CN111353391B - 雷达干扰效果评估方法、装置、电子设备及其存储介质 - Google Patents
雷达干扰效果评估方法、装置、电子设备及其存储介质 Download PDFInfo
- Publication number
- CN111353391B CN111353391B CN202010097584.4A CN202010097584A CN111353391B CN 111353391 B CN111353391 B CN 111353391B CN 202010097584 A CN202010097584 A CN 202010097584A CN 111353391 B CN111353391 B CN 111353391B
- Authority
- CN
- China
- Prior art keywords
- radar
- convolutional neural
- neural network
- network model
- training
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/38—Jamming means, e.g. producing false echoes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达干扰效果评估方法、装置、电子设备及其存储介质,方法包括:构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型;获取干扰前的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型,从干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数;获取干扰后的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型,从干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数;根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果。本发明将干扰前后的雷达波形单元幅度序列与多尺度卷积神经网络相结合,计算干扰机对雷达的干扰效果,使得本发明不仅实现了在线评估,还实现了高可靠性、高鲁棒性的评估。
Description
技术领域
本发明属于电子对抗技术领域,具体涉及一种雷达干扰效果评估方法、装置、电子设备及其存储介质。
背景技术
雷达对抗作为电子战的重要组成部分,其主要包括雷达干扰和抗干扰技术。在干扰与抗干扰技术的博弈过程中,干扰效果是双方都十分关注且迫想要得到结果的一项指标。
上世纪80年代后,多功能相控阵雷达技术日趋成熟,使得传统的干扰效果评估方法难以满足日益复杂的辐射源环境。同时,传统雷达干扰效果评估主要基于雷达方,缺乏评估实时性,无法满足战时指挥系统的需要。邢强等人在其发表的论文“基于干扰方的雷达在线干扰效果评估”([J].电子信息对抗技术,2018,33(06):57-62)中提出了一种干扰方基于支持向量机(Support Vector Machine,简称SVM)的雷达在线干扰效果评估方法,该方法首先通过分析雷达受干扰前后行为参数变化,建立行为参数变化与干扰效果评估的映射关系及干扰效果评估知识库,然后选择径向基核函数(RBF),通过SVM对知识库进行学习训练,该方法将干扰效果评估知识库与SVM相结合,实现了基于干扰方的雷达在线干扰效果评估;专利申请号为201910229296.7的专利公开了一种雷达干扰效果评估方法、装置及计算机设备,该方法首先通过获取目标雷达和雷达干扰方案的行为参数,建立雷达干扰因素集,然后获得各干扰因素的干扰效益值和权重矢量,最后根据各干扰因素的干扰效益值和权重矢量获得干扰因素的加权干扰效益矩阵,并采用TOPSIS法获得雷达干扰方案干扰效果评分,该方法将加权干扰效益矩阵于TOPSIS法相结合,实现了雷达干扰方干扰效果评分。
但是,上述雷达干扰效果评估方法一由于没有考虑雷达受干扰前后一段时间的行为参数变化,仅仅根据前一时刻的行为参数变化就得出了当前的干扰效果评估,导致评估效果缺乏鲁棒性与可靠性;雷达干扰效果评估方法二虽然对干扰指标没有严格的限制,但是由于该方法需要获取用户输入的各干扰因素的评分值,无法实现在线的干扰效果评估。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种雷达干扰效果评估方法、装置、电子设备及其存储介质。
本发明的一个实施例提供了一种雷达干扰效果评估方法,该方法包括:
构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型;
获取干扰前的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型,从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数;
获取干扰后的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型,从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数;
根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果,以完成雷达干扰效果的评估。
在本发明的一个实施例中,构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型,包括:
构建所述多尺度卷积神经网络模型;
获取训练样本集,将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型。
在本发明的一个实施例中,构建的所述多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层,L为大于0的整数,其中,
每列所述卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层,每列所述卷积神经网络中的第一卷积层与所述输入层连接,每列所述卷积神经网络中的第二池化层与所述第一全连接层连接。
在本发明的一个实施例中,获取训练样本集,包括:
获取N组雷达波形单元幅度序列,N为大于0的整数;
对每组所述雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列;
将带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列作为训练样本集。
在本发明的一个实施例中,将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型,包括:
将所述训练样本集输入至所述多尺度卷积神经网络模型,利用前向传播方法训练所述多尺度卷积神经网络模型得到训练跟踪波形单元个数;
构建所述训练跟踪波形单元个数与所述标记跟踪波形单元个数之间的均方误差,将所述均方误差作为训练误差;
利用反向传播法,最小化所述训练误差得到所述训练好的多尺度卷积神经网络模型。
在本发明的一个实施例中,根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果,包括:
计算所述第一跟踪波形单元个数和所述第二跟踪波形单元个数的跟踪波形单元个数的差值;
根据干扰机采用的干扰模式对所述跟踪波形单元个数的差值进行预设线性整流处理得到所述雷达的干扰效果。
在本发明的一个实施例中,根据干扰模式对所述跟踪波形单元个数的差值进行预设线性整流处理得到所述雷达的干扰效果,包括:
其中,Eff表示雷达的干扰效果,d表示跟踪波形单元个数的差值,ReLU(d)表示对d做线性整流处理。
本发明的另一个实施例提供了一种雷达干扰效果评估装置,该装置包括:
模型构建训练模块,用于构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型;
第一数据处理模块,用于获取干扰前的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数;
第二数据处理模块,用于获取干扰后的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数;
数据确定模块,用于根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果。
本发明的再一个实施例提供了一种雷达干扰效果评估电子设备,该电子设备包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上存放的所述计算机程序时,实现上述任一所述的雷达干扰效果评估方法。
本发明的又一个实施例提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的雷达干扰效果评估方法。
与现有技术相比,本发明的有益效果:
本发明提出的雷达干扰效果评估方法,将干扰前后的雷达波形单元幅度序列与多尺度卷积神经网络相结合,根据干扰前后雷达波形单元幅度序列中的跟踪波形单元个数的差值,计算出干扰机对雷达的干扰效果,使得本发明不仅实现了在线雷达干扰效果的评估,还实现了高可靠性、高鲁棒性的雷达干扰效果评估。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种雷达干扰效果评估方法的流程示意图;
图2是本发明实施例提供的一种雷达干扰效果评估方法中多尺度卷积神经网络模型的结构示意图;
图3是本发明实施例提供的一种雷达干扰效果评估装置的结构示意图;
图4是本发明实施例提供的一种雷达干扰效果评估电子设备的结构示意图;
图5是本发明实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
目前现有的雷达干扰评估方法一由于需要获取用户输入的各干扰因素的评分值,因此无法实现在线的干扰效果评估,雷达干扰评估方法二由于没有考虑雷达受干扰前后一段时间的行为参数变化,仅仅根据前一时刻的行为参数变化就得出了当前的干扰效果评估,导致评估效果缺乏鲁棒性与可靠性。基于上述存在的问题,请参见图1,图1是本发明实施例提供的一种雷达干扰效果评估方法的流程示意图,本实施例提出了一种雷达干扰效果评估方法,该方法包括如下步骤:
步骤1、构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型。
具体而言,为了实现更高鲁棒性、可靠性的雷达干扰效果评估,本实施例提出了基于多尺度卷积神经网络模型的雷达干扰效果评估方法,利用多尺度卷积神经网络模型,在多尺度下观察雷达波形序列,可以更好地实现雷达波形单元序列中跟踪波形单元个数的统计,使用多尺度卷积神经网络模型对雷达波形单元序列中跟踪波形单元的计数,不仅适用于干扰发生前的跟踪波形单元计数,同样适用于干扰发生后的跟踪波形单元计数,步骤1具体包括步骤1.1、步骤1.2:
步骤1.1、构建多尺度卷积神经网络模型。
具体而言,请参见图2,图2是本发明实施例提供的一种雷达干扰效果评估方法中多尺度卷积神经网络模型的结构示意图,可见,本实施例构建的多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层,L为大于0的整数,其中,每列卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层,每列卷积神经网络中的第一卷积层均与输入层连接,每列卷积神经网络中的第二池化层均与第一全连接层连接,多尺度卷积神经网络模型的输入数据经过L列卷积神经网络处理后,先进行合并,将合并后的数据再输入到第一全连接层,依次再经过第二全连接层处理,最后从输出层输出。其中,L的取值,以及每列卷积神经网络中的第一卷积层、第一池化层、第二卷积层、第二池化层,以及第一全连接层、第二全连接层涉及的参数根据干扰效果评估中所用的雷达波形单元个数而设置。
例如,本实施例每次干扰效果评估中所用的雷达波形单元个数为M,M优选为50、100、200、500、1000中的任意一个值,因此,每次干扰效果评估时,侦察机获取M个雷达波形单元,形成长度为M的雷达波形单元序列。此时多尺度卷积神经网络模型中,以L取值为3为例:
第一列卷积神经网络的参数设置为:第一卷积层的卷积核大小设置为1×5,卷积核个数设置为32;第一池化层的池化核大小设置为1×2,步长为1×2;第二卷积层的卷积核大小设置为1×1,卷积核个数设置为16;第二池化层的池化核大小设置为1×2,步长为1×2;
第二列卷积神经网络的参数设置为:第一卷积层的卷积核大小设置为1×9,卷积核个数设置为32;第一池化层的池化核大小设置为1×2,步长为1×2;第二卷积层的卷积核大小设置为1×5,卷积核个数设置为16;第二池化层的池化核大小设置为1×2,步长为1×2;
第三列卷积神经网络的参数设置为:第一卷积层的卷积核大小设置为1×13,卷积核个数设置为32;第一池化层的池化核大小设置为1×2,步长为1×2;第二卷积层的卷积核大小设置为1×9,卷积核个数设置为16;第二池化层的池化核大小设置为1×2,步长为1×2;
第一全连接层、第二全连层的参数设置为:第一全连接层的节点个数设置为128,第二全连接层的节点个数设置为31。
步骤1.2、获取训练样本集,将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型。
具体而言,本实施例通过步骤1.1构建了多尺度卷积神经网络模型,步骤1.2对构建的多尺度卷积神经网络模型进行训练,步骤1.2具体包括步骤1.2.1、步骤1.2.2:
步骤1.2.1、获取训练样本集。
具体而言,本实施例训练样本集包括含有不同跟踪波形单元个数的雷达波形单元序列的集合,步骤1.2.1具体包括步骤1.2.1.1、步骤1.2.1.2:
步骤1.2.1.1、获取N组雷达波形单元幅度序列,N为大于0的整数;
具体而言,本实施例通过侦察机获取雷达的M个雷达波形单元,M为大于0的整数,然后将M个雷达波形单元的幅度按照雷达波形单元采集顺序依次排列生成干扰前的雷达波形单元幅度序列,侦察机进行N次上述M个雷达波形单元获取、处理得到N组雷达波形单元幅度序列。其中,每次M个雷达波形单元序列如何排列生成雷达波形单元幅度序列的过程,在此不做详细说明,具体可以参考马爽等发表的论文“多功能雷达电子情报信号处理关键技术研究”中第4.2节所述内容。
步骤1.2.1.2、对每组雷达波形单元幅度序列中的跟踪波形单元进行标记、统计得到带有标记跟踪波形单元个数的N组雷达波形单元幅度序列。
具体而言,每组雷达波形单元幅度序列中包括跟踪波形单元和搜索波形,本实施例将跟踪波形单元个数作为雷达干扰效果评估的主要因素,因此,在训练前,对每组雷达波形单元幅度序列中的跟踪波形单元做标记、统计得到带有标记跟踪波形单元个数的N组雷达波形单元幅度序列。其中,标记跟踪波形单元个数用于后续多尺度卷积神经网络模型的训练。
步骤1.2.1.3、将带有标记跟踪波形单元个数的N组雷达波形幅度序列作为训练样本集。
步骤1.2.2、将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型。
具体而言,本实施例将步骤1.2.1获取的训练样本输入至步骤1.1构建的多尺度卷积神经网络模型中,首先利用前向传播方法对多尺度卷积神经网络模型进行训练得到训练跟踪波形单元个数,然后构建训练跟踪波形单元个数与步骤1.2.1.2中统计的标记跟踪波形单元个数之间的均方误差,并将该均方误差作为训练误差,最后利用反向传播法最小化训练误差得到最终训练好的多尺度卷积神经网络模型。
步骤2、获取干扰前的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型从干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数。
具体而言,为了进一步提高雷达评估效果的鲁棒性和可靠性,本实施例综合考虑干扰前、干扰后的雷达波形来衡量雷达干扰效果,因此,本实施例步骤2侦察机首先获取雷达受干扰机干扰前的M个雷达波形单元,将干扰发生前的M个雷达波形单元的幅度按照雷达波形单元采集顺序依次排列,生成干扰前的雷达波形单元幅度序列,然后将生成的干扰前的雷达波形单元幅度序列输入至步骤1得到的训练好的多尺度卷积神经网络模型,通过训练好的多尺度卷积神经网络模型对干扰前的雷达波形单元幅度序列在多种尺度下进行观察,实现对干扰前的雷达波形单元幅度序列中跟踪波形单元的统计得到第一跟踪波形单元个数。其中,干扰前的雷达波形单元幅度序列生成过程请参见步骤1.2.1.1中雷达波形单元幅度序列的生成过程。
步骤3、获取干扰后的雷达波形单元幅度序列,利用训练好的多尺度卷积神经络模型从干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数。
具体而言,本实施例步骤2侦察机首先获取了干扰前的雷达波形单元幅度序列,步骤3侦察机获取雷达受干扰机干扰后的M个雷达波形单元,将干扰发生后的M个雷达波形单元的幅度按照雷达波形单元采集顺序依次排列,生成干扰后的雷达波形单元幅度序列,然后将生成的干扰后的雷达波形单元幅度序列输入至步骤1得到的训练好的多尺度卷积神经网络模型,通过训练好的多尺度卷积神经网络模型对干扰后的雷达波形单元幅度序列在多种尺度下进行观察,实现对干扰后的雷达波形单元幅度序列中跟踪波形单元的统计得到第二跟踪波形单元个数。其中,干扰后的雷达波形单元幅度序列生成过程请参见步骤1.2.1.1中雷达波形单元幅度序列的生成过程。
步骤4、根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果。
具体而言,本实施例通过构建干扰前、干扰后的雷达信息的关系式进行雷达干扰效果的评估,步骤4具体包括步骤4.1、步骤4.2:
步骤4.1、根据第一跟踪波形单元个数和第二跟踪波形单元个数得到跟踪波形单元个数的差值。
具体而言,本实施例优选构建的干扰前、干扰后的雷达信息的关系式具体为:计算第一跟踪波形单元个数和第二跟踪波形单元个数之间的差值,即跟踪波形单元个数的差值,利用该跟踪波形单元个数的差值进行雷达干扰效果的评估。其中,选构建的干扰前、干扰后的雷达信息的关系式不局限于计算第一跟踪波形单元个数和第二跟踪波形单元个数之间的差值。
步骤4.2、根据干扰机采用的干扰模式对跟踪波形单元个数的差值进行预设线性整流处理得到雷达的干扰效果。
具体而言,本实施例干扰机对雷达采用的干扰模式主要包括压制式干扰模式、欺骗式干扰模式,对于不同的干扰模式,对跟踪波形单元个数的差值d进行预设线性整流处理,具体地预设线性整流处理表达式为:
其中,Eff表示雷达的干扰效果,d表示跟踪波形单元个数的差值,ReLU(d)表示对d做线性整流处理。
综上所述,本实施例提供的雷达干扰评估方法,实时检测干扰前后的雷达波形,将干扰前后的雷达波形单元幅度序列与多尺度卷积神经网络相结合,根据干扰前后雷达波形单元幅度序列中的跟踪波形单元个数的差值,计算出干扰机对雷达的干扰效果,使得本申请实现了雷达干扰效果的在线评估;本实施例分别采用了干扰前后的M个雷达波形单元,分别统计了干扰前后相同雷达波形单元序列中的跟踪波形单元个数,克服了雷达干扰效果评估可靠性不高的问题,本申请的雷达干扰评估方法具有更高的鲁棒性、可靠性,可以有效地辅助干扰方进行干扰决策;本实施例中通过多尺度卷积神经网络模型对雷达波形幅度序列在多种尺度下进行观察,更好地实现了雷达波形幅度序列中跟踪波形单元的分辨与统计,提高了跟踪波形单元个数统计精度,进而提高了雷达干扰效果评估。
实施例二
在上述实施例一的基础上,请参见图3,图3为本发明实施例提供的一种雷达干扰效果评估装置的结构示意图。本实施例提供了一种雷达干扰效果评估装置,该装置包括:
模型构建训练模块,用于构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型。
具体而言,本实施例模型构建训练模块中构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型,包括:
构建多尺度卷积神经网络模型;
获取训练样本集,将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型。
进一步地,本实施例构建的多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层,L为大于0的整数,其中,
每列卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层,每列卷积神经网络中的第一卷积层与输入层连接,每列卷积神经网络中的第二池化层与第一全连接层连接。
进一步地,本实施例获取训练样本集,包括:
获取N组雷达波形单元幅度序列,N为大于0的整数;
对每组雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的N组雷达波形单元幅度序列;
将带有标记跟踪波形单元个数的N组雷达波形单元幅度序列作为训练样本集。
进一步地,本实施例将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型,包括:
将训练样本集输入至多尺度卷积神经网络模型,利用前向传播方法训练多尺度卷积神经网络模型得到训练跟踪波形单元个数;
构建训练跟踪波形单元个数与标记跟踪波形单元个数之间的均方误差,将均方误差作为训练误差;
利用反向传播法,最小化训练误差得到训练好的多尺度卷积神经网络模型。
第一数据处理模块,用于获取干扰前的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型从干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数。
第二数据处理模块,用于获取干扰后的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型从干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数。
数据确定模块,用于根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果。
具体而言,本实施例数据确定模块中根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果,包括:
计算第一跟踪波形单元个数和第二跟踪波形单元个数的跟踪波形单元个数的差值;
根据干扰机采用的干扰模式对跟踪波形单元个数的差值进行预设线性整流处理得到雷达的干扰效果。
进一步地,本实施例根据干扰模式对跟踪波形单元个数的差值进行预设线性整流处理得到雷达的干扰效果,包括:
其中,Eff表示雷达的干扰效果,d表示跟踪波形单元个数的差值,ReLU(d)表示对d做线性整流处理。
本实施例提供的一种雷达干扰效果评估装置,可以执行上述雷达干扰效果评估方法实施例,其实现原理和技术效果类似,在此不再赘述。
实施例三
在上述实施例二的基础上,请参见图4,图4为本发明实施例提供的一种雷达干扰效果评估电子设备结构示意图。本实施例提供了一种雷达干扰效果评估电子设备,该电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的计算机程序时,该计算机程序被处理器执行时实现以下步骤:
步骤1、构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型。
具体而言,本实施例步骤1中构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型,包括:
构建多尺度卷积神经网络模型;
获取训练样本集,将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型。
进一步地,本实施例构建的多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层,L为大于0的整数,其中,
每列卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层,每列卷积神经网络中的第一卷积层与输入层连接,每列卷积神经网络中的第二池化层与第一全连接层连接。
进一步地,本实施例获取训练样本集,包括:
获取N组雷达波形单元幅度序列,N为大于0的整数;
对每组雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的N组雷达波形单元幅度序列;
将带有标记跟踪波形单元个数的N组雷达波形单元幅度序列作为训练样本集。
进一步地,本实施例将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型,包括:
将训练样本集输入至多尺度卷积神经网络模型,利用前向传播方法训练多尺度卷积神经网络模型得到训练跟踪波形单元个数;
构建训练跟踪波形单元个数与标记跟踪波形单元个数之间的均方误差,将均方误差作为训练误差;
利用反向传播法,最小化训练误差得到训练好的多尺度卷积神经网络模型。
步骤2、获取干扰前的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型从干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数。
步骤3、获取干扰后的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型从干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数。
步骤4、根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果。
具体而言,本实施例步骤4中根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果,包括:
计算第一跟踪波形单元个数和第二跟踪波形单元个数的跟踪波形单元个数的差值;
根据干扰机采用的干扰模式对跟踪波形单元个数的差值进行预设线性整流处理得到雷达的干扰效果。
进一步地,本实施例根据干扰模式对跟踪波形单元个数的差值进行预设线性整流处理得到雷达的干扰效果,包括:
其中,Eff表示雷达的干扰效果,d表示跟踪波形单元个数的差值,ReLU(d)表示对d做线性整流处理。
本实施例提供的一种雷达干扰效果评估电子设备,可以执行上述雷达干扰效果评估方法实施例和上述雷达干扰效果评估装置实施例,其实现原理和技术效果类似,在此不再赘述。
实施例四
在上述实施例三的基础上,请参见图5,图5为本发明实施例提供的一种计算机可读存储介质的结构示意图。本实施例提供的一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现以下步骤:
步骤1、构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型。
具体而言,本实施例步骤1中构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型,包括:
构建多尺度卷积神经网络模型;
获取训练样本集,将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型。
进一步地,本实施例构建的多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层,L为大于0的整数,其中,
每列卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层,每列卷积神经网络中的第一卷积层与输入层连接,每列卷积神经网络中的第二池化层与第一全连接层连接。
进一步地,本实施例获取训练样本集,包括:
获取N组雷达波形单元幅度序列,N为大于0的整数;
对每组雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的N组雷达波形单元幅度序列;
将带有标记跟踪波形单元个数的N组雷达波形单元幅度序列作为训练样本集。
进一步地,本实施例将训练样本集输入至多尺度卷积神经网络模型进行训练得到训练好的多尺度卷积神经网络模型,包括:
将训练样本集输入至多尺度卷积神经网络模型,利用前向传播方法训练多尺度卷积神经网络模型得到训练跟踪波形单元个数;
构建训练跟踪波形单元个数与标记跟踪波形单元个数之间的均方误差,将均方误差作为训练误差;
利用反向传播法,最小化训练误差得到训练好的多尺度卷积神经网络模型。
步骤2、获取干扰前的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型从干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数。
步骤3、获取干扰后的雷达波形单元幅度序列,利用训练好的多尺度卷积神经网络模型从干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数。
步骤4、根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果。
具体而言,本实施例步骤4中根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果,包括:
计算第一跟踪波形单元个数和第二跟踪波形单元个数的跟踪波形单元个数的差值;
根据干扰机采用的干扰模式对跟踪波形单元个数的差值进行预设线性整流处理得到雷达的干扰效果。
进一步地,本实施例根据干扰模式对跟踪波形单元个数的差值进行预设线性整流处理得到雷达的干扰效果,包括:
其中,Eff表示雷达的干扰效果,d表示跟踪波形单元个数的差值,ReLU(d)表示对d做线性整流处理。
本实施例提供的一种计算机可读存储介质,可以执行上述雷达干扰效果评估方法实施例、上述雷达干扰效果评估装置实施例和上述雷达干扰效果评估电子设备实施例,其实现原理和技术效果类似,在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种雷达干扰效果评估方法,其特征在于,包括:
构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型;
其中,训练多尺度卷积神经网络模型包括:获取N组雷达波形单元幅度序列,N为大于0的整数;对每组所述雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的N组雷达波形单元幅度序列;将所述带有标记跟踪波形单元个数的N组雷达波形单元幅度序列作为所述训练样本集;将所述训练样本集输入至多尺度卷积神经网络模型,利用前向传播方法训练所述多尺度卷积神经网络模型得到训练跟踪波形单元个数;构建所述训练跟踪波形单元个数与所述标记跟踪波形单元个数之间的均方误差,将所述均方误差作为训练误差;利用反向传播法,最小化所述训练误差得到训练好的多尺度卷积神经网络模型;
获取干扰前的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型,从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数;
获取干扰后的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型,从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数;
根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果,以完成雷达干扰效果的评估,包括:计算所述第一跟踪波形单元个数和所述第二跟踪波形单元个数的跟踪波形单元个数的差值;根据干扰机采用的干扰模式对所述跟踪波形单元个数的差值进行预设线性整流处理;
其中,所述预设线性整流处理包括:
Eff表示雷达的干扰效果,d表示跟踪波形单元个数的差值,ReLU(d)表示对d做线性整流处理。
2.根据权利要求1所述的雷达干扰效果评估方法,其特征在于,构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型,包括:
构建所述多尺度卷积神经网络模型;
获取训练样本集,将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型。
3.根据权利要求1所述的雷达干扰效果评估方法,其特征在于,构建的所述多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层,L为大于0的整数,其中,
每列所述卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层,每列所述卷积神经网络中的第一卷积层与所述输入层连接,每列所述卷积神经网络中的第二池化层与所述第一全连接层连接。
4.根据权利要求1所述的雷达干扰效果评估方法,其特征在于,获取训练样本集,包括:
获取N组雷达波形单元幅度序列,N为大于0的整数;
对每组所述雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列;
将带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列作为训练样本集。
5.根据权利要求4所述的雷达干扰效果评估方法,其特征在于,将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型,包括:
将所述训练样本集输入至所述多尺度卷积神经网络模型,利用前向传播方法训练所述多尺度卷积神经网络模型得到训练跟踪波形单元个数;
构建所述训练跟踪波形单元个数与所述标记跟踪波形单元个数之间的均方误差,将所述均方误差作为训练误差;
利用反向传播法,最小化所述训练误差得到所述训练好的多尺度卷积神经网络模型。
6.一种雷达干扰效果评估装置,使用如权利要求1~5任一所述的雷达干扰效果评估方法,其特征在于,所述装置包括:
模型构建训练模块,用于构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型;
第一数据处理模块,用于获取干扰前的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数;
第二数据处理模块,用于获取干扰后的雷达波形单元幅度序列,利用所述训练好的多尺度卷积神经网络模型从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数;
数据确定模块,用于根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果。
7.一种雷达干扰效果评估电子设备,其特征在于,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上存放的所述计算机程序时,实现权利要求1~5任一所述的雷达干扰效果评估方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1~5任一所述的雷达干扰效果评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097584.4A CN111353391B (zh) | 2020-02-17 | 2020-02-17 | 雷达干扰效果评估方法、装置、电子设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097584.4A CN111353391B (zh) | 2020-02-17 | 2020-02-17 | 雷达干扰效果评估方法、装置、电子设备及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353391A CN111353391A (zh) | 2020-06-30 |
CN111353391B true CN111353391B (zh) | 2023-07-07 |
Family
ID=71194019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010097584.4A Active CN111353391B (zh) | 2020-02-17 | 2020-02-17 | 雷达干扰效果评估方法、装置、电子设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353391B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651181B (zh) * | 2020-12-31 | 2024-03-26 | 西安大衡天成信息科技有限公司 | 一种基于零和博弈的雷达对抗策略建模与仿真方法 |
CN113011262B (zh) * | 2021-02-18 | 2023-10-13 | 广州大学华软软件学院 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
CN113419225B (zh) * | 2021-08-19 | 2023-02-28 | 北京九天利建信息技术股份有限公司 | 一种雷达干扰效果在线评估方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165281A1 (zh) * | 2015-04-16 | 2016-10-20 | 深圳大学 | 一种雷达通信方法与系统 |
CN105930402A (zh) * | 2016-04-15 | 2016-09-07 | 乐视控股(北京)有限公司 | 基于卷积神经网络的视频检索方法及系统 |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
-
2020
- 2020-02-17 CN CN202010097584.4A patent/CN111353391B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111353391A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353391B (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
CN110074813B (zh) | 一种超声图像重建方法及系统 | |
Yang et al. | Fault diagnosis for energy internet using correlation processing-based convolutional neural networks | |
CN112069061B (zh) | 深度学习梯度指导变异的软件安全漏洞检测方法及系统 | |
CN112257815A (zh) | 模型生成方法、目标检测方法、装置、电子设备及介质 | |
CN109597043A (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN110376290B (zh) | 基于多维核密度估计的声发射源定位方法 | |
CN111382255A (zh) | 用于问答处理的方法、装置、设备和介质 | |
CN112949820B (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
CN111047073B (zh) | 一种基于神经网络的水产养殖水质预测方法及系统 | |
CN111967573A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CN109859204A (zh) | 卷积神经网络模型检验方法及装置 | |
Omar et al. | Fault classification on transmission line using LSTM network | |
CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
CN113487019A (zh) | 电路故障诊断方法、装置、计算机设备和存储介质 | |
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN110716998A (zh) | 一种精细尺度人口数据空间化方法 | |
CN109919099A (zh) | 一种基于表情识别的用户体验评价方法及系统 | |
CN115860113B (zh) | 一种自对抗神经网络模型的训练方法及相关装置 | |
CN111654264A (zh) | 一种信号数据模拟器生成信号脉冲序列方法及系统 | |
CN109861220B (zh) | 电力系统分析用深度卷积神经网络张量输入构建方法 | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach | |
Su et al. | PSR-LSTM model for weak pulse signal detection | |
CN101635046A (zh) | 基于统一计算设备架构技术的图像处理方法和装置 | |
CN115374998A (zh) | 基于注意力机制和CNN-BiGRU的负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |