一种基于生成对抗网络的雷达抗有源压制干扰方法

1.本发明属于雷达抗干扰技术领域。


背景技术：

2.近年来，随着现代电子技术、智能化技术的不断发展，电子战中的电磁环境越来越复杂，雷达系统的工作性能及其生存能力面临着越来越严峻的威胁与挑战。因此，雷达抗干扰问题逐渐成为雷达技术领域中极为重要的研究内容。
3.现有的雷达信号处理技术主要利用目标回波和干扰的多域表征进行抗干扰，往往要对雷达回波信号进行时域处理、频域处理、极化域处理和数字滤波，从而实现对干扰信号的抑制以及检测信息的提取。这些方法不仅复杂度较高，并且在复杂的干扰场景下，干扰抑制效果效差，甚至目标回波信息缺失，抗干扰能力失效。


技术实现要素：

4.本发明是为了解决传统的雷达抗干扰方法复杂度高，面对复杂干扰场景时干扰抑制效果效差，甚至目标回波信息缺失，抗干扰能力失效的问题，现提供一种基于生成对抗网络的雷达抗有源压制干扰方法。
5.一种基于生成对抗网络的雷达抗有源压制干扰方法，将雷达回波真实信号输入至训练好的生成对抗网络，获得去除干扰后的目标回波信号；
6.所述生成对抗网络包括生成器和判别器，
7.所述生成器为u-net结构，所述生成器包括5个编码块、4个解码块和1个全连接层，所述判别器包括3个编码块和1个全连接层，
8.所述编码块包括卷积层、leakyrelu激活函数层和最大池化层，所述解码块包括上采样层、卷积层和leakyrelu激活函数层。
9.进一步的，上述生成对抗网络的训练方法如下：
10.步骤一：构建生成对抗网络的模型结构；
11.步骤二：将训练数据集中雷达回波模拟信号转化的矩阵sr作为生成器的输入，获得生成器的输出数据g(sr)，将所述训练数据集中目标回波模拟信号转化的矩阵s
t
和所述输出数据g(sr)作为判别器的输入，获得判别器的输出数据d(s
t
)和d[g(sr)]，
[0012]
所述输出数据g(sr)表示对目标回波模拟信号学习的结果，所述输出数据d(s
t
)和d[g(sr)]分别表示输入数据为s
t
和g(sr)的概率；
[0013]
步骤三：将步骤二获得的d(s
t
)和d[g(sr)]代入以下损失函数：
[0014][0015]
根据损失函数的结果对所述生成器和判别器的权重进行优化；
[0016]
步骤四：判断训练数据集中所有样本是否被遍历，是则完成训练，否则返回步骤二；
[0017]
上式中，e表示期望，p
data
(
·
)表示数据的分布，v(
·
)表示损失函数。
[0018]
进一步的，在上述步骤四完成训练之后，还包括以下步骤：
[0019]
步骤五：将测试数据集中雷达回波模拟信号转化的矩阵作为训练好的生成器的输入，获得其输出数据
[0020]
步骤六：将所述输出数据和所述测试数据集中目标回波模拟信号转化的矩阵带入下式，获得第k次迭代的均方根误差值rmsek：
[0021][0022]
上式中，||
·
||表示矩阵范数；
[0023]
步骤七：判断前k次迭代获得的均方根误差值形成的曲线是否收敛，是则完成测试，否则使k＝k+1并返回步骤二；
[0024]
上式中，m为测试数据集中的样本数量，i＝1,2,...,m，k＝1,2,...。
[0025]
进一步的，在上述步骤一之前首先构建数据样本集，具体方法为：
[0026]
调整时延和多普勒频移进而生成多个不同的目标回波模拟信号，分别在每个目标回波模拟信号上施加有源压制干扰信号，获得与其对应的雷达回波模拟信号，
[0027]
将每个目标回波模拟信号和雷达回波模拟信号均转化为维度相同的矩阵，
[0028]
将所有矩阵共同作为数据样本集，并将数据样本集中的数据划分为训练数据集和测试数据集。
[0029]
进一步的，上述将目标回波模拟信号和雷达回波模拟信号转化为维度相同的矩阵的具体方法为：
[0030]
对目标回波模拟信号进行n点采样，并将n个采样点获得的数据构成1行n列的矩阵，将所述1行n列的矩阵变换为a行b列的矩阵，将该a行b列的矩阵作为目标回波模拟信号转化的矩阵s
t
；
[0031]
对雷达回波模拟信号进行n点采样，并将n个采样点获得的数据构成1行n列的矩阵，将所述1行n列的矩阵变换为a行b列的矩阵，将该a行b列的矩阵作为雷达回波模拟信号转化的矩阵sr；
[0032]
其中a*b＝n，a和b均为大于1且小于n的整数，n为采样点数。
[0033]
本发明的有益效果如下：
[0034]
本发明采用生成对抗网络(generative adversarial networks，gan)为网络模型，利用其强大的非线性拟合能力，能够生成与目标回波信号有相似数据分布的信号，在雷达探测存在有源压制干扰的场景下，从雷达回波信号中去除干扰信号，恢复出目标回波信号。生成器采用u-net结构，结构简单、复杂度低且效率高。相对于现有技术，本发明不需要对接收到的回波信号进行多域处理，能够直接实现对回波信号的干扰抑制，恢复出目标回波信息，能够应对复杂多变的电磁干扰环境。
附图说明
[0035]
图1是存在有源干扰的雷达探测场景示意图；
[0036]
图2是本发明gan网络中生成器的结构示意图；
[0037]
图3是本发明gan网络中判别器的结构示意图；
[0038]
图4为生成对抗网络的训练和测试流程图；
[0039]
图5是均方根误差rmse收敛曲线图；
[0040]
图6是gan网络生成的数据分布图像，其中(a)表示(b)表示(c)表示
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0042]
雷达探测场景如图1所示，在雷达探测时，雷达的发射信号接触到目标后产生目标回波信号，在目标回波信号返回过程中，干扰机产生的有源压制干扰信号混入目标回波信号中，使得目标回波信号存在干扰信号，最终被雷达接收机接收。为了消除雷达回波信号中的有源压制干扰，给出以下具体实施方式。
[0043]
参照图2至图6具体说明本实施方式，本实施方式所述的一种基于生成对抗网络的雷达抗有源压制干扰方法，具体如下：
[0044]
首先构建数据样本集，具体方法为：
[0045]
调整时延和多普勒频移进而生成多个不同的目标回波模拟信号，分别在每个目标回波模拟信号上施加有源压制干扰信号，获得与其对应的雷达回波模拟信号。
[0046]
将每个目标回波模拟信号和雷达回波模拟信号均转化为维度相同的矩阵，具体的：
[0047]
对目标回波模拟信号进行8192点采样，并将8192个采样点获得的数据构成1
×
8192的矩阵，将所述1
×
8192的矩阵变换为256
×
32的矩阵，将该256
×
32的矩阵作为目标回波模拟信号转化的矩阵s
t
。
[0048]
对雷达回波模拟信号进行8192点采样，并将8192个采样点获得的数据构成1
×
8192的矩阵，将所述1
×
8192的矩阵变换为256
×
32的矩阵，将该256
×
32的矩阵作为雷达回波模拟信号转化的矩阵sr。
[0049]
将所有矩阵共同作为数据样本集，并将数据样本集中的数据划分为训练数据集和测试数据集。
[0050]
以上将两种回波模拟信号转化为维度相同的矩阵，能够增强信号内部数据的关联性，使得数据分布特征更为明显，有利于网络内部对数据的特征提取，从而提高网络性能。
[0051]
之后，利用数据样本集对模型进行训练和测试，具体方法包括以下步骤：
[0052]
步骤一：构建生成对抗网络的模型结构。
[0053]
所述生成对抗网络包括生成器和判别器。
[0054]
所述生成器为u-net结构，所述生成器包括5个编码块、4个解码块和1个全连接层；所述判别器包括3个编码块和1个全连接层。
[0055]
所述编码块包括卷积层、leakyrelu激活函数层和最大池化层；所述解码块包括上
采样层、卷积层和leakyrelu激活函数层。
[0056]
所述生成器能够防止模型崩塌和过拟合，有利于网络收敛。以上结构中使用leakyrelu作为激活函数，最大池化是取局部接受域中值最大的点，优点在于它能学习到图像的边缘和纹理结构。上采样层是通过反卷积操作实现。全连接层是由卷积操作实现。该结构使用了跳越连接，通过层级连接的方式将编码块和解码块的特征映射组合在一起。
[0057]
步骤二：为了让生成器能够学习矩阵s
t
的数据分布，将训练数据集中雷达回波模拟信号转化的矩阵sr作为生成器的输入，获得生成器的输出数据g(sr)。
[0058]
将所述训练数据集中目标回波模拟信号转化的矩阵s
t
和所述输出数据g(sr)作为判别器的输入，获得判别器的输出数据d(s
t
)和d[g(sr)]。
[0059]
所述输出数据g(sr)表示对目标回波模拟信号学习的结果，所述输出数据d(s
t
)和d[g(sr)]分别表示输入数据为s
t
和g(sr)的概率。
[0060]
步骤三：将步骤二获得的d(s
t
)和d[g(sr)]代入以下损失函数：
[0061][0062]
根据损失函数的结果对所述生成器和判别器的权重进行优化。
[0063]
以上过程中，判别器的目标是辨真假，而d[
·
]是一个概率输出，因此期望d(s
t
)接近于1，同时期望判别器的输出d[g(sr)]接近于0，所以最大化式损失函数是判别器的目标。生成器的目标则是生成尽可能逼真的数据来迷惑判别器，就要使生成器生成的数据d[g(sr)]接近于1，因此最小化损失函数第二项是生成器的目标。在训练过程中，生成器生成近似s
t
的数据g(sr)，而判别器则根据s
t
的数据分布去判断生成器生成数据g(sr)的真假，通过生成器与判别器的相互博弈不断优化网络权重，从而使生成器生成与目标回波信号越来越相似的信号，干扰抑制性能不断提高。
[0064]
步骤四：判断训练数据集中所有样本是否被遍历，是则完成训练，然后执行步骤五；否则返回步骤二。
[0065]
上式中，e表示期望，p
data
(
·
)表示数据的分布，v(
·
)表示损失函数。
[0066]
步骤五：将测试数据集中雷达回波模拟信号转化的矩阵作为训练好的生成器的输入，获得其输出数据
[0067]
步骤六：将所述输出数据和所述测试数据集中目标回波模拟信号转化的矩阵带入下式，获得第k次迭代的均方根误差值rmsek：
[0068][0069]
上式中，||
·
||表示矩阵范数。
[0070]
步骤七：判断前k次迭代获得的均方根误差值形成的曲线是否收敛，曲线收敛说明此时生成数据与具有相似的数据分布，干扰信号被有效抑制，则完成测试，否则使k＝k+1并返回步骤二。
[0071]
上式中，m为测试数据集中的样本数量，i＝1,2,...,m，k＝1,2,...。
[0072]
获得了训练好并经过测试后的生成对抗网络后，将其应用到实际中，具体的：
[0073]
对雷达回波真实信号进行8192点采样，并将8192个采样点获得的数据构成1
×
8192的矩阵，将所述1
×
8192的矩阵变换为256
×
32的矩阵，将该256
×
32的矩阵输入至训练好的生成对抗网络，获得去除干扰后的结果矩阵，然后再将该结果矩阵反变换为1
×
8192的矩阵，获得与目标回波信号相似的信号，完成有源压制干扰的消除。
[0074]
结合图5和图6对本实施方式中的gan网络性能进一步仿真验证：
[0075]
实验场景：本实施方式采用matlab语言构建数据集，生成雷达lfm目标回波模拟信号信号并对目标回波模拟信号加入相参压制干扰信号来产生雷达回波模拟信号，并分别将将目标回波模拟信号和雷达回波模拟信号转化为256
×
32的矩阵，其中目标回波模拟信号转化的矩阵为s
t
，雷达回波模拟信号转化的矩阵为sr，然后改变目标回波模拟信号的时延和多普勒频移产生3000组s
t
和sr构建数据样本集。数据样本集中80％的样本作为训练数据集，20％的样本作为测试数据集。
[0076]
使用python语言搭建网络，基于tensorflow2.0对模型进行训练和测试。仿真平台使用pycharm软件进行性能验证。网络的输入批次大小为10。测试时将回波模拟信号转化的矩阵sr输入到训练完成的生成器。当训练和测试完成了12次之后，rmse曲线已收敛，其收敛曲线如图5所示。然后查看测试结果的数据分布图像，其结果如图6所示。其中(a)为s
t
*的数据分布图像，其纹理清晰，(b)为sr*的数据分布图像，因为有干扰信号的存在，其数据分布图像比较模糊。(c)为网络输出数据g(sr*)的数据分布图像，此时测试生成数据的数据分布与s
t
*的数据分布基本一致。通过rmse收敛曲线和数据分布图像对比，可以看出通过gan生成的数据g(sr*)和s
t
*具有相似的数据分布，经过矩阵反变换之后获得的数据就与目标回波模拟信号具有相似的数据分布，干扰得到了有效的抑制。
[0077]
综上所述，本实施方式所述的一种基于生成对抗网络的雷达抗有源压制干扰方法，网络模型由生成器和判别器组成，其中生成器采用u-net结构。在本实施方式中，将带有干扰信号的回波模拟信号转化的矩阵sr和目标回波模拟信号转化的矩阵s
t
作为网络训练的数据集，通过生成器和判别器的相互博弈来使生成器生成与目标回波模拟信号越来越相似的信号。测试时将带有干扰信号的回波模拟信号转化的矩阵sr*输入到训练完成的网络，并添加均方根误差(root mean square error，rmse)作为性能的衡量指标。当rmse曲线收敛时，生成器生成的数据g(sr*)和s
t
*具有相似的数据分布，经过矩阵反变换之后获得的数据就与目标回波模拟信号具有相似的数据分布，干扰得到了有效的抑制。
[0078]
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。