基于CNN-LSTM联合网络的主瓣干扰辨识

基于CNN-LSTM联合网络的主瓣干扰辨识框架

  近年来，随着神经网络的快速发展，伴随着产生卷积神经网络与循环神经网络，两者在分类任务上均具有较好的表现，根据对现有数据的分析，将和波束、方位差和俯仰差天线方向图进行融合，并考虑结合神经网络进行有无干扰的二分类任务，提出了一种基于CNN-LSTM联合网络的主瓣干扰辨识框架，该框架属于端到端的网络架构，整体框架结构如下图

  从图中可看出，基于CNN-LSTM联合网络的主瓣干扰辨识方法主要是由四部分构成，包括数据融合处理、CNN特征提取网络、LSTM特征提取网络和分类输出。第一步，将和波束、方位差和俯仰差天线方向图分别灰度化为单通道，再将三者组合成为三通道图片数据，完成数据的融合。第二步，在得到融合的数据后，将数据通过多层卷积神经网络进行特征提取，得到浅层次的特征向量。第三步，利用循环神经网络对浅层次特征向量进行训练，进一步得到深层次的特征向量完成最终的特征提取。最后，利用softmax函数对提取到的特征进行分类输出，进而完成对主瓣干扰的辨识

数据融合处理

  数据融合处理主要是对现存样本进行一个初始特征融合，由于有/无主瓣干扰的两种情况下，阵列和波束、方位差波束和俯仰差波束三者的天线方向图均存在较大的特征差异，而后续网络处理的图片数据。如图 15所示，首先将三种天线方向图的图片数据首先进行灰度化处理，这里能够使得原本三通道数据变为单通道数据，这样能够给数据融合提供基础。然后将三者单通道数据按照和、方位差和俯仰差的先后顺序，融合成三通道的图片数据。经过数据融合处理，能够将不同数据特征进行组合，从多个层面对数据进行初始的特征提取，这样的优点是方便后续更好的对数据进行深层次特征的提取。

CNN特征提取网络

  CNN特征提取网络由四部分构成，包括卷积层、归一化层、Relu层和Pooling层，四部分交叉重复组合。具体网络结构如图 16所示，共4个卷积层、4个归一化层、4个Relu层和4个Pooling层。该网络结构的输入层是由三维矩阵构成，矩阵中的前两个维度分别为图片数据的长、宽，而第三维度则表示3通道。网络中的卷积层卷积核的大小均为3×3，前两个卷积层卷积核个数为64，而后两个卷积层卷积核个数为128；归一化层主要是为了对每次卷积结果进行归一化处理，目的是为了分类网络能够更好的收敛；Relu是一种激活函数，它与卷积层是同步出现的，主要是为了拟合非线性数据；Pooling层是通过将输入划分为矩形池化区域并计算每个区域的最大值来执行下采样，池化大小为4×2，步长为4×2。

LSTM特征提取网络

  LSTM特征提取网络主要是由循环卷积层构成的，该层为64个隐藏单元，即cell结构，LSTM特征提取网络构成如图 17所示，它是将CNN特征提取网络最终的多通道特征向量拉伸成单通道特征向量，并利用LSTM对于数据横向维度的特征挖掘，将数据更深层的特征得以呈现。

分类输出

  该层主要是针对最终LSTM特征提取网络得到的特征向量，利用Softmax函数进行分类输出[10]，公式为

其中，x表示样本向量，j表示类别，表示特征参数。

多尺度阵列

  为了能够适应不同尺度阵列，网络需要对不同尺度阵列均具有良好的辨识效果，多尺度阵列，即可以利用全阵列中的部分阵列的天线方向图进行辨识，如图所示。

根据图上图我们可以利用全阵列中的任意部分阵列的和波束、方位差波束和俯仰差波束进行网络的测试，这样可以提高网络的扩展性。

实验测试

实验数据

  在这部分，我们将利用仿真得到的天线方向图数据进行实验以证明本章算法那对主瓣干扰辨识有显著的效果。实验场景为主瓣干扰。
  其中，主要参数为阵列为矩形阵列，大小为10×10，波束指向为方位角8°、俯仰角8°，半波长比为0.5，方位、俯仰角范围为±60°，雷达信号快拍数为512，干信比为20dB，主瓣干扰方位角2°、俯仰角2°，子阵合成大小为2×2。部分数据如图所示。

实验结果

  这里采用不同信噪比构建的有主瓣干扰和无主瓣干扰下的和波束、方位差波束以及俯仰差波束数据作为训练样本，将训练样本进行数据融合后的结果进行三维可视化展示，同时对部分训练后的网络权重进行三维可视化展示，分别说明网络的可行性。