论文部分内容阅读
随着现代电子战技术的快速发展,雷达所面临的新型有源干扰具有低功率、高相参和强欺骗特性,对雷达的生存和作战带来了巨大的威胁。为了更好的进行干扰抑制,雷达需要对干扰样式进行识别,以采取针对性的抗干扰措施。然而,传统的干扰识别方法需要人工分析和提取各类特征,通用性差,泛化能力弱,难以适应瞬息万变的复杂对抗环境,因此,迫切需要提出更为稳健和智能的干扰识别方法。本文针对雷达有源干扰的识别分类问题,分别采用卷积神经网络和半监督生成对抗网络实现干扰信号端到端的监督和半监督学习,相比传统方法取得了更好的效果。全文的主要工作围绕干扰的建模分析、数据集设计、干扰提取和识别分类方法展开,具体研究内容如下:1、分析九种典型的雷达有源干扰的信号的产生机理并建立模型,给出其时域、频域和时频域的波形,为干扰识别提供理论支持。2、干扰信号深度学习需要统一格式数据集,论文仿真各类干扰信号,对其进行时频变换、归一化、平滑滤波、自适应裁剪等处理以突出特征统一格式,并通过设置不同干噪比、不同参数分别得到大量训练和测试数据集。3、论文给出了基于信号特征提取的干扰识别过程,分析并选择干扰信号多域的特征应用于支持向量机算法中,实现对干扰的分类。仿真结果证明选取的特征和分类方法对九种干扰有较好的分类效果,可作为深度学习方法的对照。4、传统方法需要人工特征提取效率不高且对干扰参数变化敏感,针对这一问题,本文基于统一格式干扰数据集首先采用卷积神经网络(CNN)深度学习方法实现干扰的监督学习,仿真表明其总体识别率相比传统方法显著提高并具有更好的鲁棒性;其次采用GAP-CNN进行改进,在大幅度减少网络参数和训练时间情况下仍然保持很高的识别率,提高了雷达干扰深度学习识别的应用潜力。5、实际应用场景中干扰样本难以广泛标注,需针对少量有标注干扰及大量无标签干扰情况进行学习,本文采用半监督生成对抗网络SSGAN和改进模型GC-SSGAN实现了干扰样本的半监督学习,设计了合适的识别器和生成器网络,在较低的标注率(小于2%)样本下进行有效学习,达到了较高的识别率(大于80%),与同样条件下基于CNN的干扰识别方法相比,显著提高了识别率。