基于深度学习的雷达复合干扰识别研究.pdf

基于深度学习的雷达复合干扰识别研究

摘要

随着电子战技术的发展，敌方对雷达系统的干扰手段已不再局限于传统的单一干扰

模式，而是日益复杂、灵活的复合干扰。传统的复合干扰识别方法主要依赖人工提取特

征，再选择合适分类器进行识别，其泛化能力弱且识别率不高。尽管深度学习的快速发

展，但大多网络模型的参数量大，占用嵌入式设备资源大，不利于硬件实现。此外，在

干噪比较低的条件下，获取干扰样本的标签是非常困难的。因此，本文开展了基于深度

学习的复合干扰识别研究。具体的工作如下：

首先，对切片转发干扰、间歇采样直接转发干扰、梳状谱干扰、频谱弥散干扰、噪

声卷积干扰和噪声乘积干扰进行了数学建模，分析其时域、频域和时频域特性。通过线

性组合生成15类加性复合干扰，分析其干扰机理，并引入复合干噪比和功率比概念，

以贴合实战中的复杂场景。通过时频变换将干扰信号转换为时频图像，经预处理后作为

卷积神经网络的输入。

其次，深度学习的干扰识别方法因为其网络模型越来越大，需要占用大量硬件资源，

本文提出了一种基于轻量化网络的雷达复合干扰识别模型。该模型在ShuffleNetV2的基

础上进行改进，并结合多标签分类算法将输出结果映射为向量标签。通过仿真实验，说

明了该模型的有效性，实现更高的准确率和运算效率。

最后，针对干噪比较低环境下复合干扰标签获取困难的问题，本文设计了基于深度

子领域自适应的雷达复合干扰模型。首先，引入SimAM注意力机制增强特征提取网络

性能，无需额外增加模型参数，提高模型干扰特征的提取能力；接着，通过对其复合干

扰的相关子域分布，扩展网络的特征表征能力，利用局部最大平均差异调整不同子域的

参数，实现将源域知识向目标域的有效迁移。通过仿真实验，证明了模型对干噪比较低

环境下无标签复合干扰识别的可行性与有效性。

关键词：雷达复合干扰识别；时频变换；轻量化网络；迁移学习；子领域自适应网络

基于深度学习的雷达复合干扰识别研究

Abstract

Withthedevelopmentofelectronicwarfaretechnology,theenemysinterferencemethods

forradarsystemsarenolongerlimitedtothetraditionalsingleinterferencemode,but

increasinglycomplexandflexiblecompoundjamming.Thetraditionalcompoundjamming

identificationmethodmainlyreliesonmanuallyextractingfeaturesandthenselectingan

appropriateclassifierforidentification.Itsgeneralizationabilityisweakandtherecognition

rateisnothigh.Despitetherapiddevelopmentofdeeplearning,mostnetworkmodelshavea

largenumberofparametersandoccupyalargeamountofembeddeddeviceresources,which

isnotconducivetohardwareimplementation.Inaddition,itisverydifficulttoobtainthelabels

ofjammingsamplesunderconditionswithlowjamming-to-noiseratio.Therefore,thispaper

carriesoutresearchoncompoundinterferenceidentificationbasedondeeplearning.The

spec