一种基于YOLOv5的防空警戒雷达复合干扰参数估计方法

文档序号:34659127发布日期:2023-07-05 01:36阅读:109来源:国知局
一种基于YOLOv5的防空警戒雷达复合干扰参数估计方法

本发明属于雷达抗干扰,具体涉及一种基于yolov5的防空警戒雷达复合干扰参数估计方法。


背景技术:

1、影响雷达工作的电子有源干扰主要可以分为两类,压制式干扰和欺骗式干扰,尤其是随着数字射频存储技术(drfm)的发展,欺骗干扰经常会与压制干扰复合使用,甚至可能是多种欺骗式干扰与压制式干扰的交互组合,给干扰抑制带来了极大的挑战。而干扰环境感知是雷达实施有效抗干扰措施的前提和基础,通过对干扰信号多域分析以掌握干扰态势信息,对时频参数进行精确估计,能够为雷达采取抗干扰措施提供可靠的技术支撑,对预警雷达获取良好的工作环境有着极其重要的意义。


技术实现思路

1、本发明的目的在于解决雷达复合欺骗干扰环境下,干扰时延、多普勒频率信息难以获取的问题。提供一种基于yolov5的防空警戒雷达复合干扰参数估计方法。本发明可有效提取雷达在复杂背景下干扰信号的参数信息,可同时提取多种干扰的时频信息,且工程实现容易。

2、一种基于yolov5的防空警戒雷达复合干扰参数估计方法,包括以下步骤:

3、步骤1:接收目标回波信号;利用短时傅里叶变换对接收到的信号进行特征提取;

4、目标回波信号的数学表达式为:

5、

6、其中,a为信号幅度;fj为载频;k为调频率;tp为脉冲宽度;k为调频率;τ为目标时延,r为目标与雷达的相对距离,c为光速;线性调频信号频率变换关系为:

7、f=fj+kt

8、首先经过分帧加窗,燃后对加窗后的信号分别进行离散傅里叶变换,最后将变换后结果累和,生成时频图及各个时频点所对应的能量谱密度;

9、

10、其中,n为窗函数采样点数;x(m)为加窗后的信号,x(m)=x(n)ω*(n-m);ω*(n-m)为窗函数;

11、步骤2:将单种类干扰时频特征图、复合干扰时频特征图数据送入yolov5卷积神经网络进行训练;

12、步骤3:将复合干扰的时频图数据输入训练好的网络,输出识别定位结果,包括复合干扰类别、锚框位置信息;计算平均精确度均值map;

13、

14、其中,p准确率,r为召回率;

15、步骤4:对输出的锚框位置信息进行转换,获取时频图中各个复合干扰时频参数范围;

16、频率转化关系依照公式:

17、

18、时延转化关系依照公式:

19、

20、其中,ymax、ymin是分别是频域轴坐标最大值、最小值对应的锚框位置;ypos是干扰载频的对应的锚框位置;f是整个坐标频率量程;xmax、xmin是分别是时域轴坐标最大值、最小值对应的锚框位置;xpos是干扰时延的对应的锚框位置;t是时间长度;

21、步骤5:在步骤4得到的局部范围内,结合stft后的能量谱密度时频矩阵进行局部搜索,求出噪声能量谱密度的概率密度分布,依照显著性水平α,得到对应能量谱密度,作为判别门限ed;利用门限检测,得到时延τ、载频fi以及粗略多普勒频移及载频之和;

22、步骤6:采用局部内插法,在二次时频定位点处,取该时频点所在频率上的频域切片,对切片每个频率点位置的能量谱密度利用二次多项式进行拟合,而后进行ni点线性内插;

23、ni满足:

24、

25、其中,k为比例系数,k>1;fs为采样频率;fc为内插前所估计的多普勒频率与载频之和;

26、在内插后的频域切片内依照门限进行搜索,定位精细多普勒频率及载频之和;判别准则为:

27、e(t,fi)>eα

28、其中,α为显著性水平;eα为检验门限,依据显著性水平来确定;

29、步骤7:用载频及多普勒频率之和去掉步骤2所估算的载频,获取多普勒频移。

30、本发明的有益效果在于:

31、本发明先结合图像处理的方法进行参数初步估计,故可以对复合干扰的时频参数进行估计,获取每种参与复合的干扰时频参数;在多种干扰动态复合情况下具有良好的泛化能力,并且能够在较低信噪比情况下取得良好的干扰信号参数估计效果,可为后续干扰抑制等处理环节提供可靠支撑。本发明可解决雷达复合欺骗干扰环境下,干扰时延、多普勒频率信息难以获取的问题,可有效提取雷达在复杂背景下干扰信号的参数信息,可同时提取多种干扰的时频信息,且工程实现容易。



技术特征:

1.一种基于yolov5的防空警戒雷达复合干扰参数估计方法,其特征在于,包括以下步骤:


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YOLOv5的防空警戒雷达复合干扰参数估计方法。本发明首先输入含有复合干扰的雷达接收信号,提取单种类干扰以及交互复合干扰的时频特征图;将单种类干扰的时频联合分布图做数据标注,标定锚框,并加入少量交互复合干扰的时频联合分布图用于提升数据集的多样性,使用YOLOv5卷积神经网络进行训练,提取时频联合分布图中干扰信号的特征;利用卷积神经网络自动提取的特征识别干扰信号,给出判断概率,显示单种干扰及交互复合干扰的类型并利用锚框完成时频信息初步定位;最后综合卡方统计检验、局部搜索并回归、频域切片内插方法对干扰载频、相对时延、多普勒频移进行了精确估计。

技术研发人员:武星蕊,彭锐晖,孙殿星,欧阳亚雄,韦文斌
受保护的技术使用者:哈尔滨工程大学
技术研发日:
技术公布日:2024/1/13
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1