[发明专利]基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法

摘要

本发明公开了一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法，属于雷达对抗技术领域。航迹欺骗干扰是一种专门针对组网雷达的新型欺骗干扰样式，具有迷惑性强、鉴别难度大的特点；在工程实际中各雷达站上报的信号和数据信息非常丰富，现有方法使用单一的数据层特征进行硬判决，鉴别结果的可信度较差且错误鉴别概率较高。本发明即立足于解决上述问题，主要包括以下步骤：（1）计算识别特征参数集；（2）选取训练和测试样本；（3）利用训练样本对网络进行训练，利用测试样本对网络进行测试。本发明能够适用于集中式雷达网的情况，并且对虚假航迹的正确识别率较高，具有较强的工程应用价值和推广前景。

主权项

1.一种基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法，其特征在于包括以下步骤：步骤1：据欺骗式干扰和真实目标回波的不同，计算信号幅度统计特征：其中，α,β由信干比决定，当信干比<1时，α＝1‑信干比,β＝信干比；步骤2：据欺骗式干扰和真实目标回波的不同，计算信号幅度分布特征：其中，表示真实目标的实信噪比，为的无偏估计，表示欺骗干扰的SNR，为的无偏估计，为第i次脉冲观测到的SNR，H₁为假设该航迹为虚假航迹，H₀为假设该航迹为真实航迹；步骤3：计算航迹在地心直角坐标系内的位置固定偏差特征：其中，ΔX_k(i,j)表示雷达i和j在X轴的位置偏差，ΔY_k(i,j)表示雷达i和j在Y轴的位置偏差，表示雷达i和j的X轴的量测误差方差之和，表示雷达i和j的Y轴的量测误差方差之和；步骤4：计算航迹的统计随机误差特征：λ＝(N‑1)ln|∑1|‑(N‑1)p‑(N‑1)ln|S|+(N‑1)tr(S∑1‑1)  (4)其中λ为修正的似然比，N为观测的个数，p为随机向量的维数，∑1为真实目标协方差阵，S为观测样本方差阵：上式Jα为第α个观测样本；步骤5：背景设定为三雷达组网，在雷达网信息融合中心形成稳定虚假航迹的情况下，每部雷达提取出该条虚假航迹的信号幅度统计和分布特征，分别设为σ1,σ2,σ3和δ1,δ2,δ3，对雷达网中的任意两部雷达组合提取出位置固定偏差判决统计量，分别设为T12,T13,T23，对整个雷达网，提取出统计随机误差判决统计量，设为λ，得到目标的特征参数集为一个10维向量，如下所示：X＝[σ1,σ2,σ3,δ1,δ2,δ3,T12,T13,T23,λ]  (7)综上所述，构造卷积神经网络，包含2个卷积层、1个下采样层及一个全连接层，取卷积核维度为1，输出层输出结果为1，则该航迹为真实目标，输出层输出结果为0，则该航迹为虚假航迹；(a)输入层为10维目标特征向量：X＝[σ1,σ2,σ3,δ1,δ2,δ3,T12,T13,T23,λ]；(b)卷积层的卷积核大小均是3，且卷积核的跨度为1，卷积计算时将卷积核与特征做点乘，再加上一个偏置后得到该特征对应的卷积结果，第一个卷积层中，输入是10维特征向量，使用卷积核从左至右滑动，卷积核对每个特征做卷积后对应特征向量中的一个值，每个卷积核最后产生对应的一个特征向量，每个特征向量的维数是8；同样的，第二个卷积层中，他的输入数据是第二个采样层产生的6个特征向量，使用16个不同的卷积和分别对6个特征向量做卷积运算，产生16个1×2；(c)下采样层下采样层使用大小为2的Block，对每个Block内的2个值计算平均值，作为特征向量中对应的值，输入的特征向量的数量与输出的特征向量的数量相同；下采样层，输入的是第一个卷积层产生的6个1×8的特征向量，因此，经过下采样之后，输出6个1×4的特征向量；(d)全连接层全连接层的输入是第二个卷积层产生的16个1×2特征向量，它有28个单元，计算方式与卷积类似，也是将输入向量与权重向量做点乘，再加上一个偏置后获得结果，最后，利用Sigmoid函数产生对应单元的一个状态，即计算后产生30个输出；(e)输出层最后的输出层是由2个欧式径向基函数单元组成，每个单元代表一个判决结果，计算每个输出RBF单元的输入向量与参数向量之间的欧式距离，如果输入向量与参数向量距离越小，那么RBF产生较小的输出。