CN107884768A - 基于大数据分析技术的复杂环境自适应主动雷达系统 - Google Patents

Abstract

本发明公开了一种基于大数据分析技术的复杂环境自适应主动雷达系统，包含：雷达系统前端模块、信息集成控制模块，雷达系统前端模块接收信息集成控制模块发出的波形指令，并产生雷达发射信号，随后接收雷达回波信号且形成雷达图像；深度学习器模块、辅助参数提取模块，深度学习器模块接收雷达图像，并对雷达图像进行目标识别得到目标识别结果信息，辅助参数提取模块根据雷达图像得到目标参数；数据中心模块，用于整合在线网络信息及存储典型目标环境的先验信息。本发明从而在降低对目标及目标环境先验知识要求的同时，有效提高雷达系统在复杂环境下对弱小目标的检测与跟踪性能。

Description

基于大数据分析技术的复杂环境自适应主动雷达系统

技术领域

本发明涉及主动雷达系统，特别涉及一种基于大数据分析技术的复杂环境自适应主动雷达系统。

背景技术

随着无线设备的广泛应用与雷达目标类型的逐渐增加，雷达系统设计不仅需从雷达工作体制、低热噪声硬件设计及弱信号处理算法等方面着手，还需针对应用环境的多样性与动态多变性进行适应性设计，以避免复杂环境下雷达系统性能急剧降低。可以看到，对复杂环境的自适应能力高低，是雷达系统智能化程度衡量的关键指标之一。

复杂环境下雷达目标后向散射特性具有多样性，而传统雷达系统通常采用开环式架构，发射波形相对固定且单一，对环境的适应性主要依赖于接收机与信号处理算法设计，这种被动地环境适应性方法导致了其在不同环境下针对不同目标的波形及波形参数自适应优化能力较低，从而制约了雷达系统对复杂环境的适应能力。另一方面，雷达应用范围的不断扩大，现有应用领域已积累了大量复杂环境下的雷达回波及雷达图像数据，同时深度学习等大数据分析技术已在语音识别、手写字体识别、光学图像识别等领域不断取得突破性的应用成果，因而采用深度学习等大数据分析技术来提高雷达系统对复杂环境的适应能力是一种良好的技术途径。

通过专利检索，尚未发现基于大数据分析技术的适用于复杂环境自适应的主动雷达系统相关专利与论文，现有专利和论文主要集中在目标识别、波形优化等算法具体实现方面，而雷达系统级专利则依然基于传统的神经网络。专利申请号201610880083.7提出了一种对多模传感器采集的数据进行物体分类的方法，但其应用深度学习算法进行目标分类前需人工提取目标特征，而本专利对目标特征实现自动提取。在高分辨率一维距离像（HRRP）目标识别方面，专利申请号201410727815.X提出了一种基于深度学习网络的方法，其采用基于代价函数的梯度下降法对每层网络参数反复迭代一次性完成优化，而本专利采用后向传播算法从网络顶层逐层向下反向对每层网络参数二次优化微调，直至完成参数最优。在雷达合成孔径（SAR）图像目标识别方面，专利申请号201610777874.7提出了一种基于深度置信网络（DBN）的三维SAR图像目标识别方法，专利申请号201610756338.9提出了一种基于深度置信网络（DBN）的干涉SAR图像分类方法，专利申请号201610009494.9、中国矿业大学郭丽丽硕士论文与西安电子科技大学罗小欢硕士论文分别提出了一种基于卷积神经网络（CNN）的SAR图像目标识别方法，而本专利则采用生成式对抗神经网络（GANs）完成基于深度学习模型的SAR图像目标分类识别。在波形优化算法方面，专利申请号201210011015.9、专利申请号201410367813.4分别提出了基于功率谱与能量谱分析的雷达波形优化方法，而本专利则基于雷达回波统计信号模型采用假设检验的似然函数方法实现波形优化。在雷达系统架构设计方面，专利申请号201310291291.X提出了一种基于神经网络的认知雷达探测装置，而本专利采用了基于深度学习网络的系统架构，具有更好的分类能力。

由于雷达目标后向散射特性不仅与发射波形对目标环境的适应度相关，也与目标空间结构特征及照射角度有关，因而雷达系统不在对目标准确识别的基础上进行波形优化，而仅仅只单独采用上述目标识别或波形优化方法并不能实现对复杂环境的最佳适应性，需从系统架构层面综合设计。此外，传统神经网络很容易在局部极小值停止学习且学习速率会越来越慢，同时目标识别性能非常依赖于初始参数的选取，这就使得雷达系统采用该类方法以适应多样化复杂目标环境时具有局限性，这种局限性也是推动深度学习等大数据分析技术出现的重要原因之一。此外，目标特征提取依赖于人工设计与目标分类层相对简单也制约了传统神经网络方法在复杂环境应用时的实用性，而在传统神经网络之后出现的机器学习等人工智能方法也未能解决目标识别时需人工设计大量目标特征等问题。

发明内容

本发明的目的是提供一种基于大数据分析技术的复杂环境自适应主动雷达系统，采用深度学习算法从雷达样本数据中抽取出目标及相应目标环境多层次特征，解决了现有雷达系统发射波形与目标结构及环境特征相关度不高而导致的复杂环境下弱小目标的低检测率、目标识别时需人工设计目标特征而产生的大工作量、目标特征设计时过于依赖人工设计经验而导致的不同目标环境下适应度较低等问题，从而在降低对目标及目标环境先验知识要求的同时，有效提高雷达系统在复杂环境下对弱小目标的检测与跟踪性能。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种基于大数据分析技术的复杂环境自适应主动雷达系统，其特点是，包含：

雷达系统前端模块、信息集成控制模块，所述的雷达系统前端模块接收信息集成控制模块发出的波形指令，并产生雷达发射信号，随后接收雷达回波信号且形成雷达图像；

深度学习器模块、辅助参数提取模块，所述的深度学习器模块接收所述的雷达图像，并对所述的雷达图像进行目标识别得到目标识别结果信息，所述的辅助参数提取模块根据所述的雷达图像得到目标参数；

数据中心模块，用于整合在线网络信息及存储典型目标环境的先验信息；

所述的信息集成控制模块还基于获取的在线网络信息和先验信息，对所述的目标识别结果信息和目标参数进行分析，得到波形指令和控制指令。

所述的雷达系统前端模块包含雷达信号发射单元、雷达信号接收单元、环形器和天线；

所述的雷达信号发射单元产生的雷达发射信号经环形器传输至天线并通过天线发射，随后天线接收反馈的雷达回波信号传输至雷达信号接收单元；

所述的雷达信号接收单元根据雷达回波信号生成雷达图像。

所述的深度学习器模块包含：

信号增强预处理单元，用于对所述的雷达图像进行处理；

特征自学习单元，对处理后的雷达图像采用不同的深度学习模型，完成特征提取；

目标分类器，用于对提取的特征进行目标检测和识别输出目标识别结果信息。

所述的辅助参数提取模块包含：

目标参数计算单元，用于计算目标与雷达的目标参数信息；

波形环境适应度检测单元，用于计算雷达发射信号的波形与目标环境的相关系数。

所述的信息集成控制模块包含：

多源信息融合决策单元，用于对所述的目标参数信息、雷达发射信号的波形与目标环境的相关系数、在线网络信息和目标环境的先验信息融合处理；

波形优化单元，用于结合自身设有的面向应用场景的波形优化准则输出波形指令；

系统控制子模块，用于根据预设的控制策略发送控制指令。

该雷达系统还包含一执行模块，用于执行信息集成控制模块发出的控制指令。

所述的目标参数信息包含：目标与雷达的相对位置、相对速度和相对角度。

本发明与现有技术相比，具有以下优点：

（1）由于雷达系统前端模块采用软件无线电系统架构，构成包含发射、接收、环形器与天线等子模块在内的小型雷达子系统，同时子模块内部均采用了小型化设计，并支持发射波形具备时域、频域、空间域及极化域等四个自由度，从而相比传统小型雷达提供了更好的系统集成性与更强的波形优化算法支持能力。

（2）由于采用了面向应用场景与基于目标识别的可在线实时完成波形及波形参数优化的雷达发射波形，发射波形及波形参数与典型目标物理结构与环境特征相关联，从而相比传统固定波形雷达具有了更高的目标探测能力与复杂环境自适应能力。

（3）由于采用了基于大数据分析的深度学习算法模型，具备目标一维距离像与二维图像特征的自学习能力，一方面降低了传统机器学习方法对专家经验知识及先验知识库模型精确性的依赖，另一方面在降低人工设计大量目标特征巨大工作量的同时却实现了对目标多层特征的有效提取，从而在增加目标分类曲面复杂度的基础上提高了复杂环境下目标的识别率，这就使得本系统相比传统开环式系统架构雷达具备了更强的复杂环境适应能力。

（4）由于采用了多维异构信息融合与决策技术，可在线整合目标识别信息、目标参数信息、波形与目标相关度信息、在线网络信息、目标环境先验信息，基于信息熵理论进一步提高了目标识别率，增加了雷达系统对典型目标与应用场景的应对能力，从而使得本系统相比传统单模雷达系统在复杂环境下具有更高的可靠性。

（5）由于数据中心模块可实现系统功能在线重构与目标网络信息在线更新，进一步增强了本系统面临复杂环境时的智能化适应能力。

附图说明

图1为本发明一种基于大数据分析技术的复杂环境自适应主动雷达系统的结构示意图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种基于大数据分析技术的复杂环境自适应主动雷达系统，包含：雷达系统前端模块101、信息集成控制模块106、深度学习器模块102、辅助参数提取模块103和数据中心模块105；

所述的雷达系统前端模块101接收信息集成控制模块106发出的波形指令，并产生雷达发射信号，随后接收雷达回波信号且形成高分辨率一维距离像或合成孔径雷达图像；

所述的深度学习器模块102接收所述的雷达图像，并对所述的雷达图像进行目标识别得到目标识别结果信息，所述的辅助参数提取模块根据所述的雷达图像得到目标参数；

数据中心模块105用于整合在线网络信息及存储典型目标环境的先验信息，并提供如人机操作界面等外部通信接口。

所述的信息集成控制模块106还基于获取的在线网络信息和先验信息，对所述的目标识别结果信息和目标参数进行分析，得到波形指令和控制指令。

所述的雷达系统前端模块101包含雷达信号发射单元、雷达信号接收单元、环形器和天线；

所述的雷达信号发射单元产生的雷达发射信号经环形器传输至天线并通过天线发射，随后天线接收反馈的雷达回波信号传输至雷达信号接收单元；

所述的雷达信号接收单元根据雷达回波信号生成雷达图像。

所述的深度学习器模块102包含：信号增强预处理单元，用于对所述的雷达图像进行处理；特征自学习单元，对处理后的雷达图像采用不同的深度学习模型，完成特征提取；目标分类器，用于对提取的特征进行目标检测和识别输出目标识别结果信息。

所述的辅助参数提取模块103包含：目标参数计算单元，用于计算目标与雷达的目标参数信息；波形环境适应度检测单元，用于计算雷达发射信号的波形与目标环境的相关系数。

所述的信息集成控制模块106包含：多源信息融合决策单元，用于对所述的目标参数信息、雷达发射信号的波形与目标环境的相关系数、在线网络信息和目标环境的先验信息融合处理；波形优化单元，用于结合自身设有的面向应用场景的波形优化准则输出波形指令；系统控制子模块，用于根据预设的控制策略发送控制指令。

在具体实施例中，该雷达系统还包含一执行模块104，用于执行信息集成控制模块发出的控制指令。

所述的目标参数信息包含：目标与雷达的相对位置、相对速度和相对角度。

雷达系统前端模块101接收到信息集成控制模块106发送的波形指令，在发射端利用AD9850芯片产生与波形指令相对应的特定基带波形，上变频与功率放大，经过环形器发送至天线，由天线辐射至目标环境中。随后，雷达回波信号由天线接收，经低噪放大、带通滤波、幅度增益控制，并在下变频采样后经数字信号处理依据具体应用场景产生一维高分辨率距离像（HRRP）或雷达合成孔径图像（SAR），并发送至深度学习器模块102与辅助参数提取模块103。雷达系统前端模块101发射端与接收端时序逻辑由执行模块104控制，同时若雷达系统前端模块101天线具有机械转动的能力，则执行模块104也对其实施控制。

当目标检测与识别模块102接收到多模传感模块101发送的传感信息，基于FPGA+DSP系统架构，采用EPM1270M256C5芯片完成多维传感数据乒乓存储及预处理，目标检测、识别及多维信息融合算法在TMS320C5509A芯片中完成，目标信息通过RS232或ZigBee通信接口传输至信息集成与控制模块103。

一旦接收到雷达系统前端模块101所发送的HRRP或SAR信息，深度学习器模块102与辅助参数提取模块103分别完成目标与辅助信息提取功能，并同步输出目标识别结果、目标参数、波形与目标相关度系数至信息集成与控制模块106。

深度学习器模块102对HRRP与SAR数据采用相同的处理流程与不同的算法模型。当输入一维HRRP数据时，深度学习器模块102在信号增强时采用匹配滤波技术，随后采用深度置信网（DBN）算法模型完成一维数据的多层特征提取，最终利用Softmax分类器完成目标分类。与此相应，若输入二维SAR图像数据时，深度学习器模块102在信号增强时采用模板匹配技术完成低通滤波，随后采用生成对抗神经网络（GANs）算法模型完成多层特征提取，最终利用支持向量机（SVM）完成目标分类。

辅助参数提取模块103则基于HRRP与SAR数据采用时频分析算法获取目标与雷达相对位置、相对速度等目标参数，通过统计信号模型利用最大似然法（ML）计算出当前发射波形与目标的相关度系数。

当接收到深度学习器模块102与辅助参数提取模块103的同步信息，信息集成控制模块106读取数据中心模块105中存储的先验信息与在线网络信息。在时间与空间对准、航迹关联的基础上，利用扩展卡尔曼算法（EKF）完成辅助参数提取模块103输出的目标参数与在线网络信息中的多模传感参数融合。基于D-S证据理论，完成深度学习器模块102输出的目标分类信息与数据中心模块105中的目标先验信息与实时信息融合，确定目标类型。最终，依据面向应用场景的波形优化准则，以辅助参数提取模块103输出的波形与目标相关度系数为自变量，产生与目标类型及环境信息最佳匹配的波形指令及控制指令，波形指令输出至雷达系统前端模块101，控制指令输出至执行模块104，并完成数据中心模块105中的知识库信息更新。

执行模块104采用EPM1270M256C5芯片完成控制指令解码与执行，并对雷达系统前端模块101进行时序控制，并驱动雷达系统相关机械机构。

数据中心模块105采用四片MT29F64G08AJABA NAND Flash芯片完成先验知识等大容量数据固态存储，并利用两片Micron MT41J128M8 DDR3芯片实现动态数据乒乓存储，远距离无线通信采用CC1120无线收发芯片设计，在3公里内实现无线数据加密传输，并采用FSK调制及捷变频方式避免模块间或环境干扰，同时支持光纤、CAN及USB通信接口，因而使得系统具有良好的外部交互能力。

综上所述，本发明一种基于大数据分析技术的复杂环境自适应主动雷达系统，解决了现有雷达系统发射波形与目标结构及环境特征相关度不高而导致的复杂环境下弱小目标的低检测率、目标识别时需人工设计目标特征而产生的大工作量、目标特征设计时过于依赖人工设计经验而导致的不同目标环境下适应度较低等问题。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (7)

1.一种基于大数据分析技术的复杂环境自适应主动雷达系统，其特征在于，包含：

雷达系统前端模块、信息集成控制模块，所述的雷达系统前端模块接收信息集成控制模块发出的波形指令，并产生雷达发射信号，随后接收雷达回波信号且形成雷达图像；

深度学习器模块、辅助参数提取模块，所述的深度学习器模块接收所述的雷达图像，并对所述的雷达图像进行目标识别得到目标识别结果信息，所述的辅助参数提取模块根据所述的雷达图像得到目标参数；

数据中心模块，用于整合在线网络信息及存储典型目标环境的先验信息；

所述的信息集成控制模块还基于获取的在线网络信息和先验信息，对所述的目标识别结果信息和目标参数进行分析，得到波形指令和控制指令。

2.如权利要求1所述的基于大数据分析技术的复杂环境自适应主动雷达系统，其特征在于，所述的雷达系统前端模块包含雷达信号发射单元、雷达信号接收单元、环形器和天线；

所述的雷达信号发射单元产生的雷达发射信号经环形器传输至天线并通过天线发射，随后天线接收反馈的雷达回波信号传输至雷达信号接收单元；

所述的雷达信号接收单元根据雷达回波信号生成雷达图像。

3.如权利要求1所述的基于大数据分析技术的复杂环境自适应主动雷达系统，其特征在于，所述的深度学习器模块包含：

信号增强预处理单元，用于对所述的雷达图像进行处理；

特征自学习单元，对处理后的雷达图像采用不同的深度学习模型，完成特征提取；

目标分类器，用于对提取的特征进行目标检测和识别输出目标识别结果信息。

4.如权利要求1所述的基于大数据分析技术的复杂环境自适应主动雷达系统，其特征在于，所述的辅助参数提取模块包含：

目标参数计算单元，用于计算目标与雷达的目标参数信息；

波形环境适应度检测单元，用于计算雷达发射信号的波形与目标环境的相关系数。

5.如权利要求4所述的基于大数据分析技术的复杂环境自适应主动雷达系统，其特征在于，所述的信息集成控制模块包含：

多源信息融合决策单元，用于对所述的目标参数信息、雷达发射信号的波形与目标环境的相关系数、在线网络信息和目标环境的先验信息融合处理；

波形优化单元，用于结合自身设有的面向应用场景的波形优化准则输出波形指令；

系统控制子模块，用于根据预设的控制策略发送控制指令。

6.如权利要求1所述的基于大数据分析技术的复杂环境自适应主动雷达系统，其特征在于，还包含一执行模块，用于执行信息集成控制模块发出的控制指令。

7.如权利要求4所述的基于大数据分析技术的复杂环境自适应主动雷达系统，其特征在于，所述的目标参数信息包含：目标与雷达的相对位置、相对速度和相对角度。