[发明专利]基于卷积神经网络的雷达干扰识别方法和装置

说明书

本发明涉及一种基于卷积神经网络的雷达干扰识别方法和装置，所述方法利用雷达提供目标物体的时空参数(如方位、距离、时间等)，基于卷积神经网络通过智能算法来实现对各种类型干扰的识别，帮助作战指挥员识别干扰。具有适应能力强、决策速度快的特点，并且，具有高度的鲁棒性和容错能力。

技术领域

本发明实施例涉及雷达对抗领域，具体涉及一种基于卷积神经网络的雷达干扰识别方法和装置。

背景技术

雷达作为战场侦查监视与情报搜集的重要军事设备，是战场上获取信息和精确制导的核心装备，特别是在广大的作战地域内，及时、准确、全面地获取各种目标信息，雷达的作用是不可取代的。破坏了雷达的正常工作，也就破坏了整个武器系统的重要信息来源。

同时，在信息化战争中，战场空间空前拓展、战场信息海量化、战场环境复杂化、作战对象多元化、作战强度急剧增大，雷达提供的大量数据给指挥员的精准指挥带来巨大挑战。

目前关于雷达干扰识别的已有方法大多是从干扰产生的原理和机制角度出发，通过对雷达接收到电磁波信号的信号描述字（如频率、脉宽、能量等）来分析、识别某种特定类型的干扰。

然而，现有技术存在以下缺陷：

传统基于人的经验和认知、非智能化的干扰识别方法已无法有效应对瞬息万变的战场和海量数据，准确快速地从海量的雷达检测数据中获取目标信息，识别雷达干扰情况成为了难题。

发明内容

本发明实施例提供了一种基于卷积神经网络的雷达干扰识别方法和装置，用以解决上述至少一个技术问题。

第一方面，本发明实施例提供一种基于卷积神经网络的雷达干扰识别方法，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。

可选地，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。

可选地，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。

可选地，所述卷积层采用一维卷积或采用二维卷积，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。

可选地，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：