中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2024 , Vol. 46 >Issue 4: 124 - 133

DOI: https://doi.org/10.3969/j.issn.1673-3819.2024.04.017

Radar/Communication/Simulation

An active jamming recognition algorithm based on ER-C-L network model

  • ZHAO Zhongchen ,
  • LIU Limin ,
  • XIE Hui ,
  • HAN Zhuangzhi ,
  • JING He
Expand
  • Shijiazhuang campus, Army Engineering University of PLA, Shijiazhuang 050003, China

Received date: 2023-06-06

  Revised date: 2023-07-07

  Online published: 2024-07-29

Fold

Abstract

To solve the problem of low recognition accuracy of radar active jamming in strong noise environment,an algorithm for ER-C-L(Extended ResNet-CNN-LSTM) network model based on one-dimensional composite features is proposed. Firstly, the amplitude, instantaneous frequency, instantaneous envelope of power spectrum and their composite features are taken as network input to compare their recognition accuracy in ResNet-CNN model. The composite features of amplitude and instantaneous envelope of power spectrum with high detection probability and small data volume are selected as the optimal features. Then, the complex features are injammed into the ER-C-L network to identify six new active jamming models. Simulation experiments show that the recognition accuracy of jamming is 98.5% in strong noise environment within the JNR of -10 dB. Compared with other deep learning algorithms such as CNN, ResNet-CNN, extended ResNet-CNN and LSTM, it has higher interference recognition accuracy.

Key words： active jamming recognition; convolutional neural networks; compound feature

Cite this article

ZHAO Zhongchen , LIU Limin , XIE Hui , HAN Zhuangzhi , JING He . An active jamming recognition algorithm based on ER-C-L network model[J]. Command Control and Simulation, 2024 , 46(4) : 124 -133 . DOI: 10.3969/j.issn.1673-3819.2024.04.017

现代战争中,雷达是夺取制电磁权的重要手段,要完成诸多作战任务。雷达在检测目标回波信号时,会受到其他信号的干扰,这将严重降低雷达的作战性能,导致其无法发挥搜索、追踪敌方目标的实战功能。数字射频存储[1-2](Digital Radio Frequency Memory, DRFM)技术发展不断成熟,使得雷达有源干扰可以根据不同环境设置不同的干扰参数,配置不同的干扰设施,具有很强的目的性、灵活性和针对性,只有准确识别干扰类型,雷达才能选用最优抗干扰策略予以应对。
科研人员在雷达干扰分类识别方面进行了一些研究。蔡潇[3]提取4种有源压制干扰信号时域、频域、变换域特征,采用相关向量机(Relevant Vector Machine RVM)进行分类识别;蒋莹[4]将分形理论应用于干扰信号与目标回波信号频谱上,取得较高的识别概率。卷积神经网络[5⇓⇓-8](Convolutional Neural Networks,CNN)可以自动提取最优特征并进行深度学习,近年来在雷达及干扰信号的分类识别中得到应用。吕勤哲[2]研究了一种基于多通道特征融合的集成卷积神经网络分类方法;王超等[9]研究了各类雷达信号的时频域特性,并运用卷积神经网络对其进行分类研究;唐陈[10]采用改进的ResNet-CNN网络模型实现了对雷达回波中干扰的分类与识别。
以上方法多是通过时频分析获取关联的二维时频特征进行分类识别,在低干噪比下,其识别效果要高于一维特征。但时频分析存在数据量大,运算复杂,耗时较长的问题,而一维特征数据量和训练时间要远小于二维特征,更贴近实战应用,因此,研究强噪声环境下利用一维特征实现对干扰的分类识别具有重要的现实意义。
针对上述情况,本文在前人研究的基础上,构建ER-C-L网络模型,利用一维复合特征实现了对干扰信号的分类识别。该模型以间歇采样转发(Interrupted Sampling and Repeater,ISR)干扰[11⇓-13]、频谱弥散(Smeared Spectrum,SMSP)干扰[14⇓-16]、切片重构(Chopping and Interleaving,C&I)干扰[17-18]、梳状谱(Comb Spectrum,COMB)干扰[11-12]和灵巧噪声(Smart Noise,SN)干扰[18]等六种新型有源干扰为研究对象,提取多种一维特征并进行复合构建特征集,利用ResNet-CNN网络选取出最优特征,并将其作为输入数据,验证LSTM、CNN、ResNet-CNN、扩展ResNet-CNN与本文所提的ER-C-L网络等深度学习算法在不同噪声环境下的干扰识别准确率。

1 信号模型

1.1 雷达发射信号模型

线性调频信号[11,19](Linear Frequency Modulation,LFM)通过脉冲压缩可以获得大的时宽带宽积,能够更好地解决作用距离与距离分辨率之间的矛盾[20],非常适合定位、跟踪、成像,其信号模型为
s(t)=A×rect t T e j 2 π ( f 0 t + 1 2 k t 2 )
式中:A表示信号幅度,f0代表初始频率,调频斜率k=B/T表示频率变化程度,B为信号带宽,T为信号的时宽。

1.2 雷达有源干扰模型

1.2.1 间歇采样转发干扰

DRFM干扰机对雷达信号进行间歇采样再转发就形成了ISR干扰[11]。该种干扰的数学表达式为
S(t)= ∑ n = 1 Nrect((t- τ 2)-(n-1)Ts/T) e j ( 2 π f 0 t + K π t 2 )
其中,τ是间歇采样的脉冲宽度,T是信号的时宽,K是调频斜率,Ts是采样周期,τ/Ts表示间歇采样占空比。

1.2.2 频谱弥散干扰

SMSP干扰是一种专门针对LFM信号的密集型假目标干扰,该类干扰产生原理为干扰机截获雷达信号[20],离散化处理后存储在DRFM中,然后利用n倍于雷达信号时钟频率进行采样,获得调频斜率n倍于LFM信号的干扰子脉冲,再将得到的干扰子脉冲连续复制n次[21],即形成了SMSP干扰。该种干扰的数学表达式为
S(t)=A e j π n K t 2⊗ ∑ i = 0 n - 1δ(t-iT/n)
其中,A是干扰信号幅度,n是脉冲重复次数,T是信号的时宽,K是调频斜率。

1.2.3 切片重构干扰

C&I干扰是一种截取干扰,其产生过程包括切片(Chopping)和组合(Interleaving)两个步骤[21]。
Chopping阶段表示为
p(t)=s(t)·a(t)=s(t)· r e c t t τ a · ∑ i = 0 m - 1 δ ( t - i T a )
其中,S(t)为LFM信号,a(t)为采样信号,m表示信号截取的段数,n是每个子脉冲复制次数,最终雷达信号被分成了m×n段,每一段的时宽为τa=T/mn。
Interleaving阶段表示为
JCJ(t)= ∑ n - 1 p t - k T m n=p(t)⊗ ∑ k = 0 n - 1δ(t-(kT/mn))

1.2.4 梳状谱干扰

COMB干扰由一系列频域间断的子干扰信号叠加构成,其在时域上连续,频域似梳齿状。梳状谱干扰可看作梳状谱信号与雷达信号在时域相乘得到,其表达式为
Jcomb(t)=s(t)×comb(t)=rect(t/T) ∑ i = 1 NAi e j 2 π ( f 0 + f i ) t + j π k t 2
其中,fi为各锯齿频率;Ai为第i个频率点处的幅度。

1.2.5 灵巧噪声干扰

SN干扰是一种兼具压制式干扰和欺骗式干扰优点的新型干扰,常见的调制方法为噪声乘积调制和噪声卷积调制。将窄带高斯噪声与延时信号相乘即可得到噪声乘积(Noise Product,NP)干扰[11,22-23],其数学表达式为
J(t)=s(t-τ)·n(t)
将高斯噪声与延时信号卷积即可得到噪声卷积(Noise Convolution,NC)干扰[11,22-23],其数学表达式为
J(t)=s(t-τ)⊗n(t)
其中,S(t)为LFM信号,n(t)为窄带高斯噪声信号,τ为回波时延。

1.3 卷积神经网络模型

CNN被广泛用于二维数据分类问题,其由输入层、隐含层、输出层构成。
输入层用于将归一化处理后的学习数据输入CNN。
隐含层主要由卷积层、池化层和全连接层等组成。卷积层是CNN的核心层,由多个卷积核堆叠形成的滤波器组成,其通过对输入数据做卷积运算提取特征信息。池化层可进行特征选择和信息过滤,在选取最优特征的同时降低数据量,分为均值池化和极大值池化。
全连接层将提取的特征进行压平,降低其维度,然后输入Softmax层确定信号类别。
传统的CNN网络要想获得较好的学习效果需要增加网络的深度,这样容易导致梯度消失和爆炸,正则化通过对网络权重做正则限制过拟合,可以解决梯度爆炸问题,但会引起性能退化。事实上,梯度消失更容易出现,解决梯度消失问题的方法有很多,如采用relu激活函数、残差网络等,其中,结构简单的ResNet-CNN效果最为显著[24]。
ResNet-CNN的关键结构如图1所示,通常一个ResNet-CNN由多个关键结构串联组成。
图1 ResNet-CNN关键结构

Fig.1 Key structure of ResNet-CNN

1.4 长短期记忆网络

长短期记忆[6,25](Long Short-Term Memory, LSTM)网络与一般的前馈神经网络(Feedforward Neural Networks, FNN)不同,其可以利用时间序列对输入进行分析,是一种特殊的递归神经网络(Recursive Neural Network, RNN)。其单元基本结构如图2所示。
图2 LSTM单元基本结构

Fig.2 Basic structure of LSTM

2 ER-C-L网络模型及输入特征

2.1 ER-C-L网络模型

为提高干扰信号检测概率,同时避免出现梯度问题,本文对ResNet-CNN进行优化扩展,扩展的ResNet-CNN由4个如图3所示的结构单元组成。其中,残差模块由2个5×1的卷积层、2个归一化层和1个激活层构成,在残差模块的基础上并联由1个3×1卷积层、1个归一化层和1个激活层构成的卷积神经网络支路。
图3 扩展残差网络单元结构

Fig.3 Extended ResNet CNN unit structure

残差模块选择5×1卷积核,可以增大感受野,抽取更具全局性的特征用于判别;卷积神经网络支路采用3×1卷积核,可以获取更多局部的细微特征。扩展ResNet-CNN输出数据既保留了传统CNN输入信息的特性,又增加了许多细微特征,既避免出现梯度消失或爆炸的问题,又减少训练参数,缩减训练预测时长。
LSTM网络引入了遗忘门、输入门、输出门单元,以其特殊的结构解决了RNN只有短时记忆的弊端,更适合学习时域/频域具有一定连续性特征的干扰信号。
将扩展ResNet-CNN与LSTM网络串联起来可以发挥二者的优点,提高干扰信号识别的效果。
ER-C-L网络结构如图4所示,模型共有42层,其工作过程为:将干扰信号时域/频域数据通过四次扩展残差块进行降维,经过LSTM层提取时序信息,再由全连接层将数据压平,利用Softmax输出概率值确定信号类别。其参数如表1所示。
图4 ER-C-L网络结构

Fig.4 Extended ResNet-CNN-LSTM structure

表1 ER-C-L网络结构参数

Tab.1 Extended ResNet-CNN-LSTM structural parameters

网络层 参数 激活函数 网络层 参数 激活函数
输入层 i×(6*640/160*128)
i=1:3		 ConvSkip 卷积核大小
[1 1],核数目64
Conv-i-j
(i=1:4,j=1:2)		 卷积核大小[5 1],核数目64,
DilationFactor=2^(i-1),
Padding=[2^(i-1) 0]		 Relu Lstm 隐藏层数32 Tanh,
sigmoid
Conv11-i 卷积核大小[3 1],核数目64,
DilationFactor=2^(i-1),
Padding=[2^(i-1) 0]		 Relu Fully
Connect		 64
ConvSkip 卷积核大小[1 1],核数目64 Softmax 6 Softmax

2.2 输入特征

干扰信号识别的核心是利用分类器筛选信号间彼此不同的特征信息,将特征相似的归为一类。特征主要包括时域、频域、时频域、波形域和其他维度特征。本文选用易于提取、可分性强的幅度、瞬时频率和功率谱瞬时包络作为输入特征,前期实验时仿真对比了输入样本序列数为64/128/256所用时间和检测效果,结果表明,输入序列数为128时,能够兼顾较高检测概率和实时性。详细提取过程如下:
幅度特征:每个样本在时域等间隔选取128个点对应的幅度进行归一化处理,即构成1×128的幅度特征矩阵,每种干扰信号产生800个样本,随机抽取其中80%构成1×(640*128)的训练幅度特征矩阵,剩余20%构成1×(160*128)的测试幅度特征矩阵,将6种干扰信号的训练/测试幅度特征矩阵按序拼接,构成1×(6*640/160*128)特征矩阵。
瞬时频率特征:对每个样本x(n)进行希尔伯特变换,得到以2π为周期的瞬时相位ϕ(n),再进行去相位卷叠得到真实相位ϕN(n),进而求得干扰瞬时频率。将瞬时频率等间隔选取128个点进行归一化处理,即得到单样本1*128的瞬时频率特征矩阵,训练/测试瞬时频率特征矩阵构成方式与幅度特征一致。
功率谱瞬时包络特征:对每个样本x(n)进行FFT变换,得到其功率谱,再对功率谱进行希尔伯特变换,得到功率谱瞬时包络。将功率谱瞬时包络等间隔选取128个点进行归一化处理即得到单样本1*128的功率谱瞬时包络特征矩阵,训练/测试功率谱瞬时包络特征矩阵构成方式与幅度特征一致。
复合特征:将1×(6*640/160*128)的单特征矩阵按行组合,得到i×(6*640/160*128)的复合特征矩阵,其中i=2,3。
在JNR=10 dB时,6种干扰信号的特征分布如图5所示,其中,IS干扰采样脉宽为10 μs,采样数为4;SMSP干扰时钟频率为调频斜率的200倍;C&I干扰采样数为50,重构数为4;COMB干扰梳齿频点为中频的10倍;NP干扰和NC干扰噪声功率为2 dB。
图5 干扰特征分布曲线

Fig.5 Jamming characteristic distribution curve

3 仿真验证

3.1 实验流程

干扰信号仿真与识别流程如图6所示。通过改变干扰的采样周期与转发间隔、时钟频率、频点、噪声功率等参数来确保ER-C-L网络模型的动态稳定性。干扰信号以雷达信号为基础,通过对雷达信号的整个脉宽进行调制得到6种干扰信号。雷达基本参数和干扰变化参数分别如表2和表3所示。在强噪声环境下,干扰信号会被噪声淹没,因此,需要验证识别算法在低JNR条件下的稳健性,本文设定在高斯白噪声环境下,研究的JNR变化范围为-10~10 dB。
图6 仿真与识别流程

Fig.6 Simulation and identification process

表2 雷达信号基本参数

Tab.2 Basic parameters of radar signal

类型 带宽B 脉宽Tp 脉冲重复周期PRI 采样率Fs 目标距离R 中频Fc
LFM 2 MHz 120 μs 1 500 μs 200 MHz 2 km 50 MHz
表3 干扰变化参数

Tab.3 Interference variation parameter

类型 参数 值 类型 参数 值
IS干扰 采样脉宽 0.1 μs:0.1 μs:20 μs C&I干扰 采样次数 3:82
采样次数 2:5 重构数 2:11
SMSP干扰 时钟频率 (2:801)*(B/Tp) COMB干扰 梳齿频点 (1:0.05:40)Fc
NP干扰 噪声功率 0.01 dB:0.01 dB:8 dB NC干扰 噪声功率 0.01 dB:0.01 dB:8 dB

3.2 仿真模拟

实验设置的迭代次数为300次,学习率为0.001,选取幅度、瞬时频率和功率谱瞬时包络及其复合信息作为输入特征,通过ResNet-CNN模型选取最优特征用于网络模型间的比较。ResNet-CNN网络仿真结果如图7所示。
图7 ResNet-CNN网络仿真结果

Fig.7 ResNet-CNN simulation results

由图7可以知,幅度特征可以很好地筛选出COMB干扰,检测概率达到98%以上,IS干扰、NC干扰与SMSP干扰检测概率较低。
瞬时频率特征可以很好地筛选出NC干扰,检测概率达到99%以上,除C&I干扰和COMB干扰外,其余干扰检测概率较低。功率谱瞬时包络特征可以很好地筛选出SMSP干扰、C&I干扰、IS干扰、NP干扰、NC干扰,整体效果优于瞬时频率特征。幅度与瞬时频率复合特征可以很好地筛选出COMB干扰、NC干扰,检测概率达到99%以上。幅度与功率谱瞬时包络复合特征可以很好地筛选出C&I干扰、COMB干扰、NP干扰、NC干扰,其中,C&I干扰、COMB干扰、NC干扰全域检测概率达到97%以上,其整体效果优于幅值与瞬时频率复合特征。瞬时频率与功率谱瞬时包络复合特征可以很好地筛选出IS干扰、C&I干扰、COMB干扰、NP干扰、NC干扰,其中,C&I干扰、NC干扰全域检测概率达到95%以上。幅度、瞬时频率与功率谱瞬时包络复合特征可以很好地筛选出所有干扰,JNR为10 dB时6种干扰检测概率达到98%。
综合比较,复合特征检测概率远大于单特征检测概率,功率谱瞬时包络特征优于瞬时频率特征,其中,幅度与功率谱瞬时包络复合特征与幅值、瞬时频率与功率谱瞬时包络复合特征检测效果相近,使用数据量更小的幅度与功率谱瞬时包络复合特征更符合实战需要。

3.3 实验结果与分析

为验证本文所提算法的有效性和优越性,选取区分度高、数据量小的“幅度与功率谱瞬时包络复合特征”作为最优特征,分别输入所提出ER-C-L网络算法、经典LSTM网络、经典CNN网络、ResNet-CNN和扩展ResNet-CNN等5种网络模型进行了比较,其中,LSTM、CNN、ResNet-CNN和扩展ResNet-CNN的网络结构分别如图8a)至8d)所示,各网络参数与表1中相应参数一致。
图8a) LSTM网络结构

Fig.8a) LSTM structure

图8b) CNN网络结构

Fig.8b) CNN structure

图8c) ResNet-CNN网络结构

Fig.8c) ResNet-CNN structure

图8d) 扩展ResNet-CNN网络结构

Fig.8d) Extended ResNet-CNN structure

LSTM、CNN、ResNet-CNN、扩展ResNet-CNN与本文提出的ER-C-L网络模型在幅度与功率谱瞬时包络复合特征条件下的检测结果如图9所示,图9a)为各网络模型检测概率对比曲线,图9b)至图9f)为5种网络模型在JNR为-10 dB时混淆矩阵,1至6分别为IS干扰、SMSP干扰、C&I干扰、COMB干扰、NP干扰和NC干扰。由图9可知本文所提ER-C-L网络识别性能最优。
图9 各网络模型识别结果

Fig.9 Identification results of each network model

4 结束语

针对强噪声环境下雷达有源干扰识别准确率不高的问题,本文提出了一种基于一维复合特征的ER-C-L网络模型。比对分析幅度、瞬时频率和功率谱瞬时包络及其复合特征在ResNet-CNN模型中的干扰识别率,选取检测概率高且数据量小的幅度与功率谱瞬时包络复合特征作为最优特征输入ER-C-L网络,并与LSTM、CNN、ResNet-CNN、扩展ResNet-CNN等进行比较,通过仿真验证了该算法的有效性,仿真结果表明:在干噪比-10 dB的强噪声环境下,对六种有源干扰的识别率为98.5%。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
ROOME S J. Digital radio frequency memory[J]. Electronics & Communications Engineering Journal, 1990, 2(4): 147.

[2]
吕勤哲, 全英汇, 沙明辉, 等. 基于集成深度学习的有源干扰智能分类[J]. 系统工程与电子技术, 2022, 44(12): 3 595-3 602.

LYU Q Z, QUAN Y H, SHA M H, et al. Ensemble deep learning-based intelligent classification of active jamming[J]. Systems Engineering and Electronics, 2022, 44(12): 3 595-3 602.

[3]
蔡潇, 李大超, 翁永祥, 等. 基于多域特征提取和RVM的有源压制干扰识别方法[J]. 舰船电子对抗, 2021, 44(2): 23-27, 47.

CAI X, LI D C, WENG Y X, et al. Identification method of active blanket jamming based on multi-domain feature extraction and RVM[J]. Shipboard Electronic Countermeasure, 2021, 44(2): 23-27, 47.

[4]
蒋莹, 何明浩, 郁春来, 等. 基于盒维数的间歇采样转发干扰识别方法[J]. 现代防御技术, 2016, 44(2): 157-164.

JIANG Y, HE M H, YU C L, et al. Method of interrupted-sampling repeater jamming recognition based on box dimension[J]. Modern Defence Technology, 2016, 44(2): 157-164.

[5]
许颢砾, 王大庆, 时玥, 等. 基于卷积神经网络的东海岛屿地下水分布遥感预测[J]. 陆军工程大学学报, 2022, 1(4): 82-86.

DOI

XU H L, WANG D Q, SHI Y, et al. Prediction of groundwater distribution of islands in East China Sea based on convolutional neural network by remote sensing[J]. Journal of Army Engineering University of PLA, 2022, 1(4): 82-86.

[6]
邵正途, 许登荣, 徐文利, 等. 基于LSTM和残差网络的雷达有源干扰识别[J]. 系统工程与电子技术, 2023, 45(2): 416-423.

DOI

SHAO Z T, XU D R, XU W L, et al. Radar active jamming recognition based on LSTM and residual network[J]. Systems Engineering and Electronics, 2023, 45(2): 416-423.

DOI

[7]
郭治锐, 鲁军, 刘磊, 等. 基于AlexNet的雷达干扰识别方法研究[J]. 电光与控制, 2021, 28(9): 49-53.

GUO Z R, LU J, LIU L, et al. Research on radar interference recognition method based on AlexNet[J]. Electronics Optics & Control, 2021, 28(9): 49-53.

[8]
董张玉, 许道礼, 张晋, 等. 基于双分支多尺度残差融合嵌套的SAR和多光谱图像融合架构与实验[J]. 地理与地理信息科学, 2023, 39(1): 23-30.

DONG Z Y, XU D L, ZHANG J, et al. Architecture and experiments of SAR and multispectral image fusion based on double-branch multiscale residual-fusion nesting[J]. Geography and Geo-Information Science, 2023, 39(1): 23-30.

[9]
WANG C, WANG J, ZHANG X D. Automatic radar waveform recognition based on time-frequency analysis and convolutional neural network[C]. New Orleans:2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). March 5-9,2017.

[10]
唐陈, 王峰. 基于卷积神经网络的雷达干扰识别技术研究[J]. 中国电子科学研究院学报, 2022, 17(1): 63-70.

TANG C, WANG F. Research on radar jamming recognition technology based on convolution neural network[J]. Journal of CAEIT, 2022, 17(1): 63-70.

[11]
周红平, 王子伟, 郭忠义. 雷达有源干扰识别算法综述[J]. 数据采集与处理, 2022, 37(1): 1-20.

ZHOU H P, WANG Z W, GUO Z Y. Overview on recognition algorithms of radar active jamming[J]. Journal of Data Acquisition and Processing, 2022, 37(1): 1-20.

[12]
周胜文, 沙明辉, 胡小春. 基于梳状谱调制和间歇采样重复转发的复合干扰[J]. 系统工程与电子技术, 2021, 43(12): 3 495-3 501.

ZHOU S W, SHA M H, HU X C. Composite jamming based on comb spectrum modulation and interrupted sampling repetitive repeater[J]. Systems Engineering and Electronics, 2021, 43(12): 3 495-3 501.

[13]
刘一兵, 李金梁, 赵洋, 等. 基于小波系数相关性的间歇采样转发干扰识别[J]. 电子信息对抗技术, 2023, 38(1): 10-16.

LIU Y B, LI J L, ZHAO Y, et al. Interrupted-sampling and repeater jamming recognition based on wavelet coefficient correlation[J]. Electronic Information Warfare Technology, 2023, 38(1): 10-16.

[14]
杨少奇, 田波. 频谱弥散和切片组合欺骗式干扰的识别算法[J]. 探测与控制学报, 2016, 38(6): 62-67.

YANG S Q, TIAN B. Identification algorithms of SMSP and C & I[J]. Journal of Detection & Control, 2016, 38(6): 62-67.

[15]
杨少奇, 田波, 周瑞钊. 应用双谱分析和分形维数的雷达欺骗干扰识别[J]. 西安交通大学学报, 2016, 50(12): 128-135.

YANG S Q, TIAN B, ZHOU R Z. A jamming identification method against radar deception based on bispectrum analysis and fractal dimension[J]. Journal of Xi’an Jiaotong University, 2016, 50(12): 128-135.

[16]
杨兴宇, 阮怀林. 基于栈式稀疏自编码器的新型干扰识别[J]. 现代雷达, 2018, 40(5): 21-27.

YANG X Y, RUAN H L. Jamming identification algorithms of advanced jamming based on stacked sparse autoencoder[J]. Modern Radar, 2018, 40(5): 21-27.

[17]
姜正云, 舒汀, 何劲, 等. 基于并联深度学习网络的雷达有源干扰智能识别方法[J]. 现代雷达, 2021, 43(10): 9-14.

JIANG Z Y, SHU T, HE J, et al. Intelligent recognition method of radar active jamming based on parallel deep learning network[J]. Modern Radar, 2021, 43(10): 9-14.

[18]
周义建, 张剑云, 贺平. 一种雷达干扰技术——灵巧噪声干扰[J]. 雷达与对抗, 2002, (1): 12-16.

ZHOU Y J, ZHANG J Y, HE P. A kind of radar jamming-smart noise jamming[J]. Radar & Ecm, 2002, (1): 12-16.

[19]
刘昊晨, 梁红. 线性调频信号参数估计和仿真研究[J]. 计算机仿真, 2011, 28(2): 157-159, 263.

LIU H C, LIANG H. Estimation and simulation study of LFM signal parameters[J]. Computer Simulation, 2011, 28(2): 157-159, 263.

[20]
刘建洋. 基于时频域分析的电子干扰识别方法研究[D]. 成都: 电子科技大学, 2018.

LIU J Y. Research on electronic jamming identification method based on time frequency domain analysis[D]. Chengdu: University of Electronic Science and Technology of China, 2018.

[21]
白倩倩. 雷达几种新型有源干扰的识别方法研究[D]. 西安: 西安电子科技大学, 2021.

BAI Q Q. Research on identification approaches of novel active jamming for radar[D]. Xi’an: Xidian University, 2021.

[22]
邵正途, 张路, 陈鹏, 等. 基于小波包分解和残差网络的雷达干扰识别[J]. 无线电工程, 2023, 53(4): 764-771.

SHAO Z T, ZHANG L, CHEN P, et al. Radar jamming recognition based on wavelet-packet decomposition and residual network[J]. Radio Engineering, 2023, 53(4): 764-771.

[23]
李思文, 张亮, 张翔宇, 等. 基于脉内特征的灵巧类干扰分组识别[J]. 舰船电子工程, 2021, 41(5): 68-71, 118.

LI S W, ZHANG L, ZHANG X Y, et al. Group recognition of smart noise jamming based on pulse internal features[J]. Ship Electronic Engineering, 2021, 41(5): 68-71, 118.

[24]
王梓楠. 干扰环境下基于深度学习的调制识别方法研究[D]. 南京: 东南大学, 2020.

WANG Z N. Research on modulation recognition method based on deep learning in jamming environment[D]. Nanjing: Southeast University, 2020.

[25]
金逸灵, 陈兴蜀, 王玉龙. 基于LSTM-CNN的容器内恶意软件静态检测[J]. 计算机应用研究, 2020, 37(12): 3 704-3 707, 3 711.

JIN Y L, CHEN X S, WANG Y L. Static detection of malware in container based on LSTM-CNN[J]. Application Research of Computers, 2020, 37(12): 3 704-3 707, 3 711.

Options
Outlines

/

〈 〉