基于改进轻量化神经网络的干扰识别方法

doi:10.3969/j.issn.1009-086x.2025.02.010

摘要/Abstract

摘要：

针对战场实战电磁对抗作战中，大量雷达干扰信号可以被简单迅速地生成，使用传统卷积神经网络对雷达干扰进行识别存在规模大，难以在小型化装备上搭载的问题。提出一种改进的轻量化卷积神经网络，通过在传统神经网络中使用动态卷积核尺寸技术并添加批量归一化层技术，提高网络的识别效能。通过提取干扰信号时频特征，构建训练集与测试集对网络进行训练。仿真实验表明，该网络对6种干扰信号在-8 dB干噪比条件下识别准确率达到96 %以上，对比其他网络具有更好的识别准确效能。

关键词: 雷达有源干扰, 卷积神经网络, 轻量化, 动态卷积核, 特征提取

Abstract:

Considering a large number of radar interference signals could be built within a short period on the battlefield. Traditional convolutional neural networks face issues due to their large scale. It’s a challenge to deploy jamming recognition system on small-scale equipment. This paper proposes an improved lightweight convolutional neural network to solve the problem by adopting adaptive kernel and batch normalization technology to improve recognition efficiency. By extracting time-frequency character to construct training and testing database for neural network training. Experiment shows that the network achieves over 96% identification accuracy for six kinds of interference signals under -8dB JNR. Compared with other networks， it has a superior accuracy efficiency ratio.

Key words: radar active jamming, convolutional neural network, lightweight, adaptive kernel, feature extraction

中图分类号:

TN972

付亦凡, 阮航, 周东平, 穆贺强. 基于改进轻量化神经网络的干扰识别方法[J]. 现代防御技术, 2025, 53(2): 91-98.

Yifan FU, Hang RUAN, Dongping ZHOU, Heqiang MU. Radar Interference Recognition Based on Improved Lightweight Convolutional Neural Networks[J]. Modern Defense Technology, 2025, 53(2): 91-98.

图/表 13

图1 雷达干扰类型图

Fig. 1 Radar interference types

图2 6种干扰信号的时域波形图

Fig. 2 Plot of six jamming signals

图3 6种干扰信号的频域波形图

Fig. 3 Frequency plot of six jamming signals

图4 6种干扰信号的时频图

Fig. 4 Time-frequency plot of six jamming signals

图5 轻量化网络干扰识别模型

Fig. 5 Lightweight network interference recognition model

图6 传统卷积神经网络结构

Fig. 6 Traditional CNN structure

表1 LRJRNet结构图

Table 1 Structure of LRJRNet

层结构	输出图像尺寸
输入层	128×64×1
卷积层1	64×32×16
归一化层1	64×32×16
最大池化层1	32×16×16
卷积层2	30×14×50
归一化层2	30×14×50
最大池化层2	15×7×50
卷积层3	13×5×100
归一化层3	13×5×100
最大池化层3	6×2×100
平均池化层	1×1×100
全连接层1	1×1×64
丢弃层	1×1×64
全连接层2	1×1×6
归一化指数层	1×1×6
输出层	1×1×6

图7 LRJRNet结构

Fig. 7 LRJRNet structure

图8 LRJRNet准确率随训练轮次变化图

Fig. 8 LRJRNet accuracy with the increase of iteration

图9 LRJRNet损失函数随训练轮次变化图

Fig. 9 LRJRNet loss function with the increase of iteration

图10 LRJRNet的混淆矩阵

Fig. 10 Confusion matrix of LRJRNet

表2 不同网络的参数量对比

Table 2 Parameters comparison of different networks

网络	参数量
LeNet	9.92×10⁴
VGG	1.07×10⁵
LRJRNet	5.96×10⁴
大核LRJR	1.52×10⁵

图11 不同网络识别准确率图

Fig. 11 Accuracy of different networks

参考文献 17

1	赵国庆. 雷达对抗原理［M］. 2版. 西安：西安电子科技大学出版社， 2015.
	ZHAO Guoqing. Principle of Radar Countermeasure［M］. 2nd ed. Xi'an： Xidian University Press， 2015.
2	刘春生，郝治理，王伟. 人工智能技术在雷达对抗中的应用［J］. 科技导报， 2019， 37（4）： 63-68.
	LIU Chunsheng， HAO Zhili， WANG Wei. Application of Artificial Intelligence Technology in Radar Countermeasures［J］. Science & Technology Review， 2019， 37（4）： 63-68.
3	YANG Boyang， LI Kang， Bo JIU， et al. An Intelligent Jamming Strategy Design Method Against Frequency Agility Radar［C］∥2023 IEEE International Radar Conference （RADAR）. Piscataway： IEEE， 2023： 1-6.
4	刘慧敏. 基于深度学习的有源欺骗干扰特征级识别方法研究［D］. 西安：西安电子科技大学， 2019.
	LIU Huimin. A Study on Feature-Level Identification of Active Deception Jamming Based on Deep Learning［D］. Xi'an： Xidian University， 2019.
5	王冠，王晖，王金宇，等. 联合分形维数和奇异值熵的雷达干扰信号识别方法［J］. 电子信息对抗技术， 2023， 38（2）： 14-20.
	WANG Guan， WANG Hui， WANG Jinyu， et al. Radar Jamming Signal Recognition Method Combining Fractal Dimension and Singular Value Entropy［J］. Electronic Information Warfare Technology， 2023， 38（2）： 14-20.
6	张忠民，王雨鑫. 基于自适应的SSD算法和1.5维谱的新型雷达干扰识别［J］. 应用科技， 2021， 48（5）： 54-59.
	ZHANG Zhongmin， WANG Yuxin. New Radar Jamming Recognition Based on Adaptive SSD Algorithm and 1.5-Dimensional Spectrum［J］. Applied Science and Technology， 2021， 48（5）： 54-59.
7	XU Chang， YU Lei， WEI Yinsheng， et al. Research on Active Jamming Recognition in Complex Electromagnetic Environment［C］∥2019 IEEE International Conference on Signal， Information and Data Processing （ICSIDP）. Piscataway： IEEE， 2019： 1-5.
8	YU Junfei， LI Jingwen， SUN Bing， et al. Barrage Jamming Detection and Classification Based on Convolutional Neural Network for Synthetic Aperture Radar［C］∥IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE， 2018： 4583-4586.
9	李东霞，师亚辉. 基于深度学习的雷达干扰识别方法研究［J］. 遥测遥控， 2023， 44（4）： 102-108.
	LI Dongxia， SHI Yahui. Research on Radar Jamming Recognition Method Based on Deep Learning［J］. Journal of Telemetry， Tracking and Command， 2023， 44（4）： 102-108.
10	QIAN J， TENG X， QIU Z. Recognition of Radar Deception Jamming Based on Convolutional Neural Network［C］∥IET International Radar Conference （IET IRC 2020）. Piscataway： IEEE， 2020： 913-918.
11	刘强. 基于深度学习的雷达干扰识别技术［D］. 成都：电子科技大学， 2020.
	LIU Qiang. Radar Interference Recognition Based on Deep Learning［D］. Chengdu： University of Electronic Science and Technology of China， 2020.
12	LI Hao， FANG Xueli， ZHANG Lei， et al. Semi-Supervised Open-SET Recognition of Radar Active Jamming［C］∥2021 CIE International Conference on Radar （Radar）. Piscataway： IEEE， 2021： 2168-2171.
13	宋星. 复杂电磁环境下的雷达干扰智能感知方法研究［D］. 西安：西安电子科技大学， 2022.
	SONG Xing. Research on Intelligent Perception Method of Radar Jamming in Complex Electromagnetic Environment［D］. Xi'an： Xidian University， 2022.
14	Qinzhe LÜ， QUAN Yinghui， FENG Wei， et al. Radar Deception Jamming Recognition Based on Weighted Ensemble CNN with Transfer Learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-11.
15	GOLDMAN E， GOLDBERGER J. Factorized CRF with Batch Normalization Based on the Entire Training Data［C］∥ICASSP 2021-2021 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. Piscataway： IEEE， 2021： 2780-2784.
16	FENG Xi， HU Jianwen， WU Wanneng， et al. Dynamic Large-Small Kernel Convolutional Neural Network for Pansharpening［J］. IEEE Geoscience and Remote Sensing Letters， 2023， 20： 1-5.
17	韩丰，高嵩，薛峰，等. 基于CUDA的并行雷达拼图算法研究［J］. 气象， 2023， 49（10）： 1246-1253.
	HAN Feng， GAO Song， XUE Feng， et al. Study of Algorithms for Radar Networking Based on CUDA［J］. Meteorological Monthly， 2023， 49（10）： 1246-1253.

[1]	李家宽, 冯博, 申伦豪, 叶春茂, 余继周. 入射视线角引导雷达图像特征融合的气动目标识别方法[J]. 现代防御技术, 2025, 53(2): 129-140.
[2]	许恒雷, 陈帅旗, 宋勋, 朱洺洁. 基于图像语义分割与结构保持约束的风机叶片拼接技术[J]. 现代防御技术, 2024, 52(4): 123-129.
[3]	何明, 朱梓涵, 翟绪龙, 翟政, 郝程鹏. 基于多分支上下文融合的空对地目标检测算法[J]. 现代防御技术, 2023, 51(3): 91-98.
[4]	牛浩楠, 王文灿, 刘清波. 基于卷积神经网络的雷达辐射源识[J]. 现代防御技术, 2021, 49(3): 130-136.
[5]	黄祥, 徐静, 都晨, 郭昭艺, 吴涛. 一种无人机辐射源调制样式识别算法[J]. 现代防御技术, 2021, 49(3): 98-104.
[6]	赵昱萌, 凡守涛, 韩宇, 王川. Ku波段功分放大3D-MCM设计[J]. 现代防御技术, 2021, 49(2): 106-110.
[7]	李仙茂, 林晓烘, 甘厚吉, 汪宏宇. 对舰船反导有源干扰的试验效果评估准则研究[J]. 现代防御技术, 2020, 48(3): 75-80.
[8]	梁复台, 李宏权, 孟庆文, 蔡莉. 一种空中目标航迹聚类方法研究[J]. 现代防御技术, 2020, 48(1): 19-25.
[9]	马新星, 滕克难, 侯学隆. 空袭主攻方向的卷积神经网络判断模型[J]. 现代防御技术, 2018, 46(5): 6-12.