基于多尺度FCN和GRU的雷达有源干扰识别

doi:10.11896/jsjkx.230300062

摘要

摘要：雷达在现代电子战中起着至关重要的作用，随着电子对抗与电子对抗之间的竞争加剧，复杂电磁环境下低JNR下有源雷达干扰特征的人工提取困难和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

CLC编号：

TN974型

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。

工具书类

[1] CAO X Y.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.使用脉冲内数据的雷达辐射源识别[C]//第15届国际微波、雷达和无线通信会议（IEEE目录No.04EX824）。IEEE，2004:435-438。
[7] 杜春杰，赵毅，王磊，等.线性调频雷达的欺骗多假目标干扰识别[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.基于卷积神经网络的雷达干扰信号足量有限样本分类[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]SHAO Z T，XU D R，XU W L，et al.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。

相关文章15

[1]	何晓辉、周涛、李潘乐、常静、李佳棉。基于多尺度注意的遥感图像建筑物提取研究[J] ●●●●。计算机科学，2024，51（5）：134-142。
[2]	吴晓琴、周文军、邹成林、王一凡、彭波。基于多尺度视觉感知特征融合的显著目标检测方法[J] ●●●●。计算机科学，2024，51（5）：143-150。
[3]	徐学杰、王宝辉。基于文本和历史数据的多标签专利分类[J] ●●●●。计算机科学，2024，51（5）：172-178。
[4]	李自晨、易修文、陈顺、张俊波、李天瑞。基于深度多视网络的政府事件调度方法[J] ●●●●。计算机科学，2024，51（5）：216-222。
[5]	孙静、王晓霞。基于云边缘协同子类提取的卷积神经网络模型压缩方法[J] ●●●●。计算机科学，2024，51（5）：313-320。
[6]	鲍开南、张俊波、宋丽、李天瑞。ST-WaveMLP：用于交通流预测的时空全球软件网络[J] ●●●●。计算机科学，2024，51（5）：27-34。
[7]	张建良、李阳、朱青山、薛红玲、马俊伟、张丽霞、毕生。基于双域稀疏变压器的变电站设备故障报警算法[J] ●●●●。计算机科学，2024，51（5）：62-69。
[8]	何世阳、王朝辉、龚盛荣、钟山。基于交叉模式信息过滤的可视问答网络[J] ●●●●。计算机科学，2024，51（5）：85-91。
[9]	宋建峰、张文英、韩璐、胡国正、迈克奇光。黑白电影的多级智能色彩恢复算法[J] ●●●●。计算机科学，2024，51（5）：92-99。
[10]	尚新新、李凯、温颖。融合全尺度特征融合和RNN的医学图像分割网络[J] ●●●●。计算机科学，2024，51（5）：100-107。
[11]	周瑜、陈志华、盛斌、梁磊。用于图像去叠的多尺度累进变换器[J] ●●●●。计算机科学，2024，51（5）：117-124。
[12]	白雪飞、沈武成、王文健。基于特征注意净化的显著目标检测[J] ●●●●。计算机科学，2024，51（5）：125-133。
[13]	陈润欢、戴华、郑贵能、李辉、杨庚。基于差异补偿和短时采样对比损耗的城市电力负荷预测方法[J] ●●●●。计算机科学，2024，51（4）：158-164。
[14]	林斌伟、余志勇、黄芳婉、郭显伟。基于Transformer的街道停车位数据完善与预测[J] ●●●●。计算机科学，2024，51（4）：165-173。
[15]	宋浩、毛冠民、朱舟。基于GAANET的立体匹配算法[J] ●●●●。计算机科学，2024，51（4）：229-235。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于多尺度全卷积神经网络和GRU的雷达有源干扰识别

PDF（个人电脑）

摘要

引用这篇文章

分享这篇文章

工具书类

相关文章15

韵律学

评论

推荐0