[发明专利]一种基于融合网络的雷达有源干扰检测识别方法及装置

权利要求书

1.一种基于二级深度学习融合网络的雷达有源干扰检测、类型和样式智能识别方法，其特征在于，包括以下步骤：

(1)下变频处理模块利用正交解调技术将数字中频信号解调至零中频信号；

(2)对所述的零中频信号进行频域化处理，通过均值滤波与干扰检测，得到干扰是否存在和干扰信号频域、空域和能量域参数，并给出预处理模块“使能”信号；

(3)对所述的零中频信号，在接收到“使能”信号的基础上，第一路进行频域变换，得到其频谱，再做归一化和标准化处理；第二路进行时频变换，得到时频矩阵，将其做灰度离散化处理，并自适应裁剪至合适大小；将两路结果输出至二级深度学习融合网络；

(4)二级深度学习融合网络，主要包括对图像进行识别的ResNet网络，对序列进行识别的Attention-LSTM网络，以及将两个网络的输出进行融合的多层感知机网络，通过训练集对二级深度学习融合网络进行训练，固化模型参数，得到训练模型，将经过预处理环节的频谱和时频图，通过上述训练模型，实现干扰信号类型和样式的智能识别。

2.根据权利要求1所述的一种基于二级深度学习融合网络的雷达有源干扰检测、类型和样式智能识别方法，其特征在于，所述的步骤(1)具体为：

所述的下变频处理模块将输入的所述数字中频信号分别与余弦信号和正弦信号进行混频，再经过低通滤波器，得到IQ两路正交信号。

3.根据权利要求1所述的一种基于二级深度学习融合网络的雷达有源干扰检测、类型和样式智能识别方法，其特征在于，所述的步骤(2)包括以下步骤：

(21)采用周期图法对所述的零中频信号进行处理，得到干扰信号功率谱；

(22)对所述的干扰信号功率谱进行均值滤波处理，滤除信号中的环境噪声，减小信号通带内的抖动，得到平滑的干扰信号功率谱；

(23)采用双门限信号检测算法对所述平滑的干扰信号功率谱进行处理，为干扰信号是否存在提供判决；

(24)若不存在干扰信号，则回到功率谱估计模块，处理下一个脉冲；若干扰存在，则计算干扰功率和带宽参数，并对干扰源进行测向，得到干扰源方位信息，同时给出预处理模块工作的“使能”信号。

4.根据权利要求3所述的一种基于二级深度学习融合网络的雷达有源干扰检测、类型和样式智能识别方法，其特征在于，

所述的步骤(23)中的双门限信号检测算法包括以下步骤：

(A1)根据虚警率和地杂波分布，确定上、下门限因子；

(A2)根据噪声基底，获取初始门限功率；

(A3)采用递归法实时更新上、下门限功率；

(A4)搜索序列，连续H个点大于上门限值，则认为出现干扰；

(A5)继续搜索序列，当连续H个点小于下门限值，则认为干扰结束，

所述的步骤(24)中的计算干扰功率和带宽参数具体为：

(B1)计算P_w(n)的最大值和均值，作为干扰信号峰值功率和平均功率；

(B2)由双门限检测给出的上下门限功率，计算干扰信号的带宽和中心频率等频域参数。

5.根据权利要求1所述的一种基于二级深度学习融合网络的雷达有源干扰检测、类型和样式智能识别方法，其特征在于，所述的步骤(3)包括以下步骤：

(31)对正交的零中频干扰信号进行快速傅里叶变换(FFT)，得到信号的频谱，将所述频谱归一化处理，再执行其中，x(n)为归一化频谱，μ为x(n)的均值，σ为x(n)标准差，将其标准化至相同分布，输入到融合网络中的LSTM分支网络中；

(32)对正交的零中频干扰信号进行短时傅里叶时频变换(STFT)，取其模值得到信号时频矩阵，并线性离散至0～255内，得到灰度图像，并自适应裁剪成128像素×128像素，再进行归一化处理，输入到融合网络中的ResNet分支网络中。