基于Cycle-GAN 的有源欺骗干扰方法*

王 伟，武星辉，王钦钊，王 敏

（1.陆军装甲兵学院，北京 100072；2.北京特种车辆研究所，北京 100072；3.西安电子科技大学雷达信号处理国家重点实验室，西安 710071）

0 引言

随着雷达检测与抗干扰技术不断发展，有源欺骗干扰技术干扰性能不足成为电子对抗中亟需解决的问题。文献［1］针对脉冲压缩雷达进行欺骗式干扰建模，提出了两种新的干扰样式切片干扰（chopping interleaving，C＆I）和弥散频谱干扰（smeared spectrum，SMSP），这两种干扰样式的干扰信号产生流程均为截取、调制、转发，经过这个流程生成的干扰信号将产生虚假目标，从而限制雷达的检测性能，达到干扰效果。文献［2］提出基于数字射频存储器（digital radio frequency memory，DRFM）技术的间歇采样直接转发干扰样式，达到兼有欺骗与压制双重效果的干扰，并在实验中验证了其对于线性调频脉冲压缩雷达的干扰效果。文献［3］中不仅针对脉冲压缩雷达与脉冲多普勒雷达两种雷达体制进行干扰建模，同时也研究了协同干扰等问题。目前，主流的干扰方式主要基于DRFM 技术，在此基础上，国内外研究人员提出大量改进算法，主要集中于“线性调频雷达的密集假目标干扰”，“DRFM 的间歇采样的干扰方式”以及“不同类型干扰方式的复用”等方面。

近年来，深度学习被广泛应用于许多领域，包括雷达检测与抗干扰技术，然而将深度学习应用于有源欺骗干扰领域鲜有研究。生成对抗网络（generative adversarial networks，GAN）最早由Goodfellow I J 等提出，之后GAN 网络衍生出一系列其他网络模型，其中就包括本文应用的循环一致性生成对抗网络（cycle-generative adversarial networks，Cycle-GAN）。最原始的GAN 模型由一个生成器和一个判决器构成，生成器的作用是通过网络训练来学习目标数据，通过判决器的反馈来进行不断修正网络参数，两者在博弈中不断提升整个网络的数据生成能力和判决能力，最后达到纳什均衡，同时结束训练。本文使用的Cycle-GAN 继承了GAN 模型对抗训练的特点，并在GAN 模型的基础上加以改进，首先将给定的信号序列作为输入，其次Cycle-GAN 由一对GAN 模型构成循环训练模型，可以实现在不降低生成器准确性的基础上提升GAN 模型的稳定性。

提出一种基于Cycle-GAN 的有源欺骗干扰生成算法，首先根据Cycle-GAN 的网络架构，将干净回波信号、添加干扰回波信号分别作为网络生成器的输入与网络判决器的判决标准，从而生成优化之后的干扰信号；然后根据雷达成像技术，将干净回波信号、未经网络处理的干扰回波信号与网络生成的干扰信号变换到距离多普勒（range-doppler，RD）域，通过本文提出的干扰性能评估方法，对网络生成干扰的性能进行验证。实验结果证明，相比于C＆I 干扰与SMSP 干扰，本文所提出的干扰生成算法具有更好的干扰性能，从而达到降低雷达检测概率的效果。

1 模型介绍

1.1 C＆I 干扰模型

本文采用的C＆I 干扰主要通过对干扰机接收到的雷达干净回波信号进行复制与转发。首先干扰机截取雷达信号，同时保存到DRFM 中；然后在Chopping 阶段，采用相同间隔的矩形脉冲串对DRFM 中的信号采样；最后为Interleaving 阶段，复制第2 步截取并采样的小段信号填充到相邻间隔中，直至间隔填充满时结束。

C＆I 干扰生成仿真流程如图1 所示，首先将雷达信号分为N=m·n 段，其中，m 为矩形脉冲串个数，将整段信号截成m 个子段信号；n 为子段的时间间隙数，即将子段信号再分成更小的间隔并填入相邻的间隔中，生成时宽为T/N（T 为雷达信号的时宽）的子段信号存入DRFM 中；然后通过Chopping 阶段从DRFM 中提取雷达信号采样所得的子段信号；最后经过Interleaving 阶段，复制子段信号并填充到相邻信号的间隔中，从而产生C＆I 干扰。

图1 C＆I 干扰产生原理图

仿真中雷达参数设置如下：雷达带宽1.25 MHz，信号采样率4 MHz，脉冲宽度200 μs；考虑到干扰性能与计算量的平衡关系，C＆I 干扰参数设置为：矩形脉冲串个数m=5，子段的时间间隙数n=4，整段信号被分成20 段。从而得到如下页图2 所示的雷达发射信号时域波形以及C＆I 干扰时域波形。

图2 雷达发射波形与C＆I 干扰时域波形仿真图

1.2 SMSP 干扰模型

本文采用的另一种干扰样式SMSP 干扰产生原理如图3 所示。其生成过程为：第1 步将时钟频率提高到原来的n 倍之后，对采样数据进行抽取并按照原来的顺序依次排序；第2 步将第1 步产生的信号复制n 次，从而得到SMSP 干扰。

图3 SMSP 干扰产生原理框图

仿真过程中，SMSP 干扰改变时钟频率导致数模转换和模数转换的频率不同，因此，产生的干扰信号与原始回波的调频斜率不同，重复上述过程就会得到包含多个结构相同子脉冲的SMSP 干扰信号。

SMSP 干扰的仿真参数与C＆I 干扰相似，采用的线性调频信号时宽、带宽分别为：200 μs，1.25 MHz，并且将SMSP 干扰分为4 个子脉冲，仿真结果如图4 所示。

图4 雷达发射波形与SMSP 干扰时域波形仿真图

1.3 循环生成对抗网络

其中，D和D分别为X 和Y 域判决器；G（x）和F（y）为生成器G 和F 生成信号序列的函数；P和P分别为判决器判断信号序列来自于X 域和Y 域的概率，Cycle-GAN 采用循环一致性损失，其公式为

通过该损失函数计算G 和F 迭代过程中的损失，其中，L为连续损失，然后对损失函数加权求和，得到最后Cycle-GAN 的损失函数：

图5 Cycle-GAN 模型结构

2 干扰工作流程

本文提出的基于Cycle-GAN 网络的有源欺骗干扰生成算法流程如图6 所示，干扰生成算法的输入为含有标签的干净回波信号序列，用来代替原本Cycle-GAN 网络的两域图片输入，并将其作为Cycle-GAN 的输入进行训练，训练结束之后输出Cycle-GAN 模型参数；然后将干净回波信号序列输入到测试模型中生成优化后干扰信号序列；最后将干净回波与网络生成干扰信号变换到RD 域，进行干扰性能评估验证。

图6 干扰生成算法流程图

2.1 模型训练

在训练过程中，Cycle-GAN 网络的输入为干净的无噪声信号序列，网络将添加干扰的信号序列作为目标序列，通过不断训练将干净回波信号序列朝着干扰后信号序列方向生成，生成器不断生成带干扰信号的样本，然后通过判决器给出生成器生成数据的分数，同时反馈给生成器，生成器再通过反馈信息去处理干净回波信号样本。在不断生成-判别的过程中，训练样本逐渐靠近添加干扰信号序列，直到判决器难以辨别生成器产生信号序列真伪时，整个训练过程结束，输出Cycle-GAN 的参数。

2.2 模型测试

Cycle-GAN 模型经过训练之后具有一定的泛化能力，测试过程中首先输入大量无标签的干净回波信号数据；然后利用训练完成的网络产生干扰信号；最后将干净回波信号与网络生成的干扰信号转变到RD 域，采用本文提出的通过计算虚假目标与总目标比值的评估方法来验证网络产生干扰的性能。

3 实验结果与分析

3.1 实验设置

实验中雷达波形仿真的参数如下：工作频率90 MHz，带宽1.25 MHz，发射功率1 000 W，天线增益4 000，脉冲宽度200 μs，采样率4 MHz，相参脉冲数64，每帧最大目标数10。仿真的雷达原始回波作为网络的干净数据，通过配置干扰参数生成干扰信号在干净回波信号中添加C＆I 干扰和SMSP 干扰信号序列作为网络的目标数据，并将干扰信号添加到干净回波信号。

通过以上参数产生6 000 个干净回波样本，将6 000 个样本按照1∶1 分配为目标信号（即用于添加干扰的信号）与干净回波信号，干净回波样本还需按照2∶1 分为训练集与测试集；然后利用训练集数据与目标信号进行网络训练，得到Cycle-GAN的网络参数；将测试集样本输入网络中，最后得到训练完成后网络生成的干扰信号；最后将干净回波数据与网络生成的干扰信号变换到RD 域，对比真假目标数量得出最后的干扰性能。

3.2 实验结果对比

基于以上实验环境及参数设置，图7 展示了干净回波、C＆I 干扰、SMSP 干扰及通过Cycle-GAN 生成的C＆I 干扰和SMSP 干扰的对比效果。实验表明，网络生成的干扰信号RD 图像中假目标数量上升，与干净信号、原始C＆I 干扰和SMSP 干扰的RD 图像对比，真实目标在网络生成干扰信号RD 图中的显示更加模糊，Cycle-GAN 网络干扰生成算法生成性能更优的干扰信号。

图7 干净回波与干扰RD 对比图

通过上述实验证明，干净回波信号通过Cycle-GAN 网络进行干扰后，对于雷达的检测能够达到较好的抑制效果，虚假目标可以有效增加，从而验证了本文提出方法的可行性。

本文还提出一种干扰性能评估方式，因为C＆I干扰与SMSP 干扰主要是通过复制、粘贴、转发过程进行干扰，势必会产生虚假目标，所以对干净回波与干扰后回波同时做频谱分析，确定干扰前与干扰后的目标数，干净回波情况下的目标个数为真实目标数，干扰之后的目标个数为添加虚假目标之后的总目标数。因此，本文干扰性能评估的定义为：

其中，Jam 代表本文的干扰性能；fake_tar 代表虚假目标个数；total_tar 代表干扰后回波中总目标个数。

如图8 所示，本文通过1 000 次实验验证，经过Cycle-GAN 网络训练可以提升C＆I 干扰和SMSP 干扰性能，图中每个点的干扰性能为实验中50 次干扰的性能平均值。本实验中C＆I 干扰的干扰性能保持在0.51～0.69，其平均干扰性能可以达到0.64，检测率为0.36，通过网络训练之后C＆I 干扰的性能分布于0.62～0.89 之间，平均干扰性能可以达到0.76，平均的正确检测率仅为0.24，经过网络训练之后平均干扰性能提升12%左右。此外，SMSP 干扰的性能分布在0.64～0.80 之间，干扰性能可以达到0.71，检测率为0.39，然而基于网络训练之后SMSP 干扰的干扰性能可以保持在0.78～0.93 之间，通过计算平均干扰性能可以达到0.84，平均的正确检测率仅为0.16，平均干扰性能提高13%左右。通过实验可以看出基于网络训练的干扰比单纯的C＆I 干扰和SMSP干扰性能提升12%～13%。此外，实验结果也表明该方法能够有效增大干扰信号能量，达到欺骗与压制双重干扰的效果。因此，本文提出的基于Cycle-GAN 网络生成的C＆I 干扰和SMSP 干扰性能优于单纯的C＆I 干扰和SMSP 干扰。

图8 干扰性能评估图

4 结论

为了解决智能化雷达检测性能与抗干扰能力逐步提升导致的欺骗性干扰性能不断下降的问题，本文提出了基于Cycle-GAN 模型的有源欺骗干扰生成算法，本算法通过Cycle-GAN 模型的学习及泛化能力，提升有源欺骗干扰的性能。同时本文基于C＆I 干扰和SMSP 干扰进行了大量实验，结果证明，利用Cycle-GAN 模型生成干扰算法能够提高C＆I干扰和SMSP 干扰的性能，实现抑制雷达检测的目标，为未来雷达信号干扰提供新的方法。