[发明专利]高频地波雷达工作频率优选方法、系统、存储介质及应用

说明书

本发明属于雷达技术领域，公开了一种高频地波雷达工作频率优选方法、系统、存储介质及应用，通过获取频谱数据，采用二维OS算法和二重门限算法对频谱数据进行处理，得到抗冲击干扰处理的频谱信息；构建LSTM网络，并进行模型训练和预测偏差进行评价；选用二次曲线梯形窗，在整个频谱上滑动这个窗函数提取窗内平均功率谱和起伏度信息，计算滑窗总分，进而根据分数选出最佳工作频率。本发明中的频谱预测方案的改进增强了选频的实时性和准确性；通过LSTM模型预测时间序列，训练学习当前时刻的频谱信息而非简单的数据频移，使预测更接近真实值，大大增强了可靠性，通过二次曲线梯形窗进行滑窗选频，能有效躲开干扰频段。

技术领域

本发明属于雷达技术领域，尤其涉及一种高频地波雷达工作频率优选方法、系统、存储介质及应用。

背景技术

目前：高频地波雷达因其低成本、易维护，具有超视距、全天候等优点用于对海监测，但其工作频段(3～30MHz)电磁环境复杂，存在大量短波通信业务、电台干扰、冲击干扰、噪声，影响其工作性能。寻找适合其工作的“寂静频率”能有效提升雷达性能，故而寻求一种能为高频地波雷达推荐较优工作频率的方法。长短期记忆网络LSTM(Long Short-TermMemory)，是反馈神经网络的一种类型。循环神经网络(RNN)由于引入反馈机制，具备初步的记忆能力，但由于需要保留所有状态的信息，能处理的信息长度有限，且在反向传播更新权重时会出现梯度消失和梯度爆炸的问题，长期记忆能力不足。而引入了输入门，输出门，遗忘门的长短期记忆网络(LSTM)，引入记忆单元，产生了梯度长时间持续流动的路径，并且自循环的权重也在每次迭代中进行更新。这样的设计可以避免横向深度导致的信息丢失，也解决了RNN模型在更新权重时容易产生的梯度消失问题。遗忘门通过删除记忆单元中的部分历史信息来控制信息的保存；输入门则对当前时刻和上一时刻的输出状态进行筛选，调节进入LSTM细胞的有用信息。这样的工作模式使基于长短期记忆网络模型的算法善于处理长序列数据，可实现时间序列预测。

雷达在实际工程应用中，采用的频谱预测方案多为当前平移预测模型。而这一模型是将当前时刻数据平移作为下一时刻的频谱数据。而高频地波雷达的工作环境复杂，虽然通过抗冲击干扰算法消除天电干扰，但是依然存在大量噪声和干扰，采用该方案直接将频谱平移将忽略复杂多变的电磁环境，无法达到实时监测的效果，影响选频的准确性。

滑窗选频方案实际采用的“多重门限-平均功率方案”是通过选取三道逐渐降低的门限来进行粗测选频，最终选取的频段位于干扰相对低的范围。采取三道门限一定程度上提高了准确度，但需要多次实验测试积累才能获取合适的门限参数，在复杂多变的电磁环境中，该方法缺乏一定的灵活性。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有的频谱预测方案忽略了复杂多变的电磁环境，无法达到实时监测的效果，影响选频的准确性。

(2)现有的滑窗选频方案需要多次实验测试积累才能获取合适的门限参数，灵活性低。

解决以上问题及缺陷的难度为：由于电磁环境复杂多变，若由当前监测到的频谱选择“寂静频率”应用到雷达，在频谱发生较大变化时，该“寂静频率”无法达到较好的效果。所以一个能根据现有频率信息有效预测下一时刻的频谱的方案是必要的。滑窗选频根据一定准则进行打分，选取的准则作为选频元素具有参考意义，且受小干扰的影响小。综上，需要寻找一种能由当前频谱信息有效预测下一时刻频谱，并且能依据一定选频原则筛选出最优频率的方案。

解决以上问题及缺陷的意义为：在复杂电磁环境中有效预测频谱，为后续寻找最优工作频率提供了较为准确的数据信息，可近似达到实时选频的效果。适宜的滑窗选频方案能高效利用频谱的特征信息寻找较优频率，在此优选频率上工作的雷达性能得到提升。

发明内容

针对现有技术存在的问题，本发明提供了一种高频地波雷达工作频率优选方法、系统、存储介质及应用。

本发明是这样实现的，一种高频地波雷达工作频率优选方法、系统、存储介质及应用包括：