[发明专利]一种基于可逆残差网络的抗雷达主瓣转发干扰方法

权利要求书

1.一种基于可逆残差网络的抗雷达主瓣转发干扰方法，其特征在于，包括以下步骤：

S1、以线性调频信号作为雷达发射信号，通过雷达主瓣转发干扰仿真获得干扰信号，进而获得添加了干扰的回波信号Signal_data、发射信号Signal、干扰信号标签Jam_target和无干扰的信号标签Signal_target：

Signal_data＝{x⁰_i|i＝1,2,…,L}∈C^L

Signal＝{x¹_i|i＝1,2,…,L}∈C^L

Jam_target＝{x²_i|i＝1,2,…,L}∈C^L

Signal_target＝{x³_i|i＝1,2,…,L}∈C^L

其中，L为信号长度；

S2、对Signal_data、Signal和Signal_target分别进行线性归一化处理，将信号强度映射到(0，1)，利用Signal_data的最大最小值对Jam_target进行归一化，保证两者归一化比例一致，然后利用滑窗方式，对Signal_data和Signal中，每个M长的时间片信号进行切分，然后在下一个维度拼接，组成对应的M×N的二维矩阵X∈R^M×N和S∈R^M×N，L＝M×N；

S3、将S设置为字典矩阵W，对矩阵X进行NMF分解，得到信号样本矩阵X对应的系数矩阵H，具体方法为：

随机初始化系数矩阵H∈R^N×N，保证H_ij≥0|i＝1,...,N；j＝1,...,N；

更新H矩阵参数以及计算误差e：

如果误差e满足设定条件则输出系数矩阵H，否则继续迭代更新，直到达到最大迭代次数为止；

S4、构建基于可逆残差网络的干扰抑制网络，干扰抑制网络包括三层结构相同的可逆残差网络层，网络的前向传播输入为NMF分解得到的归一化系数矩阵H，期望得到的输出是分离出的干扰信号掩码矩阵Mask；每层网络由一组对称的Unet网络组成，具体为：定义每层网络的两端输入为X₁和X₂，将系数矩阵H作为第一层网络的X₁和X₂输入，X₁经过第一层网络中第一个Unet网络提取原始信号中的干扰信号信息，第一个Unet网络包括五个CNN层，其中第一层和第五层、第二层和第四层输入矩阵大小相同，它们之间使用了跳层连接进行交互，将上一层的输出与这层的输出在通道维度进行拼接，共同输入到下一层，具体为第一层的输入为X₁，第二层的输入为第一层的输出，第三层的输入为第二层的输入，第四层的输入为第二层和第三层的输出，第五层的输入为第一层和第四层的输入；第五层的输出与X₂结合后得到初步滤除干扰的目标回波信息Y₂，Y₂经过第一层网络中第二个Unet网络提取更为纯净的目标回波信息，第二个Unet网络包括五个CNN层，与第一个Unet网络相同，第二个Unet网络的第五层的输出与X₁结合得到输出Y₁；第一层网络的输出Y₁和Y₂分别作为下一层网络的输入X₂和X₁，最后一层网络的输出经过Sigmoid函数，得到干扰信号的掩码矩阵Mask；

将输出的干扰矩阵Mask和系数矩阵H点乘得到干扰信号的系数矩阵，再将干扰信号的系数矩阵与字典矩阵W相乘就得到干扰信号J；

从Signal_dataSignal_data减去干扰信号J，初步恢复出无干扰的目标信号，再将初步恢复出无干扰的目标信号经过卷积神经网络得到最终的无干扰目标信号y；

S5、对构建的干扰抑制网络进行训练，采用的损失函数包括：

干扰信号的L1误差损失：

其中，J表示利用掩码矩阵恢复出的干扰信号，N为干扰信号长度；

目标信号的L1误差损失：

其中，y表示模型最终输出的无干扰目标信号，N为目标信号长度；

希尔伯特变换损失：

其中，Hilbert()为希尔伯特变换函数；

当网络loss基本收敛时，得到最后的深度网络模型；

S6、利用得到的深度网络模型对雷达接收信号进行处理，实现抗雷达主瓣转发干扰。

2.根据权利要求1所述的一种基于可逆残差网络的抗雷达主瓣转发干扰方法，其特征在于，S1中通过雷达主瓣转发干扰仿真获得的干扰信号包括间歇采样转发式干扰、灵巧噪声干扰、频谱弥散干扰和梳状谱干扰。