本发明涉及雷达干扰信号识别，尤其涉及一种基于多域信息融合网络的雷达有源干扰识别方法、系统、存储装置和电子设备。
背景技术：
1、目前，雷达作为一种全天候传感器，可以实现目标探测、定位、跟踪的引导，被广泛应用，能够迅速获取目标信息。然而，随着雷达干扰系统尤其是数字射频存储器(drfm)的快速发展，雷达有源干扰的样式复杂多样，使得雷达系统受到了严重损害。在面对复杂电磁环境时，雷达干扰识别技术面临着在低干噪比情况下干扰识别准确率较低的难题。
2、为了准确识别有源干扰样式，为后续决策制定提供有力支撑，研究人员提出了大量的干扰识别方法。基于特征提取和分类器的方法以及基于神经网络的识别方法被提出，且在一定条件下能够完成干扰识别任务。然而，面对干扰样式复杂且干噪比较低的环境，基于先验知识提取时域、频域、时频域等特征的方法难以适用，人工提取特征的识别方法容易受到噪声的影响，而且容易出现特征冗余现象。此外，神经网络模型能够自动提取干扰特征，避免人工提取特征，但是在干噪比低的环境下，模型识别效果易受到影响，从而出现模型识别效果不稳定的现象。
3、综上所述，为了在低干噪比情况下准确识别出有源干扰样式，增强识别模型的鲁棒性和泛化能力。因此，提出一种基于多域信息融合的雷达有源干扰识别方法，解决了现有识别方法在低干噪比情况下识别准确率较低的技术问题。
技术实现思路
1、本发明的目的是提供一种基于多域信息融合网络的雷达有源干扰识别方法、系统、存储装置和电子设备，能够在低干噪比情况下准确识别有源干扰样式。
2、本发明采用的技术方案为：
3、一种基于多域信息融合网络的雷达有源干扰识别方法，包括如下步骤：
4、步骤s101、建立雷达有源干扰信号数学模型，接收干扰信号j(t)，涉及十种干扰样式，分别是：频谱弥散干扰、切片重构干扰、锯齿波调频干扰、间歇采样干扰、梳状谱干扰、噪声调幅干扰、噪声调频干扰、噪声卷积干扰、切片重构干扰+梳状谱干扰、频谱弥散干扰+间歇采样干扰；
5、步骤s102、对不同干扰信号在不同干噪比情况下进行时域实部、虚部特征提取及短时傅里叶变换，进一步得到干扰的时域特征和时频特征信息；
6、步骤s103、将每种干噪比下的干扰信号时域和时频图构建训练集；
7、步骤s104、采用多域信息融合网络进行识别分类；
8、步骤s105、将步骤s102得到的时域特征和时频特征信息送入多域信息融合网络中训练，保存训练好的最优多域信息融合识别模型；
9、步骤s106、将测试集送入训练最优的多域信息融合识别模型进行测试；
10、在步骤s101中，建立雷达有源干扰信号数学模型，具体为：
11、所述雷达干扰时域数据包括10类雷达有源干扰信号，分别为频谱弥散干扰、切片重构干扰、锯齿波调频干扰、间歇采样干扰、梳状谱干扰、噪声调幅干扰、噪声调频干扰、噪声卷积干扰、切片重构干扰+梳状谱干扰、频谱弥散干扰+间歇采样干扰，在-12db、-9db、-6db、-3db、0db、3db共6种干噪比下分别生成100个干扰样本。
12、在步骤s102中，提取干扰的时域实部和虚部特征，对干扰进行短时傅里叶变换，具体为：
13、j(t)＝r(t)+jq(t)其中，j(t)表示干扰信号，r(t)为干扰信号的实部，q(t)为干扰信号的虚部；短时傅里叶变换是时间和频率的二维函数，具体采用如下公式：stft{x(t)}(t,w)＝∫∞x(s)g(s-t)e-jwt ds
14、式中：x(t)表示时域信号，t和s表示时间，w表示频率，g(s-t)是汉宁窗函数，其中心位于时间t处。
15、在步骤s104中所述的多域信息融合网络包括一维神经网络和二维神经网络；其中，一维神经网络通过半软阈值残差收缩块提取时域特征，二维神经网络通过多尺度卷积、空间注意力cbam提取时频域特征，损失函数设定为交叉熵与三元组联合函数；其中，一维神经网络由3个一维卷积层、一个半软阈值收缩残差模块组成，所述半软阈值残差收缩块由2个卷积层的残差模块、eca注意力与半软阈值函数构成，利用注意力机制自适应地寻找阈值，之后进行半软阈值化降噪。
16、在步骤s104具体包括如下步骤：首先，eca注意力机制在信息传递时利用一维卷积操作实现局部跨通道交互，保留了通道间的依赖关系，公式为：w＝σ(conv 1d(y))式中:conv 1d表示一维卷积操作；
17、其次，引入半软阈值函数，当|x|≥τ时，输入和输出呈现非线性关系，且随着x增大，输入和输出的偏差逐渐减小，消除了软阈值函数存在的恒定偏差问题，最大程度地保留了有效特征，提高模型抗噪能力，半软阈值函数为：
18、
19、二维卷积神经网络由1个卷积层，1个多尺度卷积块和1个cbam块、2个卷积层、2个批量归一化、2个relu函数构成，提取时频特征；第一个卷积层卷积核大小为3×3，多尺度卷积块分为四个分支，分别经过卷积、批量归一化、relu函数，将四分支特征融合得特征矩阵f；其中卷积核的大小为5×5，3×3，1×1；公式为：
20、
21、f＝concat(scale1,scale2,scale3,scale4)
22、之后，将特征矩阵f送入空间注意力机制，空间注意力通过计算特征f的全局最大池化和全局平均池化两张特征图，将特征值合并，然后用一个7×7的卷积处理，最后使用激活函数得到输出矩阵mc；
23、
24、
25、最后将时域、时频域特征向量串联融合，进而识别分类。
26、在步骤s105中，将训练集中时域实部虚部和时频域特征送入多域信息融合网络中训练，具体为：通过不断的迭代来调整各层之间的连接权重，提取出雷达有源干扰中时域实部虚部、时频域的关键特征信息，并将训练好的多域信息融合识别模型保存下来。
27、在步骤s106中，将测试集送入训练最优的网络模型进行测试，具体为：
28、将测试集的干扰信号提取实部虚部和时频图后，送入训练好的多域信息融合网络进行测试，在不同干噪比下测试每种干扰样式的识别准确率。
29、一种基于多域信息融合网络的雷达有源干扰识别系统，包括：
30、预处理单元，对频谱弥散干扰、切片重构干扰、锯齿波调频干扰、间歇采样干扰、梳状谱干扰、噪声调幅干扰、噪声调频干扰、噪声卷积干扰、切片重构干扰+梳状谱干扰、频谱弥散干扰+间歇采样干扰等有源干扰样式进行时域实部虚部特征提取，并对其进行短时傅里叶变换获得干扰信号的时频图；
31、模型构建单元，配置为一维卷积神经网络结构和二维卷积神经网络结构，其中，一维卷积神经网络中含有半软阈值收缩块，进一步提取低干噪比下的干扰时域深层特征，二维卷积神经网络中含有多尺度卷积块、空间注意力块，从而提取干扰的多尺度时频信息，最后将时域和时频域特征进行特征融合；
32、测试单元，配置为基于最优网络模型及参数，对输入的低干噪比下的雷达有源干扰进行样式识别，得到雷达有源干扰样式识别结果。
33、一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行以实现如上任一所述的基于多域信息融合网络的雷达有源干扰识别方法。
34、一种电子设备，包括：存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现如上任一所述的基于多域信息融合网络的雷达有源干扰识别方法。
35、本发明本技术实施例还提供一种基于多域信息融合网络的雷达有源干扰识别系统，包括：预处理单元，对频谱弥散干扰、切片重构干扰、锯齿波调频干扰、间歇采样干扰、梳状谱干扰、噪声调幅干扰、噪声调频干扰、噪声卷积干扰、切片重构干扰+梳状谱干扰、频谱弥散干扰+间歇采样干扰等有源干扰样式进行时域实部虚部特征提取，并对其进行短时傅里叶变换获得干扰信号的时频图；模型构建单元，配置为一维卷积神经网络结构和二维卷积神经网络结构，其中，一维卷积神经网络中含有半软阈值收缩块，自适应设置阈值，进一步提取低干噪比下的干扰信号时域特征，二维卷积神经网络中含有多尺度卷积块、空间注意力块，从而提取干扰的多尺度时频信息，最后将时域和时频域特征进行特征融合；测试单元，配置为基于最优网络模型及参数，对低干噪比情况下的雷达有源干扰进行样式识别，得到雷达有源干扰样式识别结果。
36、本发明针对雷达有源干扰信号在低干噪比下识别难度大、依赖先验知识的问题，设计了效率更高的基于多域信息融合干扰样式识别方法。首先，建立雷达有源干扰信号数学模型，分别为：频谱弥散干扰、切片重构干扰、锯齿波调频干扰、间歇采样干扰、梳状谱干扰、噪声调幅干扰、噪声调频干扰、噪声卷积干扰、切片重构干扰+梳状谱干扰、频谱弥散干扰+间歇采样干扰。之后将干扰信号划分训练集和测试集，然后对不同干扰信号进行时域实部、虚部特征提取及短时傅里叶变换进行时频分析，随后采用多域信息融合网络进行识别分类，将训练集的时域和时频域特征送入多域融合神经网络中训练，最后将测试集送入训练最优的网络模型中进行测试。
37、通过本发明，能够在低干噪比情况下精确识别出雷达有源干扰，可有效减轻噪声对干扰识别的影响，有利于为后续决策提供有力支撑。
1.基于多域信息融合网络的雷达有源干扰识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于多域信息融合网络的雷达有源干扰识别方法，其特征在于，在步骤s101中，建立雷达有源干扰信号数学模型，具体为：所述雷达干扰时域数据包括10类雷达有源干扰信号，分别为频谱弥散干扰、切片重构干扰、锯齿波调频干扰、间歇采样干扰、梳状谱干扰、噪声调幅干扰、噪声调频干扰、噪声卷积干扰、切片重构干扰+梳状谱干扰、频谱弥散干扰+间歇采样干扰，在-12db、-9db、-6db、-3db、0db、3db共6种干噪比下分别生成100个干扰样本。
3.根据权利要求1所述的基于多域信息融合网络的雷达有源干扰识别方法，其特征在于，在步骤s103中，提取干扰的时域实部和虚部特征，对干扰进行短时傅里叶变换时频分析，具体为：j(t)＝r(t)+jq(t)其中，j(t)表示干扰信号，r(t)为干扰信号的实部，q(t)为干扰信号的虚部；短时傅里叶变换是时间和频率的二维函数，具体采用如下公式：stft{x(t)}(t,w)＝∫∞x(s)g(s-t)e-jwtds
4.根据权利要求1所述的基于多域信息融合网络的雷达有源干扰识别方法，其特征在于，在步骤s104中所述的多域信息融合网络包括一维神经网络和二维神经网络；其中，一维神经网络通过半软阈值残差收缩块提取时域特征，二维神经网络通过多尺度卷积、空间注意力cbam提取时频域特征，损失函数设定为交叉熵与三元组联合函数；其中，一维神经网络由3个一维卷积层、一个半软阈值收缩残差模块组成，所述半软阈值残差收缩块由2个卷积层的残差模块、eca注意力与半软阈值函数构成，利用注意力机制自适应地寻找阈值，之后进行半软阈值化降噪。
5.根据权利要求1所述的基于多域信息融合网络的雷达有源干扰识别方法，其特征在于，在步骤s104具体包括如下步骤：首先，eca注意力机制在信息传递时利用一维卷积操作实现局部跨通道交互，保留了通道间的依赖关系，公式为：
6.根据权利要求1所述的基于多域信息融合网络的雷达有源干扰识别方法，其特征在于，在步骤s105中，将训练集的时域实部虚部和时频域特征送入多域信息融合网络中训练，具体为：通过不断的迭代来调整各层之间的连接权重，提取出雷达有源干扰中时域实部虚部、时频域的关键特征信息，并将训练好的多域信息融合识别模型保存下来。
7.根据权利要求1所述的基于多域信息融合网络的雷达有源干扰识别方法，其特征在于，在步骤s106中，将测试集送入训练最优的网络模型进行测试，具体为：
8.一种基于多域信息融合网络的雷达有源干扰识别系统，包括：
9.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求1-7任一所述的基于多域信息融合网络的雷达有源干扰识别方法。
10.一种电子设备，其特征在于，包括：存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现如权利要求1-7任一所述的基于多域信息融合网络的雷达有源干扰识别方法。
