基于Cycle-GAN 的有源欺騙干擾方法*

王 偉，武星輝，王欽釗，王 敏

（1.陸軍裝甲兵學院，北京 100072；2.北京特種車輛研究所，北京 100072；3.西安電子科技大學雷達信號處理國家重點實驗室，西安 710071）

0 引言

隨著雷達檢測與抗干擾技術不斷發(fā)展，有源欺騙干擾技術干擾性能不足成為電子對抗中亟需解決的問題。文獻［1］針對脈沖壓縮雷達進行欺騙式干擾建模，提出了兩種新的干擾樣式切片干擾（chopping interleaving，C＆I）和彌散頻譜干擾（smeared spectrum，SMSP），這兩種干擾樣式的干擾信號產(chǎn)生流程均為截取、調(diào)制、轉(zhuǎn)發(fā)，經(jīng)過這個流程生成的干擾信號將產(chǎn)生虛假目標，從而限制雷達的檢測性能，達到干擾效果。文獻［2］提出基于數(shù)字射頻存儲器（digital radio frequency memory，DRFM）技術的間歇采樣直接轉(zhuǎn)發(fā)干擾樣式，達到兼有欺騙與壓制雙重效果的干擾，并在實驗中驗證了其對于線性調(diào)頻脈沖壓縮雷達的干擾效果。文獻［3］中不僅針對脈沖壓縮雷達與脈沖多普勒雷達兩種雷達體制進行干擾建模，同時也研究了協(xié)同干擾等問題。目前，主流的干擾方式主要基于DRFM 技術，在此基礎上，國內(nèi)外研究人員提出大量改進算法，主要集中于“線性調(diào)頻雷達的密集假目標干擾”，“DRFM 的間歇采樣的干擾方式”以及“不同類型干擾方式的復用”等方面。

近年來，深度學習被廣泛應用于許多領域，包括雷達檢測與抗干擾技術，然而將深度學習應用于有源欺騙干擾領域鮮有研究。生成對抗網(wǎng)絡（generative adversarial networks，GAN）最早由Goodfellow I J 等提出，之后GAN 網(wǎng)絡衍生出一系列其他網(wǎng)絡模型，其中就包括本文應用的循環(huán)一致性生成對抗網(wǎng)絡（cycle-generative adversarial networks，Cycle-GAN）。最原始的GAN 模型由一個生成器和一個判決器構(gòu)成，生成器的作用是通過網(wǎng)絡訓練來學習目標數(shù)據(jù)，通過判決器的反饋來進行不斷修正網(wǎng)絡參數(shù)，兩者在博弈中不斷提升整個網(wǎng)絡的數(shù)據(jù)生成能力和判決能力，最后達到納什均衡，同時結(jié)束訓練。本文使用的Cycle-GAN 繼承了GAN 模型對抗訓練的特點，并在GAN 模型的基礎上加以改進，首先將給定的信號序列作為輸入，其次Cycle-GAN 由一對GAN 模型構(gòu)成循環(huán)訓練模型，可以實現(xiàn)在不降低生成器準確性的基礎上提升GAN 模型的穩(wěn)定性。

提出一種基于Cycle-GAN 的有源欺騙干擾生成算法，首先根據(jù)Cycle-GAN 的網(wǎng)絡架構(gòu)，將干凈回波信號、添加干擾回波信號分別作為網(wǎng)絡生成器的輸入與網(wǎng)絡判決器的判決標準，從而生成優(yōu)化之后的干擾信號；然后根據(jù)雷達成像技術，將干凈回波信號、未經(jīng)網(wǎng)絡處理的干擾回波信號與網(wǎng)絡生成的干擾信號變換到距離多普勒（range-doppler，RD）域，通過本文提出的干擾性能評估方法，對網(wǎng)絡生成干擾的性能進行驗證。實驗結(jié)果證明，相比于C＆I 干擾與SMSP 干擾，本文所提出的干擾生成算法具有更好的干擾性能，從而達到降低雷達檢測概率的效果。

1 模型介紹

1.1 C＆I 干擾模型

本文采用的C＆I 干擾主要通過對干擾機接收到的雷達干凈回波信號進行復制與轉(zhuǎn)發(fā)。首先干擾機截取雷達信號，同時保存到DRFM 中；然后在Chopping 階段，采用相同間隔的矩形脈沖串對DRFM 中的信號采樣；最后為Interleaving 階段，復制第2 步截取并采樣的小段信號填充到相鄰間隔中，直至間隔填充滿時結(jié)束。

C＆I 干擾生成仿真流程如圖1 所示，首先將雷達信號分為N=m·n 段，其中，m 為矩形脈沖串個數(shù)，將整段信號截成m 個子段信號；n 為子段的時間間隙數(shù)，即將子段信號再分成更小的間隔并填入相鄰的間隔中，生成時寬為T/N（T 為雷達信號的時寬）的子段信號存入DRFM 中；然后通過Chopping 階段從DRFM 中提取雷達信號采樣所得的子段信號；最后經(jīng)過Interleaving 階段，復制子段信號并填充到相鄰信號的間隔中，從而產(chǎn)生C＆I 干擾。

圖1 C＆I 干擾產(chǎn)生原理圖

仿真中雷達參數(shù)設置如下：雷達帶寬1.25 MHz，信號采樣率4 MHz，脈沖寬度200 μs；考慮到干擾性能與計算量的平衡關系，C＆I 干擾參數(shù)設置為：矩形脈沖串個數(shù)m=5，子段的時間間隙數(shù)n=4，整段信號被分成20 段。從而得到如下頁圖2 所示的雷達發(fā)射信號時域波形以及C＆I 干擾時域波形。

圖2 雷達發(fā)射波形與C＆I 干擾時域波形仿真圖

1.2 SMSP 干擾模型

本文采用的另一種干擾樣式SMSP 干擾產(chǎn)生原理如圖3 所示。其生成過程為：第1 步將時鐘頻率提高到原來的n 倍之后，對采樣數(shù)據(jù)進行抽取并按照原來的順序依次排序；第2 步將第1 步產(chǎn)生的信號復制n 次，從而得到SMSP 干擾。

圖3 SMSP 干擾產(chǎn)生原理框圖

仿真過程中，SMSP 干擾改變時鐘頻率導致數(shù)模轉(zhuǎn)換和模數(shù)轉(zhuǎn)換的頻率不同，因此，產(chǎn)生的干擾信號與原始回波的調(diào)頻斜率不同，重復上述過程就會得到包含多個結(jié)構(gòu)相同子脈沖的SMSP 干擾信號。

SMSP 干擾的仿真參數(shù)與C＆I 干擾相似，采用的線性調(diào)頻信號時寬、帶寬分別為：200 μs，1.25 MHz，并且將SMSP 干擾分為4 個子脈沖，仿真結(jié)果如圖4 所示。

圖4 雷達發(fā)射波形與SMSP 干擾時域波形仿真圖

1.3 循環(huán)生成對抗網(wǎng)絡

其中，D和D分別為X 和Y 域判決器；G（x）和F（y）為生成器G 和F 生成信號序列的函數(shù)；P和P分別為判決器判斷信號序列來自于X 域和Y 域的概率，Cycle-GAN 采用循環(huán)一致性損失，其公式為

通過該損失函數(shù)計算G 和F 迭代過程中的損失，其中，L為連續(xù)損失，然后對損失函數(shù)加權求和，得到最后Cycle-GAN 的損失函數(shù)：

圖5 Cycle-GAN 模型結(jié)構(gòu)

2 干擾工作流程

本文提出的基于Cycle-GAN 網(wǎng)絡的有源欺騙干擾生成算法流程如圖6 所示，干擾生成算法的輸入為含有標簽的干凈回波信號序列，用來代替原本Cycle-GAN 網(wǎng)絡的兩域圖片輸入，并將其作為Cycle-GAN 的輸入進行訓練，訓練結(jié)束之后輸出Cycle-GAN 模型參數(shù)；然后將干凈回波信號序列輸入到測試模型中生成優(yōu)化后干擾信號序列；最后將干凈回波與網(wǎng)絡生成干擾信號變換到RD 域，進行干擾性能評估驗證。

圖6 干擾生成算法流程圖

2.1 模型訓練

在訓練過程中，Cycle-GAN 網(wǎng)絡的輸入為干凈的無噪聲信號序列，網(wǎng)絡將添加干擾的信號序列作為目標序列，通過不斷訓練將干凈回波信號序列朝著干擾后信號序列方向生成，生成器不斷生成帶干擾信號的樣本，然后通過判決器給出生成器生成數(shù)據(jù)的分數(shù)，同時反饋給生成器，生成器再通過反饋信息去處理干凈回波信號樣本。在不斷生成-判別的過程中，訓練樣本逐漸靠近添加干擾信號序列，直到判決器難以辨別生成器產(chǎn)生信號序列真?zhèn)螘r，整個訓練過程結(jié)束，輸出Cycle-GAN 的參數(shù)。

2.2 模型測試

Cycle-GAN 模型經(jīng)過訓練之后具有一定的泛化能力，測試過程中首先輸入大量無標簽的干凈回波信號數(shù)據(jù)；然后利用訓練完成的網(wǎng)絡產(chǎn)生干擾信號；最后將干凈回波信號與網(wǎng)絡生成的干擾信號轉(zhuǎn)變到RD 域，采用本文提出的通過計算虛假目標與總目標比值的評估方法來驗證網(wǎng)絡產(chǎn)生干擾的性能。

3 實驗結(jié)果與分析

3.1 實驗設置

實驗中雷達波形仿真的參數(shù)如下：工作頻率90 MHz，帶寬1.25 MHz，發(fā)射功率1 000 W，天線增益4 000，脈沖寬度200 μs，采樣率4 MHz，相參脈沖數(shù)64，每幀最大目標數(shù)10。仿真的雷達原始回波作為網(wǎng)絡的干凈數(shù)據(jù)，通過配置干擾參數(shù)生成干擾信號在干凈回波信號中添加C＆I 干擾和SMSP 干擾信號序列作為網(wǎng)絡的目標數(shù)據(jù)，并將干擾信號添加到干凈回波信號。

通過以上參數(shù)產(chǎn)生6 000 個干凈回波樣本，將6 000 個樣本按照1∶1 分配為目標信號（即用于添加干擾的信號）與干凈回波信號，干凈回波樣本還需按照2∶1 分為訓練集與測試集；然后利用訓練集數(shù)據(jù)與目標信號進行網(wǎng)絡訓練，得到Cycle-GAN的網(wǎng)絡參數(shù)；將測試集樣本輸入網(wǎng)絡中，最后得到訓練完成后網(wǎng)絡生成的干擾信號；最后將干凈回波數(shù)據(jù)與網(wǎng)絡生成的干擾信號變換到RD 域，對比真假目標數(shù)量得出最后的干擾性能。

3.2 實驗結(jié)果對比

基于以上實驗環(huán)境及參數(shù)設置，圖7 展示了干凈回波、C＆I 干擾、SMSP 干擾及通過Cycle-GAN 生成的C＆I 干擾和SMSP 干擾的對比效果。實驗表明，網(wǎng)絡生成的干擾信號RD 圖像中假目標數(shù)量上升，與干凈信號、原始C＆I 干擾和SMSP 干擾的RD 圖像對比，真實目標在網(wǎng)絡生成干擾信號RD 圖中的顯示更加模糊，Cycle-GAN 網(wǎng)絡干擾生成算法生成性能更優(yōu)的干擾信號。

圖7 干凈回波與干擾RD 對比圖

通過上述實驗證明，干凈回波信號通過Cycle-GAN 網(wǎng)絡進行干擾后，對于雷達的檢測能夠達到較好的抑制效果，虛假目標可以有效增加，從而驗證了本文提出方法的可行性。

本文還提出一種干擾性能評估方式，因為C＆I干擾與SMSP 干擾主要是通過復制、粘貼、轉(zhuǎn)發(fā)過程進行干擾，勢必會產(chǎn)生虛假目標，所以對干凈回波與干擾后回波同時做頻譜分析，確定干擾前與干擾后的目標數(shù)，干凈回波情況下的目標個數(shù)為真實目標數(shù)，干擾之后的目標個數(shù)為添加虛假目標之后的總目標數(shù)。因此，本文干擾性能評估的定義為：

其中，Jam 代表本文的干擾性能；fake_tar 代表虛假目標個數(shù)；total_tar 代表干擾后回波中總目標個數(shù)。

如圖8 所示，本文通過1 000 次實驗驗證，經(jīng)過Cycle-GAN 網(wǎng)絡訓練可以提升C＆I 干擾和SMSP 干擾性能，圖中每個點的干擾性能為實驗中50 次干擾的性能平均值。本實驗中C＆I 干擾的干擾性能保持在0.51～0.69，其平均干擾性能可以達到0.64，檢測率為0.36，通過網(wǎng)絡訓練之后C＆I 干擾的性能分布于0.62～0.89 之間，平均干擾性能可以達到0.76，平均的正確檢測率僅為0.24，經(jīng)過網(wǎng)絡訓練之后平均干擾性能提升12%左右。此外，SMSP 干擾的性能分布在0.64～0.80 之間，干擾性能可以達到0.71，檢測率為0.39，然而基于網(wǎng)絡訓練之后SMSP 干擾的干擾性能可以保持在0.78～0.93 之間，通過計算平均干擾性能可以達到0.84，平均的正確檢測率僅為0.16，平均干擾性能提高13%左右。通過實驗可以看出基于網(wǎng)絡訓練的干擾比單純的C＆I 干擾和SMSP干擾性能提升12%～13%。此外，實驗結(jié)果也表明該方法能夠有效增大干擾信號能量，達到欺騙與壓制雙重干擾的效果。因此，本文提出的基于Cycle-GAN 網(wǎng)絡生成的C＆I 干擾和SMSP 干擾性能優(yōu)于單純的C＆I 干擾和SMSP 干擾。

圖8 干擾性能評估圖

4 結(jié)論

為了解決智能化雷達檢測性能與抗干擾能力逐步提升導致的欺騙性干擾性能不斷下降的問題，本文提出了基于Cycle-GAN 模型的有源欺騙干擾生成算法，本算法通過Cycle-GAN 模型的學習及泛化能力，提升有源欺騙干擾的性能。同時本文基于C＆I 干擾和SMSP 干擾進行了大量實驗，結(jié)果證明，利用Cycle-GAN 模型生成干擾算法能夠提高C＆I干擾和SMSP 干擾的性能，實現(xiàn)抑制雷達檢測的目標，為未來雷達信號干擾提供新的方法。