基于循环一致性生成对抗网络的有源欺骗式干扰方法

1.本发明属于雷达信号技术领域，具体涉及一种基于循环一致性生成对抗网络的有源欺骗式干扰方法。


背景技术：

2.随着雷达检测与抗干扰技术不断发展，有源欺骗干扰技术干扰性能不足成为电子对抗中亟需解决的问题。现有技术在一种方案中针对脉冲压缩雷达进行欺骗式干扰建模，提出了两种新的干扰样式切片干扰(chopping interleaving，c&i)和弥散频谱干扰(smeared spectrum，smsp)，这两种干扰样式的干扰信号产生流程均为截取、调制、转发，经过这个流程生成的干扰信号将产生虚假目标，从而限制雷达的检测性能，达到干扰效果。在另一种方案中提出基于数字射频存储器(digital radio frequency memory,drfm)技术的间歇采样直接转发干扰样式，达到兼有欺骗与压制双重效果的干扰，并在实验中验证了其对于线性调频脉冲压缩雷达的干扰效果。在再一种方案中不仅针对脉冲压缩雷达与脉冲多普勒雷达两种雷达体制进行干扰建模，同时也研究了协同干扰等问题。
3.现有技术的上述方案研究人员主要集于“线性调频雷达的密集假目标干扰”，“drfm的间歇采样的干扰方式”以及“不同类型干扰方式的复用”等方面。然而在这些方案中，c&i干扰只包含欺骗式干扰，且干扰强度不高；smsp干扰对于强散射目标存在无法湮灭目标的问题，这些方案在应对不同的干扰时很容易发生难以识别的情况。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本发明提供一种基于循环一致性生成对抗网络的有源欺骗式干扰方法。本发明要解决的技术问题通过以下技术方案实现：
5.第一方面，本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰方法包括：
6.步骤1：接收雷达发射信号后，返回的不包含干扰的原始回波信号序列；
7.步骤2：对所述原始回波信号序列以间隔采样以及相邻填充的方式，生成c&i干扰信号序列和smsp干扰信号序列；
8.步骤3：将所述原始回波信号序列输入至cycle-gan模型的生成器中，以添加所述c&i干扰信号序列和smsp干扰信号序列的信号序列作为判决器判决标准，对生成器生成的干扰信号进行判断，并以损失函数减少的方式调整生成器的内部参数，直至通过判决器的判决，得到训练好的cycle-gan模型；
9.步骤4：设定多个真实目标，以实时方式发射信号接受多个真实目标反馈的实时回波信号；
10.步骤5：将实时回波信号输入至训练好的cycle-gan模型，以输出携带干扰的回波信号；
11.步骤6：按照信号的幅值，划定携带干扰的回波信号的波门，以检测是否存在目标
以及目标个数；
12.步骤7：将检测出的目标个数与真实目标进行对比，以确定cycle-gan模型的性能。
13.可选的，对所述原始回波信号序列以间隔采样以及相邻填充的方式，生成c&i干扰信号序列包括：
14.将所述原始回波信号序列分为m个子段，以使每个子段的时间间隙数为n；
15.将每个子段分为更小的小子段；
16.针对每个子段，将该子段中第一个小子段复制，并复制后的结构填充该子段直至达到该子段长度，获得c&i干扰信号序列。
17.可选的，对所述原始回波信号序列以间隔采样以及相邻填充的方式，生成smsp干扰信号序列包括：
18.对所述原始回波信号序列以间隔n倍的方式抽取信号，并将抽取的信号按照原来位于原始回波信号序列中的排序；
19.将排序后抽取的信号进行复制直至与原始回波信号序列长度相同，得到smsp干扰信号序列。
20.可选的，所述步骤3包括：
21.将所述原始回波信号序列输入至cycle-gan模型的生成器中，以所述c&i干扰信号序列和smsp干扰信号序列作为目标序列，通过不断训练将原始回波信号序列朝着受干扰后的信号序列方向生成，以使生成器不断生成带干扰信号的样本，通过判决器对带干扰信号的样本判决，得到判决分数反馈给生成器，以使生成器再通过反馈的判决分数去调整参数，训练样本逐渐靠近添加目标序列的信号序列，直到判决器难以辨别生成器产生信号序列真伪时，整个训练过程结束，得到训练好的cycle-gan模型。
22.可选的，cycle-gan模型将原始回波信号序列从源信号序列域x转换到目标信号序列域y，记为映射g:x
→
y,使得在映射g中最后生成的信号序列与目标信号序列域的信号序列通过判决器无法识别出；cycle-gan模型通过逆映射生成器f:y
→
x执行f(g(x))≈x的任务。
23.可选的，所述步骤7包括：
24.将检测出的目标个数与真实目标进行对比，判断检测出的目标个数与真实目标差异值是否大于阈值；
25.如果大于阈值，则确定cycle-gan模型的性能优良，如果不大于阈值，则表示cycle-gan模型性能不佳。
26.第二方面，本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰系统包括：
27.接收模块，用于接收雷达发射信号后，返回的不包含干扰的原始回波信号序列；
28.干扰生成模块，用于对所述原始回波信号序列以间隔采样以及相邻填充的方式，生成c&i干扰信号序列和smsp干扰信号序列；
29.训练模块，用于将所述原始回波信号序列输入至cycle-gan模型的生成器中，以添加所述c&i干扰信号序列和smsp干扰信号序列的信号序列作为判决器判决标准，对生成器生成的干扰信号进行判断，并以损失函数减少的方式调整生成器的内部参数，直至通过判决器的判决，得到训练好的cycle-gan模型；
30.采集模块，用于设定多个真实目标，以实时方式发射信号采集多个真实目标反馈的实时回波信号；
31.信号生成模块，用于将实时回波信号输入至训练好的cycle-gan模型，以输出携带干扰信号的回波信号；
32.检测模块，用于按照信号的幅值，划定携带干扰的回波信号的波门，以检测是否存在目标以及目标个数；
33.性能确定模块，用于将检测出的目标个数与真实目标进行对比，以确定cycle-gan模型的性能。
34.可选的，所述干扰生成模块具体用于：
35.将所述原始回波信号序列分为m个子段，以使每个子段的时间间隙数为n；
36.将每个子段分为更小的小子段；
37.针对每个子段，将该子段中第一个小子段复制，并复制后的结构填充该子段直至达到该子段长度，获得c&i干扰信号序列。
38.可选的，所述干扰生成模块具体用于：
39.对所述原始回波信号序列以原来采样n倍的方式进行上采样，得到上采样后的回波信号序列；
40.在采样后的回波信号序列以间隔n倍的方式抽取信号，并将抽取的信号按照原来位于原始回波信号序列中的排序；
41.将排序后抽取的信号进行复制直至与原始回波信号序列长度相同，得到msp干扰信号序列。
42.可选的，所述训练模块，具体用于：
43.将所述原始回波信号序列输入至cycle-gan模型的生成器中，以所述c&i干扰信号序列和smsp干扰信号序列作为目标序列，通过不断训练将原始回波信号序列朝着受干扰后的信号序列方向生成，以使生成器不断生成带干扰信号的样本，通过判决器对带干扰信号的样本判决，得到判决分数反馈给生成器，以使生成器再通过反馈的判决分数去调整参数，训练样本逐渐靠近添加目标序列的信号序列，直到判决器难以辨别生成器产生信号序列真伪时，整个训练过程结束，得到训练好的cycle-gan模型。
44.本发明的有益效果：
45.本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰方法及系统，在雷达距离-多普勒域通过对雷达目标回波截取、间隔采样、相邻填充等一系列步骤可以生成虚假目标数量更多，干扰强度更强的c&i干扰和smsp干扰信号序列作为判决标准，将不包含干扰的原始回波信号序列作为cycle-gan模型的输入。cycle-gan模型由一对gan模型构成循环训练模型，可以实现在不降低生成器准确性的基础上提升gan模型稳定性的效果，并且本发明通过将检测出的虚假目标个数与总目标数进行对比，以确定cycle-gan模型的性能。因此本发明可以增强干扰能量，泛化干扰样式，得到在距离-多普勒域难以识别的干扰效果。
46.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
47.图1是本发明实施例提供的干扰生成算法流程图；
48.图2是本发明实施例提供的c&i干扰产生原理图；
49.图3是本发明实施例提供的雷达发射波形与c&i干扰时域波形仿真图；
50.图4是本发明实施例提供的smsp干扰产生原理框图；
51.图5是本发明实施例提供的雷达发射波形与smsp干扰时域波形仿真图；
52.图6是本发明实施例提供的cycle-gan模型结构示意图；
53.图7是本发明实施例提供的不含干扰回波与包含干扰rd对比图；
54.图8是本发明实施例提供的干扰性能评估图。
具体实施方式
55.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。
56.如图1所示，本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰方法包括：
57.步骤1：接收雷达发射信号后，返回的不包含干扰的原始回波信号序列；
58.本发明以实验模拟的方式来得到不含包含干扰的原始回波信号序列，实验中雷达波形仿真的参数如下：工作频率90mhz，带宽1.25mhz，发射功率1000w，天线增益4000，脉冲宽度200，采样率4mhz，相参脉冲数64，每帧最大目标数10。仿真的雷达原始回波信号序列作为网络的输入数据，通过配置干扰参数生成干扰信号在干净回波信号中添加c&i干扰和smsp干扰信号序列作为网络的目标数据，并将干扰信号添加到原始回波信号。
59.步骤2：根据所述原始回波信号序列，生成c&i干扰信号序列和smsp干扰信号序列；
60.本发明可以将所述原始回波信号序列分为m个子段，以使每个子段的时间间隙数为n；将每个子段分为更小的小子段；针对每个子段，将该子段中第一个小子段复制，并复制后的结构填充该子段直至达到该子段长度，获得c&i干扰信号序列。
61.本发明采用的c&i干扰主要通过对干扰机接收到的雷达干净回波信号进行复制与转发。首先干扰机截取雷达信号，同时保存到drfm中；然后在chopping阶段，采用相同间隔的矩形脉冲串对drfm中的信号采样；最后为interleaving阶段，复制第二步截取并采样的小段信号填充到相邻间隔中，直至间隔填充满时结束。
62.c&i干扰生成仿真流程如图2所示，首先将雷达信号分为n＝m
·
n段，其中m为矩形脉冲串个数，将整段信号截成m个子段信号；n为子段的时间间隙数，即将子段信号再分成更小的间隔并填入相邻的间隔中，生成时宽为t/n(t为雷达信号的时宽)的子段信号存入drfm中；然后通过chopping阶段从drfm中提取雷达信号采样所得的子段信号；最后经过interleaving阶段，复制子段信号并填充到相邻信号的间隔中，从而产生c&i干扰。
63.仿真中雷达参数设置如下：雷达带宽1.25mhz，信号采样率4mhz，脉冲宽度200μs；考虑到干扰性能与计算量的平衡关系，c&i干扰参数设置为：矩形脉冲串个数，子段的时间间隙数，整段信号被分成20段。从而得到如图3所示的雷达发射信号时域波形以及c&i干扰时域波形。
64.本发明可以对所述原始回波信号序列以间隔n倍的方式抽取信号，并将抽取的信
号按照原来位于原始回波信号序列中的排序；将排序后抽取的信号进行复制直至与原始回波信号序列长度相同，得到smsp干扰信号序列。
65.本发明采用的另一种干扰样式smsp干扰产生原理如图4所示。其生成过程为，第一步将时钟频率提高到原来的n倍之后，对采样数据进行抽取并按照原来的顺序依次排序；第二步将第一步产生的信号复制n次，从而得到smsp干扰。
66.仿真过程中，smsp干扰改变时钟频率导致数模转换和模数转换的频率不同，因此产生的干扰信号与原始回波的调频斜率不同，重复上述过程就会得到包含多个结构相同子脉冲的smsp干扰信号。
67.smsp干扰的仿真参数与c&i干扰相似，采用的线性调频信号时宽、带宽分别为：200μs，1.25mhz，并且将smsp干扰分为四个子脉冲，仿真结果如图5所示。
68.步骤3：将所述原始回波信号序列输入至cycle-gan模型的生成器中，以添加所述c&i干扰信号序列和smsp干扰信号序列的信号序列作为判决器判决标准，对生成器生成的干扰信号进行判断，并以损失函数减少的方式调整生成器的内部参数，直至通过判决器的判决，得到训练好的cycle-gan模型；
69.本步骤可以将所述原始回波信号序列输入至cycle-gan模型的生成器中，以所述c&i干扰信号序列和smsp干扰信号序列作为目标序列，通过不断训练将原始回波信号序列朝着受干扰后的信号序列方向生成，以使生成器不断生成带干扰信号的样本，通过判决器对带干扰信号的样本判决，得到判决分数反馈给生成器，以使生成器再通过反馈的判决分数去调整参数，训练样本逐渐靠近添加目标序列的信号序列，直到判决器难以辨别生成器产生信号序列真伪时，整个训练过程结束，得到训练好的cycle-gan模型。
70.如图6所示，本发明的cycle-gan模型结构如图6所示。cycle-gan模型将原始回波信号序列从源信号序列域x转换到目标信号序列域y，记为映射g:x
→
y,使得在映射g中最后生成的信号序列与目标信号序列域的信号序列通过判决器无法识别出；cycle-gan模型通过逆映射生成器f:y
→
x执行f(g(x))≈x的任务。
71.在cycle-gan中，一对gan模型的损失函数分别如下：
[0072][0073][0074]
其中，d
x
和dy分别为x和y域判决器，g(x)和f(y)为生成器g和f生成信号序列的函数，p
x
和py分别为判决器判断信号序列来自于x域和y域的概率，cycle-gan采用循环一致性损失，其公式为：
[0075][0076]
通过该损失函数计算g和f迭代过程中的损失，其中l
cyc
为连续损失，然后对损失函数加权求和，得到最后cycle-gan的损失函数：
[0077]
l(g,f,p
x
,py)＝l
gan2
(f,p
x
,x,y)+l
gan1
(g,py,y,x)+λl
cyc
(g,f)
ꢀꢀ
(4)
[0078]
式中λ作为一致性损失的权重，其为一个大于零的实数。
[0079]
步骤4：设定多个真实目标，以实时方式发射信号接受多个真实目标反馈的实时回波信号；
[0080]
本发明可以设定产生6000个原始回波样本，将6000个样本按照1:1分配为目标信
号，即用于添加干扰的信号与原始回波信号，原始回波样本还需按照2:1分为训练集与测试集；然后利用训练集数据与目标信号进行网络训练，得到cycle-gan的网络参数；将测试集样本输入网络中，最后得到训练完成后网络生成的干扰信号。
[0081]
步骤5：将实时回波信号输入至训练好的cycle-gan模型，以输出携带干扰的回波信号；
[0082]
步骤6：按照信号的幅值，划定携带干扰的回波信号的波门，以检测是否存在目标以及目标个数；
[0083]
参考图7，图7展示了本发明中原始回波信号到添加干扰的多普勒图像。图7中子图(a)为未添加噪声的原始回波信号距离多普勒域图像，子图(b)为添加c&i干扰距离多普勒域图像，子图(c)为添加smsp干扰距离多普勒域图像，子图(d)为添加cycle-gan生成c&i干扰距离多普勒域图像，子图(e)为添加cycle-gan生成smsp干扰距离多普勒域图像。
[0084]
步骤7：将检测出的目标个数与真实目标进行对比，以确定cycle-gan模型的性能。
[0085]
将检测出的目标个数与真实目标进行对比，判断检测出的目标个数与真实目标差异值是否大于阈值；如果大于阈值，则确定cycle-gan模型的性能优良，如果不大于阈值，则表示cycle-gan模型性能不佳。
[0086]
本发明将不含干扰的回波信号与网络生成的干扰信号变换到rd域，对比真假目标数量得出最后的干扰性能。
[0087]
如图8所示，本发明通过1000次实验验证，经过cycle-gan网络训练可以提升c&i干扰和smsp干扰性能，图中每个点的干扰性能为实验中50次干扰的性能平均值。本发明中c&i干扰的干扰性能保持在0.51～0.69，其平均干扰性能可以达到0.64，检测率为0.36，通过网络训练之后c&i干扰的性能分布于0.62～0.89之间，平均干扰性能可以达到0.76，平均的正确检测率仅为0.24，经过网络训练之后平均干扰性能提升12％左右。此外，smsp干扰的性能分布在0.64～0.80之间，干扰性能可以达到0.71，检测率为0.39，然而基于网络训练之后smsp干扰的干扰性能可以保持在0.78～0.93之间，通过计算平均干扰性能可以达到0.84，平均的正确检测率仅为0.16，平均干扰性能提高13％左右。通过实验可以看出基于网络训练的干扰比单纯的c&i干扰和smsp干扰性能提升12％～13％。此外，实验结果也表明该发明能够有效增大干扰信号能量，达到欺骗与压制双重干扰的效果。因此，本发明提出的基于cycle-gan网络生成的c&i干扰和smsp干扰性能优于单纯的c&i干扰和smsp干扰。
[0088]
本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰系统包括：
[0089]
接收模块，用于接收雷达发射信号后，返回的不包含干扰的原始回波信号序列；
[0090]
干扰生成模块，用于对所述原始回波信号序列以间隔采样以及相邻填充的方式，生成c&i干扰信号序列和smsp干扰信号序列；
[0091]
训练模块，用于将所述原始回波信号序列输入至cycle-gan模型的生成器中，以添加所述c&i干扰信号序列和smsp干扰信号序列的信号序列作为判决器判决标准，对生成器生成的干扰信号进行判断，并以损失函数减少的方式调整生成器的内部参数，直至通过判决器的判决，得到训练好的cycle-gan模型；
[0092]
采集模块，用于设定多个真实目标，以实时方式发射信号采集多个真实目标反馈的实时回波信号；
[0093]
信号生成模块，用于将实时回波信号输入至训练好的cycle-gan模型，以输出携带
干扰信号的回波信号；
[0094]
检测模块，用于按照信号的幅值，划定携带干扰的回波信号的波门，以检测是否存在目标以及目标个数；
[0095]
性能确定模块，用于将检测出的目标个数与真实目标进行对比，以确定cycle-gan模型的性能。
[0096]
可选的，所述干扰生成模块具体用于：
[0097]
将所述原始回波信号序列分为m个子段，以使每个子段的时间间隙数为n；
[0098]
将每个子段分为更小的小子段；
[0099]
针对每个子段，将该子段中第一个小子段复制，并复制后的结构填充该子段直至达到该子段长度，获得c&i干扰信号序列。
[0100]
可选的，所述干扰生成模块具体用于：
[0101]
对所述原始回波信号序列以原来采样n倍的方式进行上采样，得到上采样后的回波信号序列；
[0102]
在采样后的回波信号序列以间隔n倍的方式抽取信号，并将抽取的信号按照原来位于原始回波信号序列中的排序；
[0103]
将排序后抽取的信号进行复制直至与原始回波信号序列长度相同，得到smsp干扰信号序列。
[0104]
可选的，所述训练模块，具体用于：
[0105]
将所述原始回波信号序列输入至cycle-gan模型的生成器中，以所述c&i干扰信号序列和smsp干扰信号序列作为目标序列，通过不断训练将原始回波信号序列朝着受干扰后的信号序列方向生成，以使生成器不断生成带干扰信号的样本，通过判决器对带干扰信号的样本判决，得到判决分数反馈给生成器，以使生成器再通过反馈的判决分数去调整参数，训练样本逐渐靠近添加目标序列的信号序列，直到判决器难以辨别生成器产生信号序列真伪时，整个训练过程结束，得到训练好的cycle-gan模型。
[0106]
本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰方法及系统，在雷达距离-多普勒域通过对雷达目标回波截取、间隔采样、相邻填充等一系列步骤可以生成虚假目标数量更多，干扰强度更强的c&i干扰和smsp干扰信号序列作为判决标准，将不包含干扰的原始回波信号序列作为cycle-gan模型的输入。cycle-gan模型由一对gan模型构成循环训练模型，可以实现在不降低生成器准确性的基础上提升gan模型稳定性的效果，并且本发明通过将检测出的虚假目标个数与总目标数进行对比，以确定cycle-gan模型的性能。因此本发明可以增强干扰能量，泛化干扰样式，得到在距离-多普勒域难以识别的干扰效果。
[0107]
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。