[发明专利]低空目标知识辅助智能电磁感知方法、系统及存储介质

说明书

本发明涉及一种低空目标知识辅助智能电磁感知方法、系统及存储介质，包括：构建动态更新的多源高维知识库，对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库；根据载荷知识库，建立信号出现的时空频预测模型，制定对应的按该预测模型扫描的感知策略，以高效率完成电磁感知；判断感知结果是否属于载荷知识库范畴，若属于则采用小样本低复杂度机器学习方法，进行相应特征建模；若不属于，通过采用强化学习方法，将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导，并在行动‑评价的环境中获得知识，作出新的决策。本发明能实现时、空、频电磁信息感知效率的数量级提升。

技术领域

本发明涉及电磁感知领域，特别是关于一种低空目标知识辅助智能电磁感知方法、系统及存储介质。

背景技术

低空电磁信息的获取依靠多种不同种类的分布式感知设备，由于受限于各类感知设备的功耗、处理能力等约束条件，对海量电磁信息感知面临严峻考验，具体表现在：复杂的智能算法应用必然受到诸多限制，往往依赖于简单的信号参数数据库，因而对先验信息的利用不充分；同时由于电磁信号具有随机性、未知性、复杂性和时变性等特点，缺乏有效、全面的训练样本，制约了感知设备对复杂电磁环境的适应能力。以上几点使得感知能力提升面临巨大的挑战。

发明内容

针对上述问题，本发明的目的是提供一种低空目标知识辅助智能电磁感知方法、系统及存储介质，其能实现时、空、频电磁信息感知效率的数量级提升。

为实现上述目的，本发明采取以下技术方案：一种低空目标知识辅助智能电磁感知方法，其包括以下步骤：1)构建动态更新的多源高维知识库，依据先验知识和数据的冗余度，对于电磁感知产生的海量信息从知识层面和数据层面进行压缩得到载荷知识库；2)引入贝叶斯方法，根据载荷知识库，建立信号出现的时空频预测模型制定对应的按该预测模型扫描的感知策略，以高效率完成电磁感知；3)判断感知结果是否属于载荷知识库范畴，若为属于则采用小样本低复杂度机器学习方法，进行相应特征建模，以获得正确有效结果；若不属于，通过采用强化学习方法，将载荷智能感知的电磁信息与多源高维知识库进行交互获得奖惩指导，并在行动-评价的环境中获得知识，并对行动方案作出新的决策。

进一步，在贝叶斯公式的基础上，根据先验分布和似然函数，并考虑领域知识的约束作用，引入后验正则化项，使用正则化贝叶斯方法，求得最优化的后验概率分布；在每进行一次感知后都将本次的后验概率转换为下一次感知的先验概率，随着实时感知数据的增多，求得的后验概率模型逐渐趋于最优化。

进一步，对于单个辐射源目标，首先按照已有知识库优先对重点频段扫描，并结合实际信号的检测和判别结果代入所述概率模型，决定每个频点的驻留时间，并自主调整中心频点的频率，使得更好地侦收不同复杂调制信号。

进一步，根据态势变化的缓急程度，采用时域和空域变采样的方式，进行态势的高效感知。

进一步，对于属于载荷知识库范畴的感知结果采用小样本低复杂度机器学习方法，结合深度神经网络，采用迁移学习方式对小样本高价值数据进行训练；具体为：

在多源高维知识库中，对于源域任务，其中的每个载荷数据库集在共同类别下都具有不同的特征，预先设定统一标准，超过标准的类被随机切割，而不满足标准的类则在该环境下像被重新记录一样通过滤波复制出剩余空间的脉冲响应，并重新进行采样；

对于小样本数据中的训练，先移除已训练网络中的输出层，并添加两个隐藏的全连接层和一个新的单输出层以启用适配；在目标域的训练中，通过将迁移层的输出作为另外两个隐藏层的训练输入，使得迁移层的输出与载荷数据库是相适应的。

进一步，所述强化学习是把学习看作试探评价过程，强化学习系统选择一个动作作用于环境，环境接受该动作后状态发生变化，同时产生一个奖或惩的强化信号反馈给强化学习系统，强化学习系统根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化的概率增大。