一种基于语义分割的间歇采样干扰识别和抑制方法

1.本发明属于雷达信号处理领域，具体涉及一种基于语义分割的间歇采样干扰识别和抑制方法。


背景技术：

2.近年来，数字射频存储器(digital radio frequency memory,drfm)的发展，带动了雷达存储式干扰技术的发展，基于数字射频存储器的间歇采样转发式干扰(interrupted sampling and repeater jamming,isrj)是电子对抗中的一个难题。间歇采样转发干扰是一种有源欺骗式相干干扰，其实现原理是通过drfm对截获到的雷达回波信号进行大量的重复循环转发，同时利用了脉冲压缩雷达的匹配滤波特性，能够产生具有高度相干性的假目标信号，其具有与真实信号相当的增益，因此，经过间歇采样后大量转发的假目标信号又同时具备压制性干扰和欺骗性干扰的特性。传统的信号特征统计及表示方法难以得到有效的特征，进而使得真假目标难以辨别，雷达干扰信号的识别和抑制面对着重大的挑战。
3.间歇采样干扰具有不连续特性，利用时频域信号对其进行分析是一个强有力的工具。然而，在复杂电磁环境下间歇采样干扰存在着信号识别和抑制困难的问题，如何更好的提取信号的时频域特征并对干扰信号进行抑制处理成为了一个雷达重要的研究方向。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本发明提供了一种基于语义分割的间歇采样干扰识别和抑制方法。本发明要解决的技术问题通过以下技术方案实现：
5.本发明实施例提供了一种基于语义分割的间歇采样干扰识别和抑制方法，包括步骤：
6.对间歇式采样干扰回波信号进行时频域分析，得到目标回波信号时频图；
7.将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到包含每个像素点的分类和位置的干扰识别图像；
8.利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标回波数据；
9.对剔除干扰后的所述目标回波数据进行脉冲压缩与相参处理，得到目标距离和目标速度。
10.在本发明的一个实施例中，对间歇式采样干扰回波信号进行时频域分析，得到目标回波信号时频图，包括：
11.对所述间歇式采样干扰回波信号依次进行短时傅里叶变换、归一化和取模值，得到时频分布数组；对所述间歇式采样干扰回波信号进行短时傅里叶变换的公式为：
[0012][0013]
其中，t表示信号时间范围，x(t)表示间歇式采样干扰回波信号，f表示信号频率范
围，τ表示窗函数脉冲宽度，φ(τ-t)是窗函数；
[0014]
将所述时频分布数组转换为图像，得到所述目标回波信号时频图。
[0015]
在本发明的一个实施例中，将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到干扰识别图像，包括：
[0016]
将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到预测分类结果，其中，所述预测分类结果包括所述每个像素点的分类和位置；
[0017]
将所述预测分类结果转换为图像并为不同类别的像素点赋予不同的颜色，得到所述干扰识别图像。
[0018]
在本发明的一个实施例中，所述u-net神经网络模型包括主干特征提取网络、加强特征提取网络和预测网络，其中，
[0019]
所述主干特征提取网络用于初步获取若干有效特征层；
[0020]
所述加强特征提取网络与所述主干特征提取网络连接，用于对所述若干有效特征层逐步进行深层次的特征提取和上采样融合，得到融合特征图；
[0021]
所述预测网络与所述加强特征提取网络连接，用于对所述融合特征图的每一个像素进行分类，得到预测分类结果。
[0022]
在本发明的一个实施例中，所述主干特征提取网络采用vgg结构，包括第一特征层、第二特征层、第三特征层、第四特征层和第五特征层，其中，
[0023]
所述第一特征层用于对所述回波信号时频图进行卷积和最大池化处理，得到第一有效特征层；所述第二特征层用于对所述第一有效特征层进行卷积和最大池化处理，得到第二有效特征层；所述第三特征层用于对所述第二有效特征层进行卷积和最大池化处理，得到第三有效特征层；所述第四特征层用于对所述第三有效特征层进行卷积和最大池化处理，得到第四有效特征层；所述第五特征层用于对所述第四有效特征层进行卷积和最大池化处理，得到第五有效特征层。
[0024]
在本发明的一个实施例中，所述加强特征提取网络包括第一上采样层、第二上采样层、第三上采样层、第四上采样层和第五上采样层，其中，
[0025]
所述第一上采样层与所述第五特征层、所述第四特征层连接，用于对所述第五有效特征层进行上采样，并与所述第四有效特征层进行堆叠，得到第一特征图；所述第二上采样层与所述第一上采样层、所述第三特征层连接，用于对所述第一特征图进行上采样，并与所述第三有效特征层进行堆叠，得到第二特征图；所述第三上采样层与所述第二上采样层、所述第二特征层连接，用于对所述第二特征图进行上采样，并与所述第二有效特征层进行堆叠，得到第三特征图；所述第四上采样层与所述第三上采样层、所述第一特征层连接，用于对所述第三特征图进行上采样，并与所述第一有效特征层进行堆叠，得到所述融合特征图。
[0026]
在本发明的一个实施例中，所述训练好的u-net神经网络模型为利用间歇采样直接转发干扰回波信号时频图、间歇采样循环转发干扰回波信号时频图、间歇采样重复转发干扰回波信号时频图所形成的原始数据集对所述u-net神经网络模型依次进行冻结阶段训练和解冻阶段训练得到的。
[0027]
在本发明的一个实施例中，利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标回波数据包括：
[0028]
利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标时频域数据；
[0029]
对所述目标时频域数据进行短时傅里叶逆变换，得到所述目标回波数据。
[0030]
在本发明的一个实施例中，对所述目标时频域数据进行短时傅里叶逆变换的公式为：
[0031][0032]
其中，g(t)为目标回波数据，ω(t
1-t)为窗函数，t1为窗函数的脉冲宽度，t为信号时间范围，有x(t1,f)＝dx(f)/dt，f为频率范围，x(f)为信号的频域表达式。
[0033]
在本发明的一个实施例中，所述目标距离为：
[0034]
d＝c*t
max
/2
[0035]
其中，c为光速，t
max
为y(t)取最大值的时间，y(t)h(t)*g(t)，*表示卷积运算，y(t)为脉冲压缩结果，g(t)为剔除间歇采样干扰的时域信号，h(t)为脉冲压缩的匹配滤波器；
[0036]
所述目标速度为：
[0037][0038]
其中，λ为雷达发射信号的波长，fd为θ的最大值所对应的目标多普勒频率，θ为快速傅里叶变换结果中最大值所在距离单元的数据。
[0039]
与现有技术相比，本发明的有益效果：
[0040]
1、本发明的识别和抑制方法基于干扰信号的不连续性，将回波信号时频图输入到神经网络中进行特征提取和分类，实现了间歇采样转发干扰信号时频域特征的提取，有效地实现了干扰信号的精细化分离，同时利用卷积神经网络，实现了间歇采样转发干扰信号在电磁环境复杂、高度相干、低信噪比条件下的有效识别和抑制。
[0041]
2、本发明的识别和抑制方法利用u-net神经网络的特征提取能力，相较于传统手动特征提取分类器方法，不必总结干扰信号的具体特征进行复杂的数学分析，避免了人为干扰因素，提高了模型的鲁棒性，同时具有更高的识别精确度。
[0042]
3、本发明的识别和抑制方法采用vgg结构作为主干特征提取网络，提高了特征提取能力，在小样本条件下仍具有强大的干扰识别能力，不采用全连接层，进行端到端的识别，有效地融合了浅层语义和深层细节。
附图说明
[0043]
图1为本发明实施例提供的一种基于语义分割的间歇采样干扰识别和抑制方法的流程示意图；
[0044]
图2为本发明实施例提供的另一种基于语义分割的间歇采样干扰识别和抑制方法的流程示意图；
[0045]
图3为本发明实施例提供的一种u-net神经网络模型的结构示意图；
[0046]
图4a-图4c为本发明实施例提供的三种间歇式采样干扰回波信号的示意图；
[0047]
图5为本发明实施例提供的一种u-net神经网络模型损失折线图；
[0048]
图6为本发明实施例提供的一种干扰识别图像的示意图；
[0049]
图7为本发明实施例提供的一种干扰信号时频域抑制结果示意图；
[0050]
图8为本发明实施例提供的一种分类器与u-net识别精度对比图；
[0051]
图9为本发明实施例提供的一种不同干信比下的识别精度示意图；
[0052]
图10a-图10b为本发明实施例提供的一种去干扰前脉压结果和去干扰后脉压结果对比图；
[0053]
图11为本发明实施例提供的一种相参积累结果图。
具体实施方式
[0054]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0055]
实施例一
[0056]
请参见图1和图2，图1为本发明实施例提供的一种基于语义分割的间歇采样干扰识别和抑制方法的流程示意图，图2为本发明实施例提供的另一种基于语义分割的间歇采样干扰识别和抑制方法的流程示意图。该方法包括步骤：
[0057]
s1、对间歇式采样干扰回波信号进行时频域分析，得到目标回波信号时频图。
[0058]
具体的，步骤s11包括：
[0059]
s11、对所述间歇式采样干扰回波信号依次进行短时傅里叶变换、归一化和取模值，得到时频分布数组。
[0060]
本实施例中，对雷达isrj干扰回波信号进行仿真建模以得到间歇式采样干扰回波信号。
[0061]
首先，进行线性调频信号仿真。
[0062]
为了保证雷达回波信号具有大时宽带宽积，解决雷达作用距离和距离分辨力之间的矛盾，雷达发射信号采用线性调频信号，公式如下：
[0063][0064]
其中，τ是信号脉冲宽度，是调频斜率，b是信号的带宽，t是发射信号时间范围。
[0065]
雷达发射信号的角度表达式为：
[0066][0067]
lfm信号的顺时频率为：
[0068][0069]
然后，进行干扰信号的仿真。
[0070]
间歇采样转发干扰通过“收发分时”机制，对干扰机接受到的目标信号进行间歇采样并存储起来，经过一定的调制之后形成一系列的相干脉冲转并多次转发，与目标信号具有很强的相干性。
[0071]
采样所用到的矩形脉冲公式为：
[0072][0073]
其中，ts是脉冲采样周期，t
p
为采样脉冲宽度，n表示对矩形脉冲搬移的采样周期数。
[0074]
间歇采样直接转发干扰的特征是采样一次就转发一次，其仿真较为简单，需要模拟接收机在一个采样脉冲周期内对回波信号进行采样并进行幅度调制，在短暂的时延之后，将信号转发出去。其公式如下：
[0075][0076]
其中，aj为干扰信号调制增益，τ为干扰机到雷达之间的时延，n为直接转发次数，t
p
为采样脉冲宽度，是调频斜率，t是干扰信号时间范围，n为当前转发次数。
[0077]
间歇采样重复转发干扰的特征是一次采样，多次转发。接收机在一个采样脉冲周期内转发一系列相干的干扰切片串，兼具压制性和欺骗性。其公式如下：
[0078][0079]
其中，m为每个干扰切片被转发的次数，tu为干扰机进行信号采样的时间间隔，n为干扰切片个数，t
p
为采样脉冲宽度，t是干扰信号时间范围，n为当前干扰切片数，m为当前切片转发的次数，τ为干扰机到雷达之间的时延。
[0080]
间歇采样循环转发干扰的特征是会逆序转发此前所有采样得到的信号切片。由于转发了不同时间段的采样切片，具有更复杂的时域特征，在传统特征提取中很难进行识别。其公式如下：
[0081][0082]
其中，t
p
为干扰切片的脉冲宽度，n为一个脉冲周期内的采样次数，m为每个干扰切片被转发的次数，a(m)＝(m(m+1))/2-1为切片的采样延时系数，b(n)＝(n(n+1))/2+n-1为每个切片进行转发时的延时系数，m为每个干扰切片被转发的次数，n为干扰切片个数，n为当前干扰切片数，m为当前切片转发的次数，是调频斜率，τ为干扰机到雷达之间的时延。
[0083]
进一步的，模拟接收机接收目标的间歇式采样干扰回波信号，并对接收到的间歇式采样干扰回波信号进行短时傅里叶变换(short-time fourier transform,stft)，得到二维时频域信号。stft的公式如下所示：
[0084][0085]
其中，t表示信号时间范围，f表示信号频率范围，x(t)表示间歇式采样干扰回波信号，τ表示窗函数脉冲宽度，φ(τ-t)是窗函数。
[0086]
由式(8)可知，短时傅里叶变换就是对信号进行加窗之后的傅里叶变换。
[0087]
然后，将stft得到的二维时频域信号进行归一化并取模值，得到时频分布数组。
[0088]
在一个具体实施例中，利用matlab仿真功能对间歇式采样干扰回波信号进行处理，得到时频分布数组。
[0089]
s12、将所述时频分布数组转换为图像，得到所述目标回波信号时频图。
[0090]
具体的，将时频分布数组转换为jpeg格式的图像，得到目标回波信号时频图。
[0091]
s2、将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到包含每个像素点的分类和位置的干扰识别图像。
[0092]
神经网络自诞生起就具有强大的特征提取能力，深度学习第三次发展浪潮前后，极大的促进了各式各样的优秀的神经网络模型出现，卷积神经网络通过对信号样本的学习能够有效的提取图像中的特征，而基于卷积神经网络的语义分割任务能够精细的对像素进行分类，从而能够有效识别干扰信号，对间歇采样转发式干扰的识别和抑制具有重大的意义。u-net的提出是为了对医药数据集的结构进行精确地图像分割，其具有强大的多层特征提取能力，能够充分的提取浅层和深层的图像特征，有利于数据集较小且特征较为简单的图像数据进行语义分割训练。
[0093]
请参见图3，图3为本发明实施例提供的一种u-net神经网络模型的结构示意图。具体的，本实施例采样的u-net神经网络模型包括主干特征提取网络、加强特征提取网络和预测网络三个部分。
[0094]
主干特征提取网络用于初步获取若干有效特征层；为了改善主干特征提取网络的性能，主干特征提取网络采用vgg结构，在相同的感受野下使用多个3
×
3的卷积核来加深网络深度，提升特征提取效果。加强特征提取网络与所述主干特征提取网络连接，用于对所述若干有效特征层逐步进行深层次的特征提取和上采样融合，得到融合特征图。所述预测网络与所述加强特征提取网络连接，用于对所述融合特征图的每一个像素进行分类，得到预测分类结果；具体的，预测网络为一个分类数+1通道数的输出层，该输出层通过softmax激活函数对每一个像素进行分类。本实施例中，像素分类包括目标信号target和间歇采样转发干扰信号jamming以及背景background共3类。
[0095]
请参见表1，表1提供了u-net神经网络模型各层结构的参数。
[0096]
表1 u-net神经网络模型各层结构的参数
[0097][0098][0099]
在一个具体实施例中，主干特征提取网络包括第一特征层、第二特征层、第三特征
层、第四特征层和第五特征层。其中，所述第一特征层用于对所述回波信号时频图进行卷积和最大池化处理，得到第一有效特征层；所述第二特征层用于对所述第一有效特征层进行卷积和最大池化处理，得到第二有效特征层；所述第三特征层用于对所述第二有效特征层进行卷积和最大池化处理，得到第三有效特征层；所述第四特征层用于对所述第三有效特征层进行卷积和最大池化处理，得到第四有效特征层；所述第五特征层用于对所述第四有效特征层进行卷积和最大池化处理，得到第五有效特征层。
[0100]
具体的，第一特征层包括依次连接的两个3
×
3的卷积层和一个2
×
2的最大池化层；卷积层的通道数为64，填充为1，其激活函数是relu，输出特征图大小为(-1,64,512,512)；最大池化层步长为2，输出特征图大小为(-1,64,256,256)，得到第一有效特征层。
[0101]
第二特征层包括依次连接的两个3
×
3的卷积层和一个2
×
2的最大池化层；卷积层的通道数为128，填充为1，其激活函数是relu，输出特征图大小为(-1,128,256,256)；最大池化层，步长为2，输出特征图大小为(-1,128,128,128)，得到第二有效特征层。
[0102]
第三特征层包括依次连接的三个3
×
3的卷积层和一个2
×
2的最大池化层；卷积层的通道数为256，填充为1，其激活函数是relu，输出特征图大小为(-1,256,128,128)；最大池化层的步长为2，输出特征图大小为(-1,256,64,64)，得到第三有效特征层。
[0103]
第四特征层包括依次连接的三个3
×
3的卷积层和一个2
×
2的最大池化层；卷积层的通道数为512，填充为1，其激活函数是relu，输出特征图大小为(-1,512,64,64)；最大池化层的步长为2，输出特征图大小为(-1,512,32,32)，得到第四有效特征层。
[0104]
第五特征层包括依次连接的三个3
×
3的卷积层，卷积层的通道数为512，填充为1，其激活函数是relu，输出特征图大小为(-1,512,32,32)，得到第五有效特征层。
[0105]
本实施例中，在表示特征图大小的数组里，第一维表示每次训练的批量大小、第二维表示输入通道数、第三维和第四维则分别表示特征图的宽和高。
[0106]
在一个具体实施例中，所述加强特征提取网络包括第一上采样层、第二上采样层、第三上采样层和第四上采样层。其中，所述第一上采样层与所述第五特征层、所述第四特征层连接，用于对所述第五有效特征层进行上采样，并与所述第四有效特征层进行堆叠，得到第一特征图；所述第二上采样层与所述第一上采样层、所述第三特征层连接，用于对所述第一特征图进行上采样，并与所述第三有效特征层进行堆叠，得到第二特征图；所述第三上采样层与所述第二上采样层、所述第二特征层连接，用于对所述第二特征图进行上采样，并与所述第二有效特征层进行堆叠，得到第三特征图；所述第四上采样层与所述第三上采样层、所述第一特征层连接，用于对所述第三特征图进行上采样，并与所述第一有效特征层进行堆叠，得到所述融合特征图。
[0107]
具体的，第一上采样层包括依次连接的一个上采样层、一个连接层和两个卷积层；上采样层取第五有效特征层进行上采样；连接层将上采样特征与第四有效特征层进行堆叠，输出大小为(-1,1024,64,64)的特征图；卷积层的通道数为512，输出大小为(-1,512,64,64)的第一特征图。
[0108]
第二上采样层包括依次连接的一个上采样层、一个连接层和两个卷积层；上采样层对第一特征图进行上采样；连接层将上采样特征与第三有效特征层进行堆叠，输出大小为(-1,768,128,128)的特征图；卷积层的通道数为256，输出大小为(-1,256,256,256)的第二特征图。
[0109]
第三上采样层包括依次连接的一个上采样层、一个连接层和两个卷积层；上采样层对第二特征图进行上采样；连接层将上采样特征与所述第二有效特征层进行堆叠，输出大小为(-1,384,256,256)的特征图；卷积层的通道数为128，输出大小为(-1,128,256,256)的第三特征图。
[0110]
第四上采样层包括依次连接的一个上采样层、一个连接层和两个卷积层；上采样层对第三特征图进行上采样；连接层将上采样特征与所述第一有效特征层进行堆叠，输出大小为(-1,192,512,512)的特征图；卷积层的通道数为64，输出大小为(-1,64,512,512)的融合特征图。
[0111]
本实施例通过主干特征提取网络初步获取五个有效的特征层，再经过加强特征提取网络对五个有效的特征层进行直接的特征图拼接和上采样，有效地融合了浅层语义和深层细节。
[0112]
在一个具体实施例中，预测网络为一个1
×
1的卷积，通道数为target分类和jamming分类+1＝3，输出特征图大小为(-1,3,512,512)，激活函数为softmax。预测网络为对输入图片进行预测的最终层，在512
×
512像素中，取置信度最高值作为预测分类结果。
[0113]
综上，本实施例的u-net神经网络模型共有34层结构，前17层为vgg特征提取网络，对输入512
×
512大小的rgb图片进行主干特征提取，18～33层进行特征融合和上采样，最后一层将输出通道调整为3通道进行像素分类。
[0114]
在一个具体实施例中，所述训练好的u-net神经网络模型为利用间歇采样直接转发干扰回波信号时频图、间歇采样循环转发干扰回波信号时频图、间歇采样重复转发干扰回波信号时频图所形成的原始数据集对所述u-net神经网络模型依次进行冻结阶段训练和解冻阶段训练得到的。
[0115]
具体的，对u-net神经网络模型进行训练前，循环仿真间歇采样直接转发干扰回波信号、间歇采样循环转发干扰回波信号、间歇采样重复转发干扰回波信号三种类型信号的时频图各50次，并制作标签图像，按照8:1:1的比例划分训练集、验证集和测试集，从而形成原始数据集。
[0116]
对u-net神经网络模型进行训练具体包括：
[0117]
首先需对输入图片进行预处理来适应网络。本实施例中，已知网络待输入数据大小为(3,512,512)，需要对数据集的rgb图片进行大小调整，将其调整为512
×
512大小的三通道数据，并在图片较小的维度(较小的维度是指图片三个维度中维度较小的一个维度)加上灰度条来防止图片形变失真。
[0118]
然后对u-net神经网络模型进行训练。由于本实施例中主干特征提取网络采用vgg结构，且所提取到的特征是通用的，可以把加强特征提取网络冻结起来训练以加快训练效率，也可以防止权值被破坏，因此，本实施例采用预加载训练权重的方法，并对其进行冻结训练和解冻训练。在冻结训练阶段，模型的主干特征提取网络被冻结，加强特征提取网络不发生改变，占用的显存较小，仅对主干特征提取网络进行微调。在解冻训练阶段，模型的主干特征提取网络解冻，主干特征提取网络和加强特征提取网络会发生改变，占用的显存较大，u-net神经网络模型所有的参数都会发生改变。进行冻结阶段和解冻阶段的训练之后，得到训练好的网络模型。
[0119]
进一步的，对于训练好的u-net神经网络模型需要进行评估，本实施例采取的评估
参数为类别平均像素准确率(mpa)以及平均交并比(miou)。
[0120]
mpa的公式如下：
[0121][0122]
miou在语义分割中表示真实值集合和预测值集合的平均交并比，其公式如下：
[0123][0124]
其中，p
ij
表示原本是i类而被分到j类的像素，p
ji
表示原本是j类被分到i类的像素，p
ii
表示原本是i类被分为i类的像素，k表示总共的类别数。
[0125]
步骤s2具体包括：
[0126]
s21、将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到预测分类结果，其中，所述预测分类结果包括所述每个像素点的分类和位置。
[0127]
具体的，将回波信号时频图进行预处理以适应网络，然后将预处理后的图片输入训练好的u-net神经网络模型中进行特征提取和分类，得到预测分类结果，预测分类结果包括每个像素点的分类和位置。
[0128]
s22、将所述预测分类结果转换为图像并为不同类别的像素点赋予不同的颜色，得到所述干扰识别图像。
[0129]
具体的，将预测分类结果保存为图像，同时保存预测分类结果的干扰像素点位置，并根据预测分类结果分别为不同类别的像素点赋予不同的颜色，再将保存的图像转成rgb格式，从而得到图像分割后的干扰识别图像。
[0130]
进一步的，将干扰识别图像和目标回波信号时频图进行混合，可以有效地分辨出目标回波信号和三种干扰信号，即通过干扰识别图像和目标回波信号时频图进行对比，可以得到干扰信号在时频图中的分布。
[0131]
s3、利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标回波数据。具体包括步骤：
[0132]
s31、利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标时频域数据。
[0133]
具体的，利用所述每个像素点的分类和位置，将步骤s11中的时频分布数组中干扰像素点位置对应的间歇式采样干扰数据进行剔除，从而得到包含背景和目标回波数据的目标时频域数据。
[0134]
s32、对所述目标时频域数据进行短时傅里叶逆变换，得到所述目标回波数据。
[0135]
具体的，对剔除后得到的目标时频域数据行短时傅里叶逆变换(inverse short-time fourier transform,istft)，还原出包含目标信号的回波数据。
[0136]
具体的，采用的短时傅里叶逆变换(istft)的方法为重叠-相加之折积法。为了消除窗函数的作用，首先要对其面积进行归一化，其公式为：
[0137][0138]
短时傅里叶逆变换的公式为：
[0139][0140]
其中，g(t)为目标回波数据，ω(t
1-t)为窗函数，其为进行傅里叶变换所采用过的窗函数，t1为窗函数的脉冲宽度，t为信号时间范围，x(t1,f)＝dx(f)/dt，f为信号频率范围，x(f)为信号的频域表达式，信号的频域表达式可以视作所有的短时距傅里叶变换的相位同调部分进行相加。
[0141]
在进行短时傅里叶逆变换之后即获得了剔除间歇采样干扰的时域信号，从而得到目标回波数据。
[0142]
s4、对剔除干扰后的所述目标回波数据进行脉冲压缩与相参处理，计算得到目标距离和目标速度。
[0143]
具体的，在进行短时傅里叶逆变换之后即获得了剔除间歇采样干扰的目标回波数据，对该目标回波数据进行脉冲压缩处理，得到去干扰后的脉压结果。脉冲压缩的公式如下：
[0144]
y(t)＝h(t)*g(t)
ꢀꢀꢀ
(13)
[0145]
式中，*表示卷积运算，y(t)为脉冲压缩结果，g(t)为剔除间歇采样干扰的时域信号即目标回波数据，h(t)为脉冲压缩的匹配滤波器。
[0146]
更进一步，取y(t)的最大值记为y
max
，将y(t)取最大值的时间记为t
max
，由此可以计算得到目标距离为c*t
max
/2，其中，c为光速，由此完成了一个雷达脉冲的干扰与目标距离测量。
[0147]
进一步获取一个相参处理间隔内的多个脉冲的脉冲压缩结果，对脉压结果做快速傅里叶变换，即取各脉冲脉压结果的同一距离单元的信号做快速傅里叶变换，取出快速傅里叶变换结果中最大值所在距离单元的数据θ，将θ的最大值的位置索引为n，则可以计算θ的最大值所对应的目标多普勒频率fd，其计算方式为：
[0148][0149]
其中，n为一个相参处理间隔内的脉冲数，prt为脉冲重复时间。
[0150]
然后，目标速度v可以如下表达式算出：
[0151][0152]
其中，λ为雷达发射信号的波长，fd为θ的最大值所对应的目标多普勒频率，θ为快速傅里叶变换结果中最大值所在距离单元的数据。
[0153]
本实施例的识别和抑制方法基于干扰信号的不连续性，将回波信号时频图输入到
神经网络中进行特征提取和分类，实现了间歇采样转发干扰信号时频域特征的提取，有效地实现了干扰信号的精细化分离，同时利用卷积神经网络，实现了间歇采样转发干扰信号在电磁环境复杂、高度相干、低信噪比条件下的有效识别和抑制，因此，改方法提高了强干扰条件下对间歇采样转发干扰信号的感知和剔除效能，可应用于雷达智能信号处理领域以及电子对抗、认知雷达等领域。
[0154]
本实施例的识别和抑制方法利用u-net神经网络的特征提取能力，相较于传统手动特征提取分类器方法，不必总结干扰信号的具体特征进行复杂的数学分析，避免了人为干扰因素，提高了模型的鲁棒性，同时具有更高的识别精确度。
[0155]
本实施例的识别和抑制方法采用vgg结构作为主干特征提取网络，提高了特征提取能力，在小样本条件下仍具有强大的干扰识别能力，不采用全连接层，进行端到端的识别，有效地融合了浅层语义和深层细节。
[0156]
实施例二
[0157]
在实施例一的基础上，本实施例为验证基于语义分割的间歇采样干扰识别和抑制方法的有效性，进行如下实验。
[0158]
首先雷达发射波形采用了lfm信号，设置信号的脉冲宽度为20μs，信号带宽设置为50mhz，并设置干信比(jamming to signal ratio,jsr)为20～40db，构建isrj干扰回波时域样本集，随机仿真生成间歇采样直接转发干扰信号、间歇采样循环转发干扰信号或间歇采样重复转发干扰信号，共150个时域序列样本，请参见表2和图4a-图4c，表2为干扰信号的建模参数，图4a-图4c为本发明实施例提供的三种间歇式采样干扰回波信号的示意图，图4a为间歇采样直接转发干扰信号，图4b为间歇采样重复转发干扰信号，图4c为间歇采样循环转发干扰信号。
[0159]
表2干扰信号的建模参数
[0160][0161]
随后将所有时域序列样本进行stft变换，采样率为100mhz，窗函数采用hamming窗，得到其时频分布的jpeg图像即目标回波信号时频图，并制作对应的标签图像，合并为语义分割图像数据集，包含150张时频域样本图片和150张标签图片。选取数据集中80％为训练集，10％为验证集，10％为测试集，利用训练集和验证集对u-net神经网络模型进行训练，请参见表3和图5，表3为模型训练参数，图5为本发明实施例提供的一种u-net神经网络模型损失折线图。由图5可以看出，模型的最终训练损失降到0.05左右，模型得到良好的拟合。
[0162]
表3模型训练参数
[0163][0164]
接着，将上述测试集样本输入到训练好的u-net神经网络模型中进行特征提取和分类，获得干扰识别图像结果，请参见图6，图6为本发明实施例提供的一种干扰识别图像的示意图，图6中背景、目标和干扰分别表示为不同的颜色。
[0165]
得到干扰识别图像后，根据干扰识别图像结果对时频图中的干扰信号进行抑制，最终进行istft变换，得到isrj干扰信号的抑制结果，从而得到目标回波数据。请参见图7，图7为本发明实施例提供的一种干扰信号时频域抑制结果示意图。将图7与图4a对比可知，间歇采样直接转发干扰信号被剔除掉，背景和目标信号保留下。
[0166]
为了验证本实施例方法的有效性和优越性，在干信比为20db的条件下，与传统的时频域手动特征提取并设计分类器的方法进行对比实验。根据图4a-图4c可以看出不同的isrj信号在时域上表现为杂乱分布的峰值，对于不同的距离门，频域的峰值个数不同。因此提取特征为每个距离内的峰值个数m，峰值3db宽度δf，以及存在峰值的距离门个数n
p
，设计分类器对其进行识别，将设计的分类器与本实施例提到的方法进行识别率比较。分类器算法采用的评估参数为整体分类精度(overall accuracy,oa)，u-net算法采用的评估参数为整体分类精度(oa)以及语义分割的类别平均像素准确率(mpa)和平均交并比(miou)指标，结果如图8所示，图8为本发明实施例提供的一种分类器与u-net识别精度对比图。如图8所示，在干信比为20db的条件下，本实验所提出的方法平均识别率比传统分类器算法高出了2.68～4.12％，故可以证明本方法的优越性。
[0167]
为了验证本文所提算法的稳定性与鲁棒性，在不同的干信比条件下进行实验，得到的识别精度如图9所示，图9为本发明实施例提供的一种不同干信比下的识别精度示意图。从图9可以看出，20db以下的干信比可以保持90％以上的识别准确率。
[0168]
进一步的，在进行短时傅里叶逆变换之后即获得了剔除间歇采样干扰的目标回波数据，对该目标回波数据进行脉冲压缩处理和相参处理，其具体处理过程请参见实施例一的步骤s4，从而得到目标距离和目标速度。
[0169]
请参见图10a-图10b，图10a-图10b为本发明实施例提供的一种去干扰前脉压结果和去干扰后脉压结果对比图，图10a为去除干扰前脉压结果图，图10b为去除干扰后脉压结果图。由图10a、图10b可知，去除干扰前，干扰信号的幅度超过目标信号的幅度，去除干扰后，干扰信号被剔除，不再影响目标信号的观察。
[0170]
请参见图11，图11为本发明实施例提供的一种相参积累结果图。由图11可知，去除干扰后可以清楚的得到目标的速度和距离，目标的速度为33个速度单元，目标的距离为1200个距离单元。
[0171]
因此，本实施例的识别和抑制方法基于干扰信号的不连续性，实现了间歇采样转发干扰信号时频域特征的提取，有效地实现了干扰信号的精细化分离，同时实现了间歇采样转发干扰信号在电磁环境复杂、高度相干、低信噪比条件下的有效识别和抑制。
[0172]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定
本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，包括步骤：对间歇式采样干扰回波信号进行时频域分析，得到目标回波信号时频图；将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到包含每个像素点的分类和位置的干扰识别图像；利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标回波数据；对剔除干扰后的所述目标回波数据进行脉冲压缩与相参处理，得到目标距离和目标速度。2.根据权利要求1所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，对间歇式采样干扰回波信号进行时频域分析，得到目标回波信号时频图，包括：对所述间歇式采样干扰回波信号依次进行短时傅里叶变换、归一化和取模值，得到时频分布数组；对所述间歇式采样干扰回波信号进行短时傅里叶变换的公式为：其中，t表示信号时间范围，f表示信号频率范围，x(t)表示间歇式采样干扰回波信号，τ表示窗函数脉冲宽度，φ(τ-t)是窗函数；将所述时频分布数组转换为图像，得到所述目标回波信号时频图。3.根据权利要求1所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到干扰识别图像，包括：将所述回波信号时频图输入到训练好的u-net神经网络模型中进行特征提取和分类，得到预测分类结果，其中，所述预测分类结果包括所述每个像素点的分类和位置；将所述预测分类结果转换为图像并为不同类别的像素点赋予不同的颜色，得到所述干扰识别图像。4.根据权利要求1所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，所述u-net神经网络模型包括主干特征提取网络、加强特征提取网络和预测网络，其中，所述主干特征提取网络用于初步获取若干有效特征层；所述加强特征提取网络与所述主干特征提取网络连接，用于对所述若干有效特征层逐步进行深层次的特征提取和上采样融合，得到融合特征图；所述预测网络与所述加强特征提取网络连接，用于对所述融合特征图的每一个像素进行分类，得到预测分类结果。5.根据权利要求4所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，所述主干特征提取网络采用vgg结构，包括第一特征层、第二特征层、第三特征层、第四特征层和第五特征层，其中，所述第一特征层用于对所述回波信号时频图进行卷积和最大池化处理，得到第一有效特征层；所述第二特征层用于对所述第一有效特征层进行卷积和最大池化处理，得到第二有效特征层；所述第三特征层用于对所述第二有效特征层进行卷积和最大池化处理，得到第三有效特征层；所述第四特征层用于对所述第三有效特征层进行卷积和最大池化处理，
得到第四有效特征层；所述第五特征层用于对所述第四有效特征层进行卷积和最大池化处理，得到第五有效特征层。6.根据权利要求5所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，所述加强特征提取网络包括第一上采样层、第二上采样层、第三上采样层和第四上采样层，其中，所述第一上采样层与所述第五特征层、所述第四特征层连接，用于对所述第五有效特征层进行上采样，并与所述第四有效特征层进行堆叠，得到第一特征图；所述第二上采样层与所述第一上采样层、所述第三特征层连接，用于对所述第一特征图进行上采样，并与所述第三有效特征层进行堆叠，得到第二特征图；所述第三上采样层与所述第二上采样层、所述第二特征层连接，用于对所述第二特征图进行上采样，并与所述第二有效特征层进行堆叠，得到第三特征图；所述第四上采样层与所述第三上采样层、所述第一特征层连接，用于对所述第三特征图进行上采样，并与所述第一有效特征层进行堆叠，得到所述融合特征图。7.根据权利要求1所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，所述训练好的u-net神经网络模型为利用间歇采样直接转发干扰回波信号时频图、间歇采样循环转发干扰回波信号时频图、间歇采样重复转发干扰回波信号时频图所形成的原始数据集对所述u-net神经网络模型依次进行冻结阶段训练和解冻阶段训练得到的。8.根据权利要求1所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标回波数据包括：利用所述每个像素点的分类和位置，从所述目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标时频域数据；对所述目标时频域数据进行短时傅里叶逆变换，得到所述目标回波数据。9.根据权利要求8所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，对所述目标时频域数据进行短时傅里叶逆变换的公式为：其中，g(t)为目标回波数据，ω(t
1-t)为窗函数，t1为窗函数的脉冲宽度，t为信号时间范围，x(t1,f)＝dx(f)/dt，f为频率范围，x(f)为信号的频域表达式。10.根据权利要求1所述的基于语义分割的间歇采样干扰识别和抑制方法，其特征在于，所述目标距离为：d＝c*t
max
/2其中，c为光速，t
max
为y(t)取最大值的时间，y(t)＝h(t)*g(t)，*表示卷积运算，y(t)为脉冲压缩结果，g(t)为目标回波数据，h(t)为脉冲压缩的匹配滤波器；所述目标速度为：其中，λ为雷达发射信号的波长，f
d
为θ的最大值所对应的目标多普勒频率，θ为快速傅里叶变换结果中最大值所在距离单元的数据。

技术总结
本发明涉及一种基于语义分割的间歇采样干扰识别和抑制方法，包括：对间歇式采样干扰回波信号进行时频域分析，得到目标回波信号时频图；将回波信号时频图输入到训练好的U-Net神经网络模型中进行特征提取和分类，得到包含每个像素点的分类和位置的干扰识别图像；利用每个像素点的分类和位置，从目标回波信号时频图中剔除干扰像素点位置对应的间歇式采样干扰数据，得到目标回波数据；对剔除干扰后的目标回波数据进行脉冲压缩与相参处理，得到目标距离和目标速度。该识别和抑制方法实现了间歇采样转发干扰信号时频域特征的提取，实现了干扰信号的精细化分离，实现了间歇采样转发干扰信号在电磁环境复杂、高度相干、低信噪比条件下的识别和抑制。下的识别和抑制。下的识别和抑制。


技术研发人员：吴耀君 杨廖明 全英汇 刘智星 方毅 邢孟道
受保护的技术使用者：西安电子科技大学
技术研发日：2022.07.01
技术公布日：2022/11/1