CN113917402A

CN113917402A - 一种基于辐射源特征参数的雷达系统自主控制方法

Info

Publication number: CN113917402A
Application number: CN202111157969.6A
Authority: CN
Inventors: 王向敏; 张玉喜; 盛震宇
Original assignee: 724th Research Institute of CSIC
Current assignee: 724th Research Institute of CSIC
Priority date: 2021-09-30
Filing date: 2021-09-30
Publication date: 2022-01-11

Abstract

本发明涉及一种基于辐射源特征参数的雷达系统自主控制方法。针对作战环境日益复杂、任务模式复杂多变的情况下雷达系统难于达到最优的工作状态，本发明通过信号多维度信息广泛感知辐射源特征参数，采用以模板匹配识别为基础结合深度学习的识别方法对目标进行快速自动识别，然后根据任务综合优先级、辐射源目标信息、雷达状态信息和任务参数准则，制定最优的任务目标和任务参数，并利用调度时间确定最终的待执行任务队列，建立任务动态配置表，并按照时序自动执行任务控制命令，实现雷达系统的自主控制。本发明具有较好的通用性和实用性。

Description

一种基于辐射源特征参数的雷达系统自主控制方法

技术领域

本发明属于雷达智能化控制领域。

背景技术

随着雷达和电子战有源电扫阵列技术的发展，作战环境日益复杂，任务模式的复杂多变，需要转变电子对抗模式，以适应不同的雷达任务和环境作战需求，这些需求包括：1)提高对低概率检测目标的探测能力，随着电子对抗技术快速发展，如何在低检测概率下精准的跟踪机动目标，目标跟踪丢失如何在低检测概率下快速的重新检测等问题；2)多工作模式、多目标跟踪等工作方式的自适应调度，如何根据工作环境改变等一些突发情况自适应改变自身的参数、工作方式从而达到雷达最优工作状态；3)强干扰环境下雷达自适应调节能力，如何在对方进行强力干扰情况下通过有效算法进行克服敌方对雷达的精确打击。这急需在复杂电磁环境下自适应调整雷达系统的工作参数，来提高系统的作战效能。

目前雷达系统控制重点关注研究的方法和技术手段主要可概括：人工操控、认知控制和监督控制等，它们是依赖于感知环境的信息,通过瞬时认知或者监督进行系统控制。在被动侦测系统中，目标在不同工作模式下信号形式复杂多变，如从单一截获或者感知信息对系统状态估计和控制是有局限性的，无法进一步提高系统目标截获概率，达到最优的工作状态。

发明内容

针对上述现有技术的不足，本发明的目的在于提供一种基于辐射源特征参数的雷达系统自主控制方法，能够有效地解决复杂电磁环境下雷达系统自适应控制的问题。

为达到上述目的，本发明采用如下技术方案予以实现，其具体包含的步骤如下：

步骤1：辐射源特征参数提取：对雷达信号处理检测输出的全脉冲及相关联的中频数据进行预处理，通过聚类方法提取出隶属于同一辐射源的参数特征，再挑选出幅度最高的脉冲信号对应的中频数据进行脉内分析，提取出信号的脉间/脉内特征参数以及天线扫描周期；

步骤2：辐射源特征识别：利用模板匹配和深度学习两种识别方式，对信号特征参数进行实时判别，识别出雷达平台、工作模式、信号类型、工作带宽。在样本标注过程中，通过模板匹配识别方法自动对库内样本标注，利用库内样本对卷积神经网络模型进行训练，随着学习模型的识别率提高，将库外符合条件的样本数据进行机器自动标注；

步骤3：系统控制决策：根据任务综合优先级、辐射源目标信息、雷达状态信息和任务参数准则，制定最优的任务目标和任务参数，并利用调度时间确定最终的待执行任务队列，建立任务动态配置表；

步骤4：系统控制执行：根据任务动态配置信息，系统控制层将此参数转变成系统内部控制命令，按照时序自动执行下发指令，并通过人机融合的方法，展示任务规划过程和行为参数配置表，提供用户监督和调整相应的执行决策。

本发明解决在复杂电磁环境或者干扰模式下自适应调节雷达系统控制能力，从而根据辐射源特征参数进行多种模式的智能配置或在线结构功能重构，实现了雷达工作参数自适应调整，有助于操作人员从复杂、繁琐的控制流程中解脱出来，并大大提高控制效率。

附图说明

图1：基于辐射源特征参数的雷达系统自主控制方法流程图；

图2：辐射源特征识别原理流程图；

图3：系统任务调度控制策略图。

具体实施方式

本发明的实现流程图如图1所示，其具体实施步骤如下：

1)辐射源特征参数提取

对雷达信号处理检测输出的全脉冲及相关联的中频数据进行预处理，通过脉宽聚类、频域聚类、时域聚类三个步骤，对缓存的全脉冲数据(到达时间、方位、频率、幅度、脉宽)提取出隶属于同一辐射源的参数特征(PW、RF、PRI)，再根据该参数特征提取出相应辐射源数据；再选择对幅度最大的脉冲信号数据对应中频数据进行脉内分析，计算出信号的特征参数，包括信号起始频率、调频系数(线性调频信号)、调制码码型(相位编码信号)、脉宽、脉冲上升沿、脉冲下降沿等参数；最后通过数据积累统计出天线扫描周期和天线扫描方式。

2)辐射源特征识别

辐射源特征提取之后，分别将特征数据进行模板匹配识别和深度学习目标识别。在模板匹配识别过程，以数据库中存储的辐射源模板的信号参数为依据，计算相似度，识别出符合条件的目标数据，进行实时判别，若匹配，则将识别出模板库中平台、工作模式、信号类型、工作带宽信息，并自动对库内样本标注；在深度学习目标识别过程中，利用dropout和L2范数的训练技巧，初始化学习率0.001、训练样本1000、优化器AdaBelta、迭代次数5000，采用输入层、输出层、18个卷积层、18个池化层和3个全连接层，构建卷积神经网络(CNN)结构模型。输入数据包括：信号全脉冲数据、信号的特征参数；输出数据包括：平台、工作模式、信号类型、工作带宽。利用库内样本对深度学习模型进行训练，随着识别率提高，将库外符合一定条件的样本数据进行机器自动标注，如图2所示，根据两种方法的识别结果比对评估，在深度学习方法性能不好或者改善有限的情况下，对训练网格模型进行调整，来提高深度学习的识别率。

3)系统控制决策

系统自主控制决策主要由优先级分析器和任务编排器组成，如图3所示。根据搜索任务和辐射源特征信息，优先级分析器产生各任务的综合优先级，根据综合优先级的高低，任务编排器对任务序列进行分析，当任务满足调度间隔加时间窗时将其送入待执行任务队列，并把雷达控制资源分配给该事件；当任务时间不满足调度间隔加时间窗，但满足系统总任务执行分配时间时，送入延迟队列中，将参与下一次调度间隔分析；当此任务不满足总任务执行分配时间时，将送入删除队列中直接丢弃。

优先级分析器根据综合优先级对系统任务进行排序，综合优先级由任务的重要性、任务执行时间和辐射源目标特征共同决定，其中w₁、w₂和w₃分别对辐射源目标位置、频率及目标属性进行加权，针对不同类型的任务，权值有所不同，如对于跟踪任务，更关注辐射源目标的位置等信息，而对于搜索任务，如果没有先验信息指导，则按照方位编排顺序执行，优先级主要考虑工作方式和任务截止期。优先级分析器中的f()设计的一种方法为：

参数k确定了函数形状，可据实际情况选择，一般可选择1，函数的取值范围在(0,1)之间。对当前时刻共有R个请求任务，将这R个请求分别按工作方式优先级从高到低、任务执行时间从小到大及目标重要性从高到低进行排序，得到每个请求排序的序号为Np_i、Nd_i及Nm_i(i＝1,2,…R)，则综合优先级采用线性函数来表示：

F_i＝(η₁·Np_i+η₂·Nd_i+η₃·Nm_i)/R (2)

其中η_i(i＝1,2,3)的取值范围均为[0,R]，且η₁+η₂+η₃＝R，综合优先级由三个参数共同决定，任务的优先级越高越早执行。

任务编排器根据雷达状态信息、任务优先级和搜索任务及辐射源目标特征参数生成根据任务特点自适应产生任务序列及参数，其生成任务参数的准则是：

准则1：根据辐射源目标PRI范围，至少满足搜索到3～5个脉冲，任务的驻留时间一般取PRI*10，当搜索任务时，选择驻留时间100ms；

准则2：根据辐射源目标距离远近、辐射源的敌我属性、辐射源目标转动周期设置不同的权重，权重大的分配更多的驻留时间，对权重小的分配更少的驻留时间；

准则3：在频率扫描带宽相同时，对多个辐射源目标的位置进行统计，分重点区域搜索，当搜索任务时，将侦测范围以分区域、分频段方式进行搜索；

准则4：根据辐射源目标的幅度和雷达状态信息动态地调整信号的检测门限，提高辐射源信号的截获概率；

准则5：扫描的频率范围为[f_begin,f_end]，总的带宽为B＝f_begin-f_end，每次扫描的带宽为b，则第k次搜索的频率范围在[f₁,f₂]之间，其中：

f₁＝f_begin+(k-1)·b，k＝kmod(B/b) (3)

f₂＝f_begin+k·b，k＝kmod(B/b) (4)

对待执行任务队列，制定最优的任务目标和任务参数，建立任务动态配置表，用来描述各个任务的执行顺序、逻辑关系、以及每个任务的执行条件，实现不同任务场景下的侦测定位空域对准、工作频段选择、干扰组合方式的动态配置，为雷达信号侦测定位、侦察策略设定及灵巧组合干扰策略的选择及快速切换提供条件。

4)系统控制执行

根据任务动态配置信息，系统控制层将此参数转变成系统内部控制命令，按照时序自动执行下发指令，同时通过交互式可视组件展示任务规划过程和行为参数配置表，辅助用户完成对过程参数的监督和决策的修订。

Claims

1.一种基于辐射源特征参数的雷达系统自主控制方法，其特征在于：

步骤1：辐射源特征参数提取：对雷达信号处理检测输出的全脉冲及相关联的中频数据进行预处理，通过聚类方法提取出隶属于同一辐射源的参数特征，再挑选出幅度最高的脉冲信号对应的中频数据进行脉内分析，提取出信号的脉间/脉内特征参数以及天线扫描周期信息；

步骤2：辐射源特征识别：利用模板匹配和深度学习两种识别方式，对信号特征参数进行实时判别，识别出雷达平台、工作模式、信号类型、工作带宽；在样本标注过程中，通过模板匹配识别方法自动对库内样本标注，利用库内样本对卷积神经网络模型进行训练，随着学习模型的识别率提高，将库外符合条件的样本数据进行机器自动标注；

2.一种根据权利要求1所述的基于辐射源特征参数的雷达系统自主控制方法，其特征在于：所述步骤2中卷积神经网络模型确定的方法为：利用dropout和L2范数的训练技巧，初始化学习率0.001、训练样本1000、优化器AdaBelta、迭代次数5000，采用输入层、输出层、18个卷积层、18个池化层和3个全连接层，构建卷积神经网络结构模型；输入数据包括：信号全脉冲数据、信号的特征参数；输出数据包括：雷达平台、工作模式、信号类型和工作带宽。

3.一种根据权利要求1所述的基于辐射源特征参数的雷达系统自主控制方法，其特征在于：所述步骤3中生成任务参数的准则为：

准则1：根据辐射源目标PRI范围，至少满足搜索到4～5个脉冲，任务的驻留时间取PRI*10，当搜索任务时，选择驻留时间100ms；

准则4：根据辐射源目标的幅度和雷达状态信息动态地调整信号的门限，提高目标的截获概率；

准则5：扫描的频率范围为[f_begin，f_end]，总的带宽为B＝f_begin－f_end，每次扫描的带宽为b，则第k次搜索的频率范围在[f₁，f₂]之间，其中：

f₁＝f_begin+(k-1)·b，k＝kmod(B/b) (1)

f₂＝f_begin+k·b，k＝kmod(B/b) (2)。