[发明专利]基于卷积神经网络的雷达干扰识别方法和装置

权利要求书

1.一种基于卷积神经网络的雷达干扰识别方法，其特征在于，包括：

获取或者模拟生成雷达检测数据，所述雷达检测数据包含目标物体在一个时间段内的多个航迹点，所述多个航迹点中每一个航迹点包含所述目标物体的多个属性值，所述属性值包括：方位、距离、时间、高度、俯仰角；

对所述多个属性值中的每个属性值进行对数处理，并构造多条输入数据，每条输入数据是一个由高维的经对数处理后的数据值和一个标签值组成的行向量；

构建包括卷积层、池化层以及全连接层的卷积神经网络模型，所述卷积层用于提取所述输入数据的特征，所述池化层用于对所述卷积层提取的特征降维，所述全连接层用于实现对干扰类型的分类；

以构造出的多条输入数据为所述卷积神经网络模型的训练集，训练所述卷积神经网络模型，并不断调整所述卷积神经网络模型的参数，直到所述卷积神经网络模型的训练效果达到预设效果时结束训练；

保存结束训练时所述卷积神经网络模型的参数，并应用具有所述参数的卷积神经网络模型识别干扰类型；

所述卷积层采用一维卷积或采用二维卷积；

所述干扰类型包括：无干扰、欺骗干扰、压制干扰。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在获取或者模拟生成雷达检测数据时，根据不同类型的干扰标记不同的标签值，所述标签值为任意实数值，且同一类型干扰的标签值一致，不同类型干扰的标签值不同。

3.根据权利要求1所述的方法，其特征在于，对所述多个属性值中的每个属性值进行对数处理，包括：

按照以下公式，对所述多个属性值中的每个属性值进行对数处理，

Y＝10*lg(X/1000)

其中，X为未经处理的属性值，Y为经对数处理后的属性值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述卷积层中卷积核的大小、滑动步长、通道数、权重、偏置、填充方法初始化，并根据所述卷积神经网络模型的训练效果进行调参。

5.根据权利要求1所述的方法，其特征在于，所述池化层采用最大值池化或平均值池化，所述方法还包括：

对所述池化层的池化大小、滑动步长、权值和偏置值初始化。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述全连接层的层数、神经元个数、权重、偏置值初始化。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述卷积神经网络模型中的批处理数据量大小、学习率、迭代次数、激活函数、损失函数、优化器初始化，并根据所述卷积神经网络模型的训练效果不断调整。

8.一种基于卷积神经网络的雷达干扰识别装置，其特征在于，包括：

获取模块，用于获取或者模拟生成雷达检测数据，所述雷达检测数据包含目标物体在一个时间段内的多个航迹点，所述多个航迹点中每一个航迹点包含所述目标物体的多个属性值，所述属性值包括：方位、距离、时间、高度、俯仰角；

处理模块，用于对所述多个属性值中的每个属性值进行对数处理，并构造多条输入数据，每条输入数据是一个由高维的经对数处理后的数据值和一个标签值组成的行向量；

构建模块，用于构建包括卷积层、池化层以及全连接层的卷积神经网络模型，所述卷积层用于提取所述输入数据的特征，所述池化层用于对所述卷积层提取的特征降维，所述全连接层用于实现对干扰类型的分类；

训练模块，用于以构造出的多条输入数据为所述卷积神经网络模型的训练集，训练所述卷积神经网络模型，并不断调整所述卷积神经网络模型的参数，直到所述卷积神经网络模型的训练效果达到预设效果时结束训练；

应用模块，用于保存结束训练时所述卷积神经网络模型的参数，并应用具有所述参数的卷积神经网络模型识别干扰类型；

所述卷积层采用一维卷积或采用二维卷积；

所述干扰类型包括：无干扰、欺骗干扰、压制干扰。