CN106443598A - 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法，属于雷达对抗技术领域。航迹欺骗干扰是一种专门针对组网雷达的新型欺骗干扰样式，具有迷惑性强、鉴别难度大的特点；在工程实际中各雷达站上报的信号和数据信息非常丰富，现有方法使用单一的数据层特征进行硬判决，鉴别结果的可信度较差且错误鉴别概率较高。本发明即立足于解决上述问题，主要包括以下步骤：（1）计算识别特征参数集；（2）选取训练和测试样本；（3）利用训练样本对网络进行训练，利用测试样本对网络进行测试。本发明能够适用于集中式雷达网的情况，并且对虚假航迹的正确识别率较高，具有较强的工程应用价值和推广前景。

Description

基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法

技术领域

本发明隶属于雷达对抗技术领域，适用于协同航迹欺骗干扰条件下长基线雷达网对真-假航迹的鉴别。

背景技术

雷达对抗是现代战争中电子对抗领域的重要组成部分，随着先进电子技术的发展，数字射频存储技术日趋成熟，导致各种先进的雷达干扰设备和干扰样式不断涌现，而雷达网能够有效利用网内雷达的多视角、多频段等优势，有效对抗压制式、欺骗式等多种干扰样式。为了能够对雷达网达到更好的欺骗效果，协同航迹欺骗干扰应运而生，通过虚假航迹精细协同，该干扰在各组网雷达中产生具有高度空-时相关性的协同虚假航迹，能够在融合中心成功关联，并形成融合航迹，传统的航迹关联检验等方法很难有效鉴别，目前针对该干扰的最新对抗方法是一种基于多元统计分析理论的航迹欺骗干扰鉴别方法，该方法主要通过以下三个步骤实现：

(1)根据实际情况设定样本容量N、样本采集的起始时刻K₀、判决门限λ_G；

(2)利用雷达网获得的目标信息，采用集中式融合算法对目标的状态进行估计，计算N个样本的修正似然比λ；

(3)若λ≥λ_G，判定航迹为虚假航迹；若λ≤λ_G，判定航迹为真实航迹。

这种方法具有以下两个缺陷：

(1)基于多元统计分析理论方法只是利用真假航迹在雷达网信息融合中心的数据层统计特征，单一的特征的鉴别可信度较差；

(2)基于多元统计分析理论方法是一种基于统计假设检验的硬判别方法，利用假设检验量与门限的比较进行鉴别，实际中真假航迹的统计特征差异并没有那么大，因此该方法的错误鉴别概率较大。

发明内容

本发明的目的是提出一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法，解决现有基于多元统计分析理论方法面临的仅利用了上报航迹数据层统计特征和错误鉴别率较大等问题。

本发明提出的基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法的技术方案包括以下步骤：

步骤1：据欺骗式干扰和真实目标回波的不同，计算信号幅度统计特征：

其中，α,β由信干比决定，当信干比<1时，α＝1-信干比,β＝信干比；

步骤2：据欺骗式干扰和真实目标回波的不同，计算信号幅度分布特征：

其中，表示真实目标的实信噪比，为的无偏估计，表示欺骗干扰的SNR，为的无偏估计，为第i次脉冲观测到的SNR，H₁为假设该航迹为虚假航迹，H₀为假设该航迹为真实航迹；

步骤3：计算航迹在地心直角坐标系内的位置固定偏差特征：

其中，△X_k(i,j)表示雷达i和j在X轴的位置偏差，△Y_k(i,j)表示雷达i和j在Y轴的位置偏差，表示雷达i和j的X轴的量测误差方差之和，表示雷达i和j的Y轴的量测误差方差之和；

步骤4：计算航迹的统计随机误差特征：

其中λ为修正的似然比，N为观测的个数，p为随机向量的维数，∑₁为真实目标协方差阵，S为观测样本方差阵：

上式J_α为第α个观测样本；

步骤5：背景设定为三雷达组网，在雷达网信息融合中心形成稳定虚假航迹的情况下，每部雷达提取出该条虚假航迹的信号幅度统计和分布特征，分别设为σ₁,σ₂,σ₃和δ₁,δ₂,δ₃，对雷达网中的任意两部雷达组合提取出位置固定偏差判决统计量，分别设为T₁₂,T₁₃,T₂₃，对整个雷达网，提取出统计随机误差判决统计量，设为λ，得到目标的特征参数集为一个10维向量，如下所示：

X＝[σ₁,σ₂,σ₃,δ₁,δ₂,δ₃,T₁₂,T₁₃,T₂₃,λ] (7)

综上所述，构造卷积神经网络，包含2个卷积层、1个亚采样层及一个全连接层，取卷积核维度为1，输出层输出结果为1，则该航迹为真实目标，输出层输出结果为0，则该航迹为虚假航迹；

(a)输入层为10维目标特征向量：X＝[σ₁,σ₂,σ₃,δ₁,δ₂,δ₃,T₁₂,T₁₃,T₂₃,λ]；

(b)卷积层的卷积核大小均是3，且卷积核的跨度为1，卷积计算时将卷积核与特征做点乘，再加上一个偏置后得到该特征对应的卷积结果，第一个卷积层中，输入是10维特征向量，使用卷积核从左至右滑动，卷积核对每个特征做卷积后对应特征向量中的一个值，每个卷积核最后产生对应的一个特征向量，每个特征向量的维数是8；

同样的，第二个卷积层中，他的输入数据是第二个采样层产生的6个特征向量，使用16个不同的卷积和分别对6个特征向量做卷积运算，产生16个1×2；

(c)下采样层

下采样层使用大小为2的Block，对每个Block内的2个值计算平均值，作为特征向量中对应的值，输入的特征向量的数量与输出的特征向量的数量相同；

下采样层，输入的是第一个卷积层产生的6个1×8的特征向量，因此，经过下采样之后，输出6个1×4的特征向量；

(d)全连接层

全连接层的输入是第二个卷积层产生的16个1×2特征向量，它有28个单元，计算方式与卷积类似，也是将输入向量与权重向量做点乘，再加上一个偏置后获得结果，最后，利用Sigmoid函数产生对应单元的一个状态，即计算后产生30个输出；

(e)输出层

最后的输出层是由2个欧式径向基函数单元组成，每个单元代表一个判决结果，计算每个输出RBF单元的输入向量与参数向量之间的欧式距离，如果输入向量与参数向量距离越小，那么RBF产生较小的输出。

和背景技术相比，本发明的有益效果说明：(1)本发明通过对雷达网信号幅度统计、分布特征和上报航迹数据层特征综合处理，有效提高了虚假航迹鉴别的可信度。

(2)本发明通过卷积神经网络对航迹的信号-数据联合特征进行大量的训练提取，克服了硬判别错误鉴别概率较高的问题。

附图说明

附图1是本发明提出的基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法整体流程图；

附图2为采用背景技术得到的虚假目标正确识别概率；

附图3为采用本发明得到的真实目标和虚假目标正确识别概率。

具体实施方式

下面结合附图对本发明的基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法进行详细描述(参照说明书附图1)。

实施例条件：设有三部两坐标雷达组网，雷达1的地理坐标为：纬度B₁＝37°、经度L₁＝120°、高度H₁＝300m；雷达2的地理坐标为：纬度B₂＝38°、经度L₂＝119°、高度H₂＝500m；雷达3的地理坐标为：纬度B₃＝37.5°、经度L₃＝119.5°、高度H₃＝700m；三部雷达的测距精度σ_ρ均为100m，方位角测量精度σ_θ均为0.1°；在雷达1的东北天坐标系内产生虚假航迹，其起始位置为(150km,100km,5km)，E、N、U三个方向运动速度分别为300m/s、50m/s、8m/s，运动持续250s，样本选取的时刻为第150s，三架电子战飞机分别对三部雷达引入的距离随机误差标准差为方位角和俯仰角随机误差标准差为根据欺骗干扰和真实目标回波信号的表达式，随机产生2000条真实目标航迹和2000条虚假航迹，其中各选取1000组特征利用卷积神经网络进行训练，然后利用剩余的1000组数据测试网络对欺骗干扰和真实目标的识别概率。

(1)按发明内容部分步骤1所述，计算信号幅度统计特征；

(2)按发明内容部分步骤2所述，计算信号幅度分布特征；

(3)按发明内容部分步骤3所述，计算航迹在地心直角坐标系内的位置固定偏差特征；

(4)按发明内容部分步骤4所述，计算航迹的统计随机误差特征；

(5)按发明内容部分步骤5所述，利用计算得到的1000组10维目标特征向量对卷积神经网络进行训练；

(6)按发明内容部分步骤5所述，利用计算得到的另外1000组10维目标特征向量对卷积神经网络进行测试；

附图2为采用背景技术得到的虚假目标正确识别概率，附图3为采用本发明得到的真实目标和虚假目标正确识别概率。

Claims (1)

1.一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法，其特征在于包括以下步骤：步骤1：据欺骗式干扰和真实目标回波的不同，计算信号幅度统计特征：

${\mathrm{\&sigma;}}_{sta}=\mathrm{\&alpha;}/u_{Td}+{\mathrm{\&beta;\&sigma;}}_{Td}^2---\left(1\right)$

其中，α,β由信干比决定，当信干比<1时，α＝1-信干比,β＝信干比；

步骤2：据欺骗式干扰和真实目标回波的不同，计算信号幅度分布特征：

其中，表示真实目标的实信噪比，为的无偏估计，表示欺骗干扰的SNR，为的无偏估计，为第i次脉冲观测到的SNR，H₁为假设该航迹为虚假航迹，H₀为假设该航迹为真实航迹；

步骤3：计算航迹在地心直角坐标系内的位置固定偏差特征：

其中，△X_k(i,j)表示雷达i和j在X轴的位置偏差，△Y_k(i,j)表示雷达i和j在Y轴的位置偏差，表示雷达i和j的X轴的量测误差方差之和，表示雷达i和j的Y轴的量测误差方差之和；

步骤4：计算航迹的统计随机误差特征：

λ＝(N-1)ln|∑₁|-(N-1)p-(N-1)ln|S|+(N-1)tr(S∑₁ ^-1) (4)

其中λ为修正的似然比，N为观测的个数，p为随机向量的维数，∑₁为真实目标协方差阵，S为观测样本方差阵：

$S=\frac{1}{N-1}\underset{\mathrm{\&alpha;}=1}{\overset{N}{\&Sigma;}}(J_{\mathrm{\&alpha;}}-{\stackrel{\&OverBar;}{J}}_{\mathrm{\&alpha;}}){(J_{\mathrm{\&alpha;}}-{\stackrel{\&OverBar;}{J}}_{\mathrm{\&alpha;}})}^T---\left(5\right)$

${\stackrel{\&OverBar;}{J}}_{\mathrm{\&alpha;}}=\frac{1}{N}\underset{\mathrm{\&alpha;}=1}{\overset{N}{\&Sigma;}}{J}_{\mathrm{\&alpha;}}---\left(6\right)$

上式J_α为第α个观测样本；

步骤5：背景设定为三雷达组网，在雷达网信息融合中心形成稳定虚假航迹的情况下，每部雷达提取出该条虚假航迹的信号幅度统计和分布特征，分别设为σ₁,σ₂,σ₃和δ₁,δ₂,δ₃，对雷达网中的任意两部雷达组合提取出位置固定偏差判决统计量，分别设为T₁₂,T₁₃,T₂₃，对整个雷达网，提取出统计随机误差判决统计量，设为λ，得到目标的特征参数集为一个10维向量，如下所示：

X＝[σ₁,σ₂,σ₃,δ₁,δ₂,δ₃,T₁₂,T₁₃,T₂₃,λ] (7)

综上所述，构造卷积神经网络，包含2个卷积层、1个亚采样层及一个全连接层，取卷积核维度为1，输出层输出结果为1，则该航迹为真实目标，输出层输出结果为0，则该航迹为虚假航迹；

(a)输入层为10维目标特征向量：X＝[σ₁,σ₂,σ₃,δ₁,δ₂,δ₃,T₁₂,T₁₃,T₂₃,λ]；

(b)卷积层的卷积核大小均是3，且卷积核的跨度为1，卷积计算时将卷积核与特征做点乘，再加上一个偏置后得到该特征对应的卷积结果，第一个卷积层中，输入是10维特征向量，使用卷积核从左至右滑动，卷积核对每个特征做卷积后对应特征向量中的一个值，每个卷积核最后产生对应的一个特征向量，每个特征向量的维数是8；

同样的，第二个卷积层中，他的输入数据是第二个采样层产生的6个特征向量，使用16个不同的卷积和分别对6个特征向量做卷积运算，产生16个1×2；

(c)下采样层

下采样层使用大小为2的Block，对每个Block内的2个值计算平均值，作为特征向量中对应的值，输入的特征向量的数量与输出的特征向量的数量相同；

下采样层，输入的是第一个卷积层产生的6个1×8的特征向量，因此，经过下采样之后，输出6个1×4的特征向量；

(d)全连接层

全连接层的输入是第二个卷积层产生的16个1×2特征向量，它有28个单元，计算方式与卷积类似，也是将输入向量与权重向量做点乘，再加上一个偏置后获得结果，最后，利用Sigmoid函数产生对应单元的一个状态，即计算后产生30个输出；

(e)输出层

最后的输出层是由2个欧式径向基函数单元组成，每个单元代表一个判决结果，计算每个输出RBF单元的输入向量与参数向量之间的欧式距离，如果输入向量与参数向量距离越小，那么RBF产生较小的输出。