CN115508793A - 基于对抗分析特征筛选的雷达干扰效果在线评估智能方法 - Google Patents

Abstract

本发明公开了一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，包括：根据发射干扰类型、目标雷达受干扰后的工作模式转变及预估抗干扰措施，确定干扰效果评估指标；通过实时侦察获得目标雷达在受到干扰前后的指标数据；将指标数据输入至评估模型，获得所发射干扰类型的评估结果；其中，评估模型为：基于雷达样本数据集和灰色关联分析法，对干扰效果评估指标进行筛选后，训练得到的GA‑BP神经网络模型。本发明综合干扰方、雷达方对抗双方的角度，并结合实际干扰场景考虑分析数据间关联性，通过灰色关联分析法筛选冗余评估指标，并引入GA‑BP神经网络模型实现干扰效果在线评估和智能评估，避免人为干预，提高了评估准确率。

Description

基于对抗分析特征筛选的雷达干扰效果在线评估智能方法

技术领域

本发明属于雷达技术领域，具体涉及一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法。

背景技术

雷达干扰效果评估是对规定条件下雷达干扰行动的结果及其造成的影响进行定性或定量地分析。在雷达对抗博弈过程中，干扰效果已成为一项重要指标，通过对干扰效果结果的分析，可以更有效预判战场态势，决策应对措施。随着雷达对抗向智能化、实战化不断发展，传统基于对抗双方具有合作关系即目标雷达受干扰前后工作参数和性能指标都能被干扰方获取并用于评估的离线评估思路已不再适用，干扰效果评估趋于在线化，即仅利用干扰实施方雷达侦察***所侦收到的信息来评估干扰效果。

相关技术中，雷达干扰效果评估方法例如层次分析法、模糊综合评判法等进行干扰效果评估时，需综合专家评价意见确定评估指标权重，引入了人为因素的影响，评价结果缺乏客观性。不仅如此，现有评估指标体系未考虑日益复杂干扰样式作用机理和不同干扰样式对评估结果带来的差异性，仅从单一干扰方或雷达方建立指标体系；此外，现有的评估方法未进行特征筛选，导致在干扰环境不同时，过多的指标中只有一部分能用于评估，导致评估结果不准确。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，包括：

根据发射干扰的类型、目标雷达受到干扰后的工作模式转变以及目标雷达的预估抗干扰措施，确定干扰效果评估指标；

通过实时侦察获得目标雷达在受到干扰前后的指标数据；

将所述指标数据输入至评估模型，获得所发射干扰类型的评估结果；其中，所述评估模型为：基于雷达样本数据集和灰色关联分析法，对所述干扰效果评估指标进行筛选后，训练得到的GA-BP神经网络模型。

在本发明的一个实施例中，所述发射干扰的类型包括：噪声调幅干扰、噪声调频干扰、距离欺骗干扰、速度欺骗干扰、密集复制假目标干扰和间歇采样干扰中的至少一种。

在本发明的一个实施例中，所述干扰效果评估指标包括：脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、带宽和波束驻留时间中的至少一种。

在本发明的一个实施例中，所述雷达样本数据集包括与多种干扰类型分别对应的多个样本数据；

基于雷达样本数据集和灰色关联分析法，按照如下步骤对所述干扰效果评估指标进行筛选：

将同一干扰类型的每个干扰效果评估指标对应的样本数据作为样本数据序列，并将所述样本数据序列中的样本数据均除以该序列中的第一个样本数据，得到第一序列；

从每个干扰类型的多个干扰效果评估指标中确定该干扰类型的基准指标后，分别求取该干扰类型其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间差值的绝对值，并根据所述差值的绝对值确定其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列之间所有差值的绝对值的最大值和最小值；

根据所述最大值和最小值，计算该干扰类型其它干扰效果评估指标与基准指标之间的关联系数及灰色关联度；

根据所述灰色关联度对干扰效果评估指标进行筛选。

在本发明的一个实施例中，所述根据所述最大值和最小值，计算该干扰类型其它干扰效果评估指标与基准指标之间的关联系数的步骤，包括：

按照如下公式计算干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间的关联系数γ_1j(i)：

其中，Max、Min分别表示所述最大值和最小值，Δ_j-1(i)表示干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间差值的绝对值，j>1，ζ为预设分辨系数，ζ∈(0,1)；

分别计算干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中所有样本数据之间的关联系数的平均值，将所述平均值分别作为该干扰类型其它干扰效果评估指标与基准指标之间的关联系数。

在本发明的一个实施例中，按照如下公式计算该干扰类型其它干扰效果评估指标与基准指标之间的灰色关联度：

其中，N表示所述样本数据序列中的样本数据个数，γ_1j表示该干扰类型其它干扰效果评估指标j与基准指标之间的灰色关联度，j≠1。

在本发明的一个实施例中，所述根据所述灰色关联度对干扰效果评估指标进行筛选的步骤，包括：

当该干扰类型的其它干扰效果评估指标与基准指标之间的灰色关联度大于等于预设阈值时，删除其他评估指标、保留基准指标。

与现有技术相比，本发明的有益效果在于：

本发明提供一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，通过根据我方发射的干扰类型选取干扰效果评估指标，避免需已知对抗双方参数信息才能进行分析评估的问题；本发明综合干扰方、雷达方对抗双方的角度，并结合实际干扰场景考虑分析数据间关联性，通过灰色关联分析法筛选冗余评估指标，并引入GA-BP神经网络模型实现干扰效果在线评估和智能评估，避免人为干预，提高了评估准确率。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法的一种流程图；

图2是本发明实施例提供的一种仿真结果示意图；

图3是本发明实施例提供的另一种仿真结果示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

图1是本发明实施例提供的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法的一种流程图。如图1所示，本发明提供一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，包括：

S1、根据发射干扰的类型、目标雷达受到干扰后的工作模式转变以及目标雷达的预估抗干扰措施，确定干扰效果评估指标；

S2、通过实时侦察获得目标雷达在受到干扰前后的指标数据；

S3、将指标数据输入至评估模型，获得所发射干扰类型的评估结果；其中，评估模型为：基于雷达样本数据集和灰色关联分析法，对干扰效果评估指标进行筛选后，训练得到的GA-BP神经网络模型。

应当理解，向目标雷达发射某种类型的干扰后，目标雷达会根据受干扰工作状态的变化采取抗干扰措施，当目标雷达从跟踪模式转变为搜索模式时，说明干扰效果较好。

具体来说，目标雷达工作状态的变化一般表现在其发射端参数，示例性地，当目标雷达在搜索状态时，脉冲宽度较大、作用距离远，脉冲重复频率较低，若干扰类型为欺骗式干扰，目标雷达的波束会发生偏移；当目标雷达处于跟踪状态时，可稳定跟踪目标、脉宽较小，需要实时更新目标参数、脉冲重复频率较高，此状态下波束指向真实目标。

进一步地，目标雷达受到干扰之后，会通过一定措施来降低干扰带来的影响，此时目标雷达发射端变化的参数包括：(1)脉冲幅度，当受到压制式干扰的功率压制时，目标雷达通过射频辐射管理技术控制辐射功率，增大发射信号功率进行干扰抑制；(2)载频，目标雷达采取频率捷变、频率分集等抗干扰措施使自身工作频率不被干扰信号覆盖；(3)带宽，目标雷达通过波形设计抗干扰手段引起信号带宽改变实现干扰抑制，并且针对距离欺骗干扰，增大带宽能提升雷达距离分辨力；(4)波束驻留时间，针对速度欺骗式干扰，波束驻留时间增加，可提高目标雷达自身的速度分辨率。

本实施例中，发射干扰的类型包括：噪声调幅干扰、噪声调频干扰、距离欺骗干扰、速度欺骗干扰、密集复制假目标干扰和间歇采样干扰中的至少一种。

干扰效果评估指标包括：脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、带宽和波束驻留时间中的至少一种。

应当理解，不同类型干扰的产生机理是不同的，因此针对目标雷达的不同功能，需选取不同评估指标。示例性地，对于噪声调幅干扰，我方会针对目标雷达发射强功率噪声干扰，干扰频带较窄，目标雷达通过频率捷变改变频率工作区间实现干扰抑制，并增加发射功率来提高目标检测概率，本实施例选取评估指标为：脉冲宽度、脉冲重复频率、脉冲幅度、载频；对于噪声调频干扰，我方针对目标雷达发射宽频带噪声干扰，目标雷达通过提高发射功率降低干扰影响，本实施例选取评估指标为：脉冲宽度、脉冲重复频率、脉冲幅度、载频；对于距离欺骗干扰，我方调制转发除时延信息外高度相似的干扰信号，目标雷达可采取频率捷变、波形设计等方式对抗干扰，本实施例选取评估指标为：脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、带宽；对于速度欺骗干扰，我方调制转发具有虚假多普勒信息的干扰信号，目标雷达则采取频率捷变、分集等方式抗干扰，其中增加发射信号功率的方法抑制效果较差，本实施例选取评估指标为：脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、波束驻留时间；对于密集复制假目标干扰，我方调制转发多个距离、速度不同的假目标，目标雷达主要采取波形设计、频率捷变等方式进行干扰抑制，并增大雷达距离、速度分辨力，本实施例选取评估指标为：脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、带宽、波束驻留时间；进一步地，对于间歇采样干扰，我方在一个采样周期内对目标雷达的信号间歇采样再依次转发，目标雷达可通过波形设计、脉内脉间捷变、干扰对消等方式进行干扰抑制，本实施例选取脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、带宽、波束驻留时间作为评估指标。

可选地，雷达样本数据集包括与多种干扰类型分别对应的多个样本数据；本实施例中，基于雷达样本数据集和灰色关联分析法，按照如下步骤对干扰效果评估指标进行筛选：

S201、将同一干扰类型的每个干扰效果评估指标对应的样本数据作为样本数据序列，并将样本数据序列中的样本数据均除以该序列中的第一个样本数据，得到第一序列；

S202、从每个干扰类型的多个干扰效果评估指标中确定该干扰类型的基准指标后，分别求取该干扰类型其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间差值的绝对值，并根据差值的绝对值确定其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列之间所有差值的绝对值的最大值及最小值；

S203、根据最大值及最小值，计算该干扰类型其它干扰效果评估指标与基准指标之间的关联系数及灰色关联度；

S204、根据灰色关联度对干扰效果评估指标进行筛选。

具体而言，以噪声调幅干扰、噪声调频干扰、距离欺骗干扰、速度欺骗干扰、密集复制假目标干扰和间歇采样干扰为例，在GA-BP神经网络模型的训练过程中，每种干扰类型分别对应生成至少1000个样本数据，为了避免参数随意取值，本实施例可引入脉压比、占空比等参数指标对样本数据的合理性进行检验。

具体而言，上述步骤S201中，按照如下公式将样本数据序列中的样本数据均除以该序列中的第一个样本数据，得到第一序列：

y_ij'＝y_ij/y_i＝1,j

其中，y_ij表示干扰效果评估指标j对应的第一序列中第i个样本数据，y_i＝1,j表示干扰效果评估指标j对应的第一序列中第1个样本数据。

进一步地，干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间差值的绝对值可表示为：

Δ_j-1(i)＝|y_i,j＝1'-y_i,j>1'|

其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列之间所有差值的绝对值的最大值及最小值可分别表示为：

上述步骤S203中，根据最大值和最小值，计算该干扰类型其它干扰效果评估指标与基准指标之间的关联系数的步骤，包括：

按照如下公式计算干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间的关联系数γ_1j(i)：

其中，Max、Min分别表示所述最大值和最小值，Δ_j-1(i)表示干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间差值的绝对值，j>1，ζ为预设分辨系数，ζ∈(0,1)；

分别计算干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中所有样本数据之间的关联系数的平均值，将平均值分别作为该干扰类型其它干扰效果评估指标与基准指标之间的关联系数。

可选地，按照如下公式计算该干扰类型其它干扰效果评估指标与基准指标之间的灰色关联度：

其中，N表示样本数据序列中的样本数据个数，γ_1j表示该干扰类型其它干扰效果评估指标j与基准指标之间的灰色关联度，j≠1。

上述步骤S204中，根据灰色关联度对干扰效果评估指标进行筛选的步骤，包括：

当该干扰类型的其它干扰效果评估指标与基准指标之间的灰色关联度大于等于预设阈值时，删除其他评估指标、保留基准指标。

示例性地，预设阈值可以为0.75。

需要说明的是，在利用样本数据训练GA-BP神经网络模型之前，可将样本数据集进行标签化和归一化处理，即根据目标雷达在受干扰前后评估指标对应的样本数据变化个数及大小，将样本数据分类为“较差”，“一般”，“良好”，“极佳”四个评估等级，分别对应“0”、“1”、“2”、“3”四个标签，归一化处理则是将样本数据归一化至(0,1)区间。

本实施例中，GA-BP神经网络包括BP神经网络部分和遗传算法部分。BP神经网络部分包括输入层、隐含层、输出层，输入层节点由输入数据的维数决定，选取脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、带宽、波束驻留时间、脉压比、占空比等9个干扰效果评估指标，因此输入层节点数为9；输出层的输出为干扰效果评估值，节点个数为1，隐含层采用3层结构以提升识别效果，节点个数公式为：

其中，M表示隐含层节点个数，m表示为输出层节点个数，n表示为输入层节点个数，a为1到10的常数。可选地，BP神经网络的结构可设为9-9-12-6-1。

遗传算法部分用于对BP神经网络的初始权值阀值进行优化，进行种群的选择、交叉、变异，直至找到BP神经网络误差最小的最优权值和阈值，相应参数设置为迭代次数100，种群规模40，交叉概率选择0.6，变异概率选择0.1。

在训练GA-BP神经网络的过程中，可将经过筛选的各类干扰所对应的干扰效果评估指标输入到网络中，经特征筛选后剔除的指标输入默认为0，神经网络通过反向传播算法对网络中各层权值和阈值进行调整，直至输出的差平方和低于设置误差时网络收敛，训练结束。

下面通过仿真实验对上述基于对抗分析特征筛选的雷达干扰效果在线评估智能方法做进一步说明。

具体地，根据《雷达手册》中多功能雷达海面搜索、跟踪相关参数指标仿真生成训练集和测试集，参数设置范围为：脉冲宽度1-200us，脉冲重复频率0.5-20kHZ，波束偏移0-1.5°、脉冲幅度反映为峰值功率10-60kW、载频2.9-3.1GHz、带宽0.2-500MHz、波束驻留时间1-5s、脉压比1-20000、占空比0.1-10％。间歇采样干扰生成样本数1000组，训练集和测试集样本9:1。GA-BP神经网络结构设为9-9-12-6-1，GA遗传算法中相应参数设置为迭代次数100，种群规模40，交叉概率选择0.6，变异概率选择0.1。

如图2-3所示，将干扰效果评估指标经过灰色关联特征筛选后训练得到的评估模型与未经过灰色关联特征筛选训练得到的评估模型进行干扰效果评估比较，误差结果如下表1所示：

表1

模型	平均绝对误差	均方误差	决定系数
				未特征筛选GA-BP	0.1393	0.13634	0.79148
灰色关联筛选GA-BP	0.0923	0.08932	0.86059

表1中，平均绝对误差数值越小，则预测精确度越高，均方误差反映数据变化的程度，决定系数表征模型拟合程度，均方误差越接近1，则拟合效果越好。显然，经过灰色关联特征筛选后的GA-BP(遗传算法优化BP神经网络)评估结果准确率大约为90％，比未特征筛选GA-BP(遗传算法优化BP神经网络)评估结果准确率84％高，本发明提供的干扰效果在线评估智能方法减少了评估误差，提高了评估结果的准确性。

通过上述各实施例可知，本发明的有益效果在于：

本发明提供一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，通过根据我方发射的干扰类型选取干扰效果评估指标，避免需已知对抗双方参数信息才能进行分析评估的问题；本发明综合干扰方、雷达方对抗双方的角度，并结合实际干扰场景考虑分析数据间关联性，通过灰色关联分析法筛选冗余评估指标，并引入GA-BP神经网络模型实现干扰效果在线评估和智能评估，避免人为干预，提高了评估准确率。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，其特征在于，包括：

根据发射干扰的类型、目标雷达受到干扰后的工作模式转变以及目标雷达的预估抗干扰措施，确定干扰效果评估指标；

通过实时侦察获得目标雷达在受到干扰前后的指标数据；

将所述指标数据输入至评估模型，获得所发射干扰类型的评估结果；其中，所述评估模型为：基于雷达样本数据集和灰色关联分析法，对所述干扰效果评估指标进行筛选后，训练得到的GA-BP神经网络模型。

2.根据权利要求1所述的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，其特征在于，所述发射干扰的类型包括：噪声调幅干扰、噪声调频干扰、距离欺骗干扰、速度欺骗干扰、密集复制假目标干扰和间歇采样干扰中的至少一种。

3.根据权利要求2所述的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，其特征在于，所述干扰效果评估指标包括：脉冲宽度、脉冲重复频率、波束偏移、脉冲幅度、载频、带宽和波束驻留时间中的至少一种。

4.根据权利要求1所述的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，其特征在于，所述雷达样本数据集包括与多种干扰类型分别对应的多个样本数据；

基于雷达样本数据集和灰色关联分析法，按照如下步骤对所述干扰效果评估指标进行筛选：

将同一干扰类型的每个干扰效果评估指标对应的样本数据作为样本数据序列，并将所述样本数据序列中的样本数据均除以该序列中的第一个样本数据，得到第一序列；

从每个干扰类型的多个干扰效果评估指标中确定该干扰类型的基准指标后，分别求取该干扰类型其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间差值的绝对值，并根据所述差值的绝对值确定其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列之间所有差值的绝对值的最大值和最小值；

根据所述最大值和最小值，计算该干扰类型其它干扰效果评估指标与基准指标之间的关联系数及灰色关联度；

根据所述灰色关联度对干扰效果评估指标进行筛选。

5.根据权利要求4所述的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，其特征在于，所述根据所述最大值和最小值，计算该干扰类型其它干扰效果评估指标与基准指标之间的关联系数的步骤，包括：

按照如下公式计算干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间的关联系数γ_1j(i)：

其中，Max、Min分别表示所述最大值和最小值，Δ_j-1(i)表示干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中第i个样本数据之间差值的绝对值，j>1，ζ为预设分辨系数，ζ∈(0,1)；

分别计算干扰类型的其它干扰效果评估指标对应的第一序列与基准指标对应的第一序列中所有样本数据之间的关联系数的平均值，将所述平均值分别作为该干扰类型其它干扰效果评估指标与基准指标之间的关联系数。

6.根据权利要求5所述的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，其特征在于，按照如下公式计算该干扰类型其它干扰效果评估指标与基准指标之间的灰色关联度：

其中，N表示所述样本数据序列中的样本数据个数，γ_1j表示该干扰类型其它干扰效果评估指标j与基准指标之间的灰色关联度，j≠1。

7.根据权利要求6所述的基于对抗分析特征筛选的雷达干扰效果在线评估智能方法，其特征在于，所述根据所述灰色关联度对干扰效果评估指标进行筛选的步骤，包括：

当该干扰类型的其它干扰效果评估指标与基准指标之间的灰色关联度大于等于预设阈值时，删除其他评估指标、保留基准指标。

Images