CN110309528A - 一种基于机器学习的雷达方案设计方法 - Google Patents
一种基于机器学习的雷达方案设计方法 Download PDFInfo
- Publication number
- CN110309528A CN110309528A CN201910297944.2A CN201910297944A CN110309528A CN 110309528 A CN110309528 A CN 110309528A CN 201910297944 A CN201910297944 A CN 201910297944A CN 110309528 A CN110309528 A CN 110309528A
- Authority
- CN
- China
- Prior art keywords
- radar
- output
- model
- machine learning
- scheme
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013144 data compression Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000012938 design process Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 210000005036 nerve Anatomy 0.000 description 4
- 238000011960 computer-aided design Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于机器学习的雷达方案设计方法,首先利用方案样本对各类型雷达方案性能指标和对应子系统类型指标进行特征提取,将方案抽象为序列数据,进行数据预处理操作;其次利用该方案特征序列训练机器学习模型,样本数据中雷达整体系统性能指标作为模型输入,雷达子系统类型指标作为模型输出,得到模型的内部节点连接权值,也就得到了方案特征设计的网络模型;最后将待设计方案的指标参数特征输入到训练模块,最终输出雷达方案各子系统类型参数,完成雷达模块级的方案设计工作。本发明提供一种新的雷达方案设计方法,能够克服传统雷达系统设计过程繁琐、设计水平参差不齐的缺陷,实现成本低、效率高,能够为雷达设计人员提供有效参考。
Description
技术领域
本发明涉及一种基于机器学习的雷达方案设计方法,属于雷达系统方案设计技术领域。
背景技术
在人工智能的时代,以神经网络为代表的机器学习算法广泛应用到智能化设计、智能化制造等各个方面,传统计算机辅助设计(CAD)是指利用软件帮助设计人员比较各系统方案、器件优劣,担任提供建议和作为工具的角色,智能化程度有限,需要大量的人工参与,效率较低,设计水平依赖与设计者从业经验和知识能力。
作为利用无线电辐射能量探测和定位的电子设备,不同功能、不同体制的雷达种类繁多,在我国军用和民用领域均有着重要应用,又由于雷达系统具有复杂性、综合性,雷达的研制工作往往占用设计者很大的精力和时间权衡设计方案,并对方案设计内容不厌其详地进行计算验证,缺少智能化辅助设计甚至于智能化提供基本方案的工具。
发明内容
本发明所要解决的技术问题是:提供一种基于机器学习的雷达方案设计方法,相比于人工进行雷达方案设计,本发明具有实现结构简单,实现成本低,节约人力、物力的优势,具有很高的实时性、通用性和高效性。
本发明为解决上述技术问题采用以下技术方案:
一种基于机器学习的雷达方案设计方法,包括如下步骤:
步骤1,对雷达方案样本按照雷达所属类别进行分类,将对应待设计雷达方案的一类雷达方案样本找出来,并提取该样本中的雷达整体系统性能指标以及雷达子系统类型指标,形成雷达系统序列数据,对数据进行过滤、清洗及归一化的预处理操作;
步骤2,将步骤1预处理后的数据分为训练集、测试集和验证集,利用训练集训练机器学习模型,将训练集中的雷达整体系统性能指标作为机器学习模型的输入,雷达子系统类型指标作为机器学习模型的输出,得到模型的内部节点连接权值,从而得到训练好的机器学习模型,利用测试集和验证集对机器学习模型进行测试和验证,得到最终的机器学习模型;
步骤3,将待设计雷达方案对应的雷达整体系统性能指标输入最终的机器学习模型,输出待设计雷达方案对应的雷达子系统类型指标,从而完成雷达方案设计工作。
作为本发明的一种优选方案,步骤1所述雷达方案样本中存在错误或偏离期望的野值时,采用分箱、回归及聚类的数据平滑技术进行平滑,并识别和删除孤立点,最后利用小波变换、主成分分析方法进行数据压缩。
作为本发明的一种优选方案,步骤2所述机器学习模型为神经网络寻优模型,神经网络寻优模型包括输入层、隐藏层、输出层,隐藏层包括多个RNN网络,每个RNN网络的输出为:
f(Xn)=wm·Xn+U·f(Xn-1)+V·f(Xn+1)
其中,f(Xn)表示第n个RNN网络的输出,Xn表示第n个RNN网络的输入,wm为Xn与RNN网络m个神经元相连的权重,f(Xn-1)、f(Xn+1)分别为第n-1、n+1个RNN网络的输出,U为f(Xn-1)的权重系数,V为f(Xn+1)的权重系数;
记隐藏层的第k个输出为Pk,则隐藏层输出到输出层的值sk为:
经过输出层处理后模型输出为:
hj=bkj·sk+lj
其中,hj表示神经网络寻优模型的输出,bkj为连接权重,lj为神经元偏置项。
作为本发明的一种优选方案,所述神经网络寻优模型,在反向传播过程中的损失函数L为:
其中,T为所有训练样本的总数,zt表示第t个训练样本序列输出的标注值,yt表示第t个训练样本序列经过循环神经网络后的输出值。
作为本发明的一种优选方案,所述神经网络寻优模型,模型输出与训练集标准输出之间的偏差值计算如下:
其中,C表示偏差值,T为所有训练样本的总数,s(x)表示某训练样本序列中第x个样本标准输出,L为损失函数,a表示第x个样本对应的模型输出。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明相比于人工进行雷达方案设计,具有实现结构简单,实现成本低,节约人力、物力的优势,具有很高的实时性、通用性和高效性。
2、本发明提供一种新的基于机器学习的雷达方案设计方法,能够克服传统雷达系统设计过程繁琐、设计水平参差不齐的缺陷,实现成本低、效率高,能够为雷达设计人员提供有效参考。
附图说明
图1是本发明一种基于机器学习的雷达方案设计方法的总体实现框图。
图2是训练模型输入数据格式。
图3是训练模型输出数据格式。
图4是神经网络寻优模型结构。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,本发明提供一种基于机器学习的雷达方案设计方法,雷达方案设计系统主要由雷达方案预处理、设计系统训练两部分组成。其中,雷达方案预处理部分主要负责将雷达方案样本进行分类,提取样本中的系统性能指标、模块类型及参数特征,形成雷达系统序列数据,之后进行过滤、清洗、归一化等预处理操作,保证训练质量。设计系统训练部分主要将上一部分的方案序列分为训练集、测试集、验证集,输入深度神经网络进行训练、测试、验证,得到神经网络各节点的连接权值,形成雷达系统方案设计模型。
步骤一,数据预处理既需要对大量雷达样本数据进行分类及仿真验证方案样本质量,又需要提取雷达系统设计指标和子模块类型参数中的特征,进行数据过滤、清洗、归一化等预处理,其中雷达方案样本按照标准数据格式进行抽象,雷达子系统大致可划分为天线子系统、射频子系统、数字子系统,各子系统衡量指标明确,数据集中利用标志位确定子系统模块类型,对于方案样本中缺失指标参数可利用雷达方程及其它雷达参数计算方法进行评估,也可通过经验采取统一参数补全。雷达方案样本中可能存在的严重错误或偏离期望的野值利用分箱、回归、聚类等数据平滑技术进行平滑噪声方案样本数据,识别、删除孤立点。最后对数据进行压缩,应用小波变换、主成分分析等数据编码或变换方法减少数据量,加强数据的有效性。图2、图3分别为模型输入、输出数据格式。
步骤二,机器学习训练模块基于方案寻优目的,雷达系统方案设计的本质是对不同子系统模块进行分类和对相应参数的寻优,相应寻优算法可由决策树、支持向量机、神经网络等机器学习方法构成,建立训练模型,实现方案样本的输入、迭代和最终输出。基本训练过程可总结为,首先将雷达方案样本数据分为训练集、测试集和验证集,之后选用模型参数进行初始化配置,将训练集输入模型,根据损失函数缩减模型输出与理想样本值之间的差距,最终经过一定次数的迭代完成模型的最终训练。
以神经网络寻优模型为例,机器学习模块算法结构由双向递归神经网络组成。双向递归神经网络包括输入层、隐性层、输出层。我们可以将方案样本数据分为训练集、测试集、验证集三部分,其中训练集用于训练网络模型,测试集用于检验网络迭代效果,为了保证训练网络的泛化能力,采用验证集保证模型质量。通过数据预处理模块形成了雷达系统指标序列集合和子系统模块序列集合,将雷达系统指标序列集合作为神经网络训练模块的输入,子系统模块序列集合作为神经网络训练模块的输出,输入层用于提取输入系统指标序列特征,隐性层利用多层神经网络挖掘出雷达系统性能指标同子系统类型参数间的关系模型。图4为神经网络寻优模型结构。
从输出角度考虑设计过程中在数字子系统一定时,射频和天线子系统的指标需要充分参考数字子系统的类型参数,雷达各子系统之间存在较强的关联性,因而采用循环卷积神经网络进行模型训练,这里的隐性层包含多个RNN网络对应不同的子系统模块类型和属性参数,隐性层中的各RNN网络的输入包含当前网络的输入和上下两个RNN网络的输出:
f(Xn)=wm·Xn+U·f(Xn-1)+V·f(Xn+1)
其中,Xn为第n个输入,wm为隐藏层第n个输入与m个神经元相连的权重,U是当前序列上一项输出的权重系数,V是当前序列下一项输出的权重系数。f(Xn)为当前RNN网络的输出,f(Xn-1)、f(Xn+1)为上下两个RNN网络的输出。
神经网络的各神经元采用tanh函数作为非线性激活函数,记当前隐性层神经元输出为Pk,k为隐性层第k个输出,则隐性层输出到输出层的值为:
经过输出层网络处理后模型输出为:
hj=bkj·sk+lj
其中,bkj为连接权重,lj为神经元偏置项。
训练模块反向传播过程的损失函数采用交叉熵代价函数避免训练速度缓慢,神经元饱和的问题:
其中,zt表示第t个样本序列输出的标注值,yt表示为第t个样本序列经过循环神经网络后的输出值,输出层根据最终权重输出训练结果。
若样本数为T,s为样本标准输出,神经网络模型输出与训练集标准输出之间的偏差值计算如下:
通过反向传播算法计算梯度,不断迭代调整模型参数接近标准输出,完成方案设计模型的优化,输入新的方案指标参数,快速地得到对应的设计内容。
新的方案设计指标描述和参数经过机器学习模块后,可以便捷的得到方案设计的具体内容。相比于依靠知识经验的专家系统更智能高效,具有节省人力、自我迭代更新的优势。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于机器学习的雷达方案设计方法,其特征在于,包括如下步骤:
步骤1,对雷达方案样本按照雷达所属类别进行分类,将对应待设计雷达方案的一类雷达方案样本找出来,并提取该样本中的雷达整体系统性能指标以及雷达子系统类型指标,形成雷达系统序列数据,对数据进行过滤、清洗及归一化的预处理操作;
步骤2,将步骤1预处理后的数据分为训练集、测试集和验证集,利用训练集训练机器学习模型,将训练集中的雷达整体系统性能指标作为机器学习模型的输入,雷达子系统类型指标作为机器学习模型的输出,得到模型的内部节点连接权值,从而得到训练好的机器学习模型,利用测试集和验证集对机器学习模型进行测试和验证,得到最终的机器学习模型;
步骤3,将待设计雷达方案对应的雷达整体系统性能指标输入最终的机器学习模型,输出待设计雷达方案对应的雷达子系统类型指标,从而完成雷达方案设计工作。
2.根据权利要求1所述基于机器学习的雷达方案设计方法,其特征在于,步骤1所述雷达方案样本中存在错误或偏离期望的野值时,采用分箱、回归及聚类的数据平滑技术进行平滑,并识别和删除孤立点,最后利用小波变换、主成分分析方法进行数据压缩。
3.根据权利要求1所述基于机器学习的雷达方案设计方法,其特征在于,步骤2所述机器学习模型为神经网络寻优模型,神经网络寻优模型包括输入层、隐藏层、输出层,隐藏层包括多个RNN网络,每个RNN网络的输出为:
f(Xn)=wm·Xn+U·f(Xn-1)+V·f(Xn+1)
其中,f(Xn)表示第n个RNN网络的输出,Xn表示第n个RNN网络的输入,wm为Xn与RNN网络m个神经元相连的权重,f(Xn-1)、f(Xn+1)分别为第n-1、n+1个RNN网络的输出,U为f(Xn-1)的权重系数,V为f(Xn+1)的权重系数;
记隐藏层的第k个输出为Pk,则隐藏层输出到输出层的值sk为:
经过输出层处理后模型输出为:
hj=bkj·sk+lj
其中,hj表示神经网络寻优模型的输出,bkj为连接权重,lj为神经元偏置项。
4.根据权利要求3所述基于机器学习的雷达方案设计方法,其特征在于,所述神经网络寻优模型,在反向传播过程中的损失函数L为:
其中,T为所有训练样本的总数,zt表示第t个训练样本序列输出的标注值,yt表示第t个训练样本序列经过循环神经网络后的输出值。
5.根据权利要求3所述基于机器学习的雷达方案设计方法,其特征在于,所述神经网络寻优模型,模型输出与训练集标准输出之间的偏差值计算如下:
其中,C表示偏差值,T为所有训练样本的总数,s(x)表示某训练样本序列中第x个样本标准输出,L为损失函数,a表示第x个样本对应的模型输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297944.2A CN110309528A (zh) | 2019-04-15 | 2019-04-15 | 一种基于机器学习的雷达方案设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297944.2A CN110309528A (zh) | 2019-04-15 | 2019-04-15 | 一种基于机器学习的雷达方案设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309528A true CN110309528A (zh) | 2019-10-08 |
Family
ID=68075371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910297944.2A Pending CN110309528A (zh) | 2019-04-15 | 2019-04-15 | 一种基于机器学习的雷达方案设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309528A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111769886A (zh) * | 2020-07-29 | 2020-10-13 | 中国电子科技集团公司第十四研究所 | 雷达状态数据通用采集设备及方法 |
CN114814759A (zh) * | 2022-06-28 | 2022-07-29 | 湖南师范大学 | 基于数字孪生的机载雷达信号处理与数据存储方法及组件 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220525A (zh) * | 2017-05-19 | 2017-09-29 | 浙江工业大学 | 基于rnn的基因调控网络构建与动态差异性分析方法 |
CN108957418A (zh) * | 2018-05-30 | 2018-12-07 | 西安电子科技大学 | 一种基于循环神经网络模型的雷达目标识别方法 |
-
2019
- 2019-04-15 CN CN201910297944.2A patent/CN110309528A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220525A (zh) * | 2017-05-19 | 2017-09-29 | 浙江工业大学 | 基于rnn的基因调控网络构建与动态差异性分析方法 |
CN108957418A (zh) * | 2018-05-30 | 2018-12-07 | 西安电子科技大学 | 一种基于循环神经网络模型的雷达目标识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111769886A (zh) * | 2020-07-29 | 2020-10-13 | 中国电子科技集团公司第十四研究所 | 雷达状态数据通用采集设备及方法 |
CN114814759A (zh) * | 2022-06-28 | 2022-07-29 | 湖南师范大学 | 基于数字孪生的机载雷达信号处理与数据存储方法及组件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
Yin et al. | Wasserstein Generative Adversarial Network and Convolutional Neural Network (WG‐CNN) for Bearing Fault Diagnosis | |
CN109063728A (zh) | 一种火灾图像深度学习模式识别方法 | |
WO2016101628A1 (zh) | 一种数据建模中的数据处理方法及装置 | |
CN109657552A (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
CN109218134B (zh) | 一种基于神经风格迁移的测试用例生成系统 | |
CN101226133B (zh) | 一种血细胞脉冲信号的分类识别方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN112367273B (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
CN108182316B (zh) | 一种基于人工智能的电磁仿真方法及其电磁大脑 | |
CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
CN105678344A (zh) | 一种电力仪表设备的智能分类方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN113132399A (zh) | 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法 | |
CN105787488A (zh) | 由全局向局部传递的图像特征提取方法及装置 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN109062811B (zh) | 一种基于神经风格迁移的测试用例生成方法 | |
CN110309528A (zh) | 一种基于机器学习的雷达方案设计方法 | |
CN104484412A (zh) | 基于多形式处理的大数据分析系统 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN112200391B (zh) | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 | |
CN113591604A (zh) | 基于噪声标签重构的风力发电机电能质量扰动状态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |