一种对调制识别网络隐身的雷达发射信号生成方法

1.本发明属于雷达电子侦察和人工智能交叉的技术领域，具体涉及一种对调制识别网络隐身的雷达发射信号生成方法。


背景技术：

2.随着深度学习等智能方法的发展，电子侦察系统、雷达告警接收机和电子对抗设备等无源探测系统对主动射频辐射源截获能力不断提升、分选和识别准确率不断提高，使得针对雷达的干扰更精确，给雷达方带来严重威胁。射频隐身技术是应对不断升级的无源威胁、提高雷达抗侦察和抗干扰能力的有效手段。该技术通过控制辐射源的信号参数缩减目标特征，避免雷达被电子侦察系统截获、分选和识别，提升雷达战场生存率。相应的雷达射频隐身措施分别为抗截获、抗分选和抗识别。其中，抗识别隐身技术意在使电子侦察系统无法从截获到的信号中获取辐射源的调制类型，避免其为后续的参数测量、状态推理、干扰生成等操作提供信息，是对抗电子侦察系统的重要一环。然而，已有的抗识别射频隐身信号生成方法较少且主要针对传统基于特征提取的识别方法进行设计。


技术实现要素：

3.有鉴于此，本发明提供了一种对调制识别网络隐身的雷达发射信号生成方法，该方法生成的调制隐身信号在能正常脉冲压缩的同时提高雷达发射信号的调制隐身抗识别能力。
4.一种对脉冲调制识别网络隐身的雷达发射信号生成方法，包括以下步骤：
5.步骤一、对原始雷达发射信号x(n)进行时频分析生成复数时频谱x(m，ω)；然后拆分x(m，ω)的实部xr(m，ω)和虚部xi(m，ω)组成两通道时频谱h(m，ω)，简记为h；然后根据时频谱h绘制时频图i；
6.步骤二、搭建调制识别模型f和辅助调制识别模型g；调制识别模型f以时频图为输入，输出为对时频图的分类结果；辅助识别模型g用于对时频谱调制类型进行识别，采用与模型相同f的网络结构，以时频谱为输入，输出为模型对输入样本的识别结果和此过程中的梯度值；
7.步骤三、利用调制识别模型f对时频图i进行抗识别测试，具体为：
8.设i的真实标签为1、调制识别模型f输出的识别测试结果为t，若t＝l，则表明该时频图不具有抗识别能力，进入步骤四；反之，若t≠l，则表明时频图已具备抗识别能力，不需继续进行后续隐身信息生成，进入步骤五；
9.步骤四、利用辅助识别模型g对两通道时频谱h进行识别并利用修正deepfoo1算法进行隐身信息生成，具体为：
10.两通道时频谱应与同一类型的时频图具有相同的真实标签和分类结果，因此两通道时频谱h的真实标签和识别测试结果同样记为1和t；
11.令gk(h)表示辅助识别模型g将两通道时频谱h预测为第k类的概率值，k＝1，
2，...，k，k表示信号调制类别总数目；
12.对于不属于类别l的其它类别k进行如下迭代计算：
13.g
′k＝gk(hi)-g
l
(hi)；
[0014][0015]
其中，i为迭代轮数；gk(hi)表示第i轮迭代时辅助识别模型g将两通道时频谱hi识别为第k类的概率；g
l
(hi)表示第i轮迭代时辅助识别模型g将两通道时频谱hi识别为第l类的概率；k＝1，2，...，k，k≠l；表示求梯度；
[0016]
根据迭代计算结果，遍历k＝1，2，...，k，k≠l，计算样本到各决策边界的距离将距离样本最近的决策边界对应的类别序号记为时频谱改变量为
[0017]
更新时频谱：hi＝hi+δhi，根据hi绘制时频图，记为i，并更新迭代轮数为i＝i+1；返回步骤三；
[0018]
步骤五、基于当前时频谱hi，重构得到时域调制隐身发射信号
[0019]
较佳的，所述步骤五中，重构得到时域调制隐身发射信号的方法为：
[0020]
设迭代得到的时频谱hi表示为y(ms,ω)，则重构所得时域信号表示为：
[0021][0022]
其中，表示重构所得时域信号，n为整数；ω为角频率；w(n)表示窗函数。
[0023]
较佳的，调制识别模型f和辅助调制识别模型g采用vgg16、resnet18、cnn-base模型中的一种。
[0024]
较佳的，步骤一中时频分析方法采用短时傅里叶变换。
[0025]
本发明具有如下有益效果：
[0026]
本方法针对电子侦察系统智能化调制识别网络的抗识别问题，提出了一种调制隐身的雷达发射信号生成方法：该方法主要包含原始信号时频谱生成、隐身信息迭代生成、隐身信号时域波形重构三个阶段；首先，在原始信号时频谱生成阶段，采用stft对信号进行时频分析得到对应的时频谱。然后，在隐身信息迭代生成阶段，利用修正deepfool算法攻击侦察方智能调制识别网络生成隐身信息；最后，在隐身信号时域波形重构阶段，通过imstft方法将含有调制隐身信息的时频谱转换为时域调制隐身信号，在保证雷达正常探测的同时实现调制识别隐身。
附图说明
[0027]
图1为本发明的算法流程图。
[0028]
图2为本发明实施例的抗识别实验结果。
[0029]
图3为本发明实施例的脉冲压缩实验结果，a)为理想信号条件下信号脉冲压缩结果；b)为局部放大图。
具体实施方式
[0030]
下面结合附图并举实施例，对本发明进行详细描述。
[0031]
本发明提供了一种对调制识别网络隐身的雷达发射信号生成方法，包括以下步骤：
[0032]
步骤一、对原始雷达发射信号x(n)进行时频分析生成复数时频谱x(m，ω)；然后拆分x(m，ω)的实部xr(m，ω)和虚部xi(m，ω)组成两通道时频谱h(m，ω)，简记为h，然后根据时频谱h绘制时频图i。
[0033]
步骤二、搭建调制识别模型f和辅助调制识别模型g。以vgg16、resnet18、cnn-base模型作为调制识别模型f对时频图调制类型进行识别。三种模型均以时频图为输入，输入通道数为3，输出为对时频图的分类结果。辅助识别模型用于对时频谱调制类型进行识别，采用与模型相同f的网络结构，以时频谱为输入，输入通道数为2，输出为模型对输入样本的识别结果和此过程中的梯度值。
[0034]
步骤三、利用调制识别模型f对时频图i进行抗识别测试，具体为：
[0035]
设i的真实标签为1、调制识别模型f输出的识别测试结果为t，若t＝l，则表明该时频图不具有抗识别能力，进入步骤四；反之，若t≠l，则表明时频图已具备抗识别能力，不需继续进行后续隐身信息生成，进入步骤五。
[0036]
步骤四、利用辅助识别模型g对两通道时频谱h进行识别并利用修正deepfoo1算法进行隐身信息生成，具体为：
[0037]
两通道时频谱应与同一类型的时频图具有相同的真实标签和分类结果，因此两通道时频谱h的真实标签和识别测试结果同样记为1和t。
[0038]
令gk(h)表示辅助识别模型g将两通道时频谱h预测为第k类的概率值，k＝1,2，...，k，k表示信号调制类别总数目；
[0039]
为使样本向错误类别方向移动，对于不属于类别l的其它类别k进行如下迭代计算：
[0040]g′k＝gk(hi)-g
l
(hi)；
[0041][0042]
其中，i为迭代轮数；gk(hi)表示第i轮迭代时辅助识别模型g将两通道时频谱hi识别为第k类的概率；g
l
(hi)表示第i轮迭代时辅助识别模型g将两通道时频谱hi识别为第l类的概率；k＝1,2，...，k，k≠l；表示求梯度；
[0043]
根据迭代计算结果，遍历k＝1,2，...，k，k≠l，计算样本到各决策边界的距离为保证对原始样本的修改尽可能小，将距离样本最近的决策边界对应的类别序号记
为即时频谱改变量为
[0044]
更新时频谱：hi＝hi+δhi，令时频谱向距离最近的错误类别方向靠近；根据hi绘制时频图，记为i，并更新迭代轮数为i＝i+1；返回步骤三；
[0045]
步骤五、利用改进逆短时傅里叶变换得到时域调制隐身发射信号
[0046]
进一步地，步骤一中时频分析方法包括但不限于短时傅里叶变换(short-time fourier transform，stft)。stft的计算如下：
[0047][0048]
式中，x(n)为时域信号，w(n)为窗函数，ω为角频率。
[0049]
进一步地，步骤二中调制识别模型包括但不限于vgg、resnet、cnn-base。
[0050]
进一步地，步骤四中采用的攻击方法包括但不限于deepfoo1算法。
[0051]
进一步地，步骤五中采用的改进逆短时傅里叶变换方法为imstft(inverse modified stft)。该方法基于最小二乘思想重构一个时域信号，使该信号的时频谱与修改后的时频谱差异尽可能小，解决标准逆短时傅里叶变换无法由调制隐身时频谱重构时域调制隐身信号的问题。设迭代得到的时频谱hi表示为y(ms,ω)，则重构所得时域信号可表示为：
[0052][0053]
其中，表示重构所得时域信号，n为整数；ω为角频率；w(n)表示窗函数。
[0054]
实施例：
[0055]
(1)实验的场景设置
[0056]
本实验通过一部引入对抗攻击方法建立发射波形库的雷达和一个采用智能调制识别网络的侦察接收机构成的雷达对抗场景，对本方法进行评估。雷达方引入对抗攻击方法生成调制隐身信号，构建调制隐身雷达发射信号波形库。雷达从该波形库中选择并发射调制隐身信号。该信号经过辐射传播后被干扰系统截获接收，造成以时频图为输入的调制识别网络以高置信度错误预测，降低其对雷达的威胁；经过目标散射的回波信号可以在雷达接收处理支路正常实现脉冲压缩，进行后续目标回波检测处理。
[0057]
(2)评价指标设置
[0058]
实验以攻击成功率(attack success rate，asr)和脉冲压缩结果为评价指标。asr对雷达调制隐身信号的抗识别性能进行评估。脉冲压缩结果对雷达调制隐身信号的脉压可行性进行评估。
[0059]
(3)实验流程
[0060]
本发明的算法流程图如图1所示。具体地，原始雷达发射信号x(n)的长度为1024，信噪比分别为[-10db：4db：10db]和odb，信号类型和参数如表所示。
[0061]
表1原始信号参数设置
[0062][0063]
步骤一、原始信号时频谱生成。首先，采用窗长为161，β＝9的kaiser窗对三类原始信号x(n)进行stft，生成维数为1024
×
1024的复数时频谱x(m，ω)。然后，拆分复数时频谱的实部和虚部组成维数为1024
×
1024
×
2的两通道时频谱h。
[0064]
步骤二、模型搭建。搭建调制识别模型f和辅助调制识别模型g。构建vgg16、resnet18和cnn-base模型作为调制识别网络。三种模型均以1024
×
1024的时频图为输入，输入通道数为3。基于vgg16的识别网络包含13个卷积层和3个全连接层。其中第一、二个卷积层各有64个大小为3
×
3的卷积核，第三、四个卷积层各有128个3
×
3的卷积核，第五至七卷积层各有256个大小为3
×
3的卷积核，第八至十三卷积层均各有512个大小为3
×
3的卷积核；最大池化层的大小为2
×
2，位于卷积层之后，共5层；最后一个池化层后接三个全连接层。基于resnet18的识别网络包含17个卷积层和1个全连接层。图中蓝色实线表示特征维数不改变的跨层连接，蓝色虚线表示特征维数改变的跨层连接；第一个卷积层有64个7
×
7的卷积核，第二至五个卷积层均有64个3
×
3的卷积核，第六至九个卷积层均有128个3
×
3的卷积核，第十至十三个卷积层均有256个3
×
3的卷积核，第十四至十七个卷积层均有512个3
×
3的卷积核；除第一、六、十和十四个卷积层滑动步长为2外，其余卷积层滑动步长默认均为1；3
×
3的最大池化层位于第一个卷积层后，1
×
1的平均池化层位于最后一个卷积层后；全连接层位于平均池化层后。基于cnn-base的识别网络包含2个卷积层和3个全连接层，共5层，第一、二个卷积层均有16个3
×
3的卷积核；每个卷积层后有一个大小为2
×
2的最大池化层；三个全连接层位于最后一个最大池化层后。辅助调制识别模型采用与调制识别模型相同的网络结构，输入通道数为2。
[0065]
步骤三、抗识别测试。根据时频谱h各元素的模值绘制维数为1024
×
1024
×
3的rgb时频图i。
[0066]
设i的真实标签为1、调制识别模型f输出的识别测试结果为t，若t＝l，则表明该时频图不具有抗识别能力，进入步骤四；反之，若t≠l，则表明时频图已具备抗识别能力，不需继续进行后续隐身信息生成，进入步骤五；
[0067]
步骤四、利用辅助识别模型g对两通道时频谱h进行识别并利用修正deepfoo1算法进行隐身信息生成，具体为：
[0068]
两通道时频谱应与同一类型的时频图具有相同的真实标签和分类结果，因此两通道时频谱h的真实标签和识别测试结果同样记为1和t；
[0069]
令gk(h)表示辅助识别模型g将两通道时频谱h预测为第k类的概率值，k＝1，
2，...，k，k表示信号调制类别总数目；
[0070]
对于不属于类别l的其它类别k进行如下迭代计算：
[0071]g′k＝gk(hi)-g
l
(hi)；
[0072][0073]
其中，i为迭代轮数；gk(hi)表示第i轮迭代时辅助识别模型g将两通道时频谱hi识别为第k类的概率；g
l
(hi)表示第i轮迭代时辅助识别模型g将两通道时频谱hi识别为第1类的概率；k＝1，2，...，k，k≠l；表示求梯度；
[0074]
根据迭代计算结果，遍历k＝1，2，...，k，k≠l，计算样本到各决策边界的距离将距离样本最近的决策边界对应的类别序号记为时频谱改变量为
[0075]
更新时频谱：hi＝hi+δhi，根据hi绘制时频图，记为i，并更新迭代轮数为i＝i+1；返回步骤三；
[0076]
步骤五、基于当前时频谱hi，重构得到时域调制隐身发射信号的长度与x(n)相同。
[0077]
(4)结果分析
[0078]
图2显示了本方法的抗识别结果。可以看出，在各种信噪比条件下对多种目标模型进行攻击的成功率均在70％以上，其中大部分攻击成功率高于85％。因此，本方法能够有效地生成对侦察方调制识别网络具有抗识别能力的隐身信号。
[0079]
图3显示了本方法在原始信号为理想信号条件下生成的隐身信号的脉冲压缩结果。可以看出，调制隐身信号能够在脉冲压缩过程中获得增益，与原始理想信号具有相近的主旁比。
[0080]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种对脉冲调制识别网络隐身的雷达发射信号生成方法，其特征在于，包括以下步骤：步骤一、对原始雷达发射信号x(n)进行时频分析生成复数时频谱x(m，ω)；然后拆分x(m，ω)的实部x
r
(m，ω)和虚部x
i
(m，ω)组成两通道时频谱h(m，ω)，简记为h；然后根据时频谱h绘制时频图i；步骤二、搭建调制识别模型f和辅助调制识别模型g；调制识别模型f以时频图为输入，输出为对时频图的分类结果；辅助识别模型g用于对时频谱调制类型进行识别，采用与模型相同f的网络结构，以时频谱为输入，输出为模型对输入样本的识别结果和此过程中的梯度值；步骤三、利用调制识别模型f对时频图i进行抗识别测试，具体为：设i的真实标签为1、调制识别模型f输出的识别测试结果为t，若t＝l，则表明该时频图不具有抗识别能力，进入步骤四；反之，若t≠l，则表明时频图已具备抗识别能力，不需继续进行后续隐身信息生成，进入步骤五；步骤四、利用辅助识别模型g对两通道时频谱h进行识别并利用修正deepfool算法进行隐身信息生成，具体为：两通道时频谱应与同一类型的时频图具有相同的真实标签和分类结果，因此两通道时频谱h的真实标签和识别测试结果同样记为1和t；令g
k
(h)表示辅助识别模型g将两通道时频谱h预测为第k类的概率值，k＝1，2，...，k，k表示信号调制类别总数目；对于不属于类别l的其它类别k进行如下迭代计算：g
′
k
＝g
k
(h
i
)-g
l
(h
i
)；其中，i为迭代轮数；g
k
(h
i
)表示第i轮迭代时辅助识别模型g将两通道时频谱h
i
识别为第k类的概率；g
l
(h
i
)表示第i轮迭代时辅助识别模型g将两通道时频谱h
i
识别为第1类的概率；k＝1，2，...，k，k≠l；表示求梯度；根据迭代计算结果，遍历k＝1，2，...，k，k≠l，计算样本到各决策边界的距离将距离样本最近的决策边界对应的类别序号记为时频谱改变量为更新时频谱：h
i
＝h
i
+δh
i
，根据h
i
绘制时频图，记为i，并更新迭代轮数为i＝i+1；返回步骤三；步骤五、基于当前时频谱h
i
，重构得到时域调制隐身发射信号2.如权利要求1所述的一种对调制识别网络隐身的雷达发射信号生成方法，其特征在于，所述步骤五中，重构得到时域调制隐身发射信号的方法为：设迭代得到的时频谱h
i
表示为y(ms,ω)，则重构所得时域信号表示为：
其中，表示重构所得时域信号，n为整数；ω为角频率；w(n)表示窗函数。3.如权利要求1所述的一种对调制识别网络隐身的雷达发射信号生成方法，其特征在于，调制识别模型f和辅助调制识别模型g采用vgg16、resnet18、cnn-base模型中的一种。4.如权利要求1所述的一种对调制识别网络隐身的雷达发射信号生成方法，其特征在于，步骤一中时频分析方法采用短时傅里叶变换。

技术总结
本发明公开了一种对调制识别网络隐身的雷达发射信号生成方法，首先通过短时傅里叶变换得到原始信号的时频谱，然后基于调制识别模型和辅助调制识别模型迭代执行修正DeepFool算法实现调制隐身信息的生成，最后利用改进逆短时傅里叶变换得到时域抗识别发射信号；本发明方法生成的信号波形可令以时频图为输入的智能调制识别网络以高置信度出错，并且能够在脉冲压缩过程中获得增益，具备进行后续目标检测处理的能力。测处理的能力。测处理的能力。


技术研发人员：李云杰 张瑞斌 朱梦韬
受保护的技术使用者：北京理工大学
技术研发日：2023.06.19
技术公布日：2023/10/15