超视距雷达中距离-多普勒图的瞬态干扰自动识别方法

doi:10.12263/DZXB.20201277

电子学报 ›› 2021, Vol. 49 ›› Issue (7): 1279-1285.DOI: 10.12263/DZXB.20201277

超视距雷达中距离-多普勒图的瞬态干扰自动识别方法

罗忠涛¹, 夏杭¹, 卢琨², 何子述³

^1.重庆邮电大学通信与信息工程学院, 重庆 400065
^2.南京电子技术研究所, 江苏南京 210013
^3.电子科技大学信息与通信工程学院, 四川成都 611731

收稿日期:2020-11-12 修回日期:2020-12-09 出版日期:2021-07-25
- 作者简介:
- 罗忠涛　男，1984年生于四川隆昌.重庆邮电大学通信与信息工程学院副教授.研究方向为统计信号处理、数字图像处理与机器学习.E‑mail:luozt@cqupt.edu.cn
  夏　杭　男，1994年生于贵州安顺.重庆邮电大学通信与信息工程学院硕士研究生.研究方向为雷达信号处理、数字图像处理与机器学习.E‑mail: 1790095607@qq.com
  卢　琨　男，1977年生于广西桂林.南京电子技术研究所研究员级高级工程师.研究方向为超视距雷达系统设计与信息处理. E‑mail: mimimomoba@gmail.com
  何子述　男，1962年生于四川新繁.电子科技大学信息与通信工程学院教授.研究方向为雷达信号处理与阵列信号处理.E‑mail:zshe@uestc.edu.cn
- 基金资助:
- 国家自然科学基金 (61701067)

Automatic Recognition of Transient Interference in the Range‑Doppler Map for Over‑the‑Horizon Radar

LUO Zhong‑tao¹, XIA Hang¹, LU Kun², HE Zi‑shu³

^1.School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
^2.Nanjing Research Institute of Electronics Technology, Nanjing, Jiangsu 210013, China
^3.School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan 611731, China

Received:2020-11-12 Revised:2020-12-09 Online:2021-07-25 Published:2021-08-11
- Supported by:
- National Natural Science Foundation of China (61701067)

摘要/Abstract

摘要：

为提高瞬态干扰处理的稳健性，超视距雷达可采用先识别后抑制的思路.本文研究基于距离-多普勒（Range?Doppler, RD）图的瞬态干扰自动识别方法，将RD图转化为灰度图，提取其纹理特征，再基于机器学习设计分类算法.首先，提出新的瞬态干扰模型，仿真产生干扰数据，避免训练依赖实测数据；其次，建立RD灰度图图库，分强干扰、弱干扰和无干扰三类情况；然后，提取局部二值模式（Local Binary Pattern, LBP）纹理特征，基于支持向量机设计二分类器，结合纠错输出编码设计三分类器.最后，通过实测数据和文献RD图，验证本文所提识别方法的准确性，并比较分析不同图像特征及参数的影响.

关键词: 超视距雷达, 距离?多普勒图, 瞬态干扰, 干扰识别, 支持向量机, 纹理特征

Abstract:

To improve the robustness of transient interference processing, over?the?horizon radar (OTHR) can take the way of suppression after assured detection. This paper analyzes automatic recognition of transient interference in the range?Doppler (RD) map, by transforming the RD map into gray image, extracting the texture features, and designing the classification algorithm based on machine learning. Firstly, a model of transient interference is developed to simulate the received data, so that the training does not rely on real data. Secondly, the image datasets are produced and classified into three categories, i.e. strong interference, weak interference, and non?interference. Then, the local binary pattern (LBP) texture features are extracted to design the binary classifier based on support vector machine (SVM) and then design the ternary classifier by error?correcting output codes (ECOC). Finally, simulations based on real data from OTHR and literatures demonstrate the effectiveness of our method and the effects of various parameters and image features.

Key words: OTHR, RD map, transient interference, interference recognition, SVM, texture features

中图分类号:

TN958.93

罗忠涛, 夏杭, 卢琨, 等. 超视距雷达中距离-多普勒图的瞬态干扰自动识别方法[J]. 电子学报, 2021, 49(7): 1279-1285.

Zhong?tao LUO, Hang XIA, Kun LU, et al. Automatic Recognition of Transient Interference in the Range‑Doppler Map for Over‑the‑Horizon Radar[J]. Acta Electronica Sinica, 2021, 49(7): 1279-1285.

图/表 8

图1 不同强度瞬态干扰RD图及灰度图

图2 训练与测试图库生成流程

图3 三类干扰对应LBP特征图及局部统计直方图

图4 干扰训练与测试流程图

表1 本文方法在不同Q和R上实测数据的识别率(%)

$L B P Q, R u 2$	Q = 4	Q = 8	Q = 16	Q = 32
R = 1	92.42	93.94	71.21	65.91
R = 2	85.61	71.97	59.85	57.58
R = 3	59.85	52.27	43.18	38.64
R = 4	66.67	55.30	36.36	33.33
R = 5	55.30	60.61	33.33	33.33

表1 本文方法在不同Q和R上实测数据的识别率(%)

$L B P Q, R u 2$	Q = 4	Q = 8	Q = 16	Q = 32
R = 1	92.42	93.94	71.21	65.91
R = 2	85.61	71.97	59.85	57.58
R = 3	59.85	52.27	43.18	38.64
R = 4	66.67	55.30	36.36	33.33
R = 5	55.30	60.61	33.33	33.33

表2 基于全图在不同Q和R上实测数据的识别率(%)

$L B P Q, R u 2$	Q = 4	Q = 8	Q = 16	Q = 32
R = 1	87.88	86.36	71.97	60.61
R = 2	90.15	68.94	59.09	53.03
R = 3	60.61	55.30	51.52	33.33
R = 4	62.88	59.09	56.06	33.33
R = 5	57.58	49.24	33.33	33.33

表2 基于全图在不同Q和R上实测数据的识别率(%)

$L B P Q, R u 2$	Q = 4	Q = 8	Q = 16	Q = 32
R = 1	87.88	86.36	71.97	60.61
R = 2	90.15	68.94	59.09	53.03
R = 3	60.61	55.30	51.52	33.33
R = 4	62.88	59.09	56.06	33.33
R = 5	57.58	49.24	33.33	33.33

表3 不同特征在实测数据上的识别率(%)

特征/类别	无瞬态干扰	弱瞬态干扰	强瞬态干扰	总识别率
HOG	95.45	95.45	0	63.64
GLCM	29.55	95.45	20.45	48.48
$L B P 8,1 r i u 2$	97.73	72.73	86.36	85.61
本文 $L B P 8,1 u 2$	100	84.09	97.73	93.94

表3 不同特征在实测数据上的识别率(%)

特征/类别	无瞬态干扰	弱瞬态干扰	强瞬态干扰	总识别率
HOG	95.45	95.45	0	63.64
GLCM	29.55	95.45	20.45	48.48
$L B P 8,1 r i u 2$	97.73	72.73	86.36	85.61
本文 $L B P 8,1 u 2$	100	84.09	97.73	93.94

图5 文献[19,20]中瞬态干扰抑制前后的RD灰度图

参考文献 20

1	周文瑜，焦培南. 超视距雷达技术［M］. 北京：电子工业出版社， 2008. 132 - 134.
2	邢孟道，保铮，强勇. 天波超视距雷达瞬态干扰抑制［J］. 电子学报， 2002， 30（6）： 823 - 826.
	XINGMeng‑dao， BAOZheng， QIANGYong. Transient interference excision in OTHR［J］. Acta Electronica Sinica， 2002， 30（6）： 823 - 826. （in Chinese）
3	李茂，何子述. 基于矩阵补全的天波雷达瞬态干扰抑制算法［J］. 电子与信息学报， 2015， 37（5）： 1031 - 1037.
	LIMao， HEZi‑shu. Sky‑wave radar transient interference suppression based on matrix completion［J］. Journal of Electronics and Information Technology， 2015， 37（5）： 1031 - 1037. （in Chinese）
4	徐兴安，吴雄斌，陈骁锋，等. 一种基于S变换的高频地波雷达瞬态干扰抑制方法［J］. 电子学报， 2014， 42（3）： 602 - 606.
	XUXing‑an， WUXiong‑bin， CHENXiao‑feng， et al. An instantaneous interference suppression approach based on S transforms［J］. Acta Electronica Sinica， 2014， 42（3）： 602 - 606. （in Chinese）
5	刘子威，苏洪涛，胡勤振. 天波超视距雷达中瞬态干扰定位方法研究［J］. 电子与信息学报， 2016， 38（10）： 2482 - 2487.
	LIUZi‑wei， SUHong‑tao， HUQin‑zhen. Transient interference localization method in the skywave over‑the‑horizon radar［J］. Journal of Electronics and Information Technology， 2016， 38（10）： 2482 - 2487. （in Chinese）
6	LUOZhong‑tao， SONGTie‑cheng， HEZi‑shu， et al. Approach for transient interference detection based on straight line extraction for high‑frequency sky‑wave radar［J］. Electronics Letters， 2017， 53（9）： 618 - 620.
7	罗忠涛，吴太锋，何子述，等. 基于图像分割的高频雷达射频干扰提取算法［J］. 系统工程与电子技术， 2018， 40（4）： 776 - 781.
	LUOZhong‑tao， WUTai‑feng， HEZi‑shu， et al. Extraction of radio frequency interference based on image segmentation for high‑frequency radar［J］. Systems Engineering and Electronics， 2018， 40（4）： 776 - 781. （in Chinese）
8	LUOZhong‑tao， WUTai‑feng， HEZi‑shu， et al. Extraction of sea‑clutter and RFI regions based on image segmentation for high‑frequency sky‑wave radar［J］. IET Radar， Sonar and Navigation， 2019， 13（1）： 58 - 64.
9	WANGZhao‑yi， LUOZhong‑tao， HEZi‑shu， et al. Coarseness in OTHR image and its application for diagonal loading factor determination［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（9）： 1523 - 1527.
10	刘丽，匡纲要. 图像纹理特征提取方法综述［J］. 中国图像图形学报， 2009， 14（4）： 622 - 635.
	LIULi， KUANGGang‑yao. Overview of image textural feature extraction methods［J］. Journal of Image and Graphics， 2009， 14（4）： 622 - 635. （in Chinese）
11	OjalaT， PietikainenM. Multiresolution gray‑scale and rotation invariant texture classification with local binary patterns［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（7）： 971 - 987.
12	王凯丽，张艳红，肖斌，等. 一种基于二维局部二值模式的纹理图像分类方法［J］. 电子学报， 2018， 46（10）： 2519 - 2526.
	WANGKai‑li， ZHANGYan‑hong， XIAOBin， et al. Texture images classification based on two dimensional local binary patterns［J］. Acta Electronica Sinica， 2018， 46（10）： 2519 - 2526. （in Chinese）
13	DalalN， TriggsB. Histograms of oriented gradients for human detection［A］. Proceedings of the IEEE Computer Vision and Pattern Recognition［C］. San Diego， California， USA： IEEE， 2005. 886 - 893.
14	HaralickR M， ShanmugamK， DinsteinI. Textural features for image classification［J］. IEEE Transaction on Systems， Man， and Cybernetics， 1973， 3（6）： 610 - 621.
15	CortesC， VapnikV. Support‑vector networks［J］. Machine Learning， 1995， 20（3）： 273 - 297.
16	EscaleraS， PujolO， RadevaP. On the decoding process in ternary error‑correcting output codes［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010， 32（1）： 120 - 134.
17	王玲. 基于LBP的特征提取研究［D］. 北京：北京交通大学， 2009.
	WANGLing. Research of Feature Extraction Based on Local Binary Patterns［D］. Beijing： Beijing Jiaotong University， 2009. （in Chinese）
18	UlabyF T， KouyateF， BriscoB， et al. Textural information in SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 1986， 24（2）： 235 - 245.
19	李万阁. 天波超视距雷达干扰抑制与机动目标检测研究［D］. 四川成都：电子科技大学， 2015.
	LIWan‑ge. Research on Interference Suppression and Maneuvering Target Detection in Skywave Over‑the‑Horizon Radar［D］. Chengdu， Sichuan： University of Electronic Science and Technology of China， 2015. （in Chinese）
20	刘子威. 雷达稳健非平稳干扰抑制方法研究［D］. 陕西西安：西安电子科技大学， 2016.
	LIUZi‑wei. Study on Robust Methods of Nonstationary Interferences Suppression for Radar［D］. Xi’an， Shaanxi： Xidian University， 2016. （in Chinese）

[1]	曹源, 宋迪, 胡小溪, 孙永奎. 基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断[J]. 电子学报, 2023, 51(1): 117-127.
[2]	罗忠涛, 严美慧, 卢琨, 夏杭. 超视距雷达中射频干扰仿真与距离-多普勒图检测方法[J]. 电子学报, 2022, 50(5): 1174-1180.
[3]	吴国庆, 王罗胜斌, 庞晨, 李永祯, 王雪松. 雷达极化域变焦角反组合体对抗方法：抗冲淡式干扰[J]. 电子学报, 2022, 50(12): 2969-2983.
[4]	李灿, 张钰, 王增福, 卢琨, 潘泉. 基于代数多重网格的天波超视距雷达跨尺度地海杂波识别方法[J]. 电子学报, 2022, 50(12): 3021-3029.
[5]	孙晨峰, 吕卫民, 戴洪德, 张浩晨. 一种基于TimeGAN和OCSVM的多元退化设备小子样数据增广方法[J]. 电子学报, 2022, 50(11): 2678-2687.
[6]	杨国为, 万鸣华, 赖志辉, 张凡龙, 黄伟强. 具有合适拒识机制的高正确识别率分类器设计[J]. 电子学报, 2021, 49(8): 1569-1576.
[7]	钱忠胜, 俞情媛, 宋涛, 朱懿敏, 祝洁, 赵畅. 基于支持向量机回归模型的测试用例生成与重用[J]. 电子学报, 2021, 49(7): 1386-1391.
[8]	张芳鑫, 王法松, 李睿, 左婷. GSSK‑VLC系统中基于SVM的LED选择算法[J]. 电子学报, 2021, 49(7): 1400-1405.
[9]	刘芳, 韩笑. 基于小波变换和深度网络的着陆地貌图像分类[J]. 电子学报, 2021, 49(11): 2171-2176.
[10]	史聪伟, 赵杰煜, 陈瑜. 利用网格卷积特征的三维形变目标分类[J]. 电子学报, 2020, 48(4): 648-653.
[11]	张学军, 景鹏, 何涛, 孙知信. 基于变分模态分解的癫痫脑电信号分类方法[J]. 电子学报, 2020, 48(12): 2469-2475.
[12]	方佳艳, 刘峤. 具有同步化特征选择的迭代紧凑非平行支持向量聚类算法[J]. 电子学报, 2020, 48(1): 44-58.
[13]	周国华, 卢剑炜, 顾晓清, 殷新春. 基于简约凸壳的一类模糊支持向量机[J]. 电子学报, 2019, 47(8): 1708-1716.
[14]	徐贵力, 谢瑒, 程月华, 王正盛, 张泽宏, 姜斌. 一种抗光照突变的前景提取方法研究[J]. 电子学报, 2019, 47(7): 1401-1407.
[15]	郑威迪, 李志刚, 贾涵中, 高闯. 基于改进型鲸鱼优化算法和最小二乘支持向量机的炼钢终点预测模型研究[J]. 电子学报, 2019, 47(3): 700-706.

超视距雷达中距离-多普勒图的瞬态干扰自动识别方法

Automatic Recognition of Transient Interference in the Range‑Doppler Map for Over‑the‑Horizon Radar

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 20

相关文章 15

编辑推荐

Metrics