CN114624645B - 一种基于微型天线阵列的小型旋翼无人机雷达侦察*** - Google Patents
一种基于微型天线阵列的小型旋翼无人机雷达侦察*** Download PDFInfo
- Publication number
- CN114624645B CN114624645B CN202210233324.4A CN202210233324A CN114624645B CN 114624645 B CN114624645 B CN 114624645B CN 202210233324 A CN202210233324 A CN 202210233324A CN 114624645 B CN114624645 B CN 114624645B
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- sorting
- aerial vehicle
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 claims 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于微型天线阵列的小型旋翼无人机雷达侦察***,属于新一代信息技术领域。本发明所述小型旋翼无人机雷达侦察***包括小型旋翼无人机、天线***、地面处理主机、显示与控制中心;所述小型旋翼无人机与天线***相连接,所述天线***与地面处理主机相连接;所述地面处理主机负责接收来自天线***的信号,进行参数测量,得到PDW信息,构建雷达信号分选模型,进行信号分选工作;所述显示与控制中心与小型旋翼无人机、地面处理主机相连接,通过控制计算机和控制软件实现对小型旋翼无人机飞行姿态的控制,进而实现对侦察角度和范围的调节,同时控制地面处理主机,发布操作指令。
Description
技术领域
本发明涉及新一代信息技术领域,具体为一种基于微型天线阵列的小型旋翼无人机雷达侦察***。
背景技术
雷达侦察领域的工作多用来探测雷达信号参数,如方位、脉宽、重频等因素,将多部雷达脉冲描述字(PDW)分选出对应雷达辐射源描述字(EDW),以便与已有雷达库进行比较,分清敌我并确认敌方位置以保证己方战略意图的实现。传统的地面战场侦察雷达***虽然有广泛的应用,但是在配置过程中会受到一些限制:
1、由于地面战场侦察雷达天线的架设高度有限,探测距离受到了地球曲率的限制;
2、机动性和灵活性不足,即使是机动能力较强的车载侦察设备也依旧不可避免地受到地形的制约;
3、在轻型化、小型化的侦察***中,对***的轻便性有着严格的限制,而目前的高精度的传统分选算法对***性能要求较高,小型化设备无法满足精确的且实时的分选要求。
发明内容
本发明的目的在于提供一种基于微型天线阵列的小型旋翼无人机雷达侦察***,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于微型天线阵列的小型旋翼无人机雷达侦察***,所述小型旋翼无人机雷达侦察***包括小型旋翼无人机、天线***、地面处理主机、显示与控制中心;
所述小型旋翼无人机与天线***相连接,将天线***设置在小型旋翼无人机下方进行侦察活动;
所述天线***与地面处理主机相连接,用于将获得的侦察数据发送至地面处理主机,进行信息交流;
所述地面处理主机负责接收来自天线***的信号,进行参数测量,得到PDW信息,构建雷达信号分选模型,进行信号分选工作;
所述显示与控制中心与小型旋翼无人机、地面处理主机相连接,通过控制计算机和控制软件实现对小型旋翼无人机飞行姿态的控制,进而实现对侦察角度和范围的调节,同时控制地面处理主机,发布操作指令。
在目前的技术手段中,虽然可以将侦察***建立在海拔较高的山上,然而当敌方雷达在海拔较低的位置时,此位置又处于我方地面侦察***和高山侦察***的侦察死角内时,侦察便会失灵。因此利用无人机搭载天线***进行侦查,通过将小型旋翼无人机与微型天线进行组装构建一个兼具灵活机动性能和规避地面障碍物遮挡的能力的雷达侦察***。
根据上述技术方案,所述天线***包括微型天线、射频前端、微波变频组件、高速AD采样单元;
所述微型天线包括接收天线、发射天线;
所述接收天线负责侦察雷达信号,所述发射天线负责与地面进行信息交流;
接收天线接收到的雷达信号由射频前端限幅、滤波、放大后传输给微波变频组件得到中频信号,通过高速AD采样单元将中频信号转化成数字信号并通过发射天线发送给地面处理主机。
根据上述技术方案,所述地面处理主机包括数字信号处理单元、存储单元、主控单元、电源模块;
所述数字信号处理单元用于接收来自天线***的信号,进行参数测量,得到PDW信息;所述存储单元用于对PDW信息进行存储;所述主控单元用于接收显示与控制中心的发布指令并控制各模块的运作,并搭载雷达信号分选模型,进行信号分选工作;所述电源模块负责为地面处理主机供电。
根据上述技术方案,所述显示与控制中心包括控制计算机、控制软件、网线束;
所述控制软件由控制计算机控制运行,所述控制软件用于对无人机飞行姿态进行控制,进而实现对侦察角度和范围的调节,同时控制地面处理主机,发布操作指令;所述网线束用于控制计算机连接交换机;
根据上述技术方案,所述小型旋翼无人机与天线***通过连接器件相连,天线主瓣方向与无人机飞行方向相同。
天线发射信号会存在主瓣与旁瓣之分,主瓣对应功率大,旁瓣功率低,使无人机飞行方向与天线主瓣方向相对应,便于控制无人机飞行方向就是功率最大方向。
根据上述技术方案,所述小型旋翼无人机雷达侦察***采用干涉仪测向,利用虚拟多基线解模糊来平衡测向精度和无模糊视角。
上述***可以在一定程度上减少地球曲率的制约,但由于使用小型旋翼无人机搭载侦察***,导致对***轻便性有着严格的限制,高精度的传统分选算法对***性能要求较高,小型化设备很难满足精确的且实时的分选要求,因此本发明创建了一种轻量级的高实时性分选算法。
获取历史数据集中的PDW信息数据;
对历史数据集中的PDW信息数据进行数据清洗,将不完整数据和异常数据删除;
对清洗过的数据进行标准化与归一化处理;
处理之后的数据使用K折线交叉验证法进行训练集与验证集的划分;
利用K-means均值聚类算法对训练集数据进行雷达信号分选,将聚类结果更新进雷达信号分选知识库,并将雷达信号分选知识库作为反馈数据输入LSTM网络,对LSTM雷达信号分选模型进行自修正,将验证集的雷达信号送入每次迭代后雷达信号分选模型,对雷达信号进行分选,将该结果作为反馈辅助模型修正;
构建迭代次数,在迭代完成后输出最终的雷达信号分选模型,置入微型天线阵列的小型旋翼无人机雷达侦察***中,设置预设信号类型,满足预设信号类型的保留,其余分选出的不满足预设信号类型的信号进行丢弃,实现雷达信号分选;
所述标准化与归一化处理包括:
利用Z-Score标准化处理PDW数据,经过处理后的数据符合标准正态分布,即均值为0,标准差为1;
公式如下:
其中,i代表序号,n代表数据数量;
所述K折线交叉验证法进行训练集与数据集的划分包括:
将PDW数据集按照7:3进行随机划分,每次都将其中的70%数据作为训练集,其中的30%数据作为验证集,直到完成L次神经网络的训练,计算L次分类的平均值,作为模型的真实分类率,具体公式如下:
其中,E为真实分类率,L代表训练次数;Ei代表第i次分类的值;
假定给定训练集数据样本为{X1,X2,···,XN},其中X1,X2,···,XN代表N个数据样本,其中每一个数据样本都具有m个特征,利用k-means将N个数据样本依据数据样本之间的相似性聚类到指定的K个簇中,每个数据样本属于且仅属于一个聚类簇,K-means首先初始化K个聚类中心,K为一个可设置的常数值:
{C1,C2,···,CK},1<K≤n
其中,C1,C2,···,CK代表初始化的K个聚类中心;
然后通过计算每一个数据样本到每一个聚类中心的欧式距离,公式如下:
其中,Xi表示第i个数据样本,1≤i≤n,Cj表示第j个聚类中心,1≤j≤k,Xit表示第i个数据样本的第t个特征,1≤t≤m,Cjt表示第j个聚类中心的第t个特征;dis(Xi,Cj)代表第i个数据样本到第j个聚类中心的距离;
比较每一个数据样本到每一个聚类中心的距离,将数据样本分配到距离最近的聚类中心的类簇中,其计算公式如下:
其中,Cu表示第u个聚类的中心,1≤u≤k;|Su|表示第u个类簇中对象的个数,xau表示第u个类簇中第a个对象,1≤a≤|Su|;
设置迭代次数,满足迭代次数后获取得到的K个类簇{S1、S2、S3、…、Sk}作为聚类结果;
将聚类结果更新进雷达信号分选知识库,并将雷达信号分选知识库作为反馈数据输入LSTM网络,对LSTM雷达信号分选模型进行自修正,最后将验证集输入每次迭代后的雷达信号分选模型,将该结果作为反馈辅助模型修正,最终完成雷达信号分选模型的构建。
所述雷达信号分选知识库的构建包括:
初始状态下,所述雷达信号分选知识库为空白;
所有PDW信息与PDW分选结果值都需要经过自学习过程不断地积累,每次K-Means均值聚类算法的PDW分选结果值是动态变化的,后录入的PDW分选结果值比前录入的PDW分选结果值可信度高,构建公式:
R=μ(t)×Rnew_PDW_res+(1-μ(t))×Rold_PDW_res
其中,Rnew_PDW_res为任一PDW最近录入的PDW分选结果值,Rold_PDW_res为该PDW历史录入的PDW分选结果值,R为K-means均值聚类算法更新的雷达信号分选知识库中的分选结果值,μ(t)为时间遗忘因子,μ(t)>0.5。
所述LSTM自修正包括:
通过雷达信号分选知识库中动态更新的分选结果库与LSTM神经网络网络分选出来的结果进行加权平均值计算,每次训练结果通过如下公式进行计算:
其中,F代表经过雷达信号分选知识库修正的LSTM神经网络结果;RLSTM为经过LSTM神经网络的分选结果值,μ为随时间变化的分选结果权重,且μ>0.5。
与现有技术相比,本发明所达到的有益效果是:
1、本发明可以实现在空中改变飞行姿态进而调节侦察角度和范围,可突破地面侦察设备受地势、地球曲率、地面遮挡物影响的限制,实现对地面目标、空中目标的双重侦察;
2、本发明使用自构建知识库的反馈机制,对长短期记忆网络(LSTM)进行算法模型的自修正,提高信号分选模型预测的准确率,信号识别精度得到大幅度提高,在复杂电磁环境下,实现实时、高准确性的信号分选;
3、本发明利用小型旋翼无人机与天线***相结合的方式解决了现有技术的缺陷,但同时也带来了相应的问题,即***的轻型化和小型化受到了极大的制约,因此本发明设置雷达信号分选知识库动态更新,以及利用LSTM神经网络网络自修正,提出了更高效且对***性能要求更低的分选算法,使整个***更为小巧与轻便,能够满足小型旋翼无人机与天线***相结合下的侦查***,使得该***隐蔽性更强、体型更小、收发隔离且收发天线频段不同,不易于被敌方雷达发现。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的***组成框图;
图2是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的工作流程图;
图3是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的信号分选模型;
图4是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的侦收范围概括图;
图5是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的虚拟基线示意图;
图6是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的LSTM模型特征提取示意图;
图7是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的LSTM迭代过程示意图;
图8是本发明一种基于微型天线阵列的小型旋翼无人机雷达侦察***的神经网络正则化示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图8,在本实施例中:
如图1所示,设置一种小型旋翼无人机雷达侦察***包括小型旋翼无人机、天线***、地面处理主机、显示与控制中心;
所述小型旋翼无人机与天线***相连接,将天线***设置在小型旋翼无人机下方进行侦察活动;
所述天线***与地面处理主机相连接,用于将获得的侦察数据发送至地面处理主机,进行信息交流;
所述地面处理主机负责接收来自天线***的信号,进行参数测量,得到PDW信息,构建雷达信号分选模型,进行信号分选工作;
所述显示与控制中心与小型旋翼无人机、地面处理主机相连接,通过控制计算机和控制软件实现对小型旋翼无人机飞行姿态的控制,进而实现对侦察角度和范围的调节,同时控制地面处理主机,发布操作指令。
所述天线***包括微型天线、射频前端、微波变频组件、高速AD采样单元;
所述微型天线包括接收天线、发射天线;
所述接收天线负责侦察雷达信号,所述发射天线负责与地面进行信息交流;
接收天线接收到的雷达信号由射频前端限幅、滤波、放大后传输给微波变频组件得到中频信号,通过高速AD采样单元将中频信号转化成数字信号并通过发射天线发送给地面处理主机。
所述地面处理主机包括数字信号处理单元、存储单元、主控单元、电源模块;
所述数字信号处理单元用于接收来自天线***的信号,进行参数测量,得到PDW信息;所述存储单元用于对PDW信息进行存储;所述主控单元用于接收显示与控制中心的发布指令并控制各模块的运作,并搭载雷达信号分选模型,进行信号分选工作;所述电源模块负责为地面处理主机供电。
所述显示与控制中心包括控制计算机、控制软件、网线束;
所述控制软件由控制计算机控制运行,所述控制软件用于对无人机飞行姿态进行控制,进而实现对侦察角度和范围的调节,同时控制地面处理主机,发布操作指令;
如图4-图5所示,根据上述的一种旋翼无人机搭载的侦察***,无人机与天线***通过连接器件相连,天线主瓣方向与无人机飞行方向相同,操作人员操作控制软件可以调节无人机的飞行姿态进而对侦查方向进行调节,控制无人机飞行高度可以扩展侦察范围、监测地面侦察***所不及之处,同时随着高度的提升,侦察范围也随之改变;
通过无人机的飞行状态转变可以实现0-360°全方位覆盖侦察,形成全方位立体扫描,具体操作是:通过显示与控制中心向无人机发送指令,实时控制无人机以一定速度上升,在这个过程中,对天线接收方向上的雷达信号进行侦察;若在某个高度和方向上接收到信号,显示与控制中心会获取其信息参数,为获得更强的信号,使测量参数精度更高,此时可以通过控制中心操纵无人机在对应高度悬停并沿着对应方向前进以接收到更强的信号。
本雷达侦察***采用干涉仪测向,干涉仪测向有着测向精度高、工作频段宽、响应时间快、设备量小等诸多优点。使用干涉仪测向时,基线越长,侧向精度越高。传统的多基线干涉仪使用短基线解模糊、长基线提升测向精度在一定条件下解决了这一对矛盾;但是对于侦察设备这样的宽频段测向***,在高频段要解模糊,要求短基线的尺寸比天线单元的直径小,这在物理上是不可实现的。为了克服这一问题,本设计采用虚拟多基线解模糊来平衡测向精度和无模糊视角这对矛盾。虚拟基线的原理是:通过多组实基线的差值就是最短基线值,然后利用最短基线值逐次解模糊最终通过最长基线获取信号的波达方向。
在图5中,***的无模糊视角不再有最短的实基线d2决定,变成由虚拟基线d1确定,此时的无模糊区为:
在图6-图8中,为了满足***的轻型化和小型化,设置了雷达信号分选知识库动态更新,以及利用LSTM神经网络网络自修正,提出了更高效且对***性能要求更低的分选算法,使整个***更为小巧与轻便,具体方式如下:
由于获取到的原始PDW数据存在异常数据,因此需要对原始数据进行数据清洗,将不完整数据和异常数据删除,保留正常且完整的数据,将清洗过的数据进行标准化与归一化处理,为了防止使用LSTM模型训练出的模型过拟合,因此将预处理之后的数据按照比例7:3划分训练集数据与验证集数据,并且使用K折线交叉验证法进行训练集与数据集的划分,完成LSTM自修正模型训练。
LSTM网络中包括输入层、隐藏层与输出层,为了防止雷达分选模型过拟合,在输出层加入DropOut层进行正则化处理,在全连接层使用Softmax函数进行优化。同时使用K-means均值聚类算法对训练集数据进行雷达信号分选,将聚类结果更新进雷达信号分选知识库,并将雷达信号分选知识库作为反馈数据输入LSTM网络,对LSTM雷达信号分选模型进行自修正。最后将验证集输入每次迭代后的雷达信号分选模型,将该结果作为反馈辅助模型修正,最终完成雷达信号分选模型构建。
将雷达信号分选模型置入微型天线阵列的小型旋翼无人机雷达侦察***中,设置预设信号类型,满足预设信号类型的保留,其余分选出的不满足预设信号类型的信号进行丢弃,实现雷达信号分选;
通过这种方式,可以更加准确的识别复杂电磁环境下的雷达信号,并对想要的信号进行分析与识别。
标准化与归一化处理
通过对PDW中对应的数据进行求极差(极差=最大值-最小值)后发现,一些数据极差较大,因此使用Z-Score标准化处理PDW数据,避免了异常数据对LSTM网络产生的影响。经过处理后的数据符合标准正态分布,即均值为0,标准差为1;
标准化公式如下:
其中,i代表序号,n代表数据数量;
由于数据集数据量较少,为了LSTM能够从中学到更多的内容,并且避免其训练结果出现过拟合现象,因此使用K折线交叉验证法进行数据集循环使用,
具体方法如下:
将PDW数据集按照7:3进行随机划分,每次都将其中的70%数据作为训练集,其中的30%数据作为验证集,直到完成L次神经网络的训练。最后计算L次求得分类的平均值,作为该模型的真实分类率,具体公式如下:
其中,E为真实分类率,L代表训练次数;Ei代表第i次分类的值;
使用的LSTM正则化方法为Dropout,它是一种通过修改神经网络本身来实现优化的方法。先删除部分的神经元,使梯度下降更新其他神经元的权值,等到下次再删除其他神经元进行上述操作,具体示意如图8所示;
Softmax是归一化指标函数,是一种有限项离散概率分布的梯度对数归一化。
假定给定训练集数据样本为{X1,X2,···,XN},其中X1,X2,···,XN代表N个数据样本,其中每一个数据样本都具有m个特征,利用k-means将N个数据样本依据数据样本之间的相似性聚类到指定的K个簇中,每个数据样本属于且仅属于一个聚类簇,K-means首先初始化K个聚类中心,K为一个可设置的常数值:
{C1,C2,···,CK},1<K≤n
其中,C1,C2,···,CK代表初始化的K个聚类中心;
然后通过计算每一个数据样本到每一个聚类中心的欧式距离,公式如下:
其中,Xi表示第i个数据样本,1≤i≤n,Cj表示第j个聚类中心,1≤j≤k,Xit表示第i个数据样本的第t个特征,1≤t≤m,Cjt表示第j个聚类中心的第t个特征;dis(Xi,Cj)代表第i个数据样本到第j个聚类中心的距离;
比较每一个数据样本到每一个聚类中心的距离,将数据样本分配到距离最近的聚类中心的类簇中,其计算公式如下:
其中,Cu表示第u个聚类的中心,1≤u≤k;|Su|表示第u个类簇中对象的个数,xau表示第u个类簇中第a个对象,1≤a≤|Su|;
设置迭代次数,满足迭代次数后获取得到的K个类簇{S1、S2、S3、…、Sk作为聚类结果;
将聚类结果更新进雷达信号分选知识库,并将雷达信号分选知识库作为反馈数据输入LSTM网络,对LSTM雷达信号分选模型进行自修正,最后将验证集输入每次迭代后的雷达信号分选模型,将该结果作为反馈辅助模型修正,最终完成雷达信号分选模型的构建。
雷达信号分选知识库在开始阶段是空的,数据库中所有PDW信息与PDW分选结果值都需要经过自学习过程不断地积累,在检测过程中也会涉及到知识库的存储及动态更新问题。由于每次K-Means均值据类算法的PDW分选结果值是动态变化的,但是最近录入的PDW分选结果值比历史录入的PDW分选结果值更可信,所以在更新PDW分选结果值时需要引入权重参数:时间遗忘因子μ(t),则公式为:
R=μ(t)×Rnew_PDW_res+(1-μ(t))×Rold_PDW_res
其中,Rnew_PDW_res为任一PDW最近录入的PDW分选结果值,Rold_PDW_res为该PDW历史录入的PDW分选结果值,R为K-means均值聚类算法更新的雷达信号分选知识库中的分选结果值,μ(t)为时间遗忘因子,μ(t)>0.5。
使用雷达信号分选知识库中的动态更新的分选结果库与LSTM神经网络网络分选出来的结果进行加权平均值计算,因为随着知识库的更新,分选结果越可靠,因此需要引入随时间变化的权重参数μ,每次训练结果通过如下公式进行计算:
其中,F代表经过雷达信号分选知识库修正的LSTM神经网络结果;RLSTM为经过LSTM神经网络的分选结果值,μ为随时间变化的分选结果权重,且μ>0.5。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述小型旋翼无人机雷达侦察***包括小型旋翼无人机、天线***、地面处理主机、显示与控制中心;
所述小型旋翼无人机与天线***相连接,将天线***设置在小型旋翼无人机下方进行侦察活动;
所述天线***与地面处理主机相连接,用于将获得的侦察数据发送至地面处理主机,进行信息交流;
所述地面处理主机负责接收来自天线***的信号,进行参数测量,得到PDW信息,构建雷达信号分选模型,进行信号分选工作;
所述显示与控制中心与小型旋翼无人机、地面处理主机相连接,通过控制计算机和控制软件实现对小型旋翼无人机飞行姿态的控制,进而实现对侦察角度和范围的调节,同时控制地面处理主机,发布操作指令;
所述雷达信号分选模型包括:
利用K-means均值聚类算法对训练集数据进行雷达信号分选,将聚类结果更新进雷达信号分选知识库,并将雷达信号分选知识库作为反馈数据输入LSTM网络,对LSTM雷达信号分选模型进行自修正,将验证集的雷达信号送入每次迭代后雷达信号分选模型,对雷达信号进行分选,将该结果作为反馈辅助模型修正;
所述雷达信号分选知识库的构建包括:
初始状态下,所述雷达信号分选知识库为空白;
所有PDW信息与PDW分选结果值都需要经过自学习过程不断地积累,每次K-Means均值聚类算法的PDW分选结果值是动态变化的,后录入的PDW分选结果值比前录入的PDW分选结果值可信度高,构建公式:
R=μ(t)×Rnew_PDW_res+(1-μ(t))×Rold_PDW_res
其中,Rnew_PDW_res为任一PDW最近录入的PDW分选结果值,Rold_PDW_res为PDW历史录入的PDW分选结果值,R为K-means均值聚类算法更新的雷达信号分选知识库中的分选结果值,μ(t)为时间遗忘因子,μ(t)>0.5;
所述LSTM自修正包括:
通过雷达信号分选知识库中动态更新的分选结果库与LSTM神经网络网络分选出来的结果进行加权平均值计算,每次训练结果通过如下公式进行计算:
其中,F代表经过雷达信号分选知识库修正的LSTM神经网络结果;RLSTM为经过LSTM神经网络的分选结果值,μ为随时间变化的分选结果权重,且μ>0.5。
2.根据权利要求1所述的一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述天线***包括微型天线、射频前端、微波变频组件、高速AD采样单元;
所述微型天线包括接收天线、发射天线;
所述接收天线负责侦察雷达信号,所述发射天线负责与地面进行信息交流;
接收天线接收到的雷达信号由射频前端限幅、滤波、放大后传输给微波变频组件得到中频信号,通过高速AD采样单元将中频信号转化成数字信号并通过发射天线发送给地面处理主机。
3.根据权利要求2所述的一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述地面处理主机包括数字信号处理单元、存储单元、主控单元、电源模块;
所述数字信号处理单元用于接收来自天线***的信号,进行参数测量,得到PDW信息;所述存储单元用于对PDW信息进行存储;所述主控单元用于接收显示与控制中心的发布指令并控制数字信号处理单元、存储单元、电源模块、射频前端、微波变频组件的运作,并搭载雷达信号分选模型,进行信号分选工作;所述电源模块负责为地面处理主机供电。
4.根据权利要求1所述的一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述显示与控制中心包括控制计算机、控制软件、网线束;
所述控制软件由控制计算机控制运行,所述控制软件用于对无人机飞行姿态进行控制,进而实现对侦察角度和范围的调节,同时控制地面处理主机,发布操作指令;所述网线束用于控制计算机连接交换机。
5.根据权利要求1所述的一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述小型旋翼无人机与天线***通过连接器件相连,天线主瓣方向与无人机飞行方向相同。
6.根据权利要求1所述的一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述小型旋翼无人机雷达侦察***采用干涉仪测向,利用虚拟多基线解模糊来平衡测向精度和无模糊视角。
7.根据权利要求3所述的一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述雷达信号分选模型还包括:
获取历史数据集中的PDW信息数据;
对历史数据集中的PDW信息数据进行数据清洗,将不完整数据和异常数据删除;
对清洗过的数据进行标准化与归一化处理;
处理之后的数据使用K折线交叉验证法进行训练集与验证集的划分;
构建迭代次数,在迭代完成后输出最终的雷达信号分选模型,置入微型天线阵列的小型旋翼无人机雷达侦察***中,设置预设信号类型,满足预设信号类型的保留,其余分选出的不满足预设信号类型的信号进行丢弃,实现雷达信号分选。
8.根据权利要求7所述的一种基于微型天线阵列的小型旋翼无人机雷达侦察***,其特征在于:所述标准化与归一化处理包括:
利用Z-Score标准化处理PDW数据,经过处理后的数据符合标准正态分布,即均值为0,标准差为1;
公式如下:
其中,i代表序号,n代表数据数量;
所述K折线交叉验证法进行训练集与数据集的划分包括:
将PDW数据集按照7:3进行随机划分,每次都将其中的70%数据作为训练集,其中的30%数据作为验证集,直到完成L次神经网络的训练,所述L为可设置的常数;
给定训练集数据样本为{X1,X2,…,XN},其中X1,X2,…,XN代表N个数据样本,其中每一个数据样本都具有m个特征,利用k-means将N个数据样本依据数据样本之间的相似性聚类到指定的K个簇中,每个数据样本属于且仅属于一个聚类簇,K-means首先初始化K个聚类中心,K为一个可设置的常数值:
{C1,C2,…,CK},1<K≤n
其中,C1,C2,…,CK代表初始化的K个聚类中心;
然后通过计算每一个数据样本到每一个聚类中心的欧式距离,公式如下:
其中,Xi表示第i个数据样本,1≤i≤n,Cj表示第j个聚类中心,1≤j≤k,Xit表示第i个数据样本的第t个特征,1≤t≤m,Cjt表示第j个聚类中心的第t个特征;dis(Xi,Cj)代表第i个数据样本到第j个聚类中心的距离;
比较每一个数据样本到每一个聚类中心的距离,将数据样本分配到距离最近的聚类中心的类簇中,其计算公式如下:
其中,Cu表示第u个聚类的中心,1≤u≤k;|Su|表示第u个类簇中对象的个数,xau表示第u个类簇中第a个对象,1≤a≤|Su|;
设置迭代次数,满足迭代次数后获取得到的K个类簇{S1、S2、S3、…、Sk}作为聚类结果;
将聚类结果更新进雷达信号分选知识库,并将雷达信号分选知识库作为反馈数据输入LSTM网络,对LSTM雷达信号分选模型进行自修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210233324.4A CN114624645B (zh) | 2022-03-10 | 2022-03-10 | 一种基于微型天线阵列的小型旋翼无人机雷达侦察*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210233324.4A CN114624645B (zh) | 2022-03-10 | 2022-03-10 | 一种基于微型天线阵列的小型旋翼无人机雷达侦察*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114624645A CN114624645A (zh) | 2022-06-14 |
CN114624645B true CN114624645B (zh) | 2022-09-30 |
Family
ID=81900719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210233324.4A Active CN114624645B (zh) | 2022-03-10 | 2022-03-10 | 一种基于微型天线阵列的小型旋翼无人机雷达侦察*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114624645B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061134B (zh) * | 2022-06-22 | 2023-06-16 | 扬州宇安电子科技有限公司 | 基于机载雷达侦察***的无人机飞行安全检测***及方法 |
CN116047507B (zh) * | 2023-03-29 | 2023-06-23 | 扬州宇安电子科技有限公司 | 一种基于神经网络的靶机告警方法 |
CN117452321B (zh) * | 2023-10-19 | 2024-07-09 | 扬州宇安电子科技股份有限公司 | 基于干涉仪及单站无源交叉定位的机载测向及定位*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0845685A2 (de) * | 1996-11-29 | 1998-06-03 | Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
CN102540164A (zh) * | 2012-01-04 | 2012-07-04 | 中国电子科技集团公司第二十八研究所 | 一种基于增量式学习的雷达辐射源分类建模方法 |
CN104572869A (zh) * | 2014-12-22 | 2015-04-29 | 电子科技大学 | 一种雷达知识库中基于多种分布类型的动态更新方法 |
CN107169567A (zh) * | 2017-03-30 | 2017-09-15 | 深圳先进技术研究院 | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 |
CN108089205A (zh) * | 2017-12-21 | 2018-05-29 | 成都大学 | 一种无人机飞控人员定位*** |
CN110109059A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN111751792A (zh) * | 2020-06-15 | 2020-10-09 | 哈尔滨工程大学 | 一种被动雷达信号分选pdw预处理方法 |
CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及*** |
CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN113917402A (zh) * | 2021-09-30 | 2022-01-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于辐射源特征参数的雷达***自主控制方法 |
CN113933790A (zh) * | 2021-09-17 | 2022-01-14 | 中山大学 | 一种相控阵雷达工作模式的反演识别方法、装置及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3336763A1 (en) * | 2016-12-14 | 2018-06-20 | Conti Temic microelectronic GmbH | Device for classifying data |
WO2021041854A1 (en) * | 2019-08-30 | 2021-03-04 | Nvidia Corporation | Object detection and classification using lidar range images for autonomous machine applications |
DE112021000135T5 (de) * | 2020-06-25 | 2022-06-30 | Nvidia Corporation | Sensorfusion für anwendungen autonomer maschinen durch maschinelles lernen |
-
2022
- 2022-03-10 CN CN202210233324.4A patent/CN114624645B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0845685A2 (de) * | 1996-11-29 | 1998-06-03 | Alcatel | Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten |
US7034738B1 (en) * | 2003-12-05 | 2006-04-25 | Itt Manufacturing Enterprises, Inc. | Method of radar pattern recognition by sorting signals into data clusters |
CN102540164A (zh) * | 2012-01-04 | 2012-07-04 | 中国电子科技集团公司第二十八研究所 | 一种基于增量式学习的雷达辐射源分类建模方法 |
CN104572869A (zh) * | 2014-12-22 | 2015-04-29 | 电子科技大学 | 一种雷达知识库中基于多种分布类型的动态更新方法 |
CN107169567A (zh) * | 2017-03-30 | 2017-09-15 | 深圳先进技术研究院 | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 |
CN108089205A (zh) * | 2017-12-21 | 2018-05-29 | 成都大学 | 一种无人机飞控人员定位*** |
CN110109059A (zh) * | 2019-03-27 | 2019-08-09 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
CN110751121A (zh) * | 2019-10-28 | 2020-02-04 | 北京理工大学 | 基于聚类与sofm的无监督雷达信号分选方法 |
CN111751792A (zh) * | 2020-06-15 | 2020-10-09 | 哈尔滨工程大学 | 一种被动雷达信号分选pdw预处理方法 |
CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及*** |
CN113156391A (zh) * | 2021-04-25 | 2021-07-23 | 电子科技大学 | 一种雷达信号多维特征智能分选方法 |
CN113933790A (zh) * | 2021-09-17 | 2022-01-14 | 中山大学 | 一种相控阵雷达工作模式的反演识别方法、装置及介质 |
CN113917402A (zh) * | 2021-09-30 | 2022-01-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于辐射源特征参数的雷达***自主控制方法 |
Non-Patent Citations (4)
Title |
---|
Multi-mode radar signal sorting by means of spatial data mining;Jian Wan等;《JOURNAL OF COMMUNICATIONS AND NETWORKS》;20161031;第18卷(第5期);725-734 * |
Optimization_of_Subarray_Partition_for_Large_Planar_Phased_Array_Radar_Based_on_Weighted_K-Means_Clustering_Method;Xiaopeng Yang等;《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》;20151231;第9卷(第8期);1460-1468 * |
基于机器学习的雷达辐射源信号分选技术研究与应用;刘宇浩;《中国优秀硕士学位论文全文数据库信息科技辑》;20220115(第1期);1-74 * |
基于机器学习的雷达辐射源分选方法设计与实现;王骏逸;《中国优秀硕士学位论文全文数据库信息科技辑》;20220115(第1期);1-66 * |
Also Published As
Publication number | Publication date |
---|---|
CN114624645A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114624645B (zh) | 一种基于微型天线阵列的小型旋翼无人机雷达侦察*** | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN112949407B (zh) | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 | |
CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
CN109657928B (zh) | 一种车载传感器***的闭环协同调度框架的协同调度方法 | |
CN110879610A (zh) | 太阳能无人机自主寻优航迹规划的强化学习方法 | |
CN112684424A (zh) | 一种毫米波雷达与相机的自动标定方法 | |
CN112066977A (zh) | 一种光电测量网络多目标匹配与编目方法 | |
CN107025445A (zh) | 基于类信息熵的多源遥感图像组合选择方法 | |
CN111208526B (zh) | 基于激光雷达与定位向量匹配的多无人机协同定位方法 | |
CN114330695A (zh) | 一种基于多层感知神经网络的相控阵驱动方法 | |
CN115421517A (zh) | 一种基于路径规划的无人机控制方法及*** | |
Chen et al. | Real-time unmanned aerial vehicle flight path prediction using a bi-directional long short-term memory network with error compensation | |
CN114594440A (zh) | 基于双并行网络的雷达高分辨率一维距离像目标识别方法及*** | |
CN112098926B (zh) | 一种利用无人机平台的智能测角训练样本生成方法 | |
CN112925340A (zh) | 无人机群飞行姿态修正平台及方法 | |
CN112333648A (zh) | 一种基于无人机的动态数据收集方法 | |
CN116414153A (zh) | 基于人工智能的无人机起降校正方法 | |
CN115862385A (zh) | 基于标准飞行程序的机场终端区航空器飞行模式挖掘方法 | |
CN116663384A (zh) | 一种战场任务规划背景下的目标轨迹预测方法 | |
CN111239682B (zh) | 一种电磁发射源定位***及方法 | |
CN112241180B (zh) | 一种无人机移动平台降落引导的视觉处理方法 | |
Khanykov et al. | The Application of the High-Speed Pixel Clustering Method in Combining Multi-Angle Images Obtained from Airborne Optical-Location Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 225006 No. 15 Wenchang East Road, Yangzhou City, Jiangsu Province, No. 4 Building, Dongyuan, Jiangguang Wisdom City Patentee after: Yangzhou Yuan Electronic Technology Co.,Ltd. Country or region after: China Address before: 225006 No. 15 Wenchang East Road, Yangzhou City, Jiangsu Province, No. 4 Building, Dongyuan, Jiangguang Wisdom City Patentee before: YANGZHOU YU'AN ELECTRONIC TECHNOLOGY CO.,LTD. Country or region before: China |
|
CP03 | Change of name, title or address |