基于深度学习的雷达欺骗干扰识别.pdfVIP

摘要

雷达欺骗干扰识别是电子对抗中重要的技术手段，欺骗干扰机通过截获电磁空间中的雷

达发射信号，转发产生大量样式多变的欺骗干扰信号，使得我方雷达发生误判甚至受到压制，

从而达到掩护敌方作战目的的作用。本文从单站雷达系统和多站雷达系统两个角度对欺骗干

扰识别问题进行了研究，本文的主要工作如下：

1.系统的阐述了单站雷达系统和多站雷达系统下基于深度学习的欺骗干扰识别研究现状。

基于对干扰机组成部分的分析，研究了欺骗干扰的产生机理，分析了几种常见的欺骗干扰类

型，并详细介绍了卷积神经网络的结构，为后续欺骗干扰识别奠定了基础。

2.针对单站雷达系统，本文提出了一种基于双分支网络和特征融合的欺骗干扰识别方法。

首先对雷达接收信号进行时频分析，然后用双分支网络对其时频图和时相图进行特征提取，

在特征提取的过程中加入GDCA特征融合算法，最后将融合后的特征向量输入到分类器中进

行识别。实验结果表明，相较于仅利用接收信号的时频图进行识别，所提算法的识别性能平

均提高了4.9%。

3.考虑到实际情况中大量带标签的欺骗干扰信号样本较难获得，进一步提出了基于多模态

小样本学习的欺骗干扰识别方法。该算法将时域的雷达接收信号看作“语义”模态，定义拥

有大量样本且识别性能优异的手写体数字集作为其“视觉”模态，然后将二者进行匹配训练，

达到良好的配对效果后，将待识别的接收信号与匹配集的样本集进行匹配识别。仿真实验表

明，在达到相同识别率的前提下，所提算法所需的样本数量仅是基于双分支网络和特征融合

算法的25%。

4.针对多站雷达系统，由于真假目标在多站雷达系统中各部雷达呈现的信息存在差异，而

且各部雷达可以将所获得的信息进行融合，因此本文提出了一种基于图卷积神经网络的欺骗

干扰识别方法。该方法首先将多站雷达系统建模为一种空间拓扑结构并构建对应的邻接矩阵，

然后用单站雷达系统中的预训练网络对接收信号进行特征提取，将每部雷达的特征向量组合

成特征矩阵，最后，将每个目标对应的特征矩阵和邻接矩阵输入到图卷积神经网络中完成多

站雷达系统下的欺骗干扰识别。仿真实验表明，所提方法相较于单站雷达下的识别性能改善

了7.3%。

关键词：雷达欺骗干扰识别、卷积神经网络、特征融合、小样本学习、图卷积神经网络

ABSTRACT

Radardeceptionjammingrecognitionisanimportanttechnologyinelectroniccountermeasures.

Byinterceptingtheradartransmittingsignalsinelectromagneticspace,deceptionjammersgenerate

alargenumberofjammingsignalswithvariouspatterns,whichmakesourradarsmisjudgedoreven

suppressed,soastoachievethepurposeofcoveringenemyoperations.Thisthesisanalyzesthe

problemofdeceptionjammingrecognitionfromtwoperspectivesofmono-staticradarsystemand

multi-staticradarsystem.Themainresearchworkofthisdissertationareasfollows:

1.Theresearchstatusofdeceptionjammingrecognitionbasedondeeplearninginmono-static

radarsystemandmulti-staticradarsystemissystematicallydescribed.Basedontheanalysisofthe

componentsofthejammer,thegenerationmechanismofdeceptionjammingisstudied,several

common