[发明专利]基于大数据分析技术的复杂环境自适应主动雷达系统

说明书

技术领域

本发明涉及主动雷达系统，特别涉及一种基于大数据分析技术的复杂环境自适应主动雷达系统。

背景技术

随着无线设备的广泛应用与雷达目标类型的逐渐增加，雷达系统设计不仅需从雷达工作体制、低热噪声硬件设计及弱信号处理算法等方面着手，还需针对应用环境的多样性与动态多变性进行适应性设计，以避免复杂环境下雷达系统性能急剧降低。可以看到，对复杂环境的自适应能力高低，是雷达系统智能化程度衡量的关键指标之一。

复杂环境下雷达目标后向散射特性具有多样性，而传统雷达系统通常采用开环式架构，发射波形相对固定且单一，对环境的适应性主要依赖于接收机与信号处理算法设计，这种被动地环境适应性方法导致了其在不同环境下针对不同目标的波形及波形参数自适应优化能力较低，从而制约了雷达系统对复杂环境的适应能力。另一方面，雷达应用范围的不断扩大，现有应用领域已积累了大量复杂环境下的雷达回波及雷达图像数据，同时深度学习等大数据分析技术已在语音识别、手写字体识别、光学图像识别等领域不断取得突破性的应用成果，因而采用深度学习等大数据分析技术来提高雷达系统对复杂环境的适应能力是一种良好的技术途径。

通过专利检索，尚未发现基于大数据分析技术的适用于复杂环境自适应的主动雷达系统相关专利与论文，现有专利和论文主要集中在目标识别、波形优化等算法具体实现方面，而雷达系统级专利则依然基于传统的神经网络。专利申请号201610880083.7提出了一种对多模传感器采集的数据进行物体分类的方法，但其应用深度学习算法进行目标分类前需人工提取目标特征，而本专利对目标特征实现自动提取。在高分辨率一维距离像（HRRP）目标识别方面，专利申请号201410727815.X提出了一种基于深度学习网络的方法，其采用基于代价函数的梯度下降法对每层网络参数反复迭代一次性完成优化，而本专利采用后向传播算法从网络顶层逐层向下反向对每层网络参数二次优化微调，直至完成参数最优。在雷达合成孔径（SAR）图像目标识别方面，专利申请号201610777874.7提出了一种基于深度置信网络（DBN）的三维SAR图像目标识别方法，专利申请号201610756338.9提出了一种基于深度置信网络（DBN）的干涉SAR图像分类方法，专利申请号201610009494.9、中国矿业大学郭丽丽硕士论文与西安电子科技大学罗小欢硕士论文分别提出了一种基于卷积神经网络（CNN）的SAR图像目标识别方法，而本专利则采用生成式对抗神经网络（GANs）完成基于深度学习模型的SAR图像目标分类识别。在波形优化算法方面，专利申请号201210011015.9、专利申请号201410367813.4分别提出了基于功率谱与能量谱分析的雷达波形优化方法，而本专利则基于雷达回波统计信号模型采用假设检验的似然函数方法实现波形优化。在雷达系统架构设计方面，专利申请号201310291291.X提出了一种基于神经网络的认知雷达探测装置，而本专利采用了基于深度学习网络的系统架构，具有更好的分类能力。

由于雷达目标后向散射特性不仅与发射波形对目标环境的适应度相关，也与目标空间结构特征及照射角度有关，因而雷达系统不在对目标准确识别的基础上进行波形优化，而仅仅只单独采用上述目标识别或波形优化方法并不能实现对复杂环境的最佳适应性，需从系统架构层面综合设计。此外，传统神经网络很容易在局部极小值停止学习且学习速率会越来越慢，同时目标识别性能非常依赖于初始参数的选取，这就使得雷达系统采用该类方法以适应多样化复杂目标环境时具有局限性，这种局限性也是推动深度学习等大数据分析技术出现的重要原因之一。此外，目标特征提取依赖于人工设计与目标分类层相对简单也制约了传统神经网络方法在复杂环境应用时的实用性，而在传统神经网络之后出现的机器学习等人工智能方法也未能解决目标识别时需人工设计大量目标特征等问题。

发明内容

本发明的目的是提供一种基于大数据分析技术的复杂环境自适应主动雷达系统，采用深度学习算法从雷达样本数据中抽取出目标及相应目标环境多层次特征，解决了现有雷达系统发射波形与目标结构及环境特征相关度不高而导致的复杂环境下弱小目标的低检测率、目标识别时需人工设计目标特征而产生的大工作量、目标特征设计时过于依赖人工设计经验而导致的不同目标环境下适应度较低等问题，从而在降低对目标及目标环境先验知识要求的同时，有效提高雷达系统在复杂环境下对弱小目标的检测与跟踪性能。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种基于大数据分析技术的复杂环境自适应主动雷达系统，其特点是，包含：