CN116520270B - 一种基于评估模型的雷达电子战测试方法 - Google Patents
一种基于评估模型的雷达电子战测试方法 Download PDFInfo
- Publication number
- CN116520270B CN116520270B CN202310808796.2A CN202310808796A CN116520270B CN 116520270 B CN116520270 B CN 116520270B CN 202310808796 A CN202310808796 A CN 202310808796A CN 116520270 B CN116520270 B CN 116520270B
- Authority
- CN
- China
- Prior art keywords
- radar
- test
- signal
- fault
- tested
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 254
- 238000013210 evaluation model Methods 0.000 title claims abstract description 40
- 238000011990 functional testing Methods 0.000 claims abstract description 135
- 238000004088 simulation Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims 4
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于评估模型的雷达电子战测试方法,包括以下步骤:利用雷达目标回波模拟技术基于各个雷达信号类别对雷达测试目标进行回波信号模拟,得到各个类别雷达目标回波模拟信号;对雷达***进行故障类别设置,利用各个类别雷达目标回波模拟信号依次对雷达***的各个故障类别进行功能性测试仿真,得到每个故障类别下各个类别雷达目标回波模拟信号的功能性测试结果;在每个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行指向性分析。本发明实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度。
Description
技术领域
本发明涉及雷达测试技术领域,具体涉及一种基于评估模型的雷达电子战测试方法。
背景技术
雷达/电子战测试用于飞机雷达子***、电子战子***和雷电联合功能检查、性能测试以及外场测向校准,并能兼容飞机以及后续飞机雷达子***、电子战子***功能检查和主要性能测试。
现有技术中雷达/电子战测试中为模拟真实战场复杂电磁环境,传统的多个目标模拟采用多台雷达信号模拟器同时输出多个不同雷达信号,在雷达***测试过程中需要对各种雷达信号进行分别测试,由于测试耗时长,雷达***测试中无法对故障进行指向性测试,导致冗余测试过程多,测试效率难以得到保证。
发明内容
本发明的目的在于提供一种基于评估模型的雷达电子战测试方法,以解决现有技术中雷达***测试中无法对故障进行指向性测试,导致冗余测试过程多,测试效率难以得到保证的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于评估模型的雷达电子战测试方法,包括以下步骤:
步骤S1、利用雷达目标回波模拟技术基于各个雷达信号类别对雷达测试目标进行回波信号模拟,得到各个类别雷达目标回波模拟信号,其中,各个类别雷达目标回波模拟信号与各个雷达信号类别对应匹配;
步骤S2、对雷达***进行故障类别设置,利用各个类别雷达目标回波模拟信号依次对雷达***的各个故障类别进行功能性测试仿真,得到每个故障类别下各个类别雷达目标回波模拟信号的功能性测试结果;
步骤S3、在每个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行指向性分析,得到每个故障类别下的指向性测试信号类别范围,将所述功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,所述指向性分析用于根据功能性测试结果分析出可用于指向性测试出雷达***功能性故障的雷达信号类别;
步骤S4、在各个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行高发性统计,确定出初始雷达目标回波模拟信号,所述高发性统计用于依据功能性测试结果统计出对雷达***功能性故障测试灵敏度高的雷达信号类别;
步骤S5、利用初始雷达目标回波模拟信号以及待测雷达***的功能性测试结果利用指向性测试范围评估模型对待测雷达***进行功能性测试,以实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度
作为本发明的一种优选方案,所述雷达目标回波模拟信号的模拟包括:雷达球面目标坐标转换、目标回波功率模拟、多普勒平移模拟、目标回波延迟模拟、大气传播衰减模拟以及干扰信号模拟,各个雷达信号类别包括:连续波雷达信号、常规脉冲雷达信号、频率捷变雷达信号、频率分集雷达信号、重频参差雷达信号、重频抖动雷达信号、重频滑变雷达信号、脉冲压缩雷达信号、线性调频雷达信号、非线性调频雷达信号、相位编码雷达信号以及脉冲多普勒雷达信号。
作为本发明的一种优选方案,所述利用各个类别雷达目标回波模拟信号依次对雷达***的各个故障类别进行功能性测试仿真,包括:
依次在雷达***的每个故障类别下分别利用各个类别雷达目标回波模拟信号进行功能性测试,得到在每个故障类别下各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果。
作为本发明的一种优选方案,所述在每个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行指向性分析,包括:
在每个故障类别下分别将各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为每个故障类别下的故障显性测试结果;
将每个故障类别下的故障显性测试结果对应的雷达目标回波模拟信号作为每个故障类别下的有效测试信号,所述有效测试信号为可测试出功能性故障的雷达目标回波模拟信号;
将每个故障类别下的有效测试信号对应的雷达信号类别组成每个故障类别下的指向性测试信号类别范围。
作为本发明的一种优选方案,所述将所述功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,包括:
将各个故障类别下的故障显性测试结果作为CNN神经网络的输入项,将各个故障类别下的指向性测试信号类别范围作为CNN神经网络的输出项;
利用CNN神经网络对CNN神经网络的输入项和CNN神经网络的输出项进行卷积学习得到所述指向性测试范围评估模型;
所述指向性测试范围评估模型的模型表达式为:
C_Label=CNN(S);
式中,C_Label为指向性测试信号类别范围,S为故障显性测试结果,CNN为CNN神经网络。
作为本发明的一种优选方案,所述在各个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行高发性统计,包括:
在每个故障类别下分别将各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为每个故障类别下的故障显性测试结果;
将每个故障类别下的故障显性测试结果对应的雷达目标回波模拟信号作为每个故障类别下的有效测试信号,所述有效测试信号为可测试出功能性故障的雷达目标回波模拟信号;
将每个故障类别下的有效测试信号对应的雷达信号类别组成每个故障类别下的指向性测试信号类别范围;
将各个故障类别下的指向性测试信号类别范围中的雷达信号类别进行数量统计,将数量超预设阈值的雷达信号类别作为高发性的雷达信号类别;
将高发性的雷达信号类别确定为初始雷达信号类别,并利用初始雷达信号类别对应的雷达目标回波模拟信号作为初始雷达目标回波模拟信号。
作为本发明的一种优选方案,所述利用初始雷达目标回波模拟信号以及待测雷达***的功能性测试结果利用指向性测试范围评估模型对待测雷达***进行功能性测试,包括:
利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,并将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,以实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度;
利用待测雷达***的指向性测试信号类别范围对待测雷达***进行功能性测试,以实现快速完成对待测雷达***的功能性测试;
其中,利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,包括:依次在待测雷达***中分别利用各个初始雷达目标回波模拟信号进行功能性测试,得到在各个初始雷达目标回波模拟信号在待测雷达***中的功能性测试结果。
作为本发明的一种优选方案,所述将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,包括:
将各个初始雷达目标回波模拟信号在待测雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为待测雷达***的故障显性测试结果;
当待测雷达***的故障显性测试结果数量为0时,将各个故障类别下的指向性测试信号类别范围中非高发性的雷达信号类别作为待测雷达***的指向性测试信号类别范围;
当待测雷达***的故障显性测试结果数量不为0时,将待测雷达***的故障显性测试结果输入至指向性测试范围评估模型,由指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围。
作为本发明的一种优选方案,所述利用待测雷达***的指向性测试信号类别范围对待测雷达***进行功能性测试,包括:
利用待测雷达***的指向性测试信号类别范围中所有雷达信号类别对应的雷达目标回波模拟信号对待测雷达***进行功能性测试,得到指向性测试信号类别范围中所有雷达信号类别对应的雷达目标回波模拟信号在待测雷达***中的功能性测试结果;
将指向性测试信号类别范围中对应的雷达目标回波模拟信号在待测雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为待测雷达***的故障显性测试结果;
当待测雷达***的指向性测试信号类别范围中故障显性测试结果数量为0且待测雷达***的初始雷达目标回波模拟信号中故障显性测试结果数量为0,则待测雷达***的功能无故障;
当待测雷达***的指向性测试信号类别范围中故障显性测试结果数量不为0或待测雷达***的初始雷达目标回波模拟信号中故障显性测试结果数量为不0,则将待测雷达***的故障显性测试结果与雷达***测试手册进行比对确定待测雷达***的功能故障结果。
作为本发明的一种优选方案,利用相关系数对功能性测试结果与功能性标准结果进行相似度比较。
本发明与现有技术相比较具有如下有益效果:
本发明将所述功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,并将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的雷达电子战测试方法流程图。
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。
现有技术中雷达/电子战测试中为模拟真实战场复杂电磁环境,传统的多个目标模拟采用多台雷达信号模拟器同时输出多个不同雷达信号,在雷达***测试过程中需要对各种雷达信号进行分别测试,由于测试耗时长,雷达***测试中无法对故障进行指向性测试,导致冗余测试过程多,测试效率难以得到保证。因此本发明提供了一种基于评估模型的雷达电子战测试方法,构建指向性测试范围评估模型,在雷达***测试中实现对故障进行指向性测试,导致冗余测试降低,测试效率得到保证。
如图1所示,本发明提供了一种基于评估模型的雷达电子战测试方法,包括以下步骤:
步骤S1、利用雷达目标回波模拟技术基于各个雷达信号类别对雷达测试目标进行回波信号模拟,得到各个类别雷达目标回波模拟信号,其中,各个雷达信号类别包括:连续波雷达信号、常规脉冲雷达信号、频率捷变雷达信号、频率分集雷达信号、重频参差雷达信号、重频抖动雷达信号、重频滑变雷达信号、脉冲压缩雷达信号、线性调频雷达信号、非线性调频雷达信号、相位编码雷达信号以及脉冲多普勒雷达信号,各个类别雷达目标回波模拟信号与各个雷达信号类别对应匹配;
步骤S2、对雷达***进行故障类别设置,利用各个类别雷达目标回波模拟信号依次对雷达***的各个故障类别进行功能性测试仿真,得到每个故障类别下各个类别雷达目标回波模拟信号的功能性测试结果;
步骤S3、在每个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行指向性分析,得到每个故障类别下的指向性测试信号类别范围,将功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,指向性分析用于根据功能性测试结果分析出可用于指向性测试出雷达***功能性故障的雷达信号类别;
步骤S4、在各个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行高发性统计,将高发性的雷达信号类别确定为初始雷达信号类别,并利用初始雷达信号类别对应的雷达目标回波模拟信号作为初始雷达目标回波模拟信号,高发性统计用于依据功能性测试结果统计出对雷达***功能性故障测试灵敏度高的雷达信号类别;
步骤S5、利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,并将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,以实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度;
步骤S6、利用待测雷达***的指向性测试信号类别范围对待测雷达***进行功能性测试,以实现快速完成对待测雷达***的功能性测试。
本发明对雷达***进行主动的故障设置,使得雷达***处于功能性故障状态下,利用雷达目标回波模拟信号来进行功能性故障状态下的雷达***的功能性测试,进而挖掘出各个类别雷达目标回波模拟信号产生的功能性测试结果之间的潜在信息,即得到故障类别、功能性测试结果与雷达目标回波模拟信号的类别对应关系,由于雷达目标回波模拟信号与雷达信号类别相对应,因此故障类别、功能性测试结果与雷达信号类别之间对应关系,以故障结果为导向分析出可以判断出该功能性故障的雷达信号类别,实现根据功能性测试结果锁定雷达目标回波模拟信号的测试范围(雷达信号类别的测试范围),构建出指向性测试范围评估模型,实现针对性测试出功能性故障的指向性测试,无需对雷达***依次对所有类别雷达目标回波模拟信号进行功能性测试,降低测试冗余。
雷达目标回波模拟信号的模拟包括:雷达球面目标坐标转换、目标回波功率模拟、多普勒平移模拟、目标回波延迟模拟、大气传播衰减模拟以及干扰信号模拟。雷达目标回波模拟技术是雷达***测试中常用的技术手段,用于模拟雷达测试目标,在此不加以赘述。
本发明利用处于故障状态的雷达***进行功能性测试,可以更好的挖掘出各个类别雷达目标回波模拟信号产生的功能性测试结果之间的潜在信息,即得到故障类别、功能性测试结果与雷达目标回波模拟信号的类别对应关系,由于雷达目标回波模拟信号与雷达信号类别相对应,因此故障类别、功能性测试结果与雷达信号类别之间对应关系,得到同一故障类别中会在功能性测试结果产生与功能性标准结果差异大的雷达信号类别,即得到测试出该故障类别功能性故障可以使用的雷达信号类别范围,实现根据功能性测试结果指向性分析出雷达信号类别,模拟出对应类别的雷达目标回波模拟信号进行***功能性分析,完成雷达***的功能性测试,无需对每个类别雷达目标回波模拟信号进行功能性测试,具体如下:利用各个类别雷达目标回波模拟信号依次对雷达***的各个故障类别进行功能性测试仿真,包括:
依次在雷达***的每个故障类别下分别利用各个类别雷达目标回波模拟信号进行功能性测试,得到在每个故障类别下各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果。
在每个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行指向性分析,包括:
在每个故障类别下分别将各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为每个故障类别下的故障显性测试结果;
将每个故障类别下的故障显性测试结果对应的雷达目标回波模拟信号作为每个故障类别下的有效测试信号,有效测试信号为可测试出功能性故障的雷达目标回波模拟信号;
将每个故障类别下的有效测试信号对应的雷达信号类别组成每个故障类别下的指向性测试信号类别范围。
比如,在故障类别A中,相似度超阈值的功能性测试结果为l,m,n,其中l,m,n的数据规律是由雷达信号类别L,M,N模拟出的雷达目标回波模拟信号测试产生的,说明雷达信号类别L,M,N会在故障类型A状态下在测试结果中得以数据化体现,因此在想要测试出故障类型A时,只需要使用雷达信号类别L,M,N进行目标模拟以及功能性测试即可,无需对所有雷达信号类别进行目标目标以及功能性测试,这种使用雷达信号类别L,M,N对故障类型A进行针对性测试的状态,只需要掌握功能性测试结果l或m或n在故障类型A情况下存在异常规律时,就可以将测试范围限定至雷达信号类别L,M,N中,实现了测试范围的限定,很好的降低了测试冗余。
本发明将功能性测试结果与指向性测试信号类别范围进行关联映射,直接根据测试结果数据异常规律确定出测试功能性故障的测试范围,即指向性测试范围评估模型可以掌握功能性测试结果l或m或n在故障类型A情况下存在异常规律,并将l或m或n在故障类型A情况下存在异常规律与故障类型A中的雷达信号类别L,M,N进行关联映射学习,实现根据功能性测试结果直接将测试范围限定至雷达信号类别L,M,N中,模型化实现了测试范围的限定,很好的降低了测试冗余,具体如下:
将功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,包括:
将各个故障类别下的故障显性测试结果作为CNN神经网络的输入项,将各个故障类别下的指向性测试信号类别范围作为CNN神经网络的输出项;
利用CNN神经网络对CNN神经网络的输入项和CNN神经网络的输出项进行卷积学习得到指向性测试范围评估模型;
指向性测试范围评估模型的模型表达式为:
C_Label=CNN(S);
式中,C_Label为指向性测试信号类别范围,S为故障显性测试结果,CNN为CNN神经网络。
本发明需要以结果为导向进行测试信号范围的限定分析,因此,本发明需要首先选取一组初始的雷达信号类别模拟出初始雷达目标回波模拟信号获得一组初始功能性测试结果,为了降低初始的雷达信号类别的随机性,本发明进行了雷达信号类别的高发性统计,即在各个故障状态下均会呈现异常的测试结果的雷达信号类别,此种雷达信号类别发散能力强,能够快速的根据测试结果的数据规律定位到其指向性测试信号类别范围内,具体如下:
在各个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行高发性统计,包括:
在每个故障类别下分别将各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为每个故障类别下的故障显性测试结果;
将每个故障类别下的故障显性测试结果对应的雷达目标回波模拟信号作为每个故障类别下的有效测试信号,有效测试信号为可测试出功能性故障的雷达目标回波模拟信号;
将每个故障类别下的有效测试信号对应的雷达信号类别组成每个故障类别下的指向性测试信号类别范围;
将各个故障类别下的指向性测试信号类别范围中的雷达信号类别进行数量统计,将数量超预设阈值的雷达信号类别作为高发性的雷达信号类别。
本发明提供了对待测雷达***进行功能性测试的测试过程,具体如下:
利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,包括:
依次在待测雷达***中分别利用各个初始雷达目标回波模拟信号进行功能性测试,得到在各个初始雷达目标回波模拟信号在待测雷达***中的功能性测试结果。
将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,包括:
将各个初始雷达目标回波模拟信号在待测雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为待测雷达***的故障显性测试结果;
当待测雷达***的故障显性测试结果数量为0时,将各个故障类别下的指向性测试信号类别范围中非高发性的雷达信号类别作为待测雷达***的指向性测试信号类别范围;
当待测雷达***的故障显性测试结果数量不为0时,将待测雷达***的故障显性测试结果输入至指向性测试范围评估模型,由指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围。
利用待测雷达***的指向性测试信号类别范围对待测雷达***进行功能性测试,包括:
利用待测雷达***的指向性测试信号类别范围中所有雷达信号类别对应的雷达目标回波模拟信号对待测雷达***进行功能性测试,得到指向性测试信号类别范围中所有雷达信号类别对应的雷达目标回波模拟信号在待测雷达***中的功能性测试结果;
将指向性测试信号类别范围中对应的雷达目标回波模拟信号在待测雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为待测雷达***的故障显性测试结果;
当待测雷达***的指向性测试信号类别范围中故障显性测试结果数量为0且待测雷达***的初始雷达目标回波模拟信号中故障显性测试结果数量为0,则待测雷达***的功能无故障;
当待测雷达***的指向性测试信号类别范围中故障显性测试结果数量不为0或待测雷达***的初始雷达目标回波模拟信号中故障显性测试结果数量为不0,则将待测雷达***的故障显性测试结果与雷达***测试手册进行比对确定待测雷达***的功能故障结果。
利用相关系数对功能性测试结果与功能性标准结果进行相似度比较。
本发明将功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,并将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种基于评估模型的雷达电子战测试方法,其特征在于,包括以下步骤:
步骤S1、利用雷达目标回波模拟技术基于各个雷达信号类别对雷达测试目标进行回波信号模拟,得到各个类别雷达目标回波模拟信号,其中,各个类别雷达目标回波模拟信号与各个雷达信号类别对应匹配;
步骤S2、对雷达***进行故障类别设置,利用各个类别雷达目标回波模拟信号依次对雷达***的各个故障类别进行功能性测试仿真,得到每个故障类别下各个类别雷达目标回波模拟信号的功能性测试结果;
步骤S3、在每个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行指向性分析,得到每个故障类别下的指向性测试信号类别范围,将所述功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,所述指向性分析用于根据功能性测试结果分析出可用于指向性测试出雷达***功能性故障的雷达信号类别;
步骤S4、在各个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行高发性统计,确定出初始雷达目标回波模拟信号,所述高发性统计用于依据功能性测试结果统计出对雷达***功能性故障测试灵敏度高的雷达信号类别;
步骤S5、利用初始雷达目标回波模拟信号以及待测雷达***的功能性测试结果利用指向性测试范围评估模型对待测雷达***进行功能性测试,以实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度。
2.根据权利要求1所述的一种基于评估模型的雷达电子战测试方法,其特征在于:所述雷达目标回波模拟信号的模拟包括:雷达球面目标坐标转换、目标回波功率模拟、多普勒平移模拟、目标回波延迟模拟、大气传播衰减模拟以及干扰信号模拟,各个雷达信号类别包括:连续波雷达信号、常规脉冲雷达信号、频率捷变雷达信号、频率分集雷达信号、重频参差雷达信号、重频抖动雷达信号、重频滑变雷达信号、脉冲压缩雷达信号、线性调频雷达信号、非线性调频雷达信号、相位编码雷达信号以及脉冲多普勒雷达信号。
3.根据权利要求1所述的一种基于评估模型的雷达电子战测试方法,其特征在于:所述在每个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行指向性分析,包括:
在每个故障类别下分别将各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为每个故障类别下的故障显性测试结果;
将每个故障类别下的故障显性测试结果对应的雷达目标回波模拟信号作为每个故障类别下的有效测试信号,所述有效测试信号为可测试出功能性故障的雷达目标回波模拟信号;
将每个故障类别下的有效测试信号对应的雷达信号类别组成每个故障类别下的指向性测试信号类别范围。
4.根据权利要求3所述的一种基于评估模型的雷达电子战测试方法,其特征在于:所述将所述功能性测试结果与指向性测试信号类别范围进行卷积学习得到指向性测试范围评估模型,包括:
将各个故障类别下的故障显性测试结果作为CNN神经网络的输入项,将各个故障类别下的指向性测试信号类别范围作为CNN神经网络的输出项;
利用CNN神经网络对CNN神经网络的输入项和CNN神经网络的输出项进行卷积学习得到所述指向性测试范围评估模型;
所述指向性测试范围评估模型的模型表达式为:
C_Label=CNN(S);
式中,C_Label为指向性测试信号类别范围,S为故障显性测试结果,CNN为CNN神经网络。
5.根据权利要求4所述的一种基于评估模型的雷达电子战测试方法,其特征在于:所述在各个故障类别下对各个类别雷达目标回波模拟信号在雷达***中的功能性测试结果进行高发性统计,包括:
将各个故障类别下的指向性测试信号类别范围中的雷达信号类别进行数量统计,将数量超预设阈值的雷达信号类别作为高发性的雷达信号类别;
将高发性的雷达信号类别确定为初始雷达信号类别,并利用初始雷达信号类别对应的雷达目标回波模拟信号作为初始雷达目标回波模拟信号。
6.根据权利要求1所述的一种基于评估模型的雷达电子战测试方法,其特征在于:所述利用初始雷达目标回波模拟信号以及待测雷达***的功能性测试结果利用指向性测试范围评估模型对待测雷达***进行功能性测试,包括:
利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,并将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,以实现对待测雷达***的功能性故障测试范围进行针对性追踪,降低功能性测试的冗余度;
利用待测雷达***的指向性测试信号类别范围对待测雷达***进行功能性测试,以实现快速完成对待测雷达***的功能性测试;
其中,利用初始雷达目标回波模拟信号对待测雷达***进行功能性测试,包括:依次在待测雷达***中分别利用各个初始雷达目标回波模拟信号进行功能性测试,得到在各个初始雷达目标回波模拟信号在待测雷达***中的功能性测试结果。
7.根据权利要求6所述的一种基于评估模型的雷达电子战测试方法,其特征在于,所述将待测雷达***的功能性测试结果利用指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围,包括:
将各个初始雷达目标回波模拟信号在待测雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为待测雷达***的故障显性测试结果;
当待测雷达***的故障显性测试结果数量为0时,将各个故障类别下的指向性测试信号类别范围中非高发性的雷达信号类别作为待测雷达***的指向性测试信号类别范围;
当待测雷达***的故障显性测试结果数量不为0时,将待测雷达***的故障显性测试结果输入至指向性测试范围评估模型,由指向性测试范围评估模型确定出待测雷达***的指向性测试信号类别范围。
8.根据权利要求7所述的一种基于评估模型的雷达电子战测试方法,其特征在于,所述利用待测雷达***的指向性测试信号类别范围对待测雷达***进行功能性测试,包括:
利用待测雷达***的指向性测试信号类别范围中所有雷达信号类别对应的雷达目标回波模拟信号对待测雷达***进行功能性测试,得到指向性测试信号类别范围中所有雷达信号类别对应的雷达目标回波模拟信号在待测雷达***中的功能性测试结果;
将指向性测试信号类别范围中对应的雷达目标回波模拟信号在待测雷达***中的功能性测试结果与功能性标准结果进行相似度比较,并将相似度超阈值的功能性测试结果作为待测雷达***的故障显性测试结果;
当待测雷达***的指向性测试信号类别范围中故障显性测试结果数量为0且待测雷达***的初始雷达目标回波模拟信号中故障显性测试结果数量为0,则待测雷达***的功能无故障;
当待测雷达***的指向性测试信号类别范围中故障显性测试结果数量不为0或待测雷达***的初始雷达目标回波模拟信号中故障显性测试结果数量为不0,则将待测雷达***的故障显性测试结果与雷达***测试手册进行比对确定待测雷达***的功能故障结果。
9.根据权利要求8所述的一种基于评估模型的雷达电子战测试方法,其特征在于,利用相关系数对功能性测试结果与功能性标准结果进行相似度比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310808796.2A CN116520270B (zh) | 2023-07-04 | 2023-07-04 | 一种基于评估模型的雷达电子战测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310808796.2A CN116520270B (zh) | 2023-07-04 | 2023-07-04 | 一种基于评估模型的雷达电子战测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520270A CN116520270A (zh) | 2023-08-01 |
CN116520270B true CN116520270B (zh) | 2023-09-05 |
Family
ID=87403268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310808796.2A Active CN116520270B (zh) | 2023-07-04 | 2023-07-04 | 一种基于评估模型的雷达电子战测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520270B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0568132A2 (en) * | 1992-04-30 | 1993-11-03 | Schlumberger Technologies, Inc. | Test generation by environment emulation |
CA2369858A1 (en) * | 1999-06-25 | 2001-01-04 | Stefano Galli | Single ended measurement method and system for determining subscriber loop make up |
CN105158621A (zh) * | 2015-10-23 | 2015-12-16 | 电子科技大学 | 基于分区的阵列天线快速故障诊断方法 |
CN205246867U (zh) * | 2015-12-23 | 2016-05-18 | 四川天中星航空科技有限公司 | 雷达信号模拟*** |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN108107413A (zh) * | 2018-01-09 | 2018-06-01 | 中国空空导弹研究院 | 一种雷达目标模拟器校准*** |
CN109581311A (zh) * | 2018-12-18 | 2019-04-05 | 安徽江淮汽车集团股份有限公司 | 雷达功能测试***及其测试方法 |
CN111505595A (zh) * | 2020-07-06 | 2020-08-07 | 四川天中星航空科技有限公司 | 雷达动目标模拟*** |
DE102019130096A1 (de) * | 2019-11-07 | 2021-05-12 | Audi Ag | Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem |
CN113219443A (zh) * | 2021-06-18 | 2021-08-06 | 上海机动车检测认证技术研究中心有限公司 | 一种激光雷达目标模拟器 |
CN114114002A (zh) * | 2021-11-26 | 2022-03-01 | 国网安徽省电力有限公司马鞍山供电公司 | 一种氧化物避雷器在线故障诊断与状态评估方法 |
CN114662392A (zh) * | 2022-03-25 | 2022-06-24 | 中国人民解放军国防科技大学 | 基于深度学习的雷达防空侦察效能评估方法 |
CN114739669A (zh) * | 2022-03-07 | 2022-07-12 | 西安交通大学 | 基于太赫兹雷达的滚动轴承状态监测方法及装置 |
EP4030186A1 (en) * | 2021-01-13 | 2022-07-20 | HENSOLDT Sensors GmbH | Apparatus and method for identifying vehicles in radar signals |
CN114818831A (zh) * | 2022-05-27 | 2022-07-29 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及*** |
KR20220130419A (ko) * | 2021-03-18 | 2022-09-27 | 엘아이지넥스원 주식회사 | 근접 방어 무기 체계의 통합 시험을 위한 시험 일지 생성 시스템 및 방법 |
CN115470141A (zh) * | 2022-09-29 | 2022-12-13 | 深信服科技股份有限公司 | 一种故障模拟方法、装置及相关设备 |
CN115524675A (zh) * | 2022-10-10 | 2022-12-27 | 一汽解放汽车有限公司 | 车载雷达性能分析方法、装置和计算机设备 |
CN115827353A (zh) * | 2022-12-15 | 2023-03-21 | 北京航天测控技术有限公司 | 故障诊断方法及装置 |
CN219122397U (zh) * | 2022-10-09 | 2023-06-02 | 安徽新华学院 | 一种l波段雷达信号模拟器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10997344B2 (en) * | 2016-06-27 | 2021-05-04 | Hitachi Automotive Systems, Ltd. | ECU simulation device |
CN111651937B (zh) * | 2020-06-03 | 2023-07-25 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
-
2023
- 2023-07-04 CN CN202310808796.2A patent/CN116520270B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0568132A2 (en) * | 1992-04-30 | 1993-11-03 | Schlumberger Technologies, Inc. | Test generation by environment emulation |
CA2369858A1 (en) * | 1999-06-25 | 2001-01-04 | Stefano Galli | Single ended measurement method and system for determining subscriber loop make up |
CN105158621A (zh) * | 2015-10-23 | 2015-12-16 | 电子科技大学 | 基于分区的阵列天线快速故障诊断方法 |
CN205246867U (zh) * | 2015-12-23 | 2016-05-18 | 四川天中星航空科技有限公司 | 雷达信号模拟*** |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN108107413A (zh) * | 2018-01-09 | 2018-06-01 | 中国空空导弹研究院 | 一种雷达目标模拟器校准*** |
CN109581311A (zh) * | 2018-12-18 | 2019-04-05 | 安徽江淮汽车集团股份有限公司 | 雷达功能测试***及其测试方法 |
DE102019130096A1 (de) * | 2019-11-07 | 2021-05-12 | Audi Ag | Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem |
CN111505595A (zh) * | 2020-07-06 | 2020-08-07 | 四川天中星航空科技有限公司 | 雷达动目标模拟*** |
EP4030186A1 (en) * | 2021-01-13 | 2022-07-20 | HENSOLDT Sensors GmbH | Apparatus and method for identifying vehicles in radar signals |
KR20220130419A (ko) * | 2021-03-18 | 2022-09-27 | 엘아이지넥스원 주식회사 | 근접 방어 무기 체계의 통합 시험을 위한 시험 일지 생성 시스템 및 방법 |
CN113219443A (zh) * | 2021-06-18 | 2021-08-06 | 上海机动车检测认证技术研究中心有限公司 | 一种激光雷达目标模拟器 |
CN114114002A (zh) * | 2021-11-26 | 2022-03-01 | 国网安徽省电力有限公司马鞍山供电公司 | 一种氧化物避雷器在线故障诊断与状态评估方法 |
CN114739669A (zh) * | 2022-03-07 | 2022-07-12 | 西安交通大学 | 基于太赫兹雷达的滚动轴承状态监测方法及装置 |
CN114662392A (zh) * | 2022-03-25 | 2022-06-24 | 中国人民解放军国防科技大学 | 基于深度学习的雷达防空侦察效能评估方法 |
CN114818831A (zh) * | 2022-05-27 | 2022-07-29 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及*** |
CN115470141A (zh) * | 2022-09-29 | 2022-12-13 | 深信服科技股份有限公司 | 一种故障模拟方法、装置及相关设备 |
CN219122397U (zh) * | 2022-10-09 | 2023-06-02 | 安徽新华学院 | 一种l波段雷达信号模拟器 |
CN115524675A (zh) * | 2022-10-10 | 2022-12-27 | 一汽解放汽车有限公司 | 车载雷达性能分析方法、装置和计算机设备 |
CN115827353A (zh) * | 2022-12-15 | 2023-03-21 | 北京航天测控技术有限公司 | 故障诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
张弛 ; 智东杰 ; 陈婷.一种雷达模拟训练器设计.《电子技术与软件工程》.2018,第96页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116520270A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Particle filtering based track-before-detect method for passive array sonar systems | |
Noroozi et al. | Weighted least squares target location estimation in multi‐transmitter multi‐receiver passive radar using bistatic range measurements | |
CN105652273B (zh) | 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法 | |
CN111722199A (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
CN107192991B (zh) | 一种射频辐射式仿真宽带脉冲雷达成像等效模拟方法 | |
US20210239796A1 (en) | Method and device for determining a radar cross section, method for training an interaction model, and radar target emulator and test facility | |
Bakirtzis et al. | DeepRay: Deep learning meets ray-tracing | |
CN111147169A (zh) | 一种低轨卫星天地通信信道建模模型及建模方法 | |
CN112558495A (zh) | 一种雷达高度表抗干扰半实物仿真***及方法 | |
Gogineni et al. | High fidelity rf clutter modeling and simulation | |
Venkatasubramanian et al. | Toward data-driven stap radar | |
CN116520270B (zh) | 一种基于评估模型的雷达电子战测试方法 | |
Li et al. | Automotive radar modeling for virtual simulation based on mixture density network | |
CN108680832B (zh) | 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 | |
CN110221280A (zh) | 一种抗压制类水声干扰多通道自适应检测方法及*** | |
CN114282363A (zh) | 基于数字域的雷达告警设备仿真*** | |
US9935724B1 (en) | Product distribution modeling system and associated methods | |
CN115358074A (zh) | 一种机载脉冲多普勒雷达***信号级仿真方法 | |
Wang et al. | Neural network‐guided sparse recovery for interrupted‐sampling repeater jamming suppression | |
Chatelier et al. | Influence of dataset parameters on the performance of direct ue positioning via deep learning | |
Bergin et al. | A new approach for testing autonomous and fully adaptive radars | |
CN113391280A (zh) | 基于fpga的雷达信号处理机调试方法、设备及介质 | |
US10877129B2 (en) | System and method for modeling environmental data | |
Choi et al. | Radar target recognition using one-dimensional evolutionary programming–based CLEAN | |
KR20180009253A (ko) | 시나리오 기반의 rf 위협신호발생 방법 및 장치 |
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 |