雷达干扰效果评估方法、装置、电子设备及其存储介质制造方法及图纸

本发明专利技术公开了一种雷达干扰效果评估方法、装置、电子设备及其存储介质，方法包括：构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型；获取干扰前的雷达波形单元幅度序列，利用训练好的多尺度卷积神经网络模型，从干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数；获取干扰后的雷达波形单元幅度序列，利用训练好的多尺度卷积神经网络模型，从干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数；根据第一跟踪波形单元个数、第二跟踪波形单元个数计算雷达的干扰效果。本发明专利技术将干扰前后的雷达波形单元幅度序列与多尺度卷积神经网络相结合，计算干扰机对雷达的干扰效果，使得本发明专利技术不仅实现了在线评估，还实现了高可靠性、高鲁棒性的评估。

【技术实现步骤摘要】
雷达干扰效果评估方法、装置、电子设备及其存储介质
本专利技术属于电子对抗
，具体涉及一种雷达干扰效果评估方法、装置、电子设备及其存储介质。
技术介绍
雷达对抗作为电子战的重要组成部分，其主要包括雷达干扰和抗干扰技术。在干扰与抗干扰技术的博弈过程中，干扰效果是双方都十分关注且迫想要得到结果的一项指标。上世纪80年代后，多功能相控阵雷达技术日趋成熟，使得传统的干扰效果评估方法难以满足日益复杂的辐射源环境。同时，传统雷达干扰效果评估主要基于雷达方，缺乏评估实时性，无法满足战时指挥系统的需要。邢强等人在其发表的论文“基于干扰方的雷达在线干扰效果评估”([J].电子信息对抗技术,2018,33(06):57-62)中提出了一种干扰方基于支持向量机(SupportVectorMachine，简称SVM)的雷达在线干扰效果评估方法，该方法首先通过分析雷达受干扰前后行为参数变化，建立行为参数变化与干扰效果评估的映射关系及干扰效果评估知识库，然后选择径向基核函数(RBF)，通过SVM对知识库进行学习训练，该方法将干扰效果评估知识库与SVM相结合，实现了基于干扰方的雷达在线干扰效果评估；专利申请号为201910229296.7的专利公开了一种雷达干扰效果评估方法、装置及计算机设备，该方法首先通过获取目标雷达和雷达干扰方案的行为参数，建立雷达干扰因素集，然后获得各干扰因素的干扰效益值和权重矢量，最后根据各干扰因素的干扰效益值和权重矢量获得干扰因素的加权干扰效益矩阵，并采用TOPSIS法获得雷达干扰方案干扰效果评分，该方法将加权干扰效益矩阵于TOPSIS法相结合，实现了雷达干扰方干扰效果评分。但是，上述雷达干扰效果评估方法一由于没有考虑雷达受干扰前后一段时间的行为参数变化，仅仅根据前一时刻的行为参数变化就得出了当前的干扰效果评估，导致评估效果缺乏鲁棒性与可靠性；雷达干扰效果评估方法二虽然对干扰指标没有严格的限制，但是由于该方法需要获取用户输入的各干扰因素的评分值，无法实现在线的干扰效果评估。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种雷达干扰效果评估方法、装置、电子设备及其存储介质。本专利技术的一个实施例提供了一种雷达干扰效果评估方法，该方法包括：构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型；获取干扰前的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型，从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数；获取干扰后的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型，从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数；根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果，以完成雷达干扰效果的评估。在本专利技术的一个实施例中，构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型，包括：构建所述多尺度卷积神经网络模型；获取训练样本集，将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型。在本专利技术的一个实施例中，构建的所述多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层，L为大于0的整数，其中，每列所述卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层，每列所述卷积神经网络中的第一卷积层与所述输入层连接，每列所述卷积神经网络中的第二池化层与所述第一全连接层连接。在本专利技术的一个实施例中，获取训练样本集，包括：获取N组雷达波形单元幅度序列，N为大于0的整数；对每组所述雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列；将带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列作为训练样本集。在本专利技术的一个实施例中，将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型，包括：将所述训练样本集输入至所述多尺度卷积神经网络模型，利用前向传播方法训练所述多尺度卷积神经网络模型得到训练跟踪波形单元个数；构建所述训练跟踪波形单元个数与所述标记跟踪波形单元个数之间的均方误差，将所述均方误差作为训练误差；利用反向传播法，最小化所述训练误差得到所述训练好的多尺度卷积神经网络模型。在本专利技术的一个实施例中，根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果，包括：计算所述第一跟踪波形单元个数和所述第二跟踪波形单元个数的跟踪波形单元个数的差值；根据干扰机采用的干扰模式对所述跟踪波形单元个数的差值进行预设线性整流处理得到所述雷达的干扰效果。在本专利技术的一个实施例中，根据干扰模式对所述跟踪波形单元个数的差值进行预设线性整流处理得到所述雷达的干扰效果，包括：其中，Eff表示雷达的干扰效果，d表示跟踪波形单元个数的差值，ReLU(d)表示对d做线性整流处理。本专利技术的另一个实施例提供了一种雷达干扰效果评估装置，该装置包括：模型构建训练模块，用于构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型；第一数据处理模块，用于获取干扰前的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数；第二数据处理模块，用于获取干扰后的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数；数据确定模块，用于根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果。本专利技术的再一个实施例提供了一种雷达干扰效果评估电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现上述任一所述的雷达干扰效果评估方法。本专利技术的又一个实施例提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的雷达干扰效果评估方法。与现有技术相比，本专利技术的有益效果：本专利技术提出的雷达干扰效果评估方法，将干扰前后的雷达波形单元幅度序列与多尺度卷积神经网络相结合，根据干扰前后雷达波形单元幅度序列中的跟踪波形单元个数的差值，计算出干扰机对雷达的干扰效果，使得本专利技术不仅实现了在线雷达干扰效果的评估，还实现了高可靠性、高鲁棒性的雷达干扰效果评估。以下将结合附图及实施例对本专利技术做进一步详细说明。附图说明图1是本专利技术实施例提供的一种雷达干扰效果评估方法的流程示意图；图2是本专利技术实施例提供的一种雷达干扰本文档来自技高网...

【技术保护点】
1.一种雷达干扰效果评估方法，其特征在于，包括：/n构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型；/n获取干扰前的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型，从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数；/n获取干扰后的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型，从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数；/n根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果，以完成雷达干扰效果的评估。/n

【技术特征摘要】
1.一种雷达干扰效果评估方法，其特征在于，包括：
构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型；
获取干扰前的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型，从所述干扰前的雷达波形单元幅度序列中获取第一跟踪波形单元个数；
获取干扰后的雷达波形单元幅度序列，利用所述训练好的多尺度卷积神经网络模型，从所述干扰后的雷达波形单元幅度序列中获取第二跟踪波形单元个数；
根据所述第一跟踪波形单元个数、所述第二跟踪波形单元个数计算雷达的干扰效果，以完成雷达干扰效果的评估。


2.根据权利要求1所述的雷达干扰效果评估方法，其特征在于，构建并训练多尺度卷积神经网络模型得到训练好的多尺度卷积神经网络模型，包括：
构建所述多尺度卷积神经网络模型；
获取训练样本集，将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型。


3.根据权利要求1所述的雷达干扰效果评估方法，其特征在于，构建的所述多尺度卷积神经网络模型型包括依次连接的输入层、L列卷积神经网络、第一全连接层、第二全连接层、输出层，L为大于0的整数，其中，
每列所述卷积神经网络分别包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层，每列所述卷积神经网络中的第一卷积层与所述输入层连接，每列所述卷积神经网络中的第二池化层与所述第一全连接层连接。


4.根据权利要求1所述的雷达干扰效果评估方法，其特征在于，获取训练样本集，包括：
获取N组雷达波形单元幅度序列，N为大于0的整数；
对每组所述雷达波形单元幅度序列中的跟踪波形单元个数进行标记、统计得到带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列；
将带有标记跟踪波形单元个数的所述N组雷达波形单元幅度序列作为训练样本集。


5.根据权利要求4所述的雷达干扰效果评估方法，其特征在于，将所述训练样本集输入至所述多尺度卷积神经网络模型进行训练得到所述训练好的多尺度卷积神经网络模型，包括：
将所述训练样本集输入至所述多尺度卷积神经网络模型，利用前向传播方法训练所述多尺度卷积神经网络模型得到训练跟踪波形单元个数；
构建所述训练跟踪...

【专利技术属性】
技术研发人员：饶鲜，周姝婧，董春曦，董阳阳，毛昱，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61