CN116047507B - 一种基于神经网络的靶机告警方法 - Google Patents
一种基于神经网络的靶机告警方法 Download PDFInfo
- Publication number
- CN116047507B CN116047507B CN202310320622.1A CN202310320622A CN116047507B CN 116047507 B CN116047507 B CN 116047507B CN 202310320622 A CN202310320622 A CN 202310320622A CN 116047507 B CN116047507 B CN 116047507B
- Authority
- CN
- China
- Prior art keywords
- neural network
- alarm
- radar
- data
- signal
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 40
- 210000002569 neuron Anatomy 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 108091092568 Alarmone Proteins 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000013179 statistical model Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009411 base construction Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural 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
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于神经网络的靶机告警方法，属于雷达告警领域；对数据集中雷达输入信号数据进行预处理，使用基于统计的告警策略进行告警知识数据库构建，将信号数据输入BP神经网络进行模型拟合训练；将网络训练结果用于告警知识数据库修正，根据拟合迭代次数采用时间遗忘因子对不同训练次数的结果进行告警知识数据库修正，并使用告警知识数据库查询结果对训练过程中的神经元权重修正，直至BP神经网络训练效果最佳；将当前信号数据输入BP网络模型与告警知识数据库，同时决策告警策略，最终实现靶机告警。本发明采用基于统计的告警策略与BP神经网络共同维护知识库方式，构建知识库使知识库更为准确，解决传统统计模型告警策略单一问题。
Description
技术领域
本发明涉及雷达告警技术，具体涉及一种基于神经网络的靶机告警方法。
背景技术
告警策略是机载雷达信号告警系统的核心技术之一。机载雷达告警系统威胁等级判定可以让系统在实时告警干扰中，对不同威胁程度的辐射源进行不同等级的干扰措施，最终达到最佳干扰效果，机载雷达告警系统威胁等级判定根据辐射源相关技术参数和工作状态指标，对危害能力与作战意图加以预估，使用加权处理的方法，对危害程度进行等级分类，将损失降到最低，实现机载雷达告警系统的科学进步。
传统告警策略多采用统计学方式，根据雷达扫描、跟踪等不同状态的雷达信号脉冲密度、脉冲载频、脉冲宽度以及脉冲重复周期的变化进行威胁等级判断。随着雷达技术迭代更新，雷达扫描与跟踪两种状态下雷达信号脉冲密度、脉冲载频、脉冲宽度以及脉冲重复周期的变化变得越来越小，因此采用统计学告警策略会导致更多的虚警和不告警情况的发生。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于神经网络的靶机告警方法。
技术方案：本发明的一种基于神经网络的靶机告警方法，包括以下步骤：
步骤S1、对数据集中雷达输入信号数据进行预处理，包括数据清洗、数据标准化和数据归一化；雷达输入信号表示为Y = X+N1+N2，Y表示接收机输入信号，X表示目标信号，N1表示监测范围内的杂波信号，N2表示监测范围之外的杂波信号；预处理后的信号数据只包括目标信号X和表示监测范围内的杂波信号N1；
步骤S2、使用基于统计的告警策略进行告警知识数据库构建，同时将数据处理后的信号数据输入BP神经网络进行模型拟合训练；然后将BP神经网络训练结果用于告警知识数据库修正，根据拟合迭代次数采用时间遗忘因子对不同训练次数的结果进行告警知识数据库修正，并使用构建的告警知识数据库查询结果对BP神经网络训练过程中的神经元权重进行修正，辅助实现BP神经网络的快速拟合，直至BP神经网络训练效果最佳；
步骤S3、将当前靶机的信号数据输入步骤S2训练好的BP网络模型与告警知识数据库，使用告警知识数据库与BP神经网络模型同时决策告警策略，最终实现靶机告警。
进一步地，所述步骤S1对数据集中的数据进行数据清洗（根据设备使用场景，剔除接收机监测范围之外的数据信号，以此来滤除N2监测范围之外的杂波信号，方便后续模型训练及知识库构建），将接收机采样带宽外的噪声信号滤除，再将选用的雷达信号脉宽、脉冲密度、脉冲重复周期、到达水平角度、到达俯仰角度、信号功率和达到时间进行数据标准化及归一化处理；通过对雷达数据进行求极差(极差=最大值-最小值)后发现，一些数据极差较大，因此使用Z-Score标准化处雷达数据，能够避免因数据波动较大在训练过程中对BP神经网络产生影响，经过处理后的数据符合标准正态分布，即均值为0，标准差为1。
标准化公式如下：
由于数据集数据量较少，为了BP网络能够从中学到更多的内容，并且避免其训练结果出现过拟合现象，因此步骤S2使用K折线交叉验证法对预处理后的信号数据集循环使用，具体方法如下：
将预处理后的PDW数据按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成K次神经网络的训练。最后计算K次求得分类的平均值，作为该模型的真实分类率，具体公式如下：
上式中，u是指第u次进行的数据集划分，
是指第u次模型的输出结果，u的取值范围为1到K。
进一步地，所述步骤S2将步骤S1所得预处理后的信号数据使用基于统计的传统告警策略，具体过程为：1、扫描阶段
按照100M步进切换本振频点，统计每一个本振点雷达信号的脉冲个数，如果雷达脉冲个数大于10个，则判断为预警阶段；
2、跟踪阶段
根据扫描阶段所预警的点数进行逐一定点扫描，每一个预警点停留5s。统计定点扫描阶段类对应雷达频点、脉宽、到达时间、到达水平角度、到达俯仰角度等信息的脉冲个数，若脉冲个数存在上升趋势，并一段时间内保持最高趋势，则确定为告警阶段；
3、取消告警阶段
对告警的频点及逆行逐一定点扫描，每一个告警点停留5s，统计定点扫描阶段类对应雷达频点、脉宽、到达水平角度、到达俯仰角度等信息的脉冲个数，若脉冲个数存在下降趋势，并在很短的时间内到达最低状态，之后保持最低状态不变，则确定为取消告警阶段。
进一步地，所述步骤S2中构建告警知识数据库的具体过程如下：
基于自顶向下的知识图谱构建策略，选用雷达波段作为中心节点，将对应波段的频率、不同重周、脉宽、功率作为子节点，通过网络以及先验知识更新对应波段不同频点不同脉宽、功率、是否为威胁信号；所述威胁信号包括无威胁、低威胁、中威胁、高威胁。
进一步地，所述步骤S2首先基于K折线交叉验证的信号数据对BP神经网络进行训练，具体方法如下：
使用BP神经网络进行模型训练，输入训练参数包括雷达信号频率、雷达信号脉宽、雷达信号到达时间、雷达信号水平到达角度、雷达信号俯仰到达角度、雷达信号功率、雷达信号调制方式等参数；BP神经网络模型包括输入层和隐藏层，并使用Dropout正则化处理及softmax函数。
其中，正则化处理的方法为：通过修改神经网络本身来实现优化，先删除部分的神经元，使梯度下降更新其他神经元的权值，等到下次再删除其他神经元进行上述操作，这也是目前神经网络中最有效的正则化方法。现有技术不使用Dropout层，其神经网络在训练过程中极易出现过拟合现象。
其中，Softmax函数的输入是从K个不同的线性函数得到的结果，而样本向量x属于第j个分类的概率为：
其中，
表示第/>
个节点的输出值，/>
表示第/>
个节点的权重值。
使用构建好的告警知识数据库查询结果对预训练的BP神经网络进行修正，具体方法如下：
使用对应雷达信号脉冲描述字进行告警知识数据库匹配，对于直接能从告警知识数据库查询到相关威胁等级结果的雷达脉冲信号，则选用该威胁等级结果，修改BP神经网络隐藏层中的权重参数（对应不同频点、不同重周、脉宽功率，查找知识图谱，看哪一个参数威胁等级较高，则对应修改相关系数，保证修改后的系数之和为1），以便协助神经网络更快拟合相关模型。
进一步地，所述步骤S2中使用BP神经网络与基于统计告警策略协同对告警知识数据进行修正，具体方法为：
告警知识数据库在开始阶段是空的，随着BP神经网络迭代与基于统计规律运算后，逐渐完善告警知识数据库的构建，在该过程中由于神经网络随着迭代次数的增加，识别准确率也随之增加，因此，随着迭代次数递增，此处使用时间遗忘因子作为系数对知识图谱构建产生影响，时间遗忘因子为
，则公式可表示为：
其中
为最新输入BP神经网络与传统统计方法的雷达信号所产生的PDW的威胁等级，/>
为该PDW历史输入神经网络与传统统计方法的雷达信号所产生的雷达脉冲描述字PDW的威胁等级，/>
。u(t)随着迭代次数的增加而增加。
进一步地，步骤S3使用修正后的BP神经网络和修正后的告警知识数据库进行告警策略决策，具体方法为：
将接收机接收到的信号进行数据清洗，去掉接收机带外信号，将辐射源描述字送至修正后的BP神经网络模型与告警知识数据库，将这两种模型所得结果一起送入告警决策模块及逆行决策，进行威胁等级判断与告警；
其中告警决策模块对BP神经网络模型以及告警知识数据库模型输出的结果进行决策，若告警知识数据库的知识图谱直接通过雷达参数查询得到的高威胁等级则判定为高置信度，则直接按照告警知识数据库模型给出的结果判定，若告警知识数据库中不存在对该结果的判断，则按照BP神经网络的结果输出；若所得知识图谱判定为低威胁，但经由BP神经网络判断为高威胁的信号，则将BP神经网络置信度调整为最高，判断为高威胁信号；若两种方式得到的威胁等级偏差不大，则使用权重加权计算，计算公式如下：
其中，
为加权系数，/>
，/>
表示BP神经网络的结果，/>
为告警知识数据库的知识图谱查询结果。
有益效果：与现有技术相比，本发明具有以下有优点：
（1）本发明使用基于统计规律的雷达信号告警策略协同运算。
（2）为解决传统统计模型告警策略单一、因模型与实际情况不相符而出现的虚警与不告警情况，采用BP神经网络进行模型训练。
（3）本发明采用基于统计的告警策略与BP神经网络共同维护知识库方式，构建知识库，其中BP神经网络修正知识库使用时间遗忘因子，使得知识库更为准确。
（4）为加速告警速度与准确性，本发明使用BP神经网络模型与知识库共同决策告警策略。
附图说明
图1为本发明的整体流程图；
图2为本发明中靶机告警策略知识图谱框图；
图3 为本发明神经网络训练框图；
图4 为本发明中Dropout正则示意图；
图5 为本发明中Bp神经网络使用知识图谱进行权重修正示意图；
图6为本发明中网络模型与基于统计告警模型构建知识库示意图；
图7为本发明中BP神经网络及告警策略结合示意图；
图8为本发明一实施例效果对比图。
其中，图4（a）为现有BP神经网络模型；图4（b）为本发明中应用dropout的BP神经网络模型。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明的一种基于神经网络的靶机告警方法，包括以下步骤：
步骤S1、对数据集中雷达输入信号数据进行预处理，包括数据清洗、数据标准化和数据归一化；雷达输入信号表示为Y = X+N1+N2，Y表示接收机输入信号，X表示目标信号，N1表示监测范围内的杂波信号，N2表示监测范围之外的杂波信号；预处理后的信号数据只包括目标信号X和表示监测范围内的杂波信号N1。
将接收机采样带宽外的噪声信号滤除；再将雷达信号脉宽、脉冲密度、脉冲重复周期、到达水平角度、到达俯仰角度和信号功率进行数据标准化及归一化处理，数据标准化及归一化处理的具体方法为：
使用Z-Score标准化方法处理雷达数据，经过处理后的数据符合标准正态分布，即均值为0，标准差为1，标准化公式如下：
其中，
，/>
；/>
为待处理的第i个信号数据，n表示信号数据的总量。
步骤S2、如图6和图7所示，使用基于统计的告警策略进行告警知识数据库构建，同时将数据处理后的信号数据输入BP神经网络进行模型拟合训练；然后将BP神经网络训练结果用于告警知识数据库修正，根据拟合迭代次数采用时间遗忘因子对不同训练次数的结果进行告警知识数据库修正，并使用构建的告警知识数据库查询结果对BP神经网络训练过程中的神经元权重进行修正，辅助实现BP神经网络的快速拟合，直至BP神经网络训练效果最佳。
（1）、本实施例中，使用K折线交叉验证使得数据集循环使用的具体方法为：
将预处理后的PDW数据按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成K次BP神经网络的训练；最后计算K次求得分类的平均值，作为该模型的真实分类率，具体公式如下：
上式中，u是指第u次进行的数据集划分，
是指第u次模型的输出结果，u的取值范围为1到K。
（2）、对于上述归一化后的信号数据，使用基于统计告警策略进行处理，具体过程为：
1)、扫描阶段
按照100M步进来切换本振频点，统计每一个本振点雷达信号的脉冲个数，如果雷达脉冲个数大于10个，则判断为预警阶段；
2)、跟踪阶段
根据扫描阶段所预警的点数进行逐一定点扫描，每一个预警点停留5s；统计定点扫描阶段类对应雷达频点、脉宽、到达时间、到达水平角度以及到达俯仰角度的脉冲个数，若脉冲个数存在上升趋势，并一段时间内保持最高趋势，则确定为告警阶段；
3)、取消告警阶段
对告警的频点及逆行逐一定点扫描，每一个告警点停留5s，统计定点扫描阶段类对应雷达频点、脉宽、到达水平角度以及到达俯仰角度信息的脉冲个数，若脉冲个数存在下降趋势，并在很短的时间内到达最低状态，之后保持最低状态不变，则确定为取消告警阶段。
（3）、使用归一化后的信号数据使用基于统计告警策略，构建告警知识数据库的具体方法如下：
如图2所示，基于自顶向下的知识图谱构建策略，选用雷达波段作为中心节点，将对应波段的频率、不同重周、脉宽、功率作为子节点，通过网络以及先验知识更新对应波段不同频点不同脉宽、功率、是否为威胁信号；所述威胁信号包括无威胁、低威胁、中威胁和高威胁。例如，C波段4.1GHz的连续波为高威胁，C波段4.1GHz的非连续波为无威胁，C波段4.2GHz波段定为中威胁，C波段4.3GHz的连续波定为高威胁，C波段4.3GHz波段中pw为20us/PRI为40us/PA为-20dbm时定为中威胁，C波段4.3GHz波段中pw为20us/PRI为30us时定为中威胁，KU波段12.6 GHz定为高威胁。
（4）、基于K折线交叉验证的信号数据对BP神经网络进行训练，具体方法如下：
向BP神经网络输入训练参数：雷达信号频率、雷达信号脉宽、雷达信号到达时间、雷达信号水平到达角度、雷达信号俯仰到达角度、雷达信号功率和雷达信号调制方式；所述BP神经网络模型包括输入层和隐藏层；
如图3所示，BP神经网络训练过程中的正则化处理方法为Dropout：先删除部分的神经元，使梯度下降更新其他神经元的权值，等到下次再删除其他神经元进行上述操作；
BP神经网络训练过程中使用Softmax函数，该函数的输入是从K个不同的线性函数得到的结果，而样本向量x属于第j个分类的概率为：
上式中，
表示第/>
个节点的输出值，/>
表示第/>
个节点的权重值。
（5）、使用构建好的告警知识数据库查询结果对预训练的BP神经网络进行修正，具体方法如下：
使用对应雷达信号脉冲描述字进行告警知识数据库匹配，对于直接能从知识库查询到相关威胁等级结果的雷达脉冲信号，则选用该威胁等级结果，修改BP神经网络隐藏层中的权重参数，以便协助神经网络更快拟合相关模型。未经改进的现有BP神经网络结构则如图4（a）所示，应用有Dropout的BP神经网络结构如图4（b）所示。
（6）、如图5所示，使用BP神经网络与基于统计告警策略协同对告警知识数据进行修正，具体方法为：
告警知识数据库在开始阶段是空的，在BP神经网络迭代以及基于统计规律运算过程中，使用时间遗忘因子作为系数对知识图谱构建产生影响，时间遗忘因子为
，则公式可表示为：
其中
为最新输入BP神经网络与统计方法的雷达信号所产生的PDW的威胁等级，/>
为该PDW历史输入神经网络与传统统计方法的雷达信号所产生的PDW的威胁等级，/>
；u(t)随着迭代次数的增加而增加。
步骤S3、将当前靶机的信号数据输入步骤S2训练好的BP网络模型与告警知识数据库，使用告警知识数据库与BP神经网络模型同时决策告警策略，最终实现靶机告警。具体方法：将接收机接收到的信号进行数据清洗，去掉接收机带外信号，将辐射源描述字送至修正后的BP神经网络模型与告警知识数据库，将这两种模型所得结果一起送入告警决策模块及逆行决策，进行威胁等级判断与告警；
其中告警决策模块对BP神经网络模型以及告警知识数据库模型输出的结果进行决策，若告警知识数据库的知识图谱直接通过雷达参数查询得到的高威胁等级则判定为高置信度，则直接按照告警知识数据库模型给出的结果判定；若知识图谱判定为低威胁，但经由BP神经网络判断为高威胁的信号，则将BP神经网络置信度调整为最高，判断为高威胁信号；若两种方式得到的威胁等级偏差不大，则使用权重加权计算，计算公式如下：
其中，
为加权系数，/>
，/>
表示BP神经网络的结果，/>
为告警知识数据库的知识图谱查询结果。如果知识库中不存在对该结果的判断，则按照神经网络的结果输出。
如果最终更新知识图谱中没有某一信号的威胁等级，即该信号是完全新的信号类型，则将告警知识数据库中知识图谱的置信度更为0，BP神经网络的置信度设为最高，即权重a =0.9999。
本发明使用基于统计规律的雷达信号进行告警策略协同运算，同时采用BP神经网络进行模型训练，能够解决传统统计学算法统计规律单一、因模型与实际情况不相符而出现的虚警与不告警情况。也就是说，本发明采用基于统计的告警策略与BP神经网络共同维护知识库方式，构建知识库，其中BP神经网络修正知识库使用时间遗忘因子，使得知识库以及预警更为快速准确。
如图8所示，现有方法大多使用先验知识来做，对于存在先验知识的雷达信号，告警准确度为100%，但是对于没有先验知识的雷达信号，告警准确度为0%,因为没有其他研究所的数据库，无法进行对比实验，但能确定，本发明技术方案和模型对于已有先验知识的雷达信号告警准确度为100%，对于没有雷达库的雷达信号准确率达到87%左右。
Claims (5)
1.一种基于神经网络的靶机告警方法，其特征在于：包括以下步骤：
步骤S1、对数据集中雷达输入信号数据进行预处理，包括数据清洗、数据标准化和数据归一化；雷达输入信号表示为Y = X+N1+N2，Y表示接收机输入信号，X表示目标信号，N1表示监测范围内的杂波信号，N2表示监测范围之外的杂波信号；预处理后的信号数据只包括目标信号X和表示监测范围内的杂波信号N1；
步骤S2、使用基于统计的告警策略进行告警知识数据库构建，同时将处理后的信号数据输入BP神经网络进行模型拟合训练；然后将BP神经网络训练结果用于告警知识数据库修正，根据拟合迭代次数采用时间遗忘因子对不同训练次数的结果进行告警知识数据库修正，并使用构建的告警知识数据库查询结果对BP神经网络训练过程中的神经元权重进行修正，辅助实现BP神经网络的快速拟合，直至BP神经网络训练效果最佳；
此处，构建告警知识数据库的具体方法如下：
基于自顶向下的知识图谱构建策略，选用雷达波段作为中心节点，将对应波段的频率、不同重周、脉宽、功率作为子节点，通过网络以及先验知识更新对应波段不同频点不同脉宽、功率、是否为威胁信号；所述威胁信号包括无威胁、低威胁、中威胁、高威胁；
此处，使用BP神经网络与基于统计告警策略协同对告警知识数据进行修正，具体方法为：
告警知识数据库在开始阶段是空的，在BP神经网络迭代以及基于统计规律运算过程中，使用时间遗忘因子作为系数对知识图谱构建产生影响，时间遗忘因子为
，则公式可表示为：
其中
为最新输入BP神经网络与统计方法的雷达信号所产生的PDW的威胁等级，/>
为该雷达脉冲描述字PDW历史输入神经网络与传统统计方法的雷达信号所产生的PDW的威胁等级；/>
；
u(t)随着迭代次数的增加而增加；
步骤S3、将当前靶机的信号数据输入步骤S2训练好的BP网络模型与告警知识数据库，使用告警知识数据库与BP神经网络模型同时决策告警策略，最终实现靶机告警；具体方法为：
将接收机接收到的信号进行数据清洗，去掉接收机带外信号，将辐射源描述字送至修正后的BP神经网络模型与告警知识数据库，将这两种模型所得结果一起送入告警决策模块及逆行决策，进行威胁等级判断与告警；
告警决策模块对BP神经网络模型以及告警知识数据库模型输出的结果进行决策，若告警知识数据库的知识图谱直接通过雷达参数查询得到的高威胁等级则判定为高置信度，则直接按照告警知识数据库模型给出的结果判定，如果告警知识数据库中不存在对该结果的判断，则按照BP神经网络的结果输出；若知识图谱判定为低威胁，但经由BP神经网络判断为高威胁的信号，则将BP神经网络置信度调整为最高，判断为高威胁信号；若两种方式得到的威胁等级偏差不大，则使用权重加权计算，计算公式如下：
其中，
为加权系数，/>
，/>
表示BP神经网络的结果，/>
为告警知识数据库的知识图谱查询结果。
2.根据权利要求1所述的基于神经网络的靶机告警方法，其特征在于：所述步骤S1对数据集中信号数据进行数据清洗：将接收机采样带宽外的噪声信号滤除；再将雷达信号脉宽、脉冲密度、脉冲重复周期、到达水平角度、到达俯仰角度和信号功率进行数据标准化及归一化处理，数据标准化及归一化处理的具体方法为：
使用Z-Score标准化方法处理雷达数据，经过处理后的数据符合标准正态分布，即均值为0，标准差为1，标准化公式如下：
3.根据权利要求1所述的基于神经网络的靶机告警方法，其特征在于：所述步骤S2将步骤S1所得预处理后的信号数据使用K折线交叉验证，使得数据集循环使用，具体方法为：
将预处理后的PDW数据按照7：3进行随机划分，每次都将其中的70%数据作为训练集，其中的30%数据作为验证集，直到完成K次BP神经网络的训练；最后计算K次求得分类的平均值，作为该模型的真实分类率，具体公式如下：
上式中，u是指第u次进行的数据集划分，
是指第u次模型的输出结果，u的取值范围为1到K。
4.根据权利要求1所述的基于神经网络的靶机告警方法，其特征在于：所述步骤S2将步骤S1预处理后信号数据使用基于统计告警策略进行处理，具体过程为：
1)、扫描阶段
按照100M步进来切换本振频点，统计每一个本振点雷达信号的脉冲个数，如果雷达脉冲个数大于10个，则判断为预警阶段；
2)、跟踪阶段
根据扫描阶段所预警的点数进行逐一定点扫描，每一个预警点停留5s；统计定点扫描阶段类对应雷达频点、脉宽、到达时间、到达水平角度以及到达俯仰角度的脉冲个数，若脉冲个数存在上升趋势，并一段时间内保持最高趋势，则确定为告警阶段；
3)、取消告警阶段
对告警的频点及逆行逐一定点扫描，每一个告警点停留5s，统计定点扫描阶段类对应雷达频点、脉宽、到达水平角度以及到达俯仰角度信息的脉冲个数，若脉冲个数存在下降趋势，并在很短的时间内到达最低状态，之后保持最低状态不变，则确定为取消告警阶段。
5.根据权利要求1或3所述的基于神经网络的靶机告警方法，其特征在于：所述步骤S2首先基于K折线交叉验证的信号数据对BP神经网络进行训练，具体方法如下：
向BP神经网络输入训练参数：雷达信号频率、雷达信号脉宽、雷达信号到达时间、雷达信号水平到达角度、雷达信号俯仰到达角度、雷达信号功率和雷达信号调制方式；所述BP神经网络模型包括输入层和隐藏层；
BP神经网络训练过程中的正则化处理方法为Dropout：先删除部分的神经元，使梯度下降更新其他神经元的权值，等到下次再删除其他神经元进行上述操作；
BP神经网络训练过程中使用Softmax函数，该函数的输入是从K个不同的线性函数得到的结果，而样本向量x属于第j个分类的概率为：
其中，
表示第/>
个节点的输出值，/>
表示第/>
个节点的权重值；
使用构建好的告警知识数据库查询结果对预训练的BP神经网络进行修正，具体方法如下：
使用对应雷达信号脉冲描述字进行告警知识数据库匹配，对于直接能从知识库查询到相关威胁等级结果的雷达脉冲信号，则选用该威胁等级结果，修改BP神经网络隐藏层中的权重参数，以便协助神经网络更快拟合相关模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310320622.1A CN116047507B (zh) | 2023-03-29 | 2023-03-29 | 一种基于神经网络的靶机告警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310320622.1A CN116047507B (zh) | 2023-03-29 | 2023-03-29 | 一种基于神经网络的靶机告警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116047507A CN116047507A (zh) | 2023-05-02 |
| CN116047507B true CN116047507B (zh) | 2023-06-23 |
Family
ID=86133489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310320622.1A Active CN116047507B (zh) | 2023-03-29 | 2023-03-29 | 一种基于神经网络的靶机告警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116047507B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117192482B (zh) * | 2023-09-06 | 2024-05-28 | 扬州宇安电子科技股份有限公司 | 基于信号分选的靶机平台侦察设备告警方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835103B (zh) * | 2015-05-11 | 2018-04-27 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
| CN107578104B (zh) * | 2017-08-31 | 2018-11-06 | 江苏康缘药业股份有限公司 | 一种中药生产过程知识系统 |
| CN108985455A (zh) * | 2018-07-09 | 2018-12-11 | 肖朝晖 | 一种计算机应用神经网络预测方法及系统 |
| GB201820004D0 (en) * | 2018-12-07 | 2019-01-23 | Univ Oxford Innovation Ltd | Method and data processing apparatus for generating real-time alerts about a patient |
| CN113222140B (zh) * | 2021-05-10 | 2022-09-20 | 重庆邮电大学 | 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 |
| CN114624645B (zh) * | 2022-03-10 | 2022-09-30 | 扬州宇安电子科技有限公司 | 一种基于微型天线阵列的小型旋翼无人机雷达侦察系统 |
| CN115113168A (zh) * | 2022-08-25 | 2022-09-27 | 南京宇安防务科技有限公司 | 一种基于神经网络的雷达杂波抑制方法 |
-
2023
- 2023-03-29 CN CN202310320622.1A patent/CN116047507B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116047507A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zonoozi et al. | Periodic-CRN: A convolutional recurrent model for crowd density prediction with recurring periodic patterns. | |
| CN112906858A (zh) | 一种船舶运动轨迹实时预测方法 | |
| CN116047507B (zh) | 一种基于神经网络的靶机告警方法 | |
| CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| Yang et al. | Survey of incremental learning | |
| Wang et al. | Vessel trajectory prediction based on AIS data and bidirectional GRU | |
| Kumar et al. | Bat algorithm: application to adaptive infinite impulse response system identification | |
| Goh et al. | A multimodal approach to chaotic renewable energy prediction using meteorological and historical information | |
| CN115113168A (zh) | 一种基于神经网络的雷达杂波抑制方法 | |
| Li et al. | Radar emitter recognition based on deep learning architecture | |
| Wang et al. | Fusing heterogeneous traffic data by Kalman filters and Gaussian mixture models | |
| Chen et al. | Price prediction of agricultural products based on wavelet analysis-LSTM | |
| CN110796303B (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
| Cui et al. | Layer normalization for TSK fuzzy system optimization in regression problems | |
| Li et al. | A novel time-domain graph tensor attention network for specific emitter identification | |
| Zhu et al. | Progressive kernel pruning based on the information mapping sparse index for CNN compression | |
| CN114494783A (zh) | 一种基于动态图神经网络的预训练方法 | |
| CN113158886A (zh) | 一种基于深度强化学习的波形捷变雷达辐射源识别方法 | |
| CN117079120A (zh) | 一种基于改进ga算法的目标识别模型优化方法 | |
| CN107995027B (zh) | 改进的量子粒子群优化算法及应用于预测网络流量的方法 | |
| Tan et al. | Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm. | |
| Xia et al. | Application of a new restricted Boltzmann machine to radar target recognition | |
| CN113762078A (zh) | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 | |
| Boyang et al. | A design method of RBF neural network based on KNN-DPC | |
| Wu et al. | Multi-GMTI decentralized tracking via consensus LMB density fusion |
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 | ||
| CP03 | Change of name, title or address |
Address after: Building 4, Jiangguang Smart City East Garden, No. 15 Wenchang East Road, Guangling District, Yangzhou City, Jiangsu Province, 225006 Patentee after: Yangzhou Yuan Electronic Technology Co.,Ltd. Country or region after: China Address before: Building 4, Jiangguang Smart City East Garden, No. 15 Wenchang East Road, Guangling District, Yangzhou City, Jiangsu Province, 225006 Patentee before: YANGZHOU YU'AN ELECTRONIC TECHNOLOGY CO.,LTD. Country or region before: China |
|
| CP03 | Change of name, title or address |