CN114841201B - 一种面向智能化雷达对抗的动态知识库设计方法及装置 - Google Patents
一种面向智能化雷达对抗的动态知识库设计方法及装置 Download PDFInfo
- Publication number
- CN114841201B CN114841201B CN202210432528.0A CN202210432528A CN114841201B CN 114841201 B CN114841201 B CN 114841201B CN 202210432528 A CN202210432528 A CN 202210432528A CN 114841201 B CN114841201 B CN 114841201B
- Authority
- CN
- China
- Prior art keywords
- radar
- sample
- knowledge
- model
- library
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种面向智能化雷达对抗的动态知识库设计方法及装置,该方法包括:构建智能化雷达对抗动态知识库及其表单;包括样本库,目标库和模型库,样本库表单,目标库表单和模型库表单;将现有雷达数据样本和雷达知识,存储到知识库的表单中。输入指令,从目标库表单中提取雷达知识;利用雷达知识更新样本库;从样本库提取雷达数据样本,从模型库中提取雷达算法模型;利用雷达算法模型,对雷达数据样本进行处理,提取雷达知识;将雷达知识存储到目标库,更新目标库。本发明能够灵活地对雷达样本数据、雷达系统知识以及多种算法模型进行有效组织,并根据信号处理流程逐步对雷达信号进行分析和知识提取,获取的知识具有通用性和权威性。
Description
技术领域
本发明涉及雷达知识辅助技术,尤其涉及一种面向智能化雷达对抗的动态知识库设计方法及装置。
背景技术
电子战系统的主要任务是认知对抗目标并尽快生成对抗策略,所以积累辐射源目标的型号、功能、行为规律等知识,为雷达对抗系统提供先验信息,有着极其重要的作用。21世纪起,国内外很多研究者都开始对雷达目标特性和特征数据进行建模和数据库构建,通过大量采集雷达目标回波数据或建立目标仿真电磁模型,建立并扩充目标特征数据库。随着战场电磁环境的日益复杂和可编程雷达的出现,传统的基于专家系统的目标识别方法已难以满足需求,通过人工智能和机器学习等方法进行目标分选识别、行为预测、干扰策略优化的算法模型不断涌现。构建一种面向智能化雷达对抗的动态知识库架构,对雷达的基本属性信息、样本数据、适用的模型结构进行统一有效的组织和管理,对电子侦察与对抗有十分重要的意义。
发明内容
本发明所要解决的技术问题在于,提供一种面向智能化雷达对抗的动态知识库设计方法及装置,能够针对战场电磁环境的日益复杂性,面向智能化雷达对抗的动态知识库架构,对雷达的基本属性信息、样本数据、适用的模型结构进行统一有效的组织和管理。
为了解决上述技术问题,本发明实施例第一方面公开了一种面向智能化雷达对抗的动态知识库设计方法,所述方法包括:
S1、构建智能化雷达对抗动态知识库;构建智能化雷达对抗动态知识库的表单;
所述智能化雷达对抗动态知识库包括样本库,目标库和模型库;
所述智能化雷达对抗动态知识库的表单包括样本库表单,目标库表单和模型库表单;
将现有雷达数据样本和所述雷达数据样本的雷达知识,存储到智能化雷达对抗动态知识库的表单;
S101、构建样本库;所述样本库包括若干个雷达数据样本和样本库表单;所述雷达数据样本,包括辐射源分选脉冲样本,辐射源分选波形样本,辐射源分选PDW样本,状态识别波形样本,状态识别PDW样本和行为识别PDW样本;
所述样本库的组织架构为树状图;
所述样本库表单包括,
辐射源分选脉冲样本基本索引表单,辐射源分选脉冲样本标注后索引表单,辐射源分选脉冲样本数据表单;
辐射源分选波形样本基本索引表单,辐射源分选波形样本标注后索引表单,辐射源分选波形样本数据表单;
辐射源分选PDW样本基本索引表单,辐射源分选PDW样本标注后索引表单,辐射源分选PDW样本数据表单;
状态识别波形样本基本索引表单,状态识别波形样本标注后索引表单,状态识别波形样本数据表单;
状态识别PDW样本基本索引表单,状态识别PDW样本标注后索引表单,状态识别PDW样本数据表单;
行为识别PDW样本基本索引表单,行为识别PDW样本标注后索引表单,行为识别PDW样本数据表单;
S102、构建目标库;所述目标库由目标库表单构成;
所述目标库表单包括目标库总索引表单;
所述目标库总索引表单包括,雷达基本知识表单,雷达波形知识表单,雷达状态知识表单,雷达行为知识表单,雷达干扰知识表单,雷达模型知识表单;
S103、构建模型库;所述模型库包括,雷达模型知识表单和算法表单;
所述算法表单包括,数据自动清洗算法表单,指纹特征提取算法表单,目标信号分选算法表单,目标状态识别算法表单,目标信号识别算法表单,行为意图推理算法表单,干扰效果评估算法表单,干扰策略优化算法表单;
S104、从所述样本库获取已经标注的雷达数据样本,将所述雷达数据样本转换成二进制Blob格式,存储到所述样本库表单;
S105、利用现有雷达数据样本训练得到算法模型,将所述算法模型存入所述模型库表单;读取所述算法模型的参数,将所述算法模型的参数转为二进制Blob格式,存储到所述目标库表单;S2、输入指令,从所述目标库表单中提取雷达知识;利用雷达知识更新所述样本库;
S3、根据所述输入指令,从所述样本库提取雷达数据样本,从所述模型库中提取雷达算法模型;
S4、利用所述雷达算法模型,对所述雷达数据样本进行处理,提取雷达知识,包括:
根据输入指令,获取对应的雷达数据样本,保存到本地;
预设本地程序,利用所述预设的本地程序,加载雷达算法模型和所述雷达数据样本;运行所述本地程序,得到雷达知识信息;
利用所述雷达知识信息,更新所述雷达算法模型,保存到本地;
根据所述输入指令,获取模型库中的对应参数,保存到本地;
获取所述雷达模型知识表单中的雷达数据样本信息;
按照所述雷达数据样本信息的样本格式,对采集未入库的雷达数据样本进行处理:通过所述预设的本地程序,加载算法模型和雷达数据样本;运行所述预设的本地程序,得到雷达知识输出信息;
利用所述雷达知识输出信息,更新所述算法模型参数;
保存所述算法模型参数到本地;
S5、根据所述输入指令,将所述雷达知识存储到目标库,更新所述目标库;
S6、判断是否要继续对雷达数据样本进行处理,如果否,则结束;如果是,则重复S3。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据输入指令,从所述目标库表单中提取雷达知识;利用所述雷达知识更新所述样本库的步骤,包括:
S201、根据收到的输入指令,判断仿真的雷达数据样本的数据类型;
S202、获取所述输入指令的约束条件;
S203、根据所述约束条件,筛选所述目标库中的雷达知识的编号,更新仿真参数,并输出;
S204、利用所述仿真参数和所述算法模型,生成仿真雷达数据样本,存入样本库。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据所述输入指令从所述样本库提取所需的雷达数据样本,从所述模型库中提取雷达算法模型,包括:
S301、根据输入指令,判断是否提取样本库中的雷达数据样本,如果是,则执行S302,否则执行S303;
S302、根据所述输入指令,从样本库中获取对应的雷达数据样本,并保存到本地;
S303、根据所述输入指令,从雷达模型知识表单读取模型参数,并保存到本地。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据所述输入指令将所述雷达知识返回所述目标库进行存储和更新,包括:
S501、根据输入指令,判断是否保存输出结果;如果是,在所述模型库中对应的算法表单中插入一行数据,存入输出结果;在所述目标库中对应的知识表单中插入一行数据,并保存;否则跳过,执行S502;
S502、根据输入指令,判断是否保存更新的模型参数,如果是,则在雷达模型知识表单中插入一行数据,并保存,否则跳过。
作为一种可选的实施方式,在本发明实施例第一方面中,所述样本库存储雷达数据样本和所述雷达数据样本的标注信息,提供所述模型库所需的数据;
利用所述模型库中的算法模型,获取原始雷达数据样本的雷达知识,存入所述目标库;
提取所述目标库中的雷达知识,提供仿真雷达数据样本参数。
本发明实施例第二方面公开了一种面向智能化雷达对抗的动态知识库设计装置,所述装置包括:
第一处理模块,用于构建智能化雷达对抗动态知识库;构建智能化雷达对抗动态知识库的表单;
所述智能化雷达对抗动态知识库包括样本库,目标库和模型库;
所述智能化雷达对抗动态知识库的表单包括样本库表单,目标库表单和模型库表单;
将现有雷达数据样本和所述雷达数据样本的雷达知识,存储到智能化雷达对抗动态知识库的表单;
构建样本库;所述样本库包括若干个雷达数据样本和样本库表单;所述雷达数据样本,包括辐射源分选脉冲样本,辐射源分选波形样本,辐射源分选PDW样本,状态识别波形样本,状态识别PDW样本和行为识别PDW样本;
所述样本库的组织架构为树状图;
所述样本库表单包括,
辐射源分选脉冲样本基本索引表单,辐射源分选脉冲样本标注后索引表单,辐射源分选脉冲样本数据表单;
辐射源分选波形样本基本索引表单,辐射源分选波形样本标注后索引表单,辐射源分选波形样本数据表单;
辐射源分选PDW样本基本索引表单,辐射源分选PDW样本标注后索引表单,辐射源分选PDW样本数据表单;
状态识别波形样本基本索引表单,状态识别波形样本标注后索引表单,状态识别波形样本数据表单;
状态识别PDW样本基本索引表单,状态识别PDW样本标注后索引表单,状态识别PDW样本数据表单;
行为识别PDW样本基本索引表单,行为识别PDW样本标注后索引表单,行为识别PDW样本数据表单;
构建目标库;所述目标库由目标库表单构成;
所述目标库表单包括目标库总索引表单;
所述目标库总索引表单包括,雷达基本知识表单,雷达波形知识表单,雷达状态知识表单,雷达行为知识表单,雷达干扰知识表单,雷达模型知识表单;
构建模型库;所述模型库包括,雷达模型知识表单和算法表单;
所述算法表单包括,数据自动清洗算法表单,指纹特征提取算法表单,目标信号分选算法表单,目标状态识别算法表单,目标信号识别算法表单,行为意图推理算法表单,干扰效果评估算法表单,干扰策略优化算法表单;
从所述样本库获取已经标注的雷达数据样本,将所述雷达数据样本转换成二进制Blob格式,存储到所述样本库表单;
利用现有雷达数据样本训练得到算法模型,将所述算法模型存入所述模型库表单;读取所述算法模型的参数,将所述算法模型的参数转为二进制Blob格式,存储到所述目标库表单;
第二处理模块,用于输入指令,从所述目标库表单中提取雷达知识;利用雷达知识更新所述样本库;
第三处理模块,用于根据所述输入指令,从所述样本库提取雷达数据样本,从所述模型库中提取雷达算法模型;
第四处理模块,用于利用所述雷达算法模型,对所述雷达数据样本进行处理,提取雷达知识,包括:
根据输入指令,获取对应的雷达数据样本,保存到本地;
预设本地程序,利用所述预设的本地程序,加载雷达算法模型和所述雷达数据样本;运行所述本地程序,得到雷达知识信息;
利用所述雷达知识信息,更新所述雷达算法模型,保存到本地;
根据所述输入指令,获取模型库中的对应参数,保存到本地;
按照雷达数据样本信息,处理采集未入库的雷达数据样本:通过所述预设的本地程序,加载算法模型和雷达数据样本;
运行所述预设的本地程序,得到雷达知识输出信息;
利用所述雷达知识输出信息,更新所述算法模型参数;
保存所述算法模型参数到本地;
第五处理模块,用于根据所述输入指令,将所述雷达知识存储到目标库,更新所述目标库;
第六处理模块,用于判断是否要继续对雷达数据样本进行处理,如果否,则结束;如果是,则重复第三处理模块。
作为一种可选的实施方式,在本发明实施例第二方面中,所述构建智能化雷达对抗动态知识库;构建智能化雷达对抗动态知识库的表单;包括:
作为一种可选的实施方式,在本发明实施例第二方面中,所述根据输入指令,从所述目标库表单中提取雷达知识;利用所述雷达知识更新所述样本库的步骤,包括:
S201、根据收到的输入指令,判断仿真的雷达数据样本的数据类型;
S202、获取所述输入指令的约束条件;
S203、根据所述约束条件,筛选所述目标库中的雷达知识的编号,更新仿真参数,并输出;
S204、利用所述仿真参数和所述算法模型,生成仿真雷达数据样本,存入样本库。
作为一种可选的实施方式,在本发明实施例第二方面中,所述根据所述输入指令从所述样本库提取所需的雷达数据样本,从所述模型库中提取雷达算法模型,包括:
S301、根据输入指令,判断是否提取样本库中的雷达数据样本,如果是,则执行S302,否则执行S303;
S302、根据所述输入指令,从样本库中获取对应的雷达数据样本,并保存到本地;
S303、根据所述输入指令,从雷达模型知识表单读取模型参数,并保存到本地。
作为一种可选的实施方式,在本发明实施例第二方面中,所述利用所述雷达算法模型对所述雷达数据样本进行处理,提取雷达知识,包括:
根据输入指令,获取对应的雷达数据样本,保存到本地;
预设本地程序,利用所述预设的本地程序,加载雷达算法模型和所述雷达数据样本;运行所述本地程序,得到雷达知识信息;
利用所述雷达知识信息,更新所述雷达算法模型,保存到本地;
根据所述输入指令,获取模型库中的对应参数,保存到本地;
获取所述雷达模型知识表单中的雷达数据样本信息;
按照所述雷达数据样本信息的样本格式,对采集未入库的雷达数据样本进行处理:通过所述预设的本地程序,加载算法模型和雷达数据样本;运行所述预设的本地程序,得到雷达知识输出信息;
利用所述雷达知识输出信息,更新所述算法模型参数;
保存所述算法模型参数到本地;
作为一种可选的实施方式,在本发明实施例第二方面中,所述根据所述输入指令将所述雷达知识返回所述目标库进行存储和更新,包括:
S501、根据输入指令,判断是否保存输出结果;如果是,在所述模型库中对应的算法表单中插入一行数据,存入输出结果;在所述目标库中对应的知识表单中插入一行数据,并保存;否则跳过,执行S502;
S502、根据输入指令,判断是否保存更新的模型参数,如果是,则在雷达模型知识表单中插入一行数据,并保存,否则跳过。
作为一种可选的实施方式,在本发明实施例第二方面中,所述样本库存储雷达数据样本和所述雷达数据样本的标注信息,提供所述模型库所需的数据;
利用所述模型库中的算法模型,获取原始雷达数据样本的雷达知识,存入所述目标库;
提取所述目标库中的雷达知识,提供仿真雷达数据样本参数。
本发明第三方面公开了另一种面向智能化雷达对抗的动态知识库设计装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的面向智能化雷达对抗的动态知识库设计方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的面向智能化雷达对抗的动态知识库设计方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,构建智能化雷达对抗动态知识库及其表单;包括样本库,目标库和模型库,样本库表单,目标库表单和模型库表单;将现有雷达数据样本和雷达知识,存储到知识库的表单中。输入指令,从目标库表单中提取雷达知识;利用雷达知识更新样本库;从样本库提取雷达数据样本,从模型库中提取雷达算法模型;利用雷达算法模型,对雷达数据样本进行处理,提取雷达知识;将雷达知识存储到目标库,更新目标库。本发明能够灵活地对雷达样本数据、雷达系统知识以及多种算法模型进行有效组织,并根据信号处理流程逐步对雷达信号进行分析和知识提取,获取的知识具有通用性和权威性,对电子侦察与对抗有十分重要的意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法的流程示意图;
图2是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的样本库,目标库和模型库之间的关系图;
图3是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的样本库的组织架构树状图;
图4是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的目标库的组织架构树状图;
图5是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的模型库的组织架构树状图;
图6是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的雷达信号处理流程示意图;
图7是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种面向智能化雷达对抗的动态知识库设计方法及装置,能够针对战场电磁环境的日益复杂性,面向智能化雷达对抗的动态知识库架构,对雷达的基本属性信息、样本数据、适用的模型结构进行统一有效的组织和管理。根据雷达数据库大小,本发明使用的方法可以安装在单一计算机上,也可以通过分布式存储用多个服务器和虚拟机进行联系和调用。运行本发明的程序可以使用多种编程语言来实现,如C、C++、python等。
实施例一
请参阅图1,图1是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法的流程示意图,所述方法的步骤如下:
S1、构建智能化雷达对抗动态知识库;构建智能化雷达对抗动态知识库的表单;
所述智能化雷达对抗动态知识库包括样本库,目标库和模型库;
所述智能化雷达对抗动态知识库的表单包括样本库表单,目标库表单和模型库表单;
将现有雷达数据样本和所述雷达数据样本的雷达知识,存储到智能化雷达对抗动态知识库的表单;
S2、输入指令,从所述目标库表单中提取雷达知识;利用雷达知识更新所述样本库;
S3、根据所述输入指令,从所述样本库提取雷达数据样本,从所述模型库中提取雷达算法模型;
S4、利用所述雷达算法模型,对所述雷达数据样本进行处理,提取雷达知识;
S5、根据所述输入指令,将所述雷达知识存储到目标库,更新所述目标库;
S6、判断是否要继续对雷达数据样本进行处理,如果否,则结束;如果是,则重复S3。
图2是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的样本库,目标库和模型库之间的关系图,如图2所示,样本库存储原始数据和相应的专家标注,为模型库的训练提供数据支撑;通过模型库中模型对原始数据进行处理,获取知识存入目标库;通过分析提取目标库中知识,为生成仿真样本提供参数依据。
图3是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的样本库的组织架构树状图,下面结合图3,说明样本库各数据表单组织结构。其中辐射源分选脉冲样本、辐射源分选波形样本、辐射源分选PDW样本的基本索引表单包含以下字段:样本编号、样本类型(图3所示6类样本依次编号)、生成方式(0:外场采集,1:内场采集,2:数字仿真)、标注标志(0:未标注,1:已标注)、采样率(单位:MHz)、中频频率(单位:MHz)、数据点数、样本时长(单位:ns)、生成地点、生成时间(DATETIME格式);标注后索引表单包含以下字段:标注地点(0:现场,1:事后)、标注方式(0:专家手动,1:程序自动)、脉冲数量、辐射源数(未知为NULL,下同)、辐射源列表(雷达编号序列,编号同目标库中雷达基本知识表单中个体编号)、脉冲列表、状态列表(雷达状态编号序列,编号同目标库中雷达状态知识表单中状态编号);样本数据表单包含以下字段:样本编号(和标注表单一致)、数据编号、数据数值(二进制blob格式,下述数据数值也按相同方式存储)。
其中状态识别波形样本、状态识别PDW样本、行为识别PDW样本的基本索引表单和样本数据表单包含字段同辐射源分选脉冲样本;标注后索引表单包含以下字段:标注地点、标注方式、雷达型号、雷达国别、雷达编号、状态编号、脉冲数量、载频类型(通过数字编号代表不同类型,下述重频、脉宽及其调制类型、脉内调制类型也按相似方式进行编号)、重频类型、脉宽类型、脉内调制类型。
图4是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的目标库的组织架构树状图,下面结合图4,说明目标库各数据表单组织结构。其中雷达基本知识表包含字段:个体编号、雷达名称、型号、国别、个体数量、目标威胁等级(数字越高威胁越大)、指纹标志、频段、体制、峰值功率(单位:Kw)、天线增益(单位:dB)、波形数量、状态数量、行为转换矩阵、脉冲指纹模型数量、目标分选模型数量、状态识别模型数量。雷达波形知识表包含字段:波形编号、个体列表(数量非0时,编号代表当前条目对应的个体雷达对象)、波形宽度最大值(单位:us)、波形宽度最小值、波形载频最大值(单位:MHz)、波形载频最小值、脉内调制类型、脉内调制参数(二进制blob格式,下述调制参数也按相同方式存储)。
雷达状态知识表包含字段:状态编号、个体编号、状态类型(0:载频重频均无调制,1:仅载频有调制,2:仅重频有调制,3:载频重频均调制)、所用波形、状态威胁度、载频调制类型、载频调制参数、重频调制类型、重频调制参数。
雷达行为知识表包含字段:个体编号、个体具有的行为数量、状态转移矩阵(每个状态转向其它状态的概率,以二进制blob形式存储)。
雷达干扰知识表包含字段:状态编号、策略有效标志(0:还没有生成针对本状态的策略,1:已有针对本状态的策略)、有效干扰数量(适用于本状态的有效干扰样式数量)、干扰样式序列(有效干扰样式优先级序列,干扰样式通过不同数字编号)、干扰样式实现参数(二进制blob形式存储)。
图5是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法中的模型库的组织架构树状图;下面结合图5,说明模型库各数据表单组织结构。其中模型知识总表单包括以下字段:模型类别(图5所示8类模型依次编号)、模型编号、模型名称、模型生成时间(DATETIME格式)、模型参数(二进制blob形式存储)。
数据自动清洗模型表单包含字段:模型编号、待清洗样本类型(0:脉间PDW样本,1:脉内波形样本)、幅值阈值上界(大于该阈值被判定为干扰信号,单位:dB)、幅值阈值下界(小于该阈值被判定为噪声)、连续样本长度阈值(舍弃过短信号)、单载波序列占比阈值(占比最高的频点数M超过该阈值则为单载波序列)、RF相邻频点占比差值(相邻RF频点占比不超过该差值的有N个频点)、RF集中频点占比阈值(N/M小于该阈值则认为频点较集中)、RF分散频点占比阈值(N/M大于该阈值则认为频点分散,判定样本无效)、PRI占比阈值、输出数据表单名、输出数据编号、输出基本信息(与样本库中的基本索引项对应)。
目标信号分选算法表单包含字段:算法使用标识(0:离线训练,1:在线应用)、输入信号样本格式(N*F,N:样本数;F:特征数)、样本所属目标编号、信号分选模型参数(M*F,M:已知目标数,F:特征数)、算法运行时间、分选准确率(当已知样本标签时计算)、新目标个数(当不为0时,动态增加新目标知识表单)、样本分选结果(每个样本所属的目标编号)、模型更新结果(K=原先已知目标数+新目标数)。
目标状态识别算法表单包含字段:算法使用标识、输入信号样本格式(N*F,N:样本数;F:特征数)、样本所属目标编号、状态识别模型参数(M*F,M:已知目标数,F:特征数)、算法运行时间、识别准确率、新状态个数、样本识别结果、模型更新结果。
干扰策略优化算法表单包含字段:算法使用标识、状态转移矩阵(S*S,S:当前已知状态数,由相应目标的行为知识表单得到)、即时回报矩阵(离线训练时不再调用评估算法,即时干扰回报值直接查表)、当前状态编号(在线测试时,由目标状态识别算法提供)、即时干扰回报值(在线测试时,由干扰效果评估算法提供)、干扰样式优先级序列矩阵、更新状态转移矩阵、模型收敛时间、模型收敛迭代次数、当前干扰样式。
可见,实施本实施例方法,能够灵活地对雷达样本数据、雷达系统知识以及多种算法模型进行有效组织,并根据信号处理流程逐步对雷达信号进行分析和知识提取,获取的知识具有通用性和权威性,对电子侦察与对抗有十分重要的意义。
实施例二
为使本发明的目的、技术方案和优点更加清楚,下面通过实施例二描述本发明从目标库中提取相关知识,进行雷达单一状态的波形样本仿真的过程。实施例二是发明内容中步骤S2的实例化描述,具体实施过程如下:
根据收到的指令,判定要仿真的数据类型属于以下哪种:分选脉冲样本、分选波形样本、分选PDW样本、状态识别波形样本、状态识别PDW样本、行为PDW样本。假设,已知数据类型为状态识别波形样本。
分别判定输入指令是否对样本的雷达编号、状态编号、载频的范围、脉宽的范围及脉内调制方式进行约束。若是,则分别提取信息EmitterNo, StateNo, RFMax, RFMin,PWMax, PWMin, InnerMod为I1~I7;得到条件判断式R1~R7,其中令R1为 EmitterNo=I1,R2为StateNo=I2,R3为RFMax>I3,R4为RFMin<I4,R5为PWMax>I5,R6为PWMin<I6,R7为InnerMod=I7,若指令对某一项参数未进行约束,则该项条件R恒真。
通过SELECT * FROM WavTable WHERE R1 AND R2 AND R3 AND R4 AND R5 ANDR6 AND R7得到对应状态样本波形的整体参数(J1~J8),若S2中某一项未进行约束(如I5、I6),则通过J1~J7进行补全,得到输出参数[I1,I2,I3,I4,J5,J6,I7,J8],其中J8为脉内调制参数(将输出参数通过本地非理想环境雷达信号样本生成工具包,生成N1个仿真样本波形,样本内容N2,通过INSERT INTO StatePDW_basic SELECT * FROM StatePDW_basicWHERE EmitterNo =I1; INSERT INTO StatePDW_Mod SELECT * FROM StatePDW_ModWHERE EmitterNo =I1新增一行数据样本,得到新增样本编号为J2,UPDATE StatePDW_ModSET StatusNo=J2, LabelLoc=1, LabelMethod=1, EmitterNo=I1, PulseModulation=I7,PulseNum=N1更新新增状态样本标注,通过INSERT INTO StatePDW_Data VALUE StatusNo=J2, SampleData= MySQLdb.Binary(N2)导入仿真生成的状态样本。
可见,实施本实施例方法,能够灵活地对雷达样本数据、雷达系统知识以及多种算法模型进行有效组织,并根据信号处理流程逐步对雷达信号进行分析和知识提取,获取的知识具有通用性和权威性,对电子侦察与对抗有十分重要的意义。
实施例三
下面结合图6,通过实施例三说明信号处理过程中对雷达样本的自动标注、知识提取和模型更新,通过图6可知雷达信号处理流程,本部分所描述的过程本发明在目标信号分选和目标状态识别过程中的使用情况。实施例三是发明内容中步骤S1、S3~S6的实例化描述,其中对步骤S3~S6的两次循环分别为S3(a)~ S6(a)、S3(b)~S6(b),具体实施过程如下:
S1、构建动态雷达知识库及其对应表单,将信号采集设置,数据的专家标注,和雷达数据样本分别存入样本库中的基本索引表单、标注索引表单、样本数据表单;
S2、根据输入指令,从所述目标库中提取信息,生成仿真数据返回所述样本库;
S3(a)、根据输入指令判断是否需要提取样本库中数据,如果是,则执行S301(a);如果否,则执行S302(a);
S301(a)、从输入指令中提取所需数据类型(3:分选PDW样本)和模型类别(1:目标信号分选),通过指令SELECT SampleNo FROM EmitterPDW_basic WHERE SampleType=3,提取对应样本编号(例如:E1),通过指令SELECT SampleData FROM EmitterPDW_data WHERESampleNo=E1提取对应样本数据并保存到本地。
通过指令SELECT ModelNo FROM Model_basic WHERE ModelFunc =1,提取对应模型编号(例如:M1),SELECT ModelVars FROM Model_basic WHERE ModelNo=M1提取对应模型文件并保存到本地。
S302(a)、从输入指令中提取所需的模型类别,通过指令SELECT ModelNo FROMModel_basic WHERE ModelFunc =1,提取对应模型编号(例如:M2),SELECT ModelVarsFROM Model_basic WHERE ModelNo=M2提取对应模型文件并保存到本地。
由于ModelFunc=1,得到分选模型表单名Model_sorting(其中模型表单名为0:Model_preprocessing, 1:Model_sorting, 2:Model_state, 3:Model_emitter, 4:Model_behavior, 5:Model_interference, 6:Model_evaluate),通过指令SELECTAlgInputPara FROM Model_state WHERE ModelNo=M2,提取模型输入参数格式(N*F,N:样本数;F:特征数)。
S4(a)、若执行了S301(a),则通过本地工具包,载入模型文件和样本数据,通过运行模型文件得到输出结果(每个样本所属的目标编号、模型更新结果);若执行了S302(a),则将采集信号预处理为输入参数格式,通过本地工具包,载入模型文件,通过运行模型文件得到输出结果。将得到的样本目标编号序列中,所属同一目标编号的样本保存为一个txt文件(假设样本包含编号为1,2,3的三个目标辐射源),保存到本地,将模型更新结果转为二进制格式;
S5(a)、根据指令判断是否将得到的知识入库,若是,则通过UPDATE EmitterPDW_Mod SET EmitterList=[1,2,3] WHERE SampleNo=1更新样本对应的辐射源列表,并循环S501(a)直至EmitterList中所有辐射源样本入库完毕;若否,则跳过。根据指令判断是否将得到的模型入库,若是,则执行步骤S502(a);若否,则跳过。
S501(a)、通过SELECT StatusNo FROM EmitterTable WHERE EmitterNo=1从目标库中提取改辐射源包含的状态编号(假设其值为A1),读取PDW样本,设样本内容为A2,行数为A3,通过UPDATE EmitterPDW_Mod SET LabelLoc=1,LabelMethod=1, EmittersNum=3,EmitterList=[1,2,3], EmittersNum=3, StatusList=A1,PulseNum=A3 WHERE EmitterNo=1更新辐射源分选样本的标注信息,通过INSERT INTO EmitterPDW_Data VALUEEmitterNo=1,SampleData= MySQLdb.Binary(A2)导入标注的辐射源样本;
S502(a)、通过INSERT INTO Model_basic SELECT * FROM Model_basic WHEREModelNo=1新增一个模型样本,设更新的参数为X1,UPDATE Model_basic SET ModelVars=X1,将更新后的模型参数入库。
S6(a)、判断是否要继续对雷达信号进行处理,如是,则结束处理流程;如否,则按照图6所示流程进行下一步目标状态识别,如下述S301(b)~S5(b)。
S301(b)、从输入指令中提取所需的模型类别(2:目标状态识别),通过指令SELECTModelNo FROM Model_basic WHERE ModelFunc =2,提取对应模型编号(例如:M3),SELECTModelVars FROM Model_basic WHERE ModelNo=M3提取对应模型文件并保存到本地。由于ModelFunc=2,得到状态识别表单名Model_state,通过指令SELECT AlgInputPara FROMModel_state WHERE ModelNo=M3,提取模型输入参数格式。
S4(b)、通过本地工具包,载入模型文件和S3(b)中得到的样本文件,通过运行模型文件得到输出结果(每个样本所属的状态编号、模型更新结果)。将得到的样本目标状态序列中,所属同一状态编号的样本保存为一个txt文件(假设辐射源1包含编号为1,3,5的三种状态),保存到本地,将模型更新结果转为二进制格式;
S5(b)、根据指令判断是否将得到的知识入库,若是,则通过UPDATE EmitterPDW_Mod SET StateList=[1,3,5] WHERE EmitterNo=1更新其状态列表,并循环S501(b)直至StateList中所有状态样本入库完毕;若否,则跳过。根据指令判断是否将得到的模型入库,若是,则执行步骤S502(b);若否,则跳过。
S501(b)、通过INSERT INTO StatePDW_basic SELECT * FROM EmitterPDW_basicWHERE EmitterNo=1新增一行状态样本,通过SELECT EmitterNation,EmitterNo,RFType,PRIType,PWType,PulseModulation FROM StateTable WHERE StateNo=1,3,5从目标库中提取对应状态知识(假设其值分别为B1~B6),读取PDW样本,设样本内容为B7,行数为B8,计算max(DOA)和min(DOA),通过INSERT INTO StatePDW_Mod VALUE StatusNo=1,LabelLoc=1,LabelMethod=1,EmitterNation=B1,EmitterNo=B2,RFType=B3,PRIType=B4,PWType=B5,PulseModulation=B6,PulseNum=B8,DOARange=[max(DOA),min(DOA)]为新增的状态样本进行标注,通过INSERT INTO StatePDW_Data VALUE StatusNo=1,SampleData=MySQLdb.Binary(B7)导入新增的状态样本。
S502(b)、设更新的参数为X2,则通过INSERT INTO Model_basic SELECT * FROMModel_basic WHERE ModelNo=1新增一个模型样本,UPDATE Model_basic SET ModelVars=X2,将更新后的模型参数入库。
S6(b)、判断是否要继续对雷达信号进行处理,如是,则结束处理流程;如否,则继续进行下一步行为识别。
可见,实施本实施例方法,能够灵活地对雷达样本数据、雷达系统知识以及多种算法模型进行有效组织,并根据信号处理流程逐步对雷达信号进行分析和知识提取,获取的知识具有通用性和权威性,对电子侦察与对抗有十分重要的意义。
实施例四
请参阅图7,图7是本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计装置,如图7所示,该面向智能化雷达对抗的动态知识库设计方法及装置可以包括以下操作:
S701、用于构建智能化雷达对抗动态知识库;构建智能化雷达对抗动态知识库的表单;
所述智能化雷达对抗动态知识库包括样本库,目标库和模型库;
所述智能化雷达对抗动态知识库的表单包括样本库表单,目标库表单和模型库表单;
将现有雷达数据样本和所述雷达数据样本的雷达知识,存储到智能化雷达对抗动态知识库的表单;
S702、用于输入指令,从所述目标库表单中提取雷达知识;利用雷达知识更新所述样本库;
S703、用于根据所述输入指令,从所述样本库提取雷达数据样本,从所述模型库中提取雷达算法模型;
S704、用于利用所述雷达算法模型,对所述雷达数据样本进行处理,提取雷达知识;
S705、用于根据所述输入指令,将所述雷达知识存储到目标库,更新所述目标库;
S706、用于判断是否要继续对雷达数据样本进行处理,如果否,则结束;如果是,则利用所述第三处理模块,根据所述输入指令,从所述样本库提取雷达数据样本,从所述模型库中提取雷达算法模型。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种面向智能化雷达对抗的动态知识库设计方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种面向智能化雷达对抗的动态知识库设计方法,其特征在于,所述方法包括:
S1、构建智能化雷达对抗动态知识库;构建智能化雷达对抗动态知识库的表单;
所述智能化雷达对抗动态知识库包括样本库,目标库和模型库;
所述智能化雷达对抗动态知识库的表单包括样本库表单,目标库表单和模型库表单;
将现有雷达数据样本和所述雷达数据样本的雷达知识,存储到智能化雷达对抗动态知识库的表单;
S101、构建样本库;所述样本库包括若干个雷达数据样本和样本库表单;所述雷达数据样本,包括辐射源分选脉冲样本,辐射源分选波形样本,辐射源分选PDW样本,状态识别波形样本,状态识别PDW样本和行为识别PDW样本;
所述样本库的组织架构为树状图;
所述样本库表单包括,
辐射源分选脉冲样本基本索引表单,辐射源分选脉冲样本标注后索引表单,辐射源分选脉冲样本数据表单;
辐射源分选波形样本基本索引表单,辐射源分选波形样本标注后索引表单,辐射源分选波形样本数据表单;
辐射源分选PDW样本基本索引表单,辐射源分选PDW样本标注后索引表单,辐射源分选PDW样本数据表单;
状态识别波形样本基本索引表单,状态识别波形样本标注后索引表单,状态识别波形样本数据表单;
状态识别PDW样本基本索引表单,状态识别PDW样本标注后索引表单,状态识别PDW样本数据表单;
行为识别PDW样本基本索引表单,行为识别PDW样本标注后索引表单,行为识别PDW样本数据表单;
S102、构建目标库;所述目标库由目标库表单构成;
所述目标库表单包括目标库总索引表单;
所述目标库总索引表单包括,雷达基本知识表单,雷达波形知识表单,雷达状态知识表单,雷达行为知识表单,雷达干扰知识表单,雷达模型知识表单;
S103、构建模型库;所述模型库包括,雷达模型知识表单和算法表单;
所述算法表单包括,数据自动清洗算法表单,指纹特征提取算法表单,目标信号分选算法表单,目标状态识别算法表单,目标信号识别算法表单,行为意图推理算法表单,干扰效果评估算法表单,干扰策略优化算法表单;
S104、从所述样本库获取已经标注的雷达数据样本,将所述雷达数据样本转换成二进制Blob格式,存储到所述样本库表单;
S105、利用现有雷达数据样本训练得到算法模型,将所述算法模型存入所述模型库表单;读取所述算法模型的参数,将所述算法模型的参数转为二进制Blob格式,存储到所述目标库表单;S2、输入指令,从所述目标库表单中提取雷达知识;利用雷达知识更新所述样本库;
S3、根据所述输入指令,从所述样本库提取雷达数据样本,从所述模型库中提取雷达算法模型;
S4、利用所述雷达算法模型,对所述雷达数据样本进行处理,提取雷达知识,包括:
根据输入指令,获取对应的雷达数据样本,保存到本地;
预设本地程序,利用所述预设的本地程序,加载雷达算法模型和所述雷达数据样本;运行所述本地程序,得到雷达知识信息;
利用所述雷达知识信息,更新所述雷达算法模型,保存到本地;
根据所述输入指令,获取模型库中的对应参数,保存到本地;
获取所述雷达模型知识表单中的雷达数据样本信息;
按照所述雷达数据样本信息的样本格式,对采集未入库的雷达数据样本进行处理:通过所述预设的本地程序,加载算法模型和雷达数据样本;运行所述预设的本地程序,得到雷达知识输出信息;
利用所述雷达知识输出信息,更新所述算法模型参数;
保存所述算法模型参数到本地;
S5、根据所述输入指令,将所述雷达知识存储到目标库,更新所述目标库;
S6、判断是否要继续对雷达数据样本进行处理,如果否,则结束;如果是,则重复S3。
2.根据权利要求1所述的面向智能化雷达对抗的动态知识库设计方法,其特征在于,所述根据输入指令,从所述目标库表单中提取雷达知识;利用所述雷达知识更新所述样本库的步骤,包括:
S201、根据收到的输入指令,判断仿真的雷达数据样本的数据类型;
S202、获取所述输入指令的约束条件;
S203、根据所述约束条件,筛选所述目标库中的雷达知识的编号,更新仿真参数,并输出;
S204、利用所述仿真参数和所述算法模型,生成仿真雷达数据样本,存入样本库。
3.根据权利要求1所述的面向智能化雷达对抗的动态知识库设计方法,其特征在于,所述根据所述输入指令从所述样本库提取所需的雷达数据样本,从所述模型库中提取雷达算法模型,包括:
S301、根据输入指令,判断是否提取样本库中的雷达数据样本,如果是,则执行S302,否则执行S303;
S302、根据所述输入指令,从样本库中获取对应的雷达数据样本,并保存到本地;
S303、根据所述输入指令,从雷达模型知识表单读取模型参数,并保存到本地。
4.根据权利要求1所述的面向智能化雷达对抗的动态知识库设计方法,其特征在于,所述根据所述输入指令将所述雷达知识返回所述目标库进行存储和更新,包括:
S501、根据输入指令,判断是否保存输出结果;如果是,在所述模型库中对应的算法表单中插入一行数据,存入输出结果;在所述目标库中对应的知识表单中插入一行数据,并保存;否则跳过,执行S502;
S502、根据输入指令,判断是否保存更新的模型参数,如果是,则在雷达模型知识表单中插入一行数据,并保存,否则跳过。
5.根据权利要求1所述的面向智能化雷达对抗的动态知识库设计方法,其特征在于,
所述样本库存储雷达数据样本和所述雷达数据样本的标注信息,提供所述模型库所需的数据;
利用所述模型库中的算法模型,获取原始雷达数据样本的雷达知识,存入所述目标库;
提取所述目标库中的雷达知识,提供仿真雷达数据样本参数。
6.一种面向智能化雷达对抗的动态知识库设计装置,其特征在于,所述装置包括:
第一处理模块,用于构建智能化雷达对抗动态知识库;构建智能化雷达对抗动态知识库的表单;
所述智能化雷达对抗动态知识库包括样本库,目标库和模型库;
所述智能化雷达对抗动态知识库的表单包括样本库表单,目标库表单和模型库表单;
将现有雷达数据样本和所述雷达数据样本的雷达知识,存储到智能化雷达对抗动态知识库的表单;
构建样本库;所述样本库包括若干个雷达数据样本和样本库表单;所述雷达数据样本,包括辐射源分选脉冲样本,辐射源分选波形样本,辐射源分选PDW样本,状态识别波形样本,状态识别PDW样本和行为识别PDW样本;
所述样本库的组织架构为树状图;
所述样本库表单包括,
辐射源分选脉冲样本基本索引表单,辐射源分选脉冲样本标注后索引表单,辐射源分选脉冲样本数据表单;
辐射源分选波形样本基本索引表单,辐射源分选波形样本标注后索引表单,辐射源分选波形样本数据表单;
辐射源分选PDW样本基本索引表单,辐射源分选PDW样本标注后索引表单,辐射源分选PDW样本数据表单;
状态识别波形样本基本索引表单,状态识别波形样本标注后索引表单,状态识别波形样本数据表单;
状态识别PDW样本基本索引表单,状态识别PDW样本标注后索引表单,状态识别PDW样本数据表单;
行为识别PDW样本基本索引表单,行为识别PDW样本标注后索引表单,行为识别PDW样本数据表单;
构建目标库;所述目标库由目标库表单构成;
所述目标库表单包括目标库总索引表单;
所述目标库总索引表单包括,雷达基本知识表单,雷达波形知识表单,雷达状态知识表单,雷达行为知识表单,雷达干扰知识表单,雷达模型知识表单;
构建模型库;所述模型库包括,雷达模型知识表单和算法表单;
所述算法表单包括,数据自动清洗算法表单,指纹特征提取算法表单,目标信号分选算法表单,目标状态识别算法表单,目标信号识别算法表单,行为意图推理算法表单,干扰效果评估算法表单,干扰策略优化算法表单;
从所述样本库获取已经标注的雷达数据样本,将所述雷达数据样本转换成二进制Blob格式,存储到所述样本库表单;
利用现有雷达数据样本训练得到算法模型,将所述算法模型存入所述模型库表单;读取所述算法模型的参数,将所述算法模型的参数转为二进制Blob格式,存储到所述目标库表单;
第二处理模块,用于输入指令,从所述目标库表单中提取雷达知识;利用雷达知识更新所述样本库;
第三处理模块,用于根据所述输入指令,从所述样本库提取雷达数据样本,从所述模型库中提取雷达算法模型;
第四处理模块,用于利用所述雷达算法模型,对所述雷达数据样本进行处理,提取雷达知识,包括:
根据输入指令,获取对应的雷达数据样本,保存到本地;
预设本地程序,利用所述预设的本地程序,加载雷达算法模型和所述雷达数据样本;运行所述本地程序,得到雷达知识信息;
利用所述雷达知识信息,更新所述雷达算法模型,保存到本地;
根据所述输入指令,获取模型库中的对应参数,保存到本地;
按照雷达数据样本信息,处理采集未入库的雷达数据样本:通过所述预设的本地程序,加载算法模型和雷达数据样本;
运行所述预设的本地程序,得到雷达知识输出信息;
利用所述雷达知识输出信息,更新所述算法模型参数;
保存所述算法模型参数到本地;
第五处理模块,用于根据所述输入指令,将所述雷达知识存储到目标库,更新所述目标库;
第六处理模块,用于判断是否要继续对雷达数据样本进行处理,如果否,则结束;如果是,则重复第三处理模块。
7.一种面向智能化雷达对抗的动态知识库设计装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行如权利要求1-5任一项所述的面向智能化雷达对抗的动态知识库设计方法。
8.一种计算机可存储介质,其特征在于,所述计算机可存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-5任一项所述的面向智能化雷达对抗的动态知识库设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210432528.0A CN114841201B (zh) | 2022-04-23 | 2022-04-23 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210432528.0A CN114841201B (zh) | 2022-04-23 | 2022-04-23 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114841201A CN114841201A (zh) | 2022-08-02 |
CN114841201B true CN114841201B (zh) | 2023-01-24 |
Family
ID=82565461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210432528.0A Active CN114841201B (zh) | 2022-04-23 | 2022-04-23 | 一种面向智能化雷达对抗的动态知识库设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841201B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554919B (zh) * | 2024-01-11 | 2024-03-29 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11175344A (ja) * | 1997-12-17 | 1999-07-02 | Victor Co Of Japan Ltd | 知識ベースシステム |
CN101339619A (zh) * | 2008-08-11 | 2009-01-07 | 重庆大学 | 用于模式分类的动态特征选择方法 |
CN104778260A (zh) * | 2015-04-21 | 2015-07-15 | 电子科技大学 | 一种动态雷达环境知识库建模方法 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN110825721A (zh) * | 2019-11-06 | 2020-02-21 | 武汉大学 | 大数据环境下高血压知识库构建与系统集成方法 |
CN112307674A (zh) * | 2020-11-03 | 2021-02-02 | 清源智翔(重庆)科技有限公司 | 低空目标知识辅助智能电磁感知方法、系统及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013159282A1 (zh) * | 2012-04-24 | 2013-10-31 | 北京英福生科技有限公司 | 个性化自学习识别系统及方法 |
CN113325380B (zh) * | 2021-05-28 | 2024-04-02 | 西安电子科技大学 | 基于蒙德里安森林的空中微动目标分类在线建库方法 |
-
2022
- 2022-04-23 CN CN202210432528.0A patent/CN114841201B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11175344A (ja) * | 1997-12-17 | 1999-07-02 | Victor Co Of Japan Ltd | 知識ベースシステム |
CN101339619A (zh) * | 2008-08-11 | 2009-01-07 | 重庆大学 | 用于模式分类的动态特征选择方法 |
CN104778260A (zh) * | 2015-04-21 | 2015-07-15 | 电子科技大学 | 一种动态雷达环境知识库建模方法 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN110825721A (zh) * | 2019-11-06 | 2020-02-21 | 武汉大学 | 大数据环境下高血压知识库构建与系统集成方法 |
CN112307674A (zh) * | 2020-11-03 | 2021-02-02 | 清源智翔(重庆)科技有限公司 | 低空目标知识辅助智能电磁感知方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
Intelligent Knowledge Modeling and Distributed Database Constructing for Intelligent Radar Countermeasure;Zhaoxiang Su et.al;《2021 7th International Conference on Computer and Communications (ICCC)》;20220117;第1031-1032页 * |
关于动态知识库的若干问题研究;刘蒙;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115;全文 * |
预警雷达辅助知识库建模与仿真;宋海洋;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114841201A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538842B (zh) | 网络空间态势的智能感知和预测方法、装置和计算机设备 | |
CN111915540B (zh) | 拓片甲骨文字符图像增广方法、系统、计算机设备及介质 | |
CN111444790B (zh) | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 | |
CN114841201B (zh) | 一种面向智能化雷达对抗的动态知识库设计方法及装置 | |
CN110287702A (zh) | 一种二进制漏洞克隆检测方法及装置 | |
US5793931A (en) | Method and apparatus for multi-sensor, multi-target tracking using intelligent search techniques | |
Gelman et al. | Package ‘arm’ | |
CN116756327B (zh) | 基于知识推断的威胁情报关系抽取方法、装置和电子设备 | |
CN111177541B (zh) | 基于用户标签生成时间的数据分析方法及装置 | |
CN116743493A (zh) | 网络入侵检测模型构建方法及网络入侵检测方法 | |
CN113312058B (zh) | 一种智能合约二进制函数的相似性分析方法 | |
CN113723115A (zh) | 基于预训练模型的开放域问答预测方法及相关设备 | |
CN116663019B (zh) | 一种源代码漏洞检测方法、装置和系统 | |
CN116702157B (zh) | 一种基于神经网络的智能合约漏洞检测方法 | |
CN111950237B (zh) | 一种句子改写方法、句子改写装置及电子设备 | |
CN116662893A (zh) | 一种基于改进的樽海鞘算法优化svm的水质预测方法 | |
Dufek et al. | Data-driven symbolic ensemble models for wind speed forecasting through evolutionary algorithms | |
CN114785890A (zh) | 骚扰电话识别方法及装置 | |
CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
CN115269377B (zh) | 一种基于优化实例选择的跨项目软件缺陷预测方法 | |
Zhu et al. | A chaotic disturbance wolf pack algorithm for solving ultrahigh-dimensional complex functions | |
CN117743601B (zh) | 一种自然资源知识图谱补全方法、装置、设备及介质 | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
CN115237797B (zh) | 一种基于覆盖率制导的模糊测试方法和装置 | |
CN115762683B (zh) | 燃料电池设计数据的处理方法、装置以及电子设备 |
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 |