一种基于可逆残差网络的抗雷达主瓣转发干扰方法

1.本发明属于雷达抗干扰技术领域，具体涉及一种基于可逆残差网络的抗雷达主瓣转发干扰方法。


背景技术：

2.雷达系统是现代化通信中的核心探测手段之一，利用发射和接收电磁波信号，可以对目标区域进行全天候实时监测。目前，随着数字式射频存储器(digital radio frequency memory,drfm)技术的不断发展，雷达主瓣转发干扰凭借其与雷达发射信号高度相关，并且从天线主瓣进入雷达接收机的特点，使得大部分传统的雷达抗干扰策略失效，雷达的目标探测性能急剧下降。因此，针对雷达主瓣转发干扰开展抑制方法研究是确保雷达探测能力的重要研究方向，具有重要的研究意义。传统的信号处理方法绝大部分都局限在针对单目标下的转发式干扰抑制，少有的几种可以抑制多目标下转发式干扰的算法也很难有较好的干扰抑制效果。因此，至今都没有一种合适的抗雷达主瓣转发干扰算法可以很好的解决多目标下的雷达干扰问题。


技术实现要素：

3.针对上述问题，本发明从时域信号本身出发，利用雷达发射信号信息降低信号分离复杂度，参考盲源分离理论中常用的非负矩阵分解方法，将雷达发射信号作为字典矩阵，求得雷达回波的特征矩阵。利用该特征矩阵替代短时傅立叶变换得到的时频图矩阵进行后续的干扰信号分离。并且对于多目标信号恢复中存在的信息缺失的问题，尝试使用可逆残差网络来提取信号特征，保障信号近似无损的恢复。
4.本发明基于非负矩阵分解(nmf)算法和可逆残差神经网络，提出了一套适用于多目标多干扰环境下雷达主瓣转发干扰抑制深度学习框架inv-nmf net。它可以利用雷达发射信号信息来对干扰信号进行分解，将目标信号信息与干扰信号信息表征在系数矩阵的不同位置上。然后利用可逆残差网络对系数矩阵进行分析，生成mask掩码矩阵，对干扰信号分量和目标信号分量进行分离。由于可逆网络的信息传递无损性，本发明可以最大程度上保证目标信号强度不受到影响。这种方法不但不受雷达目标数量的影响，而且对于不同的雷达发射波形，也具有较好的适应能力。
5.本发明的技术方案为：
6.一种基于可逆残差网络的抗雷达主瓣转发干扰方法，包括以下步骤：
7.s1、以线性调频信号作为雷达发射信号，通过雷达主瓣转发干扰仿真获得干扰信号，进而获得添加了干扰的回波信号signal
data
、发射信号signal、干扰信号标签jam
target
和无干扰的信号标签signal
target
：
8.signal
data
＝{x
0i
|i＝1,2,
…
,l}∈c
l
9.signal＝{x
1i
|i＝1,2,
…
,l}∈c
l
10.jam
target
＝{x
2i
|i＝1,2,
…
,l}∈c
l
11.signal
target
＝{x
3i
|i＝1,2,
…
,l}∈c
l
12.其中，l为信号长度；
13.s2、对signal
data
、signal和signal
target
分别进行线性归一化处理，将信号强度映射到(0，1)，利用signal
data
的最大最小值对jam
target
进行归一化，保证两者归一化比例一致，然后利用滑窗方式，对signal
data
和signal中，每个m长的时间片信号进行切分，然后在下一个维度拼接，组成对应的m
×
n的二维矩阵x∈rm×n和s∈rm×n，l＝m
×
n；
14.s3、将s设置为字典矩阵w，对矩阵x进行nmf分解，得到信号样本矩阵x对应的系数矩阵h，具体方法为：
15.随机初始化系数矩阵h∈rn×n，保证h
ij
≥0|i＝1,...,n；j＝1,...,n；
16.更新h矩阵参数以及计算误差e：
[0017][0018][0019]
如果误差e满足设定条件则输出系数矩阵h，否则继续迭代更新，直到达到最大迭代次数为止；
[0020]
s4、构建基于可逆残差网络的干扰抑制网络，包括三层结构相同的可逆残差网络层，网络的前向传播输入为nmf分解得到的归一化系数矩阵h，期望得到的输出是分离出的干扰信号掩码矩阵mask；每层网络由一组对称的unet网络组成，具体为：定义每层网络的两端输入为x1和x2，将系数矩阵h作为第一层网络的x1和x2输入，x1经过第一层网络中第一个unet网络提取原始信号中的干扰信号信息，第一个unet网络包括五个cnn层，其中第一层和第五层、第二层和第四层输入矩阵大小相同，它们之间使用了跳层连接进行交互，将上一层的输出与这层的输出在通道维度进行拼接，共同输入到下一层，具体为第一层的输入为x1，第二层的输入为第一层的输出，第三层的输入为第二层的输入，第四层的输入为第二层和第三层的输出，第五层的输入为第一层和第四层的输入；第五层的输出与x2结合后得到初步滤除干扰的目标回波信息y2，y2经过第一层网络中第二个unet网络提取更为纯净的目标回波信息，第二个unet网络包括五个cnn层，与第一个unet网络相同，第二个unet网络的第五层的输出与x1结合得到输出y1；第一层网络的输出y1和y2分别作为下一层网络的输入x2和x1，最后一层网络的输出经过sigmoid函数，得到干扰信号的掩码矩阵mask；
[0021]
将输出的干扰矩阵mask和系数矩阵h点乘得到干扰信号的系数矩阵，再将干扰信号的系数矩阵与字典矩阵w相乘就得到干扰信号j；
[0022]
从signal
data
中减去干扰信号j，初步恢复出无干扰的目标信号，再将初步恢复出无干扰的目标信号经过卷积神经网络得到最终的无干扰目标信号y，卷积神经网络为一组u-net模型结构，与s4中的第一个unet网络结构类似。它的下采样次数增加为5次，每个下采样层的构造均由残差卷积层、激活函数层和批归一化层组成。采用增加卷积核步长的方式实现下采样，采样倍数为2倍，每层通道数逐层增加。上采样过程同理，但通道数逐层递减，最终恢复出纯净的无干扰信号。
[0023]
s5、对构建的干扰抑制网络进行训练，采用的损失函数包括：
[0024]
干扰信号的l1误差损失：
[0025][0026]
其中，j表示利用掩码矩阵恢复出的干扰信号，n为干扰信号长度；
[0027]
目标信号的l1误差损失：
[0028][0029]
其中，y表示模型最终输出的无干扰目标信号，n为目标信号长度；
[0030]
希尔伯特变换损失：
[0031][0032]
其中，hilbert()为希尔伯特变换函数；
[0033]
当网络loss基本收敛时，得到最后的深度网络模型；
[0034]
s6、利用得到的深度网络模型对雷达接收信号进行处理，实现抗雷达主瓣转发干扰。
[0035]
进一步的，s1中通过雷达主瓣转发干扰仿真获得的干扰信号包括间歇采样转发式干扰、灵巧噪声干扰、频谱弥散干扰和梳状谱干扰。间歇采样转发式干扰的工作方式是对截获的雷达信号，先采样其中一段信号进行转发，再采样并转发下一个信号片段，直到检测到雷达传输信号的下降沿。根据间歇采样方式的不同，间歇采样转发干扰可以细分为直接转发干扰j
isdj
、重复转发干扰j
isrj
和循环转发干扰j
isij
三种。三种干扰信号分别表示为：
[0036][0037][0038][0039]
式中，n为切片个数，ts为切片宽度，m为每一个干扰切片被转发的次数，tu＝(m+1)ts为相邻两个干扰切片的截获时间间隔。amts为第m个切片的截获时间，bnts为该切片进行第n次转发时的对应延时。具体为：
[0040][0041]
灵巧噪声干扰的工作方式是利用数字射频存储器(drfm)将截获到的雷达发射信号保存在数字寄存器中。然后，根据雷达信号的形式，控制噪声单元生成长度和类型匹配的噪声信号。最后噪声信号和雷达信号在信号合成器上完成乘积或者卷积运算，就可以产生一种效果较好的灵巧噪声干扰信号。依据信号调制方式的不同，可以将该干扰分成噪声卷积干扰j
scn
和噪声乘积干扰j
spn
两种，它们的数学表达式为：
[0042][0043]jscn
(t)＝s(t-t)
×
n(t)
[0044]
式中drfm接收到的雷达信号为s(t)，延时后输出为s(t-t)，窄带高斯噪声为n(t)。
[0045]
频谱弥散干扰(smsp)的工作方式是：当干扰机截获到雷达发射信号后，首先对截获信号进行数字处理将其存储至drfm干扰机内。然后利用移位寄存器获得n个调制斜率为发射信号n倍的子信号，将它们串行输入到数模转换器中，经过混频就可以的得到smsp干扰信号。
[0046]
第一个子信号可表示为：
[0047][0048]
其中，k为子信号斜率，kj为子信号调频斜率，kj＝nk，将j
smsp1
复制n-1次后，组合在一起得到smsp干扰：
[0049][0050]
梳状谱干扰的工作方式是：将梳状谱信号与截获到的雷达发射信号相乘，然后进行调制生成干扰信号。
[0051]
梳状谱信号的表达式为：
[0052][0053]
其中，fi对应每个梳齿出现的频率点，ai是第i个频率点处的幅度。
[0054]
雷达梳状谱干扰的数学模型为：
[0055][0056]
本发明的有益效果是：本发明针对多目标、多干扰源的复杂探测场景，设计了基于nmf和可逆残差网络的多目标干扰抑制网络模型。首先模型利用雷达发射信号作为先验信息生成字典矩阵，通过nmf分解计算接收信号的系数矩阵，将复杂的一维信号映射成二维的稀疏矩阵，大大降低了网络学习的复杂度。然后模型通过可逆残差网络对分解出的系数矩阵进行分离，既可以有效抑制干扰信号，也可以保证目标信息的近似无损传输。本发明可以在多目标多干扰源情况下，可以实现良好的抑制效果，大幅提升了后续雷达的目标检测能力，保障了雷达对多个目标的准确探测。
附图说明
[0057]
图1为本发明的整体处理流程示意图。
[0058]
图2为本发明中基于可逆残差网络的干扰抑制网络结构示意图。
[0059]
图3为本发明中可逆残差网络结构示意图。
[0060]
图4为本发明对三种isrj干扰的抑制效果示意图。
[0061]
图5为本发明对scn,sjn,comb干扰的抑制效果示意图。
[0062]
图6为本发明模型对smsp干扰的抑制效果示意图。
具体实施方式
[0063]
下面结合附图和实施例对本发明的技术方案做进一步的详细描述：
[0064]
本发明首先依据主瓣转发干扰信号的工作机理，对雷达干扰信号进行仿真，生成有干扰的目标信号、干扰信号以及未受干扰的目标信号，作为信号样本和标签样本。然后，对信号进行归一化预处理，将信号映射到0至1之间，然后通过滑窗处理得到信号的二维矩阵。其次设计inv-nmf net模型。它的内部结构主要由三个部分组成，见图1：第一部分为nmf分解。利用雷达发射信号s(t)∈r1×
l
作为字典矩阵w，通过乘法更新法则我们可以计算出雷达接收信号x(t)∈r1×
l
的系数矩阵h。第二部分为可逆网络的前向传播部分。利用可逆残差网络来提取系数矩阵h中的信号特征，并以此生成掩码矩阵mask。将mask矩阵与系数矩阵h点乘可以得到干扰信号的系数矩阵，再将系数矩阵与字典矩阵相乘就可以生成雷达接收信号中的干扰信号y。最后从接收信号中减去干扰信号的部分，我们就可以获得目标信号的信息。第三部分为目标信号的恢复部分。利用一个简单的cnn模块来精确恢复目标信号。最后对搭建好的网络模型进行训练，待模型收敛后，保存模型，利用随机生成的雷达主瓣转发干扰信号进行测试，统计模型的干扰抑制效果。
[0065]
实施例
[0066]
本例具体步骤如下：
[0067]
s1：建立干扰信号模型：首先依据表1参数，仿真雷达干扰信号
[0068]
表1仿真参数
[0069][0070][0071]
最后，仿真雷达系统的输出为有添加了干扰的回波信号signal
data
、发射信号signal、干扰信号jam
target
和无干扰的目标信号signal
target
。
[0072]
signal
data
＝{x
0i
|i＝1,2,
…
,20000}∈c
20000
[0073]
signal＝{x
1i
|i＝1,2,
…
,20000}∈c
20000
[0074]
jam
target
＝{x
2i
|i＝1,2,
…
,20000}∈c
20000
[0075]
signal
target
＝{x
3i
|i＝1,2,
…
,20000}∈c
20000
[0076]
s2：对信号样本signal
data
、发射信号signal和样本标签信号signal
target
分别进行线性归一化处理，将信号强度映射到(0，1)，利用signal
data
的最大最小值对jam
target
进行归一化，保证两者归一化比例一致。然后利用滑窗方式，对signal
data
和signal中，每个200长的时间片信号进行切分，然后在下一个维度拼接，组成对应的200
×
100的二维矩阵x∈r
200
×
100
和s∈r
200
×
100
。
[0077]
s3：将s设置为字典矩阵w，对矩阵x进行nmf分解，得到信号样本矩阵x对应的系数
矩阵h。具体过程如下：
[0078]
首先，随机初始化系数矩阵h∈r
100
×
100
，保证h
ij
≥0|i＝1,...,100；j＝1,...,100
[0079]
然后，更新h矩阵参数以及计算误差e：
[0080][0081][0082]
最后，如果误差e《1e-5则输出系数矩阵h，否则继续迭代更新，直到达到最大迭代次数500次时为止。
[0083]
s4：构建inv-u net干扰抑制网络，如图2，它的前向传播输入为nmf分解得到的归一化系数矩阵h，期望得到的输出是分离出的干扰信号掩码矩阵mask。首先，我将系数矩阵h分别输入到inv-u net的两端x1和x2。网络一共包含三层，每一层的f和g函数都有一组对称的unet网络组成。其中前一个unet模块f(x1)用于提取原始信号中的干扰信号信息，用x2结合f(x1)可以得到初步滤除干扰的目标回波信息y2。后一个unet模块g(y2)用于在y2的基础上提取更为纯净的目标回波信息，将其与x1结合就可以得到输出y1，再通过sigmoid函数，即得到干扰信号的掩码矩阵mask。
[0084]
s41：每个unet模块都由五个cnn层组成，如图3，其中第一层和第五层、第二层和第四层输入矩阵大小相同，它们之间使用了跳层连接进行交互，将上一层的输出与这层的输出在通道维度进行拼接，共同输入到下一层。具体网络参数见表2：
[0085]
表2unet模块参数
[0086][0087]
最后将输出的干扰矩阵mask和系数矩阵h点乘就可以得到干扰信号的系数矩阵。再将其与字典矩阵w相乘就可以得到干扰信号j。
[0088]
s5：从信号样本中减去干扰信号j，可以初步恢复出无干扰的目标信号。再将它经过一组cnn模型结构，可以实现更精细的恢复，得到最终的无干扰目标信号y。其模型结构与s4所述的f函数结构类似。下采样次数为4次，每个下采样层的构造均由残差卷积层、激活函数层和批归一化层组成，通道数逐层增加。上采样过程同理，但通道数逐层递减。具体卷积
层参数见表3：
[0089]
表3 cnn模块参数
[0090][0091]
s6：模型输出信号，与干扰信号jam
target
和无干扰的目标信号signal
target
计算loss值。第一个损失函数loss1为干扰信号的l1(均绝对误差)误差损失：
[0092][0093]
式中j表示利用掩码矩阵恢复出的干扰信号，jam
target
表示真实的干扰信号标签，n为干扰信号长度。
[0094]
第二个损失函数loss2为目标信号的l1误差损失：
[0095][0096]
式中y表示模型最终输出的无干扰目标信号，signal
target
表示真实的目标信号标签，n为目标信号长度。之所以使用l1损失来衡量信号恢复的好坏，是因为它具有稳定的梯度，不会导致梯度爆炸问题。这样既可以很好的忽视一些离群点，也可以对微小的差异做出较大的惩罚。
[0097]
第三个损失函数loss3为希尔伯特变换损失：
[0098][0099]
式中hilbert()为希尔伯特变换函数。训练设置上，batch_size选择为16，学习率调整在0.0005范围内，优化器选择为adam。训练完成后保存模型。
[0100]
最后，在各种不同主瓣转发干扰模式下，采用不同采样占空比时随机生成的干扰信号，经过该双阶段深度网络进行主瓣干扰抑制，并统计干扰抑制前后的目标干信比改善，如图4-6。
[0101]
干扰信噪比改善因子jsr-if衡量了多目标环境下的干扰抑制效果：
[0102][0103]
其中a
star
是回波脉冲压缩后的多个目标中的最小目标幅度；而a
jam
是脉冲压缩后干扰目标的最大幅度。
[0104]
干信比改善因子(jsr-if)可以表示为：
[0105]
jsr-if＝jsr
unfiltered-jsr
filtered
[0106]
其中jsr
filtered
是干扰抑制后脉压结果的jsr；而jsr
unfiltered
是没有进行干扰抑制处理的原始信号脉压结果的jsr。

技术特征：
1.一种基于可逆残差网络的抗雷达主瓣转发干扰方法，其特征在于，包括以下步骤：s1、以线性调频信号作为雷达发射信号，通过雷达主瓣转发干扰仿真获得干扰信号，进而获得添加了干扰的回波信号signal
data
、发射信号signal、干扰信号标签jam
target
和无干扰的信号标签signal
target
：signal
data
＝{x
0i
|i＝1,2,
…
,l}∈c
l
signal＝{x
1i
|i＝1,2,
…
,l}∈c
l
jam
target
＝{x
2i
|i＝1,2,
…
,l}∈c
l
signal
target
＝{x
3i
|i＝1,2,
…
,l}∈c
l
其中，l为信号长度；s2、对signal
data
、signal和signal
target
分别进行线性归一化处理，将信号强度映射到(0，1)，利用signal
data
的最大最小值对jam
target
进行归一化，保证两者归一化比例一致，然后利用滑窗方式，对signal
data
和signal中，每个m长的时间片信号进行切分，然后在下一个维度拼接，组成对应的m
×
n的二维矩阵x∈r
m
×
n
和s∈r
m
×
n
，l＝m
×
n；s3、将s设置为字典矩阵w，对矩阵x进行nmf分解，得到信号样本矩阵x对应的系数矩阵h，具体方法为：随机初始化系数矩阵h∈r
n
×
n
，保证h
ij
≥0|i＝1,...,n；j＝1,...,n；更新h矩阵参数以及计算误差e：更新h矩阵参数以及计算误差e：如果误差e满足设定条件则输出系数矩阵h，否则继续迭代更新，直到达到最大迭代次数为止；s4、构建基于可逆残差网络的干扰抑制网络，干扰抑制网络包括三层结构相同的可逆残差网络层，网络的前向传播输入为nmf分解得到的归一化系数矩阵h，期望得到的输出是分离出的干扰信号掩码矩阵mask；每层网络由一组对称的unet网络组成，具体为：定义每层网络的两端输入为x1和x2，将系数矩阵h作为第一层网络的x1和x2输入，x1经过第一层网络中第一个unet网络提取原始信号中的干扰信号信息，第一个unet网络包括五个cnn层，其中第一层和第五层、第二层和第四层输入矩阵大小相同，它们之间使用了跳层连接进行交互，将上一层的输出与这层的输出在通道维度进行拼接，共同输入到下一层，具体为第一层的输入为x1，第二层的输入为第一层的输出，第三层的输入为第二层的输入，第四层的输入为第二层和第三层的输出，第五层的输入为第一层和第四层的输入；第五层的输出与x2结合后得到初步滤除干扰的目标回波信息y2，y2经过第一层网络中第二个unet网络提取更为纯净的目标回波信息，第二个unet网络包括五个cnn层，与第一个unet网络相同，第二个unet网络的第五层的输出与x1结合得到输出y1；第一层网络的输出y1和y2分别作为下一层网络的输入x2和x1，最后一层网络的输出经过sigmoid函数，得到干扰信号的掩码矩阵mask；将输出的干扰矩阵mask和系数矩阵h点乘得到干扰信号的系数矩阵，再将干扰信号的
系数矩阵与字典矩阵w相乘就得到干扰信号j；从signal
data
signal
data
减去干扰信号j，初步恢复出无干扰的目标信号，再将初步恢复出无干扰的目标信号经过卷积神经网络得到最终的无干扰目标信号y；s5、对构建的干扰抑制网络进行训练，采用的损失函数包括：干扰信号的l1误差损失：其中，j表示利用掩码矩阵恢复出的干扰信号，n为干扰信号长度；目标信号的l1误差损失：其中，y表示模型最终输出的无干扰目标信号，n为目标信号长度；希尔伯特变换损失：其中，hilbert()为希尔伯特变换函数；当网络loss基本收敛时，得到最后的深度网络模型；s6、利用得到的深度网络模型对雷达接收信号进行处理，实现抗雷达主瓣转发干扰。2.根据权利要求1所述的一种基于可逆残差网络的抗雷达主瓣转发干扰方法，其特征在于，s1中通过雷达主瓣转发干扰仿真获得的干扰信号包括间歇采样转发式干扰、灵巧噪声干扰、频谱弥散干扰和梳状谱干扰。

技术总结
本发明属于雷达抗干扰技术领域，具体涉及一种基于可逆残差网络的抗雷达主瓣转发干扰方法。本发明基于非负矩阵分解(NMF)算法和可逆残差神经网络，提出了一套适用于多目标多干扰环境下雷达主瓣转发干扰抑制深度学习框架Inv-NMF net。它可以利用雷达发射信号信息来对干扰信号进行分解，将目标信号信息与干扰信号信息表征在系数矩阵的不同位置上。然后利用可逆残差网络对系数矩阵进行分析，生成Mask掩码矩阵，对干扰信号分量和目标信号分量进行分离。由于可逆网络的信息传递无损性，本发明可以最大程度上保证目标信号强度不受到影响。这种方法不但不受雷达目标数量的影响，而且对于不同的雷达发射波形，也具有较好的适应能力。也具有较好的适应能力。也具有较好的适应能力。


技术研发人员：廖阔 何学思 潘启迪 卜志纯 陈思情
受保护的技术使用者：电子科技大学
技术研发日：2023.06.07
技术公布日：2023/8/5