[发明专利]一种基于ELM的干扰频域状态在线预测方法

说明书

本发明公开了一种基于ELM的干扰频域状态在线预测方法，包括：对有源干扰信号的频域状态进行编码得到第一编码结果；根据第一编码结果确定基于ELM的干扰频域状态预测模型；获取有源干扰信号在多个时刻的第一编码结果形成有源干扰信号频域状态变化时间序列；根据有源干扰信号频域状态变化时间序列对干扰频域状态预测模型进行离线训练；对新来的有源干扰信号的频域状态进行编码得到第二编码结果；根据第二编码结果对离线训练的干扰频域状态预测模型进行在线训练，并输出对应预测结果。本发明可以解决复杂电磁环境中由雷达有源干扰参数估计时效性不足导致抗干扰性能下降的问题。

技术领域

本发明属于雷达抗干扰信号处理技术领域，具体涉及一种基于ELM的干扰频域状态在线预测方法。

背景技术

随着现代化战争攻防对抗日益激烈，精确制导技术的发挥受到战场电磁干扰的严重约束，其中有源电磁干扰呈现出高功率、高逼真度、高灵活性及高智能化等特征，使雷达工作电磁环境变得尤为严峻。在严峻的电磁干扰环境下，拥有领先的有源干扰电磁态势感知技术可以在未来战场上掌握主动权，有望解决雷达导引头抗有源电磁干扰的瓶颈问题。而态势感知又分为态势要素获取、态势理解和态势预测，其中态势预测是在态势觉察与态势理解基础上，根据当前态势理解结果对未来可能出现的态势进行预测。在动态有源干扰环境中，干扰电磁状态是随时间变化的，已感知到的干扰电磁状态很有可能与下一时刻的状态不一致，导致抗干扰手段失效。因此，研究有源干扰状态预测技术具有重要意义。

频域是主要的电子作战域之一，尽管目前在频域已存在很多成熟的抗干扰方法，如频谱零陷生成、频率捷变和频域资源管控等，但雷达导引头抗有源电磁干扰性能并不稳定，其重要原因在于有源电磁干扰频谱占用呈现灵活多变的特点，导致实战中有源干扰频谱状态估计结果时效性不足，进而使得频域抗干扰方法性能降低。实现有源干扰频域状态的准确预测可以有效改善抗干扰效能，提高雷达在电子战中的优势地位。同时实际作战是在强对抗、高动态和非合作战场环境下进行，可以获取的预测器训练样本有限，而在小样本条件下，干扰频域状态预测性能受到极大的限制。在线更新预测器是解决小样本问题的有力方法。因此，研究有源干扰频域状态在线预测方法具有极大的意义。在有源干扰预测方面，有学者提出模糊C聚类方法和Markov预测方法相结合的改进Markov预测算法，并将该方法运用在电磁态势预测模拟训练辅助模块中，可以有效提升预测准确率；北京航空航天大学杨天鹏等人提出了一种应用神经网络预测电磁干扰的方法，将遗传算法和模拟退火算法(Simulated Annealing，简称SA)相结合的思想来优化反向传播(Back Propagation，简称BP)神经网络，获取最优的权值和阈值，进而实现基于BP神经网络的预测；西安邮电大学杨洁等人提出了一种基于改进粒子群优化径向基函数(Radial Basis Function，简称RBF)神经网络的海战场电磁态势预测方法，采用改进粒子群算法优化RBF神经网络参数，提高网络的学习效率和预测精度，进而对海战场电磁态势值之间的非线性映射关系进行仿真预测。

但是，在实际对抗中，影响有源干扰状态的因素众多，包括电磁环境的冲突、敌方作战意图的调整等，甚至还受频谱指挥员的主观因素影响，尽管有上述少量文献开展了研究，但在有源干扰频域状态预测方面依旧缺乏有效的预测模型。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于ELM的干扰频域状态在线预测方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于ELM的干扰频域状态在线预测方法，包括：

对有源干扰信号的频域状态进行编码得到第一编码结果；

根据所述第一编码结果确定基于ELM的干扰频域状态预测模型；

获取所述有源干扰信号在多个时刻的第一编码结果形成有源干扰信号频域状态变化时间序列；

根据所述有源干扰信号频域状态变化时间序列对所述干扰频域状态预测模型进行离线训练；