基于多尺度FCN和GRU的雷达有源干扰识别

doi:10.11896/jsjkx.230300062

计算机科学››2024,第51卷››问题（5）: 306-312.数字对象标识：10.11896/jsjkx.230300062

基于多尺度FCN和GRU的雷达有源干扰识别

洪梯境, 刘登峰, 刘以安

江南大学人工智能与计算机学院江苏无锡 214122

收稿日期:2023-03-07 修回日期:2023-06-12 出版日期:2024-05-15 发布日期:2024-05-08
通讯作者:刘登峰(liudf@jiangnan.edu.cn)
作者简介:(1565762962@qq.com)
基金资助:
国家重点研发专项计划（2022YFE0112400）；国家自然科学基金(21706096)

基于多尺度全卷积神经网络和GRU的雷达有源干扰识别

洪体静、刘登峰、刘毅

江南大学人工智能与计算机科学学院，江苏无锡214122

收到：2023-03-07 修订过的：2023-06-12 在线：2024-05-15 出版：2024-05-08
关于作者：洪体静，1996年生，硕士研究生。他的主要研究兴趣包括模式识别和人工智能。

刘登峰，1980年生，博士，副教授。她的主要研究兴趣包括模式识别和智能计算系统。
支持单位：
国家重点研发专项（2022YFE0112400）和国家自然科学基金（21706096）。

摘要/摘要

摘要：雷达在现代电子战中发挥着至关重要的作用,随着电子对抗与电子反对抗的较量愈演愈烈,复杂电磁环境下,雷达有源干扰的人工提取特征困难以及低干噪比下的识别率较低的问题亟需解决。针对该问题,文中提出了一种基于多尺度全卷积网络（多尺度全卷积神经网络，MFCN）和门控循环网络（门控递归单元，GRU）并联的干扰识别算法。这是一种端对端的深度神经网络模型,其输入干扰信号的原始时域序列,不需要对数据进行复杂的预处理,即可提取信号在时间和空间上的融合特征,并能对不同干噪比下的干扰信号进行分类识别。仿真结果表明,随着干噪比的逐渐增加,网络的识别准确率也逐渐提升;在－10～10分贝的全干噪比范围内,网络的整体识别率为99.4%，－6分贝以上时识别准确率接近100%,与单纯的多尺度全卷积网络、门控循环网络和其他经典模型相比具有更高的识别准确率,且能够适应的干噪比的下限更低。

关键词: 雷达有源干扰, 干扰识别, 时域序列, 深度学习, 特征融合

摘要：雷达在现代电子战中发挥着至关重要的作用，随着电子对抗和电子对抗之间的竞争加剧，在复杂的电磁环境中，主动雷达干扰特征的手动提取困难和低JNR下识别率低的问题亟待解决。针对上述问题，提出了一种基于多尺度全卷积神经网络（MFCN）和门限递归单元（GRU）并行化的干涉识别算法。这是一个端到端的深度神经网络模型，不需要对数据进行复杂的预处理，并输入干扰信号的原始时域序列，对不同JNR下的干扰信号进行分类识别。仿真结果表明，随着JNR的逐渐增加，网络的识别精度逐渐提高；在－10～10dB的全JNR范围内，该网络的总识别率为99.4%，当JNR大于－6dB时，识别精度接近100%，与简单的多尺度全卷积神经网络、门限递归单元等经典模型相比，具有更高的识别精度，自适应JNR的极限较低。

关键词： 雷达有源干扰，干扰识别，时域序列，深度学习，特征融合

中图分类号:

TN974型

洪梯境, 刘登峰, 刘以安.基于多尺度功能和组的雷达有源干扰识别[J] ●●●●。计算机科学, 2024, 51(5): 306-312. https://doi.org/10.11896/jsjkx.230300062

洪体静、刘登峰、刘毅。基于多尺度全卷积神经网络和GRU的雷达有源干扰识别[J] ●●●●。计算机科学，2024，51（5）：306-312。https://doi.org/10.11896/jsjkx.230300062

参考文献

[1] 曹雪云。基于数字射频存储器的雷达干扰研究[D]。西安：西安电子科技大学，2013。
[2] 王晓明，张国勇。雷达与探测：信息战的火眼[M]。第2版。北京：国防工业出版社，2008:23-26。
[3] 李坤，波洁，王平华，等。基于深度强化学习的雷达主动对抗：一种应对主瓣干扰挑战的方法[J]。信号处理，2021186（4）：108130。
[4] 周海平，王志伟，郭志勇.雷达主动识别算法综述[J]。数据采集与处理，2022,37（1）：1-20。
[5] DU C，TANG B.基于可见性图的宽带雷达非常规干扰识别新方法[J]。传感器，2019,19（10）：2344。
[6] KAWALEC A，OWCZAREK R.利用脉冲内数据进行雷达辐射源识别[C]//15微波、雷达和无线通信国际会议（IEEE分类号04EX824）。IEEE，2004:435-438。
[7] 杜丙杰，赵Y，王L，等。线性调频雷达的欺骗多伪目标干扰识别[J]。《工程杂志》，20192019（21）：7690-7694。
[8] 姜毅，何敏华，于春林，等。一种基于相关维数的中断采样直放站干扰识别新方法[J]。消防与指挥控制，2016,41（7）：152-156。
[9] 杨世清，田斌，李霞，等。一种基于SPWVD图的LFM雷达有源欺骗干扰识别方法[J]。空军工程大学学报（自然科学版），2016,17（1）：56-59。
[10] 彭瑞，董鹏，孟C.基于小波熵和RBF神经网络的欺骗干扰识别[J]。物理学杂志：会议系列，20201486（2）：022003。
[11] 徐C.复杂电磁环境中干扰的仿真与识别[D]。哈尔滨：哈尔滨工业大学，2020年。
[12] 郝智，于伟，陈伟.基于时频原子分解的密集假目标干扰识别方法[J]。《工程杂志》，20192019（20）：6354-6358。
[13] SHAO G，CHEN Y，WEI Y.具有足够和有限样本的卷积神经网络雷达干扰信号分类[J]。IEEE接入，2020（8）：80588-80598。
[14] 李斯，宋伟，方力，等。高光谱图像分类的深度学习：综述[J]。IEEE地球科学与遥感汇刊，2019,57（9）：6690-6709。
[15] SINGH S P，KUMAR A，DARBARI H，et al.利用深度学习进行机器翻译：综述[C]//2017计算机、通信和电子国际会议（comptelix）。IEEE，2017:162-167。
[16] 赵强，刘毅，蔡磊，等。基于CNN的电子干扰识别研究[C]//2019 IEEE信号、信息和数据处理国际会议（ICSIDP）。IEEE，2019:1-5。
[17] LIN J，FAN X。基于递推图和卷积神经网络的雷达有源干扰识别[C]//2021 IEEE第四届高级信息管理、通信、电子和自动化控制会议（IMCEC）的处理。美国：IEEE，2021:1511-1515。
[18] 郭振瑞，卢杰，刘磊，等.基于AlexNet的雷达干扰识别方法研究[J]。电子光学与控制，2021,28（9）：49-53。
[19] 梁晓华，郭世恩，万海英.基于自适应小波分解的时间序列分类方法[J]。计算机工程，202,48（4）：81-88。
[20] JI P H，XING S Q，DAI D H，等.基于双干扰机协同的SAR-GMTI控制抑制干扰生成方法[J]。信号处理，2022,38（4）：667-676。
[21]刘智，苏智平，魏晓中，等.雷达有源干扰识别技术的研究现状与发展趋势[J]。信号处理，2017,33（12）：1593-1601。
[22]HOCHREITER S，SCHMIDHUBER J.长短期记忆[J]。神经计算，1997,9（8）：1735-1780。
[23]CHO K，VAN MERRIENBOER B，BAHDANAU D，et al.关于神经机器翻译的特性：编码器-解码器方法[C]//第八届统计翻译中的句法、语义和结构研讨会论文集，多哈。斯特劳德斯堡：ACL，2014:103-111。
[24]王Z，YAN W，OATES T.用深度神经网络从头开始时间序列分类：强大的基线[C]//2017年国际神经网络联合会议（IJCNN）。IEEE，2017:1578-1585。
[25]邵振堂，徐德瑞，徐伟林，等.基于LSTM和残差网络的雷达有源干扰识别[J]。系统工程与电子，2023,45（2）：416-423。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于多尺度FCN和GRU的雷达有源干扰识别

基于多尺度全卷积神经网络和GRU的雷达有源干扰识别

PDF（PC）

摘要/摘要

引用本文

使用本文

参考文献

相关文章0

韵律学

本文评价

推荐阅读0