基于深度学习的雷达抗干扰技术研究.pdf

基于深度学习的雷达抗干扰技术研究

摘要

电子对抗技术的快速发展，使得现代电子战场上的电磁环境日益复杂，各种干扰技

术层出不穷，这给雷达系统在完成探测、定位和跟踪等任务带来了严峻的挑战。在如此

背景下，如何有效的减少或者去除雷达工作中遇到的干扰成为了当今研究的重点课题。

传统的雷达抗干扰技术大多是在时域、频域或者时频域对信号进行处理，通过时变滤波、

频域对消等方法将回波信号中的干扰信号消除从而恢复出目标信号，但是传统方法也存

在一些局限性。近些年来一些学者开始将深度学习技术应用于雷达干扰抑制方面并取得

了一些成就，这给研究雷达干扰抑制技术提供了新的方向。

本文从战术性抗干扰措施角度出发，将深度学习方法应用于雷达有源压制式干扰的

抑制，利用深度学习技术将目标信号从被干扰的回波信号中恢复出来。针对灵巧噪声卷

积干扰、相参压制干扰和噪声调频三种典型的有源压制式干扰，提出了两种基于深度学

习的雷达干扰抑制方法，能够实现对上述三种干扰进行有效抑制。主要内容概述如下。

首先，本文对线性调频（LinearFrequencyModulated,LFM）雷达和三种干扰信号进

行分析和建模，研究每种干扰信号的特点并进行仿真分析其干扰效果。然后介绍了现阶

段的雷达干扰抑制技术，对短时傅里叶变换（Short-TimeFourierTransform,STFT）时变

滤波和短时分数阶傅里叶变换（Short-TimeFractionalFourierTransform,STFRFT）时变

滤波方法进行建模，并对固定窗长和自适应窗长两种算法进行研究。

其次，在自注意循环神经网络（RecurrentNeuralNetworkwithSelfAttention,RNN-

SelfAttention）和自注意双路径的循环神经网络（Dual-PathRecurrentNeuralNetworkwith

SelfAttention,DPRNN-SelfAttention）雷达干扰抑制方法的基础上对网络结构进行改进，

提出了自注意DPIndRNN干扰抑制模型。在网络内部使用独立循环神经网络

（IndependentlyRecurrentNeuralNetwork,IndRNN），该结构各神经元相互独立，下一层

的每个神经元处理前一层所有神经元的输出。在这种情况下可以轻松地调节IndRNN，

既可以解决梯度爆炸和消失的问题，也可以使网络能够学习到长期依赖关系。仿真结果

表明，该方法的干扰抑制性能较于前两种方法有所改善。

最后，受到将生成对抗网络（GenerativeAdversarialNetwork,GAN）应用于图像去

噪的启发，本文提出了一种基于GAN的雷达干扰抑制技术，该方法基于零和博弈的理

论，生成器和判别器在训练过程中通过对抗学习的方式相互博弈不断优化自身性能，最

终使得训练好的生成器能够将目标信号从雷达回波信号中恢复出来。生成器采用U-net

哈尔滨工程大学硕士学位论文

结构，判别器采用补丁结构。为了使网络能够更好的学习到信号特征，需要对数据进行

预处理，将一维的雷达回波信号和目标信号转换成二维图像矩阵作为网络的输入。该方

法利用GAN强大的拟合能力有效地从携带干扰和噪声的回波信号中恢复出目标信号。

仿真结果表明，该方法有较强的鲁棒性和稳定性，且干扰抑制性能优于现有方法。

关键词：雷达干扰抑制；有源压制干扰；线性调频；循环神经网络；生成对抗网络

基于深度学习的雷达抗干扰技术研究

ABSTRACT

Withtherapiddevelopmentofelectronicwarfaretechnology,theelectromagnetic

environmentinmodernelectronicwarfareisbecomingmoreandmorecomplex,andvarious

int