本申请涉及雷达干扰识别，具体涉及一种雷达干扰识别方法、系统、设备及模型构建方法和系统。
背景技术：
1、由于现有雷达面临的电磁环境愈发复杂多变，干扰样式由以前的单一形式向多类复合发展，通过多种干扰类型的组合，如欺骗干扰与压制干扰的组合，能够实现对雷达的多重特性干扰，使雷达无法判断其工作环境，以致现有的针对特定类型的反干扰技术手段失去实时性和有效性。而作为反干扰手段运用的前提和必须环节，雷达复合干扰智能感知技术会对雷达回波中可能存在的未知干扰样式进行准确感知，指导雷达采取最佳的反干扰措施，更加针对有效地抑制干扰，提升雷达的目标检测能力。
2、不过，传统雷达干扰信号识别方法依赖于人工特征提取，需要雷达技术员具有丰富的雷达干扰信号感知经验，并且对于工作模式不断变化的新型雷达干扰和兼具压制性与欺骗性的复合干扰的识别能力较差，因此，如何避免对丰富经验的依赖以及提高识别准确率是当前亟需解决的问题。
技术实现思路
1、本申请提供一种雷达干扰识别方法、系统、设备及模型构建方法和系统，可以解决现有技术中存在的对人工丰富经验的依赖以及准确率低的技术问题。
2、第一方面，本申请实施例提供了一种雷达干扰识别方法，所述雷达干扰识别方法包括：
3、对待识别干扰信号进行特征提取，得到功率谱特征；
4、将所述待识别干扰信号的功率谱特征输入目标注意力过参数卷积神经网络中进行干扰信息识别，得到与待识别干扰信号对应的干扰信号类别，所述目标注意力过参数卷积神经网络基于包含注意力机制的多层残差网络构成。
5、结合第一方面，在一种实施方式中，所述待识别干扰信号基于理想无噪声回波信号、干扰信号以及传输噪声确定。
6、结合第一方面，在一种实施方式中，所述对待识别干扰信号进行特征提取，得到功率谱特征，包括：
7、计算所述待识别干扰信号的功率谱密度函数确定出待识别干扰信号的功率谱特征。
8、第二方面，本申请实施例提供了一种雷达干扰识别模型构建方法，所述雷达干扰识别模型构建方法包括：
9、获取历史识别干扰信号，对所述历史识别干扰信号进行功率谱特征提取，以形成数据集；
10、构建注意力过参数卷积神经网络，利用所述数据集对注意力过参数卷积神经网络进行训练，得到目标注意力过参数卷积神经网络，所述目标注意力过参数卷积神经网络基于包含注意力机制的多层残差网络构成，其用于对待识别干扰信号进行干扰信息识别。
11、结合第二方面，在一种实施方式中，所述对所述历史识别干扰信号进行功率谱特征提取，以形成数据集，包括：
12、对所述历史识别干扰信号进行功率谱特征提取；
13、基于先验信息对所述功率谱特征进行预处理得到数据集。
14、结合第二方面，在一种实施方式中，所述基于先验信息对所述功率谱特征进行预处理得到数据集，包括：
15、将所述功率谱特征转换为特征图像；
16、基于先验信息对所述特征图像进行标记得到数据标签，以形成数据集。
17、结合第二方面，在一种实施方式中，所述多层残差网络包括：
18、过参数卷积层，其用于对输入的目标图像进行卷积操作和深度卷积操作，得到第一特征信息；
19、最大值池化层，其用于对所述第一特征信息进行降采样操作得到第二特征信息；
20、注意力过参数卷积模块，其用于基于注意力机制对所述第二特征信息进行加权处理得到第三特征信息；
21、平均值池化层，其用于对所述第三特征信息进行挤压操作得到第四特征信息；
22、密集连接层，其用于将所述第一特征信息、第二特征信息、第三特征信息以及第四特征信息进行全连接，生成最终的干扰信号类别。
23、第三方面，本申请实施例提供了一种雷达干扰识别系统，所述雷达干扰识别系统包括：
24、获取模块，其用于对待识别干扰信号进行特征提取，得到功率谱特征；
25、识别模块，其用于将所述待识别干扰信号的功率谱特征输入目标注意力过参数卷积神经网络中进行干扰信息识别，得到与待识别干扰信号对应的干扰信号类别，所述目标注意力过参数卷积神经网络基于包含注意力机制的多层残差网络构成。
26、第四方面，本申请实施例提供了一种雷达干扰识别模型构建系统，所述雷达干扰识别模型构建系统包括：
27、处理模块，其用于获取历史识别干扰信号，对所述历史识别干扰信号进行功率谱特征提取，以形成数据集；
28、训练模块，其用于构建注意力过参数卷积神经网络，利用所述数据集对注意力过参数卷积神经网络进行训练，得到目标注意力过参数卷积神经网络，所述目标注意力过参数卷积神经网络基于包含注意力机制的多层残差网络构成，其用于对待识别干扰信号进行干扰信息识别。
29、第五方面，本申请实施例提供了一种雷达干扰识别设备，所述雷达干扰识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的雷达干扰识别程序，其中所述雷达干扰识别程序被所述处理器执行时，实现前述任一项雷达干扰识别方法的步骤。
30、本申请实施例提供的技术方案带来的有益效果包括：
31、通过对待识别干扰信号进行特征提取，得到功率谱特征；将待识别干扰信号的功率谱特征输入目标注意力过参数卷积神经网络中进行干扰信息识别，得到与待识别干扰信号对应的干扰信号类别。本申请以功率谱特征为输入，提高了对干扰信号特征描述的稳健性，且构造了一种以残差网络为骨干结构的注意力过参数卷积神经网络，增强了网络特征提取、学习表示和特征通道自适应选择能力，解决了现有技术中存在的对人工丰富经验的依赖以及准确率低的技术问题。
1.一种雷达干扰识别方法，其特征在于，所述雷达干扰识别方法包括：
2.如权利要求1所述的雷达干扰识别方法，其特征在于，所述待识别干扰信号基于理想无噪声回波信号、干扰信号以及传输噪声确定。
3.如权利要求2所述的雷达干扰识别方法，其特征在于，所述对待识别干扰信号进行特征提取，得到功率谱特征，包括：
4.一种雷达干扰识别模型构建方法，其特征在于，所述雷达干扰识别模型构建方法包括：
5.如权利要求4所述的雷达干扰识别模型构建方法，其特征在于，所述对所述历史识别干扰信号进行功率谱特征提取，以形成数据集，包括：
6.如权利要求5所述的雷达干扰识别模型构建方法，其特征在于，所述基于先验信息对所述功率谱特征进行预处理得到数据集，包括：
7.如权利要求4所述的雷达干扰识别模型构建方法，其特征在于，所述多层残差网络包括：
8.一种雷达干扰识别系统，其特征在于，所述雷达干扰识别系统包括：
9.一种雷达干扰识别模型构建系统，其特征在于，所述雷达干扰识别模型构建系统包括：
10.一种雷达干扰识别设备，其特征在于，所述雷达干扰识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的雷达干扰识别程序，其中所述雷达干扰识别程序被所述处理器执行时，实现如权利要求1至3中任一项所述的雷达干扰识别方法的步骤。
