基于半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的雷達(dá)有源干擾識(shí)別

高澤鋆，曹 菲，何 川，馮曉偉，許劍鋒，秦建強(qiáng)

(火箭軍工程大學(xué)，陜西 西安 710025)

0 引言

雷達(dá)利用目標(biāo)回波感知目標(biāo)的距離、速度和方位等信息[1]。目標(biāo)回波不僅攜帶目標(biāo)信息，而且包含各類雜波以及人為制造的干擾。其中，欺騙式干擾和轉(zhuǎn)發(fā)式干擾因具有與目標(biāo)回波較為相似的時(shí)域和頻域特征，在接收端形成大量假目標(biāo)，對(duì)雷達(dá)回波信號(hào)識(shí)別造成嚴(yán)重干擾[2]，尤其是基于數(shù)字射頻存儲(chǔ)器(digital radio frequency memory，DRFM)技術(shù)產(chǎn)生的間歇采樣轉(zhuǎn)發(fā)式干擾可在目標(biāo)上實(shí)現(xiàn)搭載，其形成的多點(diǎn)源主瓣干擾，對(duì)現(xiàn)代雷達(dá)構(gòu)成嚴(yán)重威脅[3]。雷達(dá)抗干擾的基本思路是“辨識(shí)-剔除”[4]，其中，“辨識(shí)”是抗干擾的前提和關(guān)鍵。目前，國內(nèi)外學(xué)者和機(jī)構(gòu)針對(duì)雷達(dá)干擾信號(hào)智能識(shí)別進(jìn)行了廣泛深入研究，主要基于有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行特征提取和特征融合，在此基礎(chǔ)上實(shí)現(xiàn)信號(hào)調(diào)制類型識(shí)別[5-8]。但在電子對(duì)抗中，雷達(dá)有源干擾信號(hào)樣本難以獲得且標(biāo)簽成本昂貴，導(dǎo)致基于有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的雷達(dá)有源干擾識(shí)別技術(shù)應(yīng)用受到極大限制。

近年來，半監(jiān)督學(xué)習(xí)(semi-superuised learning, SSL)由于可利用未標(biāo)記的數(shù)據(jù)提高模型性能而得到廣泛關(guān)注和研究[9]。MixMatch算法使用模型的預(yù)測為未標(biāo)記示例生成一個(gè)標(biāo)簽“猜測”，并使用MixUp混合標(biāo)記和未標(biāo)記的數(shù)據(jù)，在許多數(shù)據(jù)集和不同標(biāo)記數(shù)量的情況下獲得了良好的效果[10]。無監(jiān)督數(shù)據(jù)增強(qiáng)方法(unpupervised data augmentation, UDA)通過使用先進(jìn)的數(shù)據(jù)增強(qiáng)方法(如RandAugment和back translation)代替簡單的去噪操作，在相同的一致性訓(xùn)練框架下對(duì)6種語言和3種視覺任務(wù)進(jìn)行了實(shí)質(zhì)性的改進(jìn)[11]。ReMixMatch通過引入分布對(duì)齊和增強(qiáng)錨定兩種新技術(shù)，改進(jìn)了MixMatch半監(jiān)督學(xué)習(xí)算法[12]。FixMatch算法通過對(duì)所有類使用一個(gè)預(yù)定義的常量閾值來選擇對(duì)訓(xùn)練有貢獻(xiàn)的未標(biāo)記數(shù)據(jù)，在各種標(biāo)準(zhǔn)的半監(jiān)督學(xué)習(xí)基準(zhǔn)中實(shí)現(xiàn)了最先進(jìn)的性能[13]。FlexMatch算法提出了課程偽標(biāo)注(curriculum pseudo labeling， CPL)方法，其核心是在每個(gè)時(shí)間步中靈活地調(diào)整不同類的閾值，以便傳遞信息豐富的未標(biāo)記數(shù)據(jù)及其偽標(biāo)記，將CPL應(yīng)用于FixMatch后的算法稱為FlexMatch，在各種SSL基準(zhǔn)上實(shí)現(xiàn)了最先進(jìn)的性能[14]。然而，在雷達(dá)有源干擾識(shí)別中，SSL的應(yīng)用研究鮮有報(bào)道。

針對(duì)上述問題，為提升具有少量標(biāo)簽的雷達(dá)有源干擾識(shí)別性能，提出一種基于SSL網(wǎng)絡(luò)的雷達(dá)有源干擾識(shí)別方法。

1 雷達(dá)有源干擾信號(hào)建模與時(shí)頻分析

按照干擾信號(hào)的產(chǎn)生特點(diǎn)，有源干擾可分為噪聲類的主動(dòng)壓制性干擾、模擬回波的欺騙式干擾和基于DRFM技術(shù)的轉(zhuǎn)發(fā)式干擾三種類型[15]。本節(jié)基于偽隨機(jī)碼體制雷達(dá)，進(jìn)行目標(biāo)回波和有源干擾信號(hào)建模，為后續(xù)干擾信號(hào)識(shí)別提供理論依據(jù)。

1.1 雷達(dá)回波和有源干擾信號(hào)模型與時(shí)頻分析方法

1.1.1雷達(dá)回波信號(hào)[16]

假設(shè)射頻振蕩源的輸出信號(hào)為

Scw(t)=Acwcos(ω0t)，

(1)

式(1)中，ω0為載波角頻率，Acw表示射頻信號(hào)的幅值。

脈沖調(diào)相器輸出信號(hào)為

(2)

式(2)中，

(3)

式(3)中，Ap為射頻信號(hào)經(jīng)調(diào)相后的幅值；P(t)賦值0或1，與偽隨機(jī)碼的狀態(tài)0和1一一對(duì)應(yīng)；TR為調(diào)制脈沖周期；τA為調(diào)制脈沖寬度。

發(fā)射信號(hào)為

(4)

式(4)中，As為發(fā)射信號(hào)幅值，其值為Ap經(jīng)過發(fā)射機(jī)增益后的值。

目標(biāo)反射的部分回波信號(hào)Sr(t)到達(dá)接收天線，被接收到的目標(biāo)回波為

(5)

1.1.2壓制性干擾

壓制性干擾使用噪聲或類似噪聲的干擾信號(hào)遮蓋有用信號(hào)，通過降低雷達(dá)接收機(jī)信噪比使其難以發(fā)現(xiàn)目標(biāo)。按照干擾產(chǎn)生方式不同，壓制性干擾可分為射頻噪聲干擾、噪聲調(diào)幅干擾、噪聲調(diào)頻干擾和噪聲調(diào)相干擾等，本節(jié)主要討論噪聲調(diào)幅干擾和噪聲調(diào)頻干擾。

1)噪聲調(diào)幅干擾

噪聲調(diào)幅干擾利用噪聲對(duì)射頻信號(hào)幅值進(jìn)行調(diào)制，其表達(dá)式為[17]

JA(t)=[A0+n(t)]cosωjt，

(6)

式(6)中，A0為載波振幅；ωj為載波角頻率；n(t)為均值為0，方差為σ2的廣義平穩(wěn)噪聲。

2)噪聲調(diào)頻干擾

噪聲調(diào)頻干擾利用噪聲對(duì)射頻信號(hào)頻率進(jìn)行調(diào)制，可表示為[17]

(7)

1.1.3欺騙式干擾

欺騙式干擾作用于接收機(jī)的處理過程，干擾方通過發(fā)送模擬目標(biāo)回波，在雷達(dá)的接收端和信號(hào)處理系統(tǒng)中產(chǎn)生假目標(biāo)，誘導(dǎo)其檢測和跟蹤過程偏離真實(shí)目標(biāo)。干擾方通過改變距離時(shí)延可實(shí)現(xiàn)距離欺騙干擾，或者調(diào)整多普勒頻移可實(shí)現(xiàn)速度欺騙干擾[17]。

1)距離欺騙干擾

假設(shè)發(fā)射信號(hào)如式(4)所示為Ss(t)，干擾機(jī)接收到發(fā)射信號(hào)后，首先對(duì)其特征參數(shù)進(jìn)行解調(diào)提取，然后模擬產(chǎn)生與目標(biāo)回波相同或者相似的干擾信號(hào)為Sj(t)[16-17]，則Sj(t)表達(dá)式為

(8)

式(8)中，Aj為接收機(jī)接收的干擾信號(hào)幅度，τj為干擾總延遲(包含干擾機(jī)固有延時(shí)和干擾方設(shè)置的干擾延遲)，P(t)為與目標(biāo)信號(hào)相同的偽隨機(jī)碼信號(hào)。

2)速度欺騙干擾

雷達(dá)發(fā)射信號(hào)跟蹤移動(dòng)目標(biāo)時(shí)，干擾機(jī)轉(zhuǎn)發(fā)的模擬回波與目標(biāo)回波的多普勒頻率ωd之間相差一個(gè)或多個(gè)干擾信號(hào)頻移，誘導(dǎo)雷達(dá)系統(tǒng)檢測和跟蹤過程偏離目標(biāo)。模擬目標(biāo)回波信號(hào)可表示為[16, 18]

(9)

式(9)中，ωdj為干擾信號(hào)產(chǎn)生的頻移。

1.1.4間歇采樣轉(zhuǎn)發(fā)式干擾

基于DRFM技術(shù)的間歇采樣轉(zhuǎn)發(fā)式干擾通過對(duì)接收的射頻信號(hào)進(jìn)行采樣、存儲(chǔ)、處理、重構(gòu)和轉(zhuǎn)發(fā)，能夠與雷達(dá)發(fā)射信號(hào)保持部分相參性，因此干擾信號(hào)經(jīng)過脈沖壓縮后，能夠獲得一定的處理增益。典型間歇采樣轉(zhuǎn)發(fā)式干擾有直接、重復(fù)和循環(huán)轉(zhuǎn)發(fā)三種方式，本節(jié)以直接和重復(fù)轉(zhuǎn)發(fā)兩種方式為例展開討論。

1)間歇采樣直接轉(zhuǎn)發(fā)式干擾

間歇采樣直接轉(zhuǎn)發(fā)式干擾可表示為[3, 19-20]

(10)

式(10)中，rect(·)波形門函數(shù)，N為干擾切片個(gè)數(shù)，TJ為干擾切片寬度，Kr為發(fā)射信號(hào)調(diào)頻率，τ為干擾機(jī)到雷達(dá)距離引入的延時(shí)。

2)間歇采樣重復(fù)轉(zhuǎn)發(fā)式干擾

間歇采樣重復(fù)轉(zhuǎn)發(fā)式干擾可表示為[3, 19-20]

(11)

式(11)中，M為每個(gè)切片被轉(zhuǎn)發(fā)的次數(shù)，Tn=(M+1)·TJ為干擾機(jī)截獲信號(hào)的時(shí)間間隔。

1.1.5時(shí)頻分析方法

時(shí)頻分析基于變換域?qū)π盘?hào)進(jìn)行預(yù)處理，其提取的高維特征能夠較好地表征不同調(diào)制類型信號(hào)[21-22]。針對(duì)非線性、非平穩(wěn)的雷達(dá)信號(hào)，魏格納分布(Wigner-ville distribution，WVD)是對(duì)其進(jìn)行時(shí)頻域分析的有效方法。

設(shè)混合信號(hào)u(t)滿足

u(t)=au1(t)+bu2(t)，

(12)

式(12)中，u(t)、u1(t)和u2(t)的時(shí)頻形式分別為P(t,f)、P1(t,f)和P2(t,f)。其線性時(shí)頻關(guān)系滿足

P(t,f)=aP1(t,f)+bP2(t,f)。

(13)

對(duì)應(yīng)其非線性時(shí)頻關(guān)系可以表示為[21]

P(t,f)=a|P1(t,f)|2+b|P2(t,f)|2+
2Re[ab|P12(t,f)|2]，

(14)

式(14)中，P12(t,f)代表混合信號(hào)u(t)的交叉項(xiàng)。

常用的時(shí)頻分布有偽魏格納分布(pseudo Wigner-ville distribution, PWVD)、平滑偽魏格納分布(smoothed pseudo Wigner-ville distribution, SPWVD)以及Choi-Williams分布(Choi-Williams distribution, CWD)等[22]。其中，PWVD的時(shí)頻聚集性較強(qiáng)且交叉項(xiàng)抑制效果較好，同時(shí)其計(jì)算也較為簡便，故本課題采用該分布進(jìn)行雷達(dá)有源干擾信號(hào)特征提取。

1.2 參數(shù)設(shè)置與仿真

本節(jié)基于Matlab仿真，得到經(jīng)混頻處理后的中頻干擾信號(hào)時(shí)域波形圖、頻譜圖和時(shí)頻分布圖，并給出對(duì)應(yīng)相關(guān)器[23]的輸出結(jié)果。

1.2.1偽隨機(jī)碼脈沖多普勒雷達(dá)回波仿真

參數(shù)設(shè)置：設(shè)偽隨機(jī)碼碼元寬度Tc=50 ns，碼長P=31，故脈沖寬度T=1 μs，脈沖重復(fù)周期TR=5 μs，載波頻率f0=220 MHz，彈目距離Rt=60 m，信噪比為10 dB。在不存在干擾信號(hào)時(shí)，目標(biāo)回波信號(hào)處理后得到中頻信號(hào)，與本振信號(hào)在相關(guān)后輸出，并計(jì)算此時(shí)的目標(biāo)多普勒頻率fd=656 Hz。

目標(biāo)回波仿真如圖1、圖2所示。

圖 1 目標(biāo)回波信號(hào)時(shí)域圖、頻譜圖和相關(guān)器輸出Fig.1 Time domain plot, spectrogram and correlator output

圖2 目標(biāo)回波信號(hào)時(shí)頻分布圖Fig.2 Time-frequency distribution diagram

從圖1(c)可以看出，在不存在任何干擾的情況，通過相關(guān)器波形可以精確地判斷出此時(shí)的彈目距離。

1.2.2雷達(dá)有源干擾仿真

1)壓制性干擾仿真

參數(shù)設(shè)置：設(shè)干信比為10 dB，調(diào)頻斜率106，調(diào)相斜率為3，其余參數(shù)與1.2.1節(jié)所示保持不變，信號(hào)帶寬為20 MHz，為實(shí)現(xiàn)壓制式干擾，壓制信號(hào)帶寬為80 MHz。

噪聲調(diào)幅干擾仿真如圖3、圖4所示。

圖3 噪聲調(diào)幅干擾信號(hào)時(shí)域圖、頻譜圖和相關(guān)器輸出Fig.3 Time domain plot, spectrogram and correlator output

圖4 噪聲調(diào)幅干擾信號(hào)時(shí)頻分布圖Fig.4 Time-frequency distribution diagram

噪聲調(diào)頻干擾仿真如圖5、圖6所示。

圖5 噪聲調(diào)頻干擾信號(hào)時(shí)域圖、頻譜圖和相關(guān)器輸出Fig.5 Time domain plot, spectrogram and correlator output

圖6 噪聲調(diào)頻干擾信號(hào)時(shí)頻分布圖Fig.6 Time-frequency distribution diagram

壓制性干擾需要較大的功率。從圖3(c)和圖5(c)可以看出，隨著干信比的增大，干擾信號(hào)成功實(shí)現(xiàn)了對(duì)目標(biāo)信號(hào)的干擾壓制。兩者與目標(biāo)回波在時(shí)域的特征相似度較高，在頻域的特征差異較為明顯，而其時(shí)頻分布特征存在一定的相似性。

2)欺騙式干擾仿真

參數(shù)設(shè)置：干信比為5 dB，欺騙距離Rj=20 m，其余參數(shù)如1.2.1節(jié)所示保持不變。對(duì)于速度欺騙干擾，可通過相位調(diào)制達(dá)到干擾效果。

距離欺騙干擾仿真如圖7、圖8所示。

圖7 距離欺騙干擾信號(hào)時(shí)域圖、頻譜圖和相關(guān)器輸出Fig.7 Time domain plot, spectrogramand correlator output

圖8 距離欺騙干擾信號(hào)時(shí)頻分布圖Fig.8 Time-frequency distribution diagram

速度欺騙干擾仿真如圖9、圖10所示。

圖9 速度欺騙干擾信號(hào)時(shí)域圖、頻譜圖和相關(guān)器輸出Fig.9 Time-domain plots, spectrograms, and correlator outputs

圖10 速度欺騙干擾信號(hào)時(shí)頻分布圖Fig.10 Time-frequency distribution

可見欺騙式干擾能夠在較小干擾功率條件下達(dá)到良好的干擾效果，且在時(shí)域和頻域上都與目標(biāo)具有相似的特征。但是，兩者之間及其與目標(biāo)回波的時(shí)頻分布特征差異較為明顯。

3)間歇采樣轉(zhuǎn)發(fā)式干擾仿真

參數(shù)設(shè)置：干信比為13 dB，欺騙距離Rj=20 m，其余參數(shù)與1.2.1節(jié)所示保持不變。

間歇采樣直接轉(zhuǎn)發(fā)式干擾仿真如圖11、圖12所示。

圖11 間歇采樣直接轉(zhuǎn)發(fā)干擾信號(hào)時(shí)域圖、頻譜圖和相關(guān)器輸出Fig.11 Time-domain plot, spectrogram and correlator output

圖12 間歇采樣直接轉(zhuǎn)發(fā)干擾信號(hào)時(shí)頻分布圖Fig.12 Time-frequency distribution

間歇采樣重復(fù)轉(zhuǎn)發(fā)式干擾仿真如圖13、圖14所示。

圖13 間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾信號(hào)時(shí)域圖、頻譜圖和相關(guān)器輸出Fig.13 Time-domain plot, spectrogram and correlator output

圖14 間歇采樣重復(fù)轉(zhuǎn)發(fā)干擾信號(hào)時(shí)頻分布圖Fig.14 Time-frequency distribution

可見間歇采樣轉(zhuǎn)發(fā)式干擾能夠以較小的干擾功率達(dá)到良好的干擾效果。兩種轉(zhuǎn)發(fā)式干擾與目標(biāo)回波的時(shí)域和頻域特征相似度較高，但三者時(shí)頻分布特征差異較為明顯。

2 基于半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的雷達(dá)有源干擾識(shí)別

2.1 數(shù)據(jù)集構(gòu)建

根據(jù)上述仿真分析和不同調(diào)制類型干擾在時(shí)頻域的差異性特征，采用時(shí)頻分布作為干擾信號(hào)特征提取的主要方法。本節(jié)運(yùn)用Matlab仿真生成雷達(dá)回波和干擾信號(hào)數(shù)據(jù)后，基于PWVD變換提取信號(hào)高維特征，然后運(yùn)用Python按照CIFAR-10數(shù)據(jù)集的結(jié)構(gòu)構(gòu)建雷達(dá)有源干擾數(shù)據(jù)集。該數(shù)據(jù)集中包含7種信號(hào)，每一類型包含6 000個(gè)樣本，具體結(jié)構(gòu)如表1所示。

表1 雷達(dá)有源干擾信號(hào)數(shù)據(jù)集Tab.1 Radar active jamming signal dataset

2.2 FixMatch算法[13]

作為SSL的重要組成之一，一致性正則化利用了無標(biāo)簽數(shù)據(jù)，它依賴于這樣一個(gè)假設(shè)：當(dāng)輸入相同圖像的擾動(dòng)版本時(shí)，模型應(yīng)該輸出類似的預(yù)測。其中模型通過標(biāo)準(zhǔn)監(jiān)督分類損失進(jìn)行訓(xùn)練，并通過損失函數(shù)對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練[13]：

(15)

式(15)中，α和pm都是隨機(jī)函數(shù)，所以式中的兩項(xiàng)會(huì)有不同的值。

基于上述思想，偽標(biāo)簽利用模型本身為未標(biāo)簽數(shù)據(jù)獲取人工標(biāo)簽。設(shè)qb=pm(y|ub)，偽標(biāo)簽使用以下?lián)p失函數(shù)[13]：

(16)

FixMatch的損失函數(shù)包含兩個(gè)交叉熵?fù)p失項(xiàng)：應(yīng)用于標(biāo)記數(shù)據(jù)的有監(jiān)督損失ls和無監(jiān)督損失lu。具體來說，ls只是弱增強(qiáng)標(biāo)記示例上的標(biāo)準(zhǔn)交叉熵?fù)p失[13]：

(17)

(18)

式(18)中，τ是一個(gè)標(biāo)量超參數(shù)，表示保留偽標(biāo)簽的閾值。用FixMatch最小化的損失為ls+λulu，其中λu是一個(gè)固定標(biāo)量超參數(shù)，表示未標(biāo)記損失的相對(duì)權(quán)重。

2.3 基于FixMatch算法的雷達(dá)有源干擾識(shí)別方法

在上述理論和仿真分析的基礎(chǔ)上，提出基于FixMatch算法的雷達(dá)有源干擾識(shí)別方法，如圖15所示。

圖15 基于FixMatch的雷達(dá)有源干擾識(shí)別方法Fig.15 Radar active jamming identification method based on FixMatch

具體步驟如下：

1) 生成雷達(dá)有源干擾信號(hào)樣本；

2) 利用時(shí)頻分析方法提取信號(hào)高維特征；

3) 構(gòu)建雷達(dá)有源干擾信號(hào)數(shù)據(jù)集，數(shù)據(jù)集包含訓(xùn)練集和測試集兩個(gè)部分，其中，訓(xùn)練集中僅部分樣本有標(biāo)簽，而測試集中的樣本都具有標(biāo)簽；

4) 使用訓(xùn)練集對(duì)半監(jiān)督分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保存模型參數(shù)；

5) 導(dǎo)入模型參數(shù)，利用測試集對(duì)分類模型進(jìn)行測試。

3 仿真結(jié)果與分析

仿真實(shí)驗(yàn)主要考察樣本標(biāo)簽數(shù)量對(duì)模型性能的影響。實(shí)驗(yàn)根據(jù)標(biāo)簽數(shù)量區(qū)分為3種情況：1) 每一類樣本有4個(gè)標(biāo)簽，共計(jì)28個(gè)標(biāo)簽，訓(xùn)練次數(shù)為128輪；2) 每一類樣本有25個(gè)標(biāo)簽，共計(jì)175個(gè)標(biāo)簽，訓(xùn)練次數(shù)為25輪；3) 每一類樣本有400個(gè)標(biāo)簽，共計(jì)2 800個(gè)標(biāo)簽，訓(xùn)練次數(shù)為112輪。其中，訓(xùn)練次數(shù)設(shè)置按照訓(xùn)練時(shí)間大致相當(dāng)?shù)脑瓌t。關(guān)于模型的性能優(yōu)劣，主要通過識(shí)別準(zhǔn)確率和混淆矩陣對(duì)其進(jìn)行評(píng)估[24-25]。

3.1 仿真結(jié)果

3.1.1具有28個(gè)標(biāo)簽時(shí)的模型性能

1) 準(zhǔn)確率

經(jīng)過128輪訓(xùn)練，用時(shí)約728 min，模型的識(shí)別準(zhǔn)確率為87.6%。

2) 混淆矩陣

為了分析具有28個(gè)標(biāo)簽時(shí)模型對(duì)于有源干擾信號(hào)的識(shí)別性能，繪制模型分類后的混淆矩陣，如圖16所示，橫軸代表真實(shí)標(biāo)簽，縱軸代表預(yù)測標(biāo)簽，橫軸與縱軸交叉的部分便是混淆矩陣。測試集中每個(gè)干擾類型包含1 000個(gè)樣本，從圖中可以看出，回波、噪聲調(diào)幅干擾、欺騙式干擾、間歇采樣轉(zhuǎn)發(fā)式干擾等信號(hào)識(shí)別準(zhǔn)確率均大于95.6%，同時(shí)，75.1%的噪聲調(diào)頻干擾被誤分類為噪聲調(diào)幅干擾。

圖16 混淆矩陣1Fig.16 Confusion matrix 1

3.1.2具有175個(gè)標(biāo)簽時(shí)的模型性能

1) 準(zhǔn)確率

經(jīng)過25輪訓(xùn)練，用時(shí)約738 min，模型的識(shí)別準(zhǔn)確率為92.8%。

2) 混淆矩陣

為了分析具有175個(gè)標(biāo)簽時(shí)的模型對(duì)于有源干擾信號(hào)的識(shí)別性能，繪制模型分類后的混淆矩陣，如圖17所示。

圖17 混淆矩陣2Fig.17 Confusion matrix 2

從圖17中可以看出，欺騙式干擾、間歇采樣轉(zhuǎn)發(fā)式干擾和真實(shí)回波信號(hào)的識(shí)別準(zhǔn)確率均大于97.9%，而噪聲調(diào)幅干擾與噪聲調(diào)頻干擾之間存在輕微混淆。

3.1.3具有2 800個(gè)標(biāo)簽時(shí)的模型性能

1) 準(zhǔn)確率

經(jīng)過112輪訓(xùn)練，用時(shí)約733 min，模型的識(shí)別準(zhǔn)確率為94.7%。

2) 混淆矩陣

為了分析具有2 800個(gè)標(biāo)簽時(shí)的模型對(duì)于有源干擾信號(hào)的識(shí)別性能，繪制模型分類后的混淆矩陣，如圖18所示。

圖18 混淆矩陣3Fig.18 Confusion matrix 3

從圖18中可以看出，欺騙式干擾、間歇采樣轉(zhuǎn)發(fā)式干擾和真實(shí)回波信號(hào)的識(shí)別準(zhǔn)確率均大于99.4%，而噪聲調(diào)幅干擾與噪聲調(diào)頻干擾之間混淆程度較3.1.2節(jié)得到一定程度的改善。

3.2 結(jié)果分析

根據(jù)上述仿真結(jié)果，分析如下：

1) 由準(zhǔn)確率的變化可知，樣本標(biāo)簽數(shù)量是影響模型性能的重要因素之一。

2) 從圖16—圖18中可以看出，噪聲調(diào)幅干擾與噪聲調(diào)頻干擾之間存在混淆，通過標(biāo)簽數(shù)量的增加，兩者之間的混淆程度得到改善。

4 結(jié)論

本文提出一種基于SSL網(wǎng)絡(luò)的雷達(dá)有源干擾識(shí)別方法，用于提升具有少量標(biāo)簽的雷達(dá)有源干擾信號(hào)識(shí)別性能。首先，仿真生成有源干擾信號(hào)樣本，然后利用時(shí)頻分析方法提取信號(hào)高維特征，并運(yùn)用Python生成雷達(dá)有源干擾信號(hào)數(shù)據(jù)集，最后，開展了基于FixMatch算法的雷達(dá)有源干擾識(shí)別仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，在數(shù)據(jù)集具有28個(gè)標(biāo)簽時(shí)模型精度為87.6%，具有175個(gè)標(biāo)簽時(shí)模型精度為92.8%，具有2 800個(gè)標(biāo)簽時(shí)模型精度為94.7%。驗(yàn)證了SSL網(wǎng)絡(luò)在具有少量標(biāo)簽的雷達(dá)有源干擾識(shí)別應(yīng)用中有重大研究價(jià)值。下一步工作主要從SSL網(wǎng)絡(luò)的輕量化方面展開，為其在機(jī)載或彈載情況下的應(yīng)用提供技術(shù)支撐。