基于注意力机制和LSTM的雷达威胁程度预测方法

本发明涉及通信，更进一步涉及雷达通信中的一种基于注意力机制和长短期记忆网络lstm(long short-term memory)的雷达威胁程度预测方法。本发明可用于预测对方雷达辐射源的威胁程度。

背景技术：

1、在雷达对抗中雷达威胁程度预测是根据雷达威胁过去发展变化的客观过程，运用各种分析方法，对威胁程度未来可能出现的趋势和可能达到的水平所进行的科学推测。对雷达威胁程度进行准确预测有利于提前做好各种威胁应对措施，是掌握电磁态势主动权的关键。但现有的雷达威胁程度预测方法构建的威胁程度预测的数据集不完整，对雷达威胁程度的预测不够客观合理，且存在无法突出对威胁程度影响更关键的威胁属性的问题，影响预测准确率，从而导致失去电磁态势主动权。

2、河南大学在其申请的专利文献“基于改进gm(1,1)模型的空中目标威胁预测方法”(申请号：cn 202210087937.1；申请公布号：cn 114519262a)中提出一种雷达对空中目标威胁进行预测的方法。该方法的实现步骤是：第一步，获取来袭空中目标威胁值，对传统gm(1,1)模型中的固有残差进行修正，并根据一阶累加生成序列中各分量的大小确定权重；第二步，根据时间权重序列对残差平方和进行加权，求解最优问题确定时间参数；第三步，将傅里叶级数拟合后的残差序列反馈给gm(1,1)模型，得到最终的改进gm(1,1)模型；第四步，根据改进后的预测模型计算来袭空中目标的威胁值，实现对空中目标威胁值的准确预测。该方法存在的不足之处是，该方法未考虑雷达的威胁属性对未来时间的威胁程度的影响，对目标威胁预测时使用的数据集仅为一维威胁程度向量，而未包含雷达的威胁属性，构建的数据集不完整，不能够客观合理的对雷达威胁程度进行预测。

3、徐公国等人在其发表到的论文“基于改进elman神经网络的目标威胁度预测评估”(《探测与控制学报》2017,39(03):101-106.)提出了一种基于elman神经网络的目标威胁度预测评估方法。该方法的具体步骤是：第一步，选取目标威胁度影响属性。第二步，利用量子粒子群智能优化(qpso)算法对elman神经网络进行改进。第三步，基于优化的qpso-elman神经网络构建目标威胁度的动态预测评估模型。第四步，利用构建的预测评估模型对目标威胁度进行评估。该方法存在的不足之处是，对于目标威胁度的各个威胁属性赋予了相同的权重，而无法突出对威胁程度预测效果有影响的更关键的威胁属性，预测准确率不高。

技术实现思路

1、本发明的目的在于针对上述现有技术存在的不足，提出一种基于注意力机制和lstm的雷达威胁程度预测方法，用于解决现有的雷达威胁程度预测方法构建的威胁程度预测的数据集不完整，对雷达威胁程度进行预测不够客观合理，以及未突出对威胁程度预测效果有影响的更关键的威胁属性导致预测雷达威胁程度的准确率不高的问题。

2、实现本发明目的的思路是：本发明在生成数据集时，构建包括距离、高度、方位、载频、脉宽、重频、相位的雷达威胁属性集，并对这些威胁属性进行评估得到每个时间点相应的威胁程度，以此构建的数据集包括雷达威胁属性和威胁程度，解决现有的威胁程度预测方法所构建的威胁程度预测的数据集不完整的问题。本发明将注意力机制attention和lstm神经网络结合，构建了基于注意力机制和lstm的attention-lstm神经网络，并采用遗传算法优化该attention-lstm神经网络的超参数。attention机制可通过对雷达威胁程度的影响因素赋予不同的权重，突出更关键的影响因素，且采用遗传算法可以用于在模型的参数空间内快速找到最优参数组合，使得本发明可以突出影响雷达威胁程度预测结果的更重要的因素，能够帮助模型做出更加准确的判断，从而提升模型预测精度。通过包含距离、高度、方位、载频、脉宽、重频、相位的雷达威胁属性以及雷达威胁程度组成的训练集，训练attention-lstm神经网络，使得训练好的attention-lstm神经网络具有良好的预测能力，并采用遗传算法优化该模型的超参数，在对威胁程度预测时，将测试数据通过训练好的attention-lstm神经网络，能够突出对威胁程度有影响的关键因素，从而更加准确地完成对雷达威胁程度的预测。

3、为实现上述目的，本发明的实现方案包括如下：

4、步骤1，生成训练集：

5、步骤1.1，产生对方机载雷达辐射源在10s内三种不同工作模式切换下，每一个雷达威胁属性随时间变化的时间序列；

6、步骤1.2，以1ms的采样间隔，对每个威胁属性随时间变化的序列分别进行采样，得到每个威胁属性对应的历史时间序列；

7、步骤1.3，采用逼近理想解排序算法，对所有威胁属性时间序列的每个相同采样点的威胁属性数值进行综合计算，得到该采样点的威胁程度值；

8、步骤1.4，将每个采样点的每个威胁属性和每个采样点的威胁程度组成一个样本，按照采样点时间的先后顺序得到一个威胁程度时间序列；将所有雷达威胁属性时间序列与威胁程度时间序列组成样本集；

9、步骤1.5将样本集中的样本做归一化操作后组成训练集；

10、步骤2，构建attention-lstm神经网络：

11、步骤2.1，搭建一个5层的attention-lstm神经网络，其结构依次串联连接为：输入层、attention单元、一个lstm隐藏层、全连接层、输出层；其中，attention单元由attention输入层、attention隐藏层、attention输出层串联组成；

12、步骤2.2，将输入层的神经元数量设置为10×8，激活函数采用sigmoid；将attention单元中的attention输入层的神经元数量设置为10×8，attention隐藏层的神经元数量为10×1；attention输出层的神经元数量设置为10×8；将lstm隐藏层神经元数量的范围设置为[1,200]；将全连接层神经元数量设置为10×1，激活函数采用relu；将输出层的神经元数量设置为1，激活函数采用sigmoid；

13、步骤3，采用遗传算法优化attention-lstm神经网络的超参数：

14、步骤3.1，对网络超参数进行编码并初始化种群，同时设置相关初始参数，包括交叉概率和变异概率；

15、步骤3.2，计算个体适应度函数值，其中，适应度函数为训练集的均方根误差meansquared error，mse的倒数；

16、步骤3.4，通过选择、交叉、变异过程获得子代；

17、步骤3.5，判断当前搜索到的最优个体适应度值是否达到最优，或者迭代次数是否达到最大值，若是，则得到优化好的超参数后执行步骤4，否则，执行步骤3.2；

18、步骤4，训练attention-lstm神经网络：

19、将训练集和优化好的超参数输入到attention-lstm神经网络中，利用adam优化算法，迭代更新attention-lstm神经网络的各层模型的权重，直到attention-lstm神经网络的损失函数收敛为止，得到训练好的attention-lstm神经网络；

20、步骤5，预测雷达威胁程度：

21、采用与步骤1相同的方法，对待预测的雷达威胁程度的雷达参数进行采样和归一化处理，将处理后的样本输入到训练好的attention-lstm神经网络中，输出威胁程度预测结果。

22、本发明与现有技术相比有以下优点：

23、第一，本发明构建的训练集中包括雷达的威胁属性和相应的威胁程度，其中威胁属性包括雷达的距离、高度、方位、载频、脉宽、重频、相位。克服现有的威胁程度预测方法所构建的威胁程度预测的训练集只包括威胁程度或者部分威胁属性的不足，使得本发明具有构建的数据集更加完整，预测结果更客观合理的优点。

24、第二，本发明采用遗传算法优化attention-lstm模型预测雷达威胁程度，attention机制可突出对预测结果影响更大的威胁属性，且采用遗传算法可以用于在模型的参数空间内快速找到最优参数组合，克服现有的威胁程度预测方法预测结果不够准确的不足，使得本发明具有可以对未来时刻的雷达威胁程度做出更加准确的判断，预测准确率更高的优点。