王 偉，武星輝，王欽釗，王 敏

（1.陸軍裝甲兵學(xué)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(xué)雷達(dá)信號處理國家重點實驗室，西安 710071）

0 引言

隨著雷達(dá)檢測與抗干擾技術(shù)不斷發(fā)展，有源欺騙干擾技術(shù)干擾性能不足成為電子對抗中亟需解決的問題。文獻(xiàn)［1］針對脈沖壓縮雷達(dá)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(biāo)，從而限制雷達(dá)的檢測性能，達(dá)到干擾效果。文獻(xiàn)［2］提出基于數(shù)字射頻存儲器（digital radio frequency memory，DRFM）技術(shù)的間歇采樣直接轉(zhuǎn)發(fā)干擾樣式，達(dá)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(dá)的干擾效果。文獻(xiàn)［3］中不僅針對脈沖壓縮雷達(dá)與脈沖多普勒雷達(dá)兩種雷達(dá)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(shù)，在此基礎(chǔ)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(dá)的密集假目標(biāo)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(fù)用”等方面。

近年來，深度學(xué)習(xí)被廣泛應(yīng)用于許多領(lǐng)域，包括雷達(dá)檢測與抗干擾技術(shù)，然而將深度學(xué)習(xí)應(yīng)用于有源欺騙干擾領(lǐng)域鮮有研究。生成對抗網(wǎng)絡(luò)（generative adversarial networks，GAN）最早由Goodfellow I J 等提出，之后GAN 網(wǎng)絡(luò)衍生出一系列其他網(wǎng)絡(luò)模型，其中就包括本文應(yīng)用的循環(huán)一致性生成對抗網(wǎng)絡(luò)（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(luò)訓(xùn)練來學(xué)習(xí)目標(biāo)數(shù)據(jù)，通過判決器的反饋來進行不斷修正網(wǎng)絡(luò)參數(shù)，兩者在博弈中不斷提升整個網(wǎng)絡(luò)的數(shù)據(jù)生成能力和判決能力，最后達(dá)到納什均衡，同時結(jié)束訓(xùn)練。本文使用的Cycle-GAN 繼承了GAN 模型對抗訓(xùn)練的特點，并在GAN 模型的基礎(chǔ)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(xùn)練模型，可以實現(xiàn)在不降低生成器準(zhǔn)確性的基礎(chǔ)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(luò)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(luò)生成器的輸入與網(wǎng)絡(luò)判決器的判決標(biāo)準(zhǔn)，從而生成優(yōu)化之后的干擾信號；然后根據(jù)雷達(dá)成像技術(shù)，將干凈回波信號、未經(jīng)網(wǎng)絡(luò)處理的干擾回波信號與網(wǎng)絡(luò)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(luò)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(dá)到降低雷達(dá)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(dá)干凈回波信號進行復(fù)制與轉(zhuǎn)發(fā)。首先干擾機截取雷達(dá)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(fù)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(dá)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(dá)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(dá)信號采樣所得的子段信號；最后經(jīng)過Interleaving 階段，復(fù)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(dá)參數(shù)設(shè)置如下：雷達(dá)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(guān)系，C＆I 干擾參數(shù)設(shè)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(dá)發(fā)射信號時域波形以及C＆I 干擾時域波形。

圖2 雷達(dá)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(fù)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(dǎo)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(fù)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(dá)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(luò)

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(quán)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(luò)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(biāo)簽的干凈回波信號序列，用來代替原本Cycle-GAN 網(wǎng)絡(luò)的兩域圖片輸入，并將其作為Cycle-GAN 的輸入進行訓(xùn)練，訓(xùn)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(luò)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(xùn)練

在訓(xùn)練過程中，Cycle-GAN 網(wǎng)絡(luò)的輸入為干凈的無噪聲信號序列，網(wǎng)絡(luò)將添加干擾的信號序列作為目標(biāo)序列，通過不斷訓(xùn)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?jǐn)?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(xùn)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(xùn)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(xùn)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(biāo)簽的干凈回波信號數(shù)據(jù)；然后利用訓(xùn)練完成的網(wǎng)絡(luò)產(chǎn)生干擾信號；最后將干凈回波信號與網(wǎng)絡(luò)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(biāo)與總目標(biāo)比值的評估方法來驗證網(wǎng)絡(luò)產(chǎn)生干擾的性能。

3 實驗結(jié)果與分析

3.1 實驗設(shè)置

實驗中雷達(dá)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(biāo)數(shù)10。仿真的雷達(dá)原始回波作為網(wǎng)絡(luò)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(luò)的目標(biāo)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(biāo)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(xùn)練集與測試集；然后利用訓(xùn)練集數(shù)據(jù)與目標(biāo)信號進行網(wǎng)絡(luò)訓(xùn)練，得到Cycle-GAN的網(wǎng)絡(luò)參數(shù)；將測試集樣本輸入網(wǎng)絡(luò)中，最后得到訓(xùn)練完成后網(wǎng)絡(luò)生成的干擾信號；最后將干凈回波數(shù)據(jù)與網(wǎng)絡(luò)生成的干擾信號變換到RD 域，對比真假目標(biāo)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(shè)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(luò)生成的干擾信號RD 圖像中假目標(biāo)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(biāo)在網(wǎng)絡(luò)生成干擾信號RD 圖中的顯示更加模糊，Cycle-GAN 網(wǎng)絡(luò)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(luò)進行干擾后，對于雷達(dá)的檢測能夠達(dá)到較好的抑制效果，虛假目標(biāo)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(fù)制、粘貼、轉(zhuǎn)發(fā)過程進行干擾，勢必會產(chǎn)生虛假目標(biāo)，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(biāo)數(shù)，干凈回波情況下的目標(biāo)個數(shù)為真實目標(biāo)數(shù)，干擾之后的目標(biāo)個數(shù)為添加虛假目標(biāo)之后的總目標(biāo)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(biāo)個數(shù)；total_tar 代表干擾后回波中總目標(biāo)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(luò)訓(xùn)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(dá)到0.64，檢測率為0.36，通過網(wǎng)絡(luò)訓(xùn)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(dá)到0.76，平均的正確檢測率僅為0.24，經(jīng)過網(wǎng)絡(luò)訓(xùn)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(dá)到0.71，檢測率為0.39，然而基于網(wǎng)絡(luò)訓(xùn)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(dá)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(luò)訓(xùn)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(dá)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(luò)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(dá)檢測性能與抗干擾能力逐步提升導(dǎo)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(xué)習(xí)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(dá)檢測的目標(biāo)，為未來雷達(dá)信號干擾提供新的方法。