的发展开启新的篇章，并将在军事、航空航天、气象探测等多个领域发挥重要作用。

现有技术中已经存在的一些抗干扰方法，如旁瓣消除、旁瓣消隐、频率捷变、波形捷变、自适应数字波束形成等，但是随着数字射频存储器的发展以及具有拦截-存储-转发能力的干扰源的出现，上述方法面临着新的挑战。

针对这些新型干扰，研究新的抗干扰策略尤为重要。主瓣干扰、脉冲内转发干扰和频点干扰等是当前研究的热点，其中，脉冲内转发式干扰以其强大的干扰效果而尤为受到关注。传统的抗干扰方法通常只能在一个维度上区分目标信号和干扰信号，一旦这个维度被干扰信号所遮挡，就会严重影响抗干扰效果。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于多残差编解码器网络恢复受脉内转发干扰信号的方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供一种基于多残差编解码器网络恢复受脉内转发干扰信号的方法，包括：

接收受干扰信号，并对所述受干扰信号进行预处理，获得输入数据；

将所述输入数据输入至预先训练好的多残差编解码器网络，以使所述多残差编解码器网络利用编码器提取所述输入数据的特征，并压缩所述特征的维度、增加通道数后，进一步使所述多残差解码器网络利用与编码器跳接连通的解码器基于输入的数据进行信号恢复及维度调整，得到恢复信号。

在本发明的一个实施例中，接收受干扰信号，并对所述受干扰信号进行预处理，获得输入数据的步骤，包括：

利用接收机接收受干扰信号S

对所述受干扰信号进行解复数化处理，将所述受干扰信号的实部、虚部拆分并拼接形成三维矩阵：

式中，Re(·)表示取实部，Im(·)表示取虚部，L表示对单个脉冲重复周期的采样点数，U表示脉冲数；

对所述三维矩阵进行归一化处理，得到输入数据：

式中，i＝1、2，i＝1表示S

在本发明的一个实施例中，所述编码器包括特征发现模块和特征提取模块，其中，所述特征发现模块包括级联的第一卷积层、第二卷积层和第三卷积层，所述特征提取模块包括级联的第一残差块、第二残差块、第三残差块和第四残差块；

将所述输入数据输入至预先训练好的多残差编解码器网络，以使所述多残差编解码器网络利用编码器提取所述输入数据的特征，并压缩所述特征的维度、增加通道数的步骤，包括：

将所述输入数据输入至预先训练好的多残差编解码器网络，以使所述多残差编解码器网络利用所述特征发现模块基于输入数据计算感受野，得到特征图，并利用所述特征提取模块基于所述特征图进行特征提取，并压缩该特征的维度、增加通道数。

在本发明的一个实施例中，所述第一卷积层的步长为2×2、通道数为48，所述第二卷积层与所述第三卷积层的步长为1×1、通道数为64。

在本发明的一个实施例中，所述第一残差块、第二残差块、第三残差块和第四残差块均包括级联的第一子卷积层与第二子卷积层，其中，第一子卷积层和第二子卷积层的卷积核大小为3×3、步长为1×1，第二残差块、第三残差块和第四残差块还包括第三子卷积层，所述第三子卷积层的输入端与第一子卷积层的输入端连接、输出端与第二子卷积层的输出端连接，所述第三子卷积层的卷积核大小为1×1、步长为2×2。

在本发明的一个实施例中，所述解码器包括信号重建模块和维度校正模块，其中，所述信号重建模块包括级联的第一转置残差块、第二转置残差块、第三转置残差块和第四转置残差块，所述维度校正模块包括级联的第一转置卷积层、第二转置卷积层和第三转置卷积层；

特征发现模块的输出端通过64维的通道连接至所述第四转置残差块的输入端，第一残差块的输出端通过64维的通道连接至所述第三转置残差块的输入端，第二残差块的输出端通过128维的通道连接至所述第二转置残差块的输入端，第三残差块的输出端通过256维的通道连接至所述第一转置残差块。

在本发明的一个实施例中，所述第一转置残差块、第二转置残差块、第三转置残差块和第四转置残差块均包括级联的第一子转置卷积层与第二子转置卷积层，其中，第一子转置卷积层和第二子转置卷积层的卷积核大小为3×3、步长为1×1，第一转置残差块、第二转置残差块和第三转置残差块还包括第三子转置卷积层，所述第三子转置卷积层的输入端与第一子转置卷积层的输入端连接、输出端与第二子转置卷积层的输出端连接，所述子转置卷积层的卷积核大小为1×1、步长为2×2。

在本发明的一个实施例中，使所述多残差解码器网络利用与编码器跳接连通的解码器基于输入的数据进行信号恢复及维度调整，得到恢复信号的步骤，包括：

将所述特征提取模块进行压缩维度、增加通道数后的特征输入所述解码器，以使所述多残差解码器网络利用所述信号重建模块基于输入的特征以及经跳接连接输入的数据进行维度恢复，并利用所述维度校正模块进行整流和积分后，得到回波信号对应的恢复信号。

在本发明的一个实施例中，所述信号重建模块基于输入的特征以及经跳接连接输入的数据，按照如下步骤进行维度恢复：

所述第一转置残差块获取所述特征提取模块进行压缩维度、增加通道数后的特征，对其进行转置卷积操作后与第三残差块跳接输入的数据相加，得到第一重建信号；

所述第二转置残差块对所述第一重建信号进行转置卷积操作后与所述第二残差块跳接输入的数据相加，得到第二重建信号；

所述第三转置残差块对所述第二重建信号进行转置卷积操作后与所述第一残差块跳接输入的数据相加，得到第三重建信号；

所述第四转置残差块对所述第三重建信号进行转置卷积操作后与所述特征发现模块跳接输入的数据相加，得到第四重建信号。

在本发明的一个实施例中，所述多残差编解码器网络在训练过程中使用的损失函数为均方根误差RMSE或皮尔逊系数。

与现有技术相比，本发明的有益效果在于：

本发明提供一种基于多残差编解码器网络恢复受脉内转发干扰信号的方法，首先对受到转发式干扰的发射信号进行解复数化处理和归一化处理，并将预处理后的输入数据输入至预先训练好的多残差编解码器网络以进行信号的特征提取和重建，可以在复杂的干扰环境下实现对目标回波信号的重建，无需依赖人工经验，并且在不同种类转发式干扰下，均呈现出良好的重建性能。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的基于多残差编解码器网络恢复受脉内转发干扰信号的方法的一种流程图；

图2a是本发明实施例提供的发射线性调频信号的时频关系图；

图2b是本发明实施例提供的SMSP干扰信号的时频关系图；

图2c是本发明实施例提供的ISRJ干扰信号的时频关系图；

图2d是本发明实施例提供的INUSRJ干扰信号的时频关系图；

图3是本发明实施例提供的逆复数化处理示意图；

图4是本发明实施例提供的多残差编解码器网络的结构示意图；

图5a～5c是本发明实施例提供的多残差编解码器网络在训练过程中对受到ISRJ干扰的发射信号的恢复结果图；

图6是本发明实施例提供的迭代次数与RMSE的曲线关系图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

图1是本发明实施例提供的基于多残差编解码器网络恢复受脉内转发干扰信号的方法的一种流程图。如图1所示，本发明实施例提供一种基于多残差编解码器网络恢复受脉内转发干扰信号的方法，包括：

S1、接收受干扰信号，并对受干扰信号进行预处理，获得输入数据；

S2、将输入数据输入至预先训练好的多残差编解码器网络，以使多残差编解码器网络利用编码器提取输入数据的特征，并压缩特征的维度、增加通道数后，进一步使多残差解码器网络利用与编码器跳接连通的解码器基于输入的数据进行信号恢复及维度调整，得到恢复信号。

具体而言，本实施例中发射信号为线性调频信号，如图2a所示，其形式为：

式中，B表示带宽，T

可选地，基础参数设置如下：载频f

在多残差编解码器网络的训练过程中，训练集中训练数据的|μ|在μ

频谱弥散干扰是专门针对线性调频脉冲压缩雷达的密集多假目标干扰，示例性地，以干扰信号是SMSP(Smeared Spectrum，频谱弥散)干扰为例，如图2b所示，其形式为：

其中，K表示转发数，A

其中，

当然，在本申请其他的一些实施例中，如图2c、2d所示，干扰样式也可以为ISRJ(Interrupted-sampling Repeater Jamming，间歇采样转发干扰)、INUSRJ(InterruptedNon-uniform Sampling Repeater Jamming，非均匀间歇采样转发干扰)。

对于ISRJ，需要截取发射信号的一段M次，并且对于每次截取重复重发K次。截取的发射信号的脉冲串

被截获的信号

干扰信号可表示为：

其中，A

由于INURJ是ISRJ的推广，因此INUSRJ的生成模式与ISRJ一致，包括对发射信号的初始拦截，然后进行存储和转发。然而，在INURJ中，拦截次数

在上述约束条件中，前两个不等式用于限制这些随机整数的下界，其中，第一个不等式保证每次拦截至少转发一次，第二个不等式确保最小采样时间T

这里

i＝1时，l

最后，INUSRJ干扰信号通过将

这里选取为ISRJ干扰，转发次数设置为4，采样时间为8μs。

图3是本发明实施例提供的逆复数化处理示意图。请参见图3，步骤S1中，接收受干扰信号，并对受干扰信号进行预处理，获得输入数据的步骤，包括：

S101、利用接收机接收受干扰信号S

S102、对受干扰信号进行解复数化处理，将受干扰信号的实部、虚部拆分并拼接形成三维矩阵：

式中，Re(·)表示取实部，Im(·)表示取虚部，L表示对单个脉冲重复周期的采样点数，U表示脉冲数；

S103、对三维矩阵进行归一化处理，得到输入数据：

式中，i＝1、2，i＝1表示S

图4是本发明实施例提供的多残差编解码器网络的结构示意图。如图4所示，本实施例中，编码器(第0～4层)包括特征发现模块(第0层)和特征提取模块(第1～4层)，其中，特征发现模块包括级联的第一卷积层、第二卷积层和第三卷积层，特征提取模块包括级联的第一残差块(第1层)、第二残差块(第2层)、第三残差块(第3层)和第四残差块(第4层)；

步骤S2中，将输入数据输入至预先训练好的多残差编解码器网络，以使多残差编解码器网络利用编码器提取输入数据的特征，并压缩特征的维度、增加通道数的步骤，包括：

将输入数据输入至预先训练好的多残差编解码器网络，以使多残差编解码器网络利用特征发现模块基于输入数据计算感受野，得到特征图(feature map)，并利用特征提取模块基于特征图进行特征提取，并压缩该特征的维度、增加通道数。

具体而言，特征发现模块用于使用输入数据计算感受野，得到特征图，其中，第一个卷积层的步长为2×2、通道数为48，相较于传统的卷积神经网络，减少了数据大小；此外，第二卷积层与第三卷积层的步长为1×1，保持了数据大小，同时通过内核配置将通道数量增加到64个。

可见，特征发现模块通过将多个3×3卷积层级联，减少了网络参数，同时扩大了感受野；此外，由于其卷积输入端口，因此可以容纳各种大小的输入数据，这在雷达信号处理中尤为重要，因为雷达参数会影响数据长度，脉冲数量与信号的相干时间直接相关。

进一步地，特征提取模块用于使用残差结构对特征图进行特征提取，并对得到的特征进行维度的压缩，同时增加通道数。可选地，特征提取模块中，第一残差块、第二残差块、第三残差块和第四残差块均包括级联的第一子卷积层与第二子卷积层，其中，第一子卷积层和第二子卷积层的卷积核大小为3×3、步长为1×1，第二残差块、第三残差块和第四残差块还包括第三子卷积层，第三子卷积层的输入端与第一子卷积层的输入端连接、输出端与第二子卷积层的输出端连接，第三子卷积层的卷积核大小为1×1、步长为2×2。

应当理解，第二残差块、第三残差块和第四残差块中的第三子卷积层用于层级之间的跳接，每一残差块与前一残差块相比，输出数据的大小减半，而通道数量加倍。

此外，上述多残差编解码器中，解码器包括信号重建模块和维度校正模块，其中，信号重建模块包括级联的第一转置残差块、第二转置残差块、第三转置残差块和第四转置残差块，维度校正模块包括级联的第一转置卷积层、第二转置卷积层和第三转置卷积层；

特征发现模块的输出端通过64维的通道连接至第四转置残差块的输入端，第一残差块的输出端通过64维的通道连接至第三转置残差块的输入端，第二残差块的输出端通过128维的通道连接至第二转置残差块的输入端，第三残差块的输出端通过256维的通道连接至第一转置残差块。

应当理解，本实施例通过在用于在网络的不同层之间建立直接的连接，使信息可以跳过一些层直接传递到更靠后的层，有助于加快训练速度、防止。在编码器和解码器之间，块级快捷方式有助于在卷积(或转置卷积)和批量归一化操作后将数据从前面模块传输到后面模块。因此，块级快捷方式不使用卷积(或转置卷积)。相反，来自块前面的数据被批量规范化、激活，然后传输到块后面。

可选地，步骤S2中，使多残差解码器网络利用与编码器跳接连通的解码器基于输入的数据进行信号恢复及维度调整，得到恢复信号的步骤，包括：

将特征提取模块进行压缩维度、增加通道数后的特征输入解码器，以使多残差解码器网络利用信号重建模块基于输入的特征以及经跳接连接输入的数据进行维度恢复，并利用维度校正模块进行整流和积分后，得到回波信号对应的恢复信号。

信号重建本质上是一个逆特征提取过程，信号重建模块用于通过转置卷积操作对输入数据进行上采样，基于转置残差块根据特征恢复数据维度，得到与第0层输出的特征图相同维度的模块输出。

具体而言，第一转置残差块、第二转置残差块、第三转置残差块和第四转置残差块均包括级联的第一子转置卷积层与第二子转置卷积层，其中，第一子转置卷积层和第二子转置卷积层的卷积核大小为3×3、步长为1×1，第一转置残差块、第二转置残差块和第三转置残差块还包括第三子转置卷积层，第三子转置卷积层的输入端与第一子转置卷积层的输入端连接、输出端与第二子转置卷积层的输出端连接，子转置卷积层的卷积核大小为1×1、步长为2×2。

可见，多残差编解码器网络的第5～8层与第4～1层共享相同的内核大小、步长和输出大小，是一个逆特征提取过程，每2×2步的数据大小增加一倍，通道数量减少一半。此外，在信号重建模块内，层级跳接方式将较小的数据连接到较大的数据，因此上采样是必要的。

可选地，上述步骤S2中，信号重建模块基于输入的特征以及经跳接连接输入的数据，按照如下步骤进行维度恢复：

第一转置残差块获取特征提取模块进行压缩维度、增加通道数后的特征，对其进行转置卷积操作后与第三残差块跳接输入的数据相加，得到第一重建信号；

第二转置残差块对第一重建信号进行转置卷积操作后与第二残差块跳接输入的数据相加，得到第二重建信号；

第三转置残差块对第二重建信号进行转置卷积操作后与第一残差块跳接输入的数据相加，得到第三重建信号；

第四转置残差块对第三重建信号进行转置卷积操作后与特征发现模块跳接输入的数据相加，得到第四重建信号。

维度校正模块用于调整数据维度，使网络输出的恢复信号与输入数据保持一致，其中，第9层在调整数据维度方面起着至关重要的作用，与第0层类似，第9层包括第一转置卷积层、第二转置卷积层和第三转置卷积层，分别具有3×3核和1×1、1×1和2×2的步长。此外，第二转置卷积层具有48个转置卷积核，产生48×400×32的输出。由于2×2的步长，第三转置卷积层将输出大小增加到800×64。最后，通过对信号维度进行整流并对校正后的重建数据进行积分，输出的恢复信号维度与层0的输入数据保持相同。

需要说明的是，在多残差编解码器网络的训练过程中，输入的样本数据对应的期望信号

其中i＝1,2；

所使用的损失函数为均方根误差或皮尔逊系数。示例性地，均方根误差表示为：

式中，S'

进一步地，恢复信号与发射信号之间的Pearson相关系数

其中，μ

S

其中，S

S

需要说明的是，解归一化处理得到S

尽管RMSE通常用于评估一般情况下的恢复性能，但它被认为对雷达信号处理过于严格，尤其是在点对点恢复中，多残差编解码器网络的主要目标是消除输入中的干扰信号，随后的操作包括匹配滤波器以提高信噪比。

图5a～5c是本发明实施例提供的多残差编解码器网络在训练过程中对受到ISRJ干扰的发射信号的恢复结果图，其中，图5a～5c所示的调频率不同，随着迭代次数的增加，可以看出低频信号优先于高频信号的恢复。然而，由于采样时间和转发时间恒定，干扰段的规则分布得以保持。此外，第1代的结果有效地减轻了某些干扰段，表明本发明提供的多残差编解码器网络准确地估计了传入干扰段的起始位置和样本转发时间，虽然发射信号在第1代中没有完全恢复，但成功地找到了干扰数据段的位置。如图5a～5c所示，定位大μ样本需要额外的迭代，导致与小μ样本相比，恢复进度滞后，较大的μ值对应于较宽的带宽，并且随着频率的增加，数据的时间变化发生得更快，使得干扰数据段的定位更具挑战性。

图6是本发明实施例提供的迭代次数与RMSE的曲线关系图。经过适度的训练，发射信号在第5、10代得以恢复，如图6所示，它们的历元涉及120,000次迭代，导致RMSE超过0.1。因此，这些结果与其相应标签之间的差异依然存在。此外，图5b和图5c表明第5、10代处的明显拖尾失真，与最终转发的位置对齐。进一步地，分析脉宽与ISRJ参数之间的数值关系表明，该转发是不完整的，违反了整数倍规则，破坏了ISRJ的规律性。因此，需要进一步训练才能获得这些额外信息。

在图6中，第400代恢复的结果与期望信号S

通过上述各实施例可知，本发明的有益效果在于：

本发明提供一种基于多残差编解码器网络恢复受脉内转发干扰信号的方法，首先对受到转发式干扰的发射信号进行解复数化处理及归一化处理，并将预处理后的输入数据输入至预先训练好的多残差编解码器网络以进行信号的特征提取和重建，可以在复杂的干扰环境下实现对目标回波信号的重建，无需依赖人工经验，并且在不同种类转发式干扰下，均呈现出良好的重建性能。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。