基于卷积神经网络的雷达干扰效果评估方法

1.本发明属于雷达通信技术领域，更进一步涉及电子对抗技术领域中的一种基于卷积神经网络的雷达干扰效果评估方法。本发明对可用于对干扰方是否有效地对敌方雷达进行干扰的效果进行评估。


背景技术：

2.雷达对抗是电子对抗的重要组成部分，在雷达对抗中，干扰效果是整个干扰系统中十分关注并且迫切想要得到的一项指标。随着雷达对抗装备的智能化，雷达系统的多功能化，以及雷达对抗所处的辐射源环境的复杂化，对雷达干扰效果评估也变得更加困难，因此干扰效果评估技术在雷达对抗领域中更加受到重视。
3.汤广富等人在其发表的论文“基于层次分析法的协同干扰效能评估”(《电子信息对抗技术》2016,31(04)：58-32+78)中公开了一种利用层次分析法对雷达干扰效果进行评估的方法。该方法的实现方案是：第一步，选取评估指标：根据功率准则、概率准则和效率准则构建评估指标体系，包括雷达威力、测距精度、假目标个数、航迹质量。第二步，对评估指标进行计算：综合专家评价意见给出重要线性矩阵，算出每个指标的隶属度。第三步，对隶属度进行计算，得到最终的评估结果。该方法能够对评估结果进行定性和定量的分析，得到干扰效果结果。但是，该方法仍然存在的不足之处是，在实际应用的环境下，由于干扰方和雷达方为非合作方，获取干扰方的雷达信息只能通过雷达侦察才能得到，据此建立的雷达干扰效果评估系统评估指标只能依赖雷达侦察获取单方的信息，而不是双方合作下获取的评估指标，因此该方法无法实现仅靠干扰方来完成干扰效果评估。
4.西安电子科技大学在其申请的专利文献“一种雷达干扰效果评估方法、装置及计算机设备”(申请号：201910229296.7；申请公布号：cn110082733a)中提出了一种雷达干扰效果的评估方法。该方法的实现方案是：其不再利用双方合作获取的雷达干扰评估指标，而是通过预先设定的方法获取包括干扰时机、干扰频率、干扰范围、干扰样式等雷达干扰因素的干扰效益值，获取用户输入的干扰评价分，通过专家评价意见确定评估指标权重，从而利用层次分析法获取权重矢量，利用干扰因素的干扰效益值和权重矢量获取干扰因素的加权干扰效益矩阵，再利用双基点法(topsis)获得雷达干扰效果评估值。该方法能够在实际的情况下进行干扰效果评估，但是，该方法仍然存在的不足之处是，评估结果需要借助用户的干扰评价分以及专家评价意见来确定评估指标权重，这些人为因素的影响，不能够客观合理的对干扰进行评估。


技术实现要素：

5.本发明的目的在于针对上述现有技术存在的不足，提供一种基于卷积神经网络的雷达干扰效果评估方法，以解决现有技术需要从干扰方和雷达方合作才能进指标获取，并且可以客观、正确的进行雷达干扰评估，保证在实际应用场景下对敌方雷达进行有效干扰。
6.实现本发明目的的思路是：本发明在生成训练数据集时，首先构建包括脉冲重复
频率、带宽、脉宽、幅度、载频核波束驻留时间的雷达特征参数集，由于构建的雷达特征参数集只需要从干扰方获取，无需从雷达方获取，解决了现有技术需要依赖雷达方和干扰方两边的信息才能完成指标集构建。本发明构建了一个卷积神经网络，由于卷积神经网络具有处理分类问题的能力，干扰效果评估本质上属于分类问题，因此可以通过卷积神经网络处理分类问题的特点来进行干扰效果评估。通过包含雷达特征参数的脉冲重复频率、带宽、脉宽、幅度、载频核波束驻留时间组成的训练集训练卷积神经网络，使得训练好的卷积神经网络具有良好的非线性映射能力，在对雷达干扰效果评估时，将测试数据通过训练好的卷积神经网络能够快速提取雷达特征参数，可以得到相应的干扰评估等级，来完成干扰效果评估。
7.实现本发明目的的具体步骤如下：
8.步骤1，生成训练数据集：
9.(1a)将至少3000个样本组成样本集，样本集中包括6个雷达特征参数的属性：雷达的脉冲重复频率、带宽、脉宽、幅度、载频和波束驻留时间，按照干扰评估等级将6个雷达特征参数分为三种类型，每种类型至少包含1000个样本；
10.(1b)对样本集中的每个样本进行归一化操作；
11.(1c)对每个样本加注干扰效果评估等级标签；
12.(1d)将所有样本及其每个样本对应的等级标签组成训练数据集；
13.步骤2，构建卷积神经网络：
14.搭建一个10层的卷积神经网络，其结构依次为：第一卷积层，relu激活层，第一池化层，第二卷积层，relu激活层，第二池化层，第三卷积层，relu激活层，第三池化层，全连接层；将第一至第三卷积层的卷积核个数依次设置为32，16和8，卷积核的大小均设置为1
×
3，第一至第三池化层均采用最大池化方式，池化核的大小均设置为1
×
2，池化步长均设置为1
×
2；
15.步骤3，训练卷积神经网络：
16.将训练集中雷达特征参数输入到卷积神经网络中，利用反向传播梯度下降法，迭代更新卷积神经网络的各层参数，直到卷积神经网络的损失函数收敛为止，得到训练好的卷积神经网络；
17.步骤4，对干扰效果进行评估：
18.采用与步骤(1b)的方法，对待评估干扰效果所有样本进行归一化处理；将归一化处理后的样本输入到训练好的卷积神经网络中，输出干扰效果的评估结果。
19.本发明与现有技术相比，具有以下优点：
20.第一，本发明生成的训练数据集，是从干扰方的角度生成的，克服了现有技术需要从雷达方和干扰方同时获得雷达信息才能进行评估的缺陷，可以仅从干扰方获取雷达信息就可以完成评估，使得本发明具有不需要获取大量雷达信息就可以进行干扰效果评估的优点。
21.第二，本发明构建的卷积神经网络，其权值的更新是根据实际参数进行自适应变化的，克服了现有技术需要人为设置权重系数才能进行评估的不足，使得本发明具有在客观的条件下对雷达干扰效果进行评估的优点。
附图说明
22.图1是本发明的流程图。
具体实施方式
23.参照附图1和实施例，对本发明的具体实施步骤做进一步详细描述。
24.步骤1，生成训练数据集。
25.本发明的实施例选取了3000个样本组成样本集，样本集中包括6个雷达特征参数的属性：雷达的脉冲重复频率、带宽、脉宽、幅度、载频和波束驻留时间，按照干扰评估等级将6个雷达特征参数分为三种类型，每种类型至少包含1000个样本。
26.所述的干扰评估等级是由下式得到的：
[0027][0028]
其中，gi表示样本集中第i个样本的干扰评估等级，若0≤gi≤100时的干扰评估等级为“差”，若100《gi≤200时的干扰评估等级为“一般”，若200＜gi≤300时干扰评估等级为“很好”，i表示样本集中样本的序号，i＝1,2...n，n表示训练数据集中样本的总数，|
·
|表示取绝对值操作，prfi表示样本集中第i个样本的雷达脉冲的重复频率，bwi表示样本集中第i个样本的雷达脉冲的带宽，pwi表示样本集中第i个样本的雷达脉冲的脉宽，pai表示样本集中第i个样本的雷达脉冲的幅度，rfi表示样本集中第i个样本的雷达脉冲的载频，ti表示样本集中第i个样本的雷达脉冲的波束驻留时间。
[0029]
按照下式，对样本集中的每个样本进行归一化操作。
[0030][0031]
其中，x
ij
'表示归一化后的样本集中第i个样本的第j个雷达特征参数的属性，j表示雷达特征参数属性的序号,j＝1表示样本集中雷达脉冲的重复频率，j＝2表示样本集中雷达脉冲的带宽，j＝3表示样本集中雷达脉冲的脉宽，j＝4表示样本集中雷达脉冲的幅度，j＝5表示样本集中雷达脉冲的载频，j＝6表示样本集中雷达脉冲的波束驻留时间，x
ij
表示样本集中第i个样本中的第j个雷达特征参数的属性，x
jmax
表示样本集中第j个雷达特征参数属性的最大值，x
jmin
表示样本集中第j个雷达特征参数属性的最小值。
[0032]
对每个样本加注干扰效果评估等级标签，将干扰效果评估等级“差”的标签设置为0，干扰效果评估等级“一般”的标签设置为1，干扰效果评估等级“很好”的标签设置为2。
[0033]
将所有样本及其每个样本对应的等级标签组成训练数据集。
[0034]
步骤2，搭建卷积神经网络。
[0035]
搭建一个10层的卷积神经网络，其结构依次为：第一卷积层，relu激活层，第一池化层，第二卷积层，relu激活层，第二池化层，第三卷积层，relu激活层，第三池化层，全连接层；将第一至第三卷积层的卷积核个数依次设置为32，16和8，卷积核的大小均设置为1
×
3，第一至第三池化层均采用最大池化方式，池化核的大小均设置为1
×
2，池化步长均设置为1
×
2。
[0036]
步骤3，训练卷积神经网络。
[0037]
将训练集中雷达特征参数输入到卷积神经网络中，利用反向传播梯度下降法，迭代更新卷积神经网络的各层参数，直到卷积神经网络的损失函数收敛为止，得到训练好的卷积神经网络。
[0038]
所述的损失函数计算公式如下：
[0039][0040]
其中，loss表示卷积神经网络的损失函数，∑
·
表示求和操作，c＝0,1..m，m表示干扰效果评估等级的总数，y
ic
表示训练数据集中第i个样本的干扰效果评估等级c的预测值与真实值的关系，真实值与预测值相等时则y
ic
＝1，真实值与预测值不相等时y
ic
＝0，p
ic
表示训练数据集中第i个样本的干扰效果评估等级c的预测概率。
[0041]
步骤4，对干扰效果进行评估。
[0042]
采用与步骤1相同的归一化方法，对待评估干扰效果所有样本进行归一化处理；将归一化处理后的样本输入到训练好的卷积神经网络中，输出干扰效果的评估结果。
[0043]
下面结合仿真实验对本发明的效果做进一步的说明：
[0044]
1.仿真实验条件：
[0045]
本发明的仿真实验的硬件平台为：处理器为intel i7 7700k cpu，主频为3.2ghz，内存16gb。
[0046]
本发明的仿真实验的软件平台为：windows 10操作系统和python 3.6。
[0047]
本发明的仿真实验所使用的训练集和测试集参数设置为：雷达的脉冲重复频率范围为2-20khz，带宽范围为0.2-10mhz，脉冲宽度范围为1-200μs，幅度范围为10-60kw，载频范围为2.9-3.1ghz，波束驻留时间范围为1-5s。
[0048]
训练集中包含3000个样本和对应的干扰评估等级值，测试集中包含1000个样本和对应的干扰评估等级值，利用测试集对本发明的干扰效果评估结果进行评价。
[0049]
本发明仿真实验卷积神经网络配置参数为：训练批大小设置为100，学习率为0.0005，丢失率为0.5，训练总轮数为500，分别记录使用训练集训练100轮、200轮、300轮、400轮和500轮的卷积神经网络的网络参数。
[0050]
2.仿真内容及其结果分析：
[0051]
本发明仿真实验是采用本发明的方法对测试集中1000个样本完成归一化处理后输入到训练好的卷积神经网络中，获得本发明的干扰评估等级值。
[0052]
在仿真实验中，采用的现有技术卷积神经网络cnn分类方法是指，王琪琪在其发表的论文“基于卷积神经网络的sar图像分类”(杭州电子科技大学，硕士学位论文，2021年)中提出的卷积神经网络sar图像分类方法，简称卷积神经网络分类方法。
[0053]
采用本发明的方法获取测试集中每个样本的干扰评估等级。干扰评估等级分为“差”、“一般”和“很好”三类。使用训练了100轮、200轮、300轮、400轮和500轮的卷积神经网络对测试集进行测试，干扰效果评估等级“差”的正确率是测试集中正确预测的样本个数除以干扰效果评估等级“差”的总样本个数；干扰效果评估等级“一般”的正确率是测试集中正确预测的样本个数除以干扰效果评估等级“一般”的总样本个数；干扰效果评估等级“很好”的正确率是测试集中正确预测的样本个数除以干扰效果评估等级“很好”的总样本个数，最后得到干扰效果评估等级预测结果如表1所示。
[0054]
表1干扰效果评估等级预测表(单位：百分比)
[0055]
训练轮数100轮200轮300轮400轮500轮干扰效果评估等级“差”95.2195.3395.4095.5295.60干扰效果评估等级“一般”96.8896.9297.0197.1597.20干扰效果评估等级“很好”95.8595.9996.2096.2396.40
[0056]
由表1可以看出，卷积神经网络训练500轮时，本发明预测干扰评估等级“差”的正确率为95.60％，预测干扰评估等级“一般”的正确率为97.20％，预测干扰评估等级“很好”正确率为96.40％，证明本发明对干扰效果评估结果较为准确。