基于数据增广的干扰信号识别方法，涉及雷达抗干扰技术领域。本发明是为了解决目前的干扰信号识别方法中的数据增广方法还存无法提升电子干扰数据多样性和丰富性进而导致使干扰数据分类模型分类精度低的问题。本发明包括：将待检测的电子干扰数据输入干扰识别网络中获得电子干扰类型；获得干扰识别网络具体为：获取电子干扰数据集，并分为增广训练集和测试集；用训练集训练构建的生成对抗网络获得增广模型；将电子干扰纯噪声输入增广模型中获得干扰样本；利电子干扰样本和增广训练集组成的分类训练集训练构建的卷积神经网络获得训练好的卷积神经网络；利用测试集测试训练好的卷积神经网络获得干扰识别网络。本发明用于识别电子干扰信号。
1.基于数据增广的干扰信号识别方法，其特征在于所述方法具体过程为：获取待检测的电子干扰数据，将待检测的电子干扰数据输入到电子干扰识别网络中，获得电子干扰类型；
S1、获取电子干扰数据集，将电子干扰数据集分为增广训练集和测试集；
S2、构建生成对抗网络，利用增广训练集训练生成对抗网络获得增广模型；
S3、获取电子干扰纯噪声，将电子干扰纯噪声输入到增广模型中获得电子干扰样本；
S4、构建卷积神经网络，将电子干扰样本和增广训练集作为分类训练集，利用分类训练集训练卷积神经网络直至损失函数收敛获得训练好的卷积神经网络；
S5、利用测试集测试训练好的卷积神经网络，获得训练好的卷积神经网络的识别精度，若识别精度大于预设阈值则保存为电子干扰识别网络，若识别精度小于预设阈值则重新获取电子干扰数据集。
2.根据权利要求1所述的基于数据增广的干扰信号识别方法，其特征在于：所述S1中的电子干扰数据集包括：噪声调频干扰、噪声调幅干扰、密集假目标干扰、间歇采样转发干扰。
3.根据权利要求1所述的基于数据增广的干扰信号识别方法，其特征在于：所述增广训练集包括电子干扰数据集中的每类电子干扰的5‑20个样本；所述测试集包括除训练集以外的电子干扰数据。
4.根据权利要求1、2或3所述的基于数据增广的干扰信号识别方法，其特征在于：所述生成对抗网络包括：生成模型和判别模型；
所述生成模型包括：全连接层、上采样层、卷积层、BN层、激活函数；
所述判别模型包括：卷积层、激活函数、Dropout层、BN层、Flatten层、全连接层。
5.根据权利要求4所述的基于数据增广的干扰信号识别方法，其特征在于：所述生成模型的各层连接顺序依次为：全连接层、上采样层、卷积层、BN层、激活函数、上采样层、卷积层、BN层、激活函数、卷积层、激活函数。
6.根据权利要求5所述的基于数据增广的干扰信号识别方法，其特征在于：所述判别模型的各层连接顺序依次为：卷积层、激活函数、Dropout层、卷积层、BN层、激活函数、Dropout层、卷积层、BN层、激活函数、Dropout层、Flatten层、全连接层。
7.根据权利要求6所述的基于数据增广的干扰信号识别方法，其特征在于：所述生成模型中的三个激活函数均为ReLU函数。
8.根据权利要求7所述的基于数据增广的干扰信号识别方法，其特征在于：所述判别模型中的三个激活函数均为LeakyReLU函数。
9.根据权利要求8所述的基于数据增广的干扰信号识别方法，其特征在于：所述S2中的卷积神经网络，包括：输入层、卷积层1、卷积层2、卷积层3、卷积层4、全局平均池化层、拼接层、全连接层。
10.根据权利要求9所述的基于数据增广的干扰信号识别方法，其特征在于：所述卷积神经网络的损失函数为交叉熵函数。
基于数据增广的干扰信号识别方法
技术领域
[0001] 本发明涉及雷达抗干扰技术领域，特别涉及基于数据增广的干扰信号识别方法。
背景技术
[0002] 雷达是现代战争中不可或缺的组成部分。随着电子对抗技术的快速发展，雷达所面临的环境也日益复杂。通常情况下，雷达所接收的信号中，除了目标信号以外，也包含敌方释放的电子干扰，这些干扰信号会使得雷达难以正确的跟踪或检测目标。有源干扰能够根据设置的参数以及目的来产生所需的特定干扰，与无源干扰相比，有源干扰更加灵活，针对性也更强，产生的威胁性也就更大，因此成为了现代战争中的主要干扰方式之一。此时根据不同类型的有源干扰之间不同的特征来对对其进行区分就显地十分重要。通过对雷达干扰进行分类识别确认出干扰的类型，并在后续采取一定的抗干扰措施，才能使得雷达能够准确的跟踪和检测出目标。
[0003] 目前针对有源干扰的分类方法主要采用卷积神经网络实现，卷积神经网络根据其自身性质，能够主动对输入的数据进行特征提取和学习，不再使用复杂的人工设计和特征选择，因此在对神经网络模型输入大量的数据进行训练之后，提取出数据的隐藏特征，具有很好的识别能力。
[0004] 在真实场景中，面临着干扰种类多，组合方式多，样本获取困难等困难，这使得难以获取大量的样本数据集。但卷积神经网络对样本数据的需求量大，样本数据的不足会带来识别精度下降的影响，在小样本条件下其效果有所下降。由于雷达的保密性，获得大量新的数据十分困难，因此就需要一种能够对样本数据增强的方法。
[0005] 目前的数据增广方法主要包括：翻转，加入噪声等方式，但是由于电子干扰数据获取困难，获取的样本量也较少，因此目前的数据增广方法虽然增加的了样本的数量，但是改变的部分很少，电子干扰数据的多样性并没有得到显著的提高，从而导致增广后数据量依然很少，且多样性不丰富的问题，进而导致训练好的干扰分类模型分类精度低的问题。
发明内容
[0006] 本发明目的是为了解决目前的干扰信号识别方法中的数据增广方法还无法显著提升电子干扰数据多样性和丰富性，进而导致训练好的电子干扰数据分类模型分类精度低的问题，而提出了基于数据增广的干扰信号识别方法。
[0007] 基于数据增广的干扰信号识别方法具体过程为：
[0008] 获取待检测的电子干扰数据，将待检测的电子干扰数据输入到电子干扰识别网络中，获得电子干扰类型；
[0009] 所述电子干扰识别网络，通过以下方式获得：
[0010] S1、获取电子干扰数据集，将电子干扰数据集分为增广训练集和测试集；
[0011] 所述电子干扰数据集中包括：噪声调频干扰、噪声调幅干扰、密集假目标干扰、间歇采样转发干扰等各类电子干扰；
[0012] S2、构建生成对抗网络，利用增广训练集训练生成对抗网络获得增广模型；
[0013] S3、获取电子干扰纯噪声，将电子干扰纯噪声输入到增广模型中获得电子干扰样本；
[0014] S4、构建卷积神经网络，将电子干扰样本和增广训练集作为分类训练集，利用分类训练集训练卷积神经网络直至损失函数收敛获得训练好的卷积神经网络；
[0015] S5、利用测试集测试训练好的卷积神经网络，获得训练好的卷积神经网络的识别精度，若识别精度大于预设阈值则保存为电子干扰识别网络，若识别精度小于预设阈值则重新获取电子干扰数据集。
[0016] 本发明的有益效果为：
[0017] 本发明使用生成对抗网络进行电子干扰数据增广，丰富了电子干扰数据的多样性。本发明增广出的电子干扰数据与原数据有较大的不同，但与原数据有相同的概率分布情况，解决了电子干扰数据量少且多样性不丰富的问题，进而提升了干扰分类模型的分类的精度。本发明使用增广数据训练集训练的卷积神经网络，在使用极少原始数据(5‑20个样本)训练的情况下仍可以有效的识别电子干扰类型，为有效的抑制干扰、检测与跟踪目标提供了必要条件。本发明利用生成对抗网络生成相同概率分布的不同数据，相比于传统增广方法其增广后的数据不仅保持了与原始数据相同的概率分布，其数据多样性相对于传统方法更为丰富，有效解决了样本多样性的问题，提升了识别效果。
附图说明
[0018] 图1为生成对抗网络结构图；
[0019] 图2为生成模型结构图；
[0020] 图3为生成对抗网络训练示意图；
[0021] 图4为卷积神经网络结构图；
[0022] 图5为卷积神经网络训练成功图；
[0023] 图6(a)为噪声调频阻塞干扰样本与增广数据的时域波形对比图
[0024] 图6(b)为噪声调频阻塞干扰样本与增广数据的幅度直方对比图；
[0025] 图7(a)为间歇采样转发干扰样本与增广数据的时域波形对比图
[0026] 图7(b)为间歇采样转发干扰样本与增广数据的幅度直方对比图；
[0027] 图8为电子干扰样本与增广数据的特征散点图；
[0028] 图9为使用增广数据前后干扰识别精度对比图。
具体实施方式
[0029] 具体实施方式一：本实施方式基于数据增广的干扰信号识别方法具体过程为：获取待检测的电子干扰数据，将待检测的电子干扰数据输入到电子干扰识别网络中，获得获得电子干扰类型；
[0030] 所述电子干扰识别网络，通过以下方式获得：
[0031] S1、获取电子干扰数据集，取电子干扰数据集中的每类电子干扰的5到20个样本作为增广训练集，剩余数据作为测试集，模拟极低样本条件；
[0032] 所述电子干扰数据集中包括：噪声调频干扰、噪声调幅干扰、密集假目标干扰、间歇采样转发干扰等各类电子干扰；
[0033] S2、构建生成对抗网络，利用训练集训练生成对抗网络获得增广模型；
[0034] S3、获取电子干扰纯噪声，将电子干扰纯噪声输入到增广模型中获得电子干扰样本；
[0035] S4、构建卷积神经网络，将电子干扰样本和增广训练集作为分类训练集，利用分类训练集训练卷积神经网络直至损失函数收敛获得训练好的卷积神经网络；
[0036] S5、利用测试集测试训练好的卷积神经网络，获得训练好的卷积神经网络的识别精度，若识别精度大于预设阈值则保存为电子干扰识别网络，若识别精度小于预设阈值则重新获取电子干扰数据集。
[0037] 具体实施方式二：所述S2中的生成对抗网络，包括：生成模型和判别模型，结构如图1所示(x是真实数据，G(z)是生成器生成的数据)；
[0038] 所述生成模型G包括：一个全连接层、两个上采样层、三个卷积层、两个BN层(BatchNromalization)、三个激活函数，如图2所示；
[0039] 所述生成模型各层连接顺序依次为：全连接层、上采样层、卷积层、BN层、激活函数、上采样层、卷积层、BN层、激活函数、卷积层、激活函数；
[0040] 所述三个激活函数均为ReLU；
[0041] 所述判别模型D包括：三个卷积层、三个激活函数、三个Dropout层、两个BN层、一个Flatten层、一个全连接层，如图3所示；
[0042] 所述判别模型各层的连接顺序依次为：卷积层、激活函数、Dropout层、卷积层、BN层、激活函数、Dropout层、卷积层、BN层、激活函数、Dropout层、Flatten层、全连接层；
[0043] 所述三个激活函数均为LeakyReLU：
[0044]
[0045] 式中，x表示线性组合输入，α通常取值为0.01；
[0046] 本实施方式中，生成对抗网络模型的训练，使用单独交替迭代训练方法，训练过程中，两个模型是交替进行的，首先固定生成模型，训练判别模型，训练完之后再固定判别模型，更新生成模型的参数，最终达到稳定。
[0047] 具体实施方式三：所述卷积神经网络模型参数如表1所示；
[0048] 表1卷积神经网络模型参数
[0049]
[0050] 所述卷积神经网络的卷积层用于分别提取干扰实部与虚部特征，损失函数采用交叉熵函数；
[0051] 实施例：
[0052] 采用以下实施例验证本发明的有益效果：
[0053] 为了说明该发明对于电子干扰数据增广的有效性，电子干扰数据进行了Matlab仿真实验。仿真实验中的关键参数如下：雷达发射信号形式为线性调频脉冲信号，脉冲宽度为20μs，带宽为40MHz，采样率为60MHz。选用了噪声调频阻塞干扰，噪声调幅瞄准干扰，函数扫频干扰，间歇采样转发干扰，灵巧噪声干扰，密集假目标干扰，距离拖引干扰，灵巧噪声+密集假目标组合干扰，每类干扰选取5到20个样本进行数据增广。
[0054] 图6(a)和图6(b)为噪声调频阻塞干扰样本与增广数据的时域波形对比图和幅度直方对比图；图7(a)和图7(b)为间歇采样转发干扰样本与增广数据的时域波形对比图和幅度直方对比图；从图6(a)、图6(b)、图7(a)和图7(b)可以看出，相比较于原始数据，利用生成对抗网络生成的增广数据具有一定的相似性，例如在阻塞式干扰中，时域图以及幅度分布直方图就比较一致；但相比于原数据，增广数据仍具有一定的差异性，例如间歇采样转发干扰的增广数据在时域上仍会出现一定的波动。
[0055] 图8是电子干扰样本与增广数据的特征散点图，使用卷积神经网络分别对干扰样本数据和增广数据进行特征提取，输出为一个128维的特征向量，之后使用t‑SNE方法来对数据降维可视化。图中蓝点代表真实样本，黄点代表增广样本，可以发现干扰样本数据与增广数据的特征在同一范围内，可以看作为同一类干扰，即增广数据与干扰样本数据具有相似的特征分布，具有一定的相似性。
[0056] 图9是使用增广数据前后干扰识别精度对比图，可以看出随着训练样本量的提升，识别精度不断提升；在相同训练样本量的情况下，使用增广样本训练的识别精度高于未使用增广样本组的识别精度，证明生成对抗网络增广的干扰数据有效的提高了干扰识别网络的识别精度。
