基于深度学习的雷达干扰识别方法研究.pdf

基于深度学习的雷达干扰识别方法研究

摘要

随着技术的不断融合发展，雷达干扰的样式愈发丰富多变。快速有效地识别干扰信

号，在电子对抗战中至关重要，这是后续抑制干扰的前提条件。基于机器学习的干扰识

别方法通常涉及人工选取各类特征参数，再设计不同分类器进行分类识别。但是这类传

统方法依赖实验员的主观判断，泛化能力弱，且难以适应当下瞬变复杂的对抗环境，所

以，急切发掘可以自适应提取特征的智能化抗干扰方法。随着近些年深度学习的飞速发

展，雷达干扰识别也进入了新的阶段，干扰识别的最新研究也都基于深度学习展开。但

大多数研究中所采用的干扰识别方法训练时间过长，且难以对未知干扰进行准确区分。

针对上述问题，本文提出了基于ECA、动态卷积结合轻量型网络的结构来减少训练时间，

旨在更短时间更少样本下完成已知类干扰的有效识别；针对未知干扰，进一步提出了基

于差分进化算法优化的支持向量数据描述识别方法；最后提出了基于孪生网络的识别方

法，实现对未知类下几种干扰的差异度分辨。本文的主要研究工作如下：

首先，对噪声卷积、乘积干扰，切片式转发干扰，间歇采样直接、重复、循环转发

干扰和频谱弥散干扰信号进行了数学建模；分析了干扰原理，时域、频域信息、联合时

频域信息和脉压信息，为后续识别提供理论支持。

其次，本文通过时频分析生成图像数据集作为轻量网络的输入，实现对雷达干扰的

有效分类识别。为防止轻量网络因压缩计算量导致高维特征丢失的问题，引入动态卷积

核来提升模型表达力。因核和通道的注意力集中可以相互作用提升表达力，选取ECANet

作为通道注意力模块，设计提出了基于ECA与动态卷积的雷达干扰识别方法。通过仿

真验证，说明了该方法的可行性，实现更高的准确性和更强的鲁棒性。

最后，针对未知类的雷达干扰，本文设计了基于差分进化算法优化的支持向量数据

描述。首先通过MobileNetV3网络提取特征，获得已知类干扰的特征描述球体，进而将

测试输入的未知类干扰提取特征后与已知球体进行比较，实现对于已知类和未知类雷达

干扰的有效识别。在区分未知类雷达干扰样式方面，本文设计了基于孪生网络的比较识

别方法，将提取后的特征送入比较模块做相似度比较，实现对于未知类雷达干扰样式的

有效识别。

关键词：脉冲雷达干扰识别；时频分析；轻量级网络；支持向量描述；孪生神经网络

哈尔滨工程大学硕士学位论文

Abstract

Astechnologycontinuestodevelopandintegrate,thestylesofradarjammingbecome

increasinglydiverse.Rapidandeffectiveidentificationofjammingsignalsiscrucialin

electronicwarfare,anditisaprerequisiteforsubsequentjammingsuppression.Machine

learning-basedjammingrecognitionmethodstypicallyinvolveartificiallyselectingvarious

featureparametersanddesigningdifferentclassifiersforclassificationandrecognition.

However,suchtraditionalmethodsrelyonthesubjectivejudgmentoftheexperimenter,have

weakgeneralizationability,andaredifficulttoadapttothecurrentrapidlychangingand

complexadversarialenvironment.Therefore,thereisanurgentneedtoexploreintelligentanti-

jammi