一种分布式雷达有源干扰类型的判别方法技术

本发明专利技术提供一种基于双层规划的分布式雷达有源干扰类型的判别方法，属于分布式雷达抗干扰技术领域。本发明专利技术的判别方法包括下述步骤：对分布式雷达的多个节点的信号特征进行处理，以得到各所述节点之间的连接关系；对各所述节点的信号级进行预处理基础上，获取邻居聚合函数；基于所述节点之间的连接关系和所述邻居聚合函数，以完成图神经网络的构建；根据所述图神经网络对所述分布式雷达有源干扰类型进行识别。本发明专利技术利用图神经网络构建分布式雷达探测系统基本模型，针对多种不同的干扰方式，利用双层规划优化算法，自适应动态的调整图神经网络的节点连接关系及邻居聚合函数，提升模型对干扰类型识别的准确率和效率。升模型对干扰类型识别的准确率和效率。升模型对干扰类型识别的准确率和效率。

【技术实现步骤摘要】
一种分布式雷达有源干扰类型的判别方法


[0001]本专利技术属于分布式雷达抗干扰
，具体涉及一种分布式雷达有源干扰类型的判别方法。

技术介绍

[0002]分布式雷达系统具备稳健的监测性能、高精度的目标定位能力及更广的探测覆盖范围，是未来对抗干扰的发展趋势。但由于受到复杂动态环境及对手有源干扰(压制干扰、欺骗干扰)的影响，目标信号的能量往往非常微弱，因此能够通过对信号进行处理判别出有源干扰的类型，获取干扰信息，对有针对性地实施干扰对抗，保证己方雷达的战场生存至关重要。目前针对有源干扰主要采用中频信号处理法、信号回波谱相关法、时域信号自相关法、调制方式分析法和时频分析法等传统方式，但是这些干扰类型判别方法大多只适用于对某一类干扰进行判别，适用范围存在局限性，存在建模困难或建模后难以求解的问题，不能很好的满足真实作战环境下雷达系统的需求。
[0003]因此，有必要提出一种分布式雷达有源干扰类型的判别方法，以提升对干扰类型识别的准确率和效率。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一，提供一种分布式雷达有源干扰类型的判别方法。
[0005]本专利技术提供一种基于双层规划的分布式雷达有源干扰类型的判别方法，包括下述步骤：
[0006]对分布式雷达的多个节点的信号特征进行处理，以得到各所述节点之间的连接关系；
[0007]对各所述节点的信号级进行预处理基础上，获取邻居聚合函数；
[0008]基于所述节点之间的连接关系和所述邻居聚合函数，以完成图神经网络的构建；
[0009]根据所述图神经网络对所述分布式雷达有源干扰类型进行识别。
[0010]可选的，所述对分布式雷达的多个节点的信号特征进行处理，以得到各所述节点之间的连接关系，包括：
[0011]获取分布式雷达的多个节点信号并对其进行处理，得到邻接矩阵；
[0012]根据所述邻接矩阵得到各所述节点之间的连接关系。
[0013]可选的，利用编码
‑
解码神经网络对获取的分布式雷达的多个节点信号进行处理，得到各顶点特征，并定义非负函数A
ij
＝g(x
i
,x
j
)表示顶点之间的连接关系，具体如下：
[0014][0015]其中，表示神经网络结构，x
i
和x
j
分别表示顶点v
i
与v
j
的特征向量，x
i
为各顶点
特征，i∈1,2,
…
,N。
[0016]可选的，所述对各所述节点的信号级进行预处理基础上，获取邻居聚合函数，包括：
[0017]设计图神经网络中邻居聚合函数，构建层内节点聚合函数α
n
、跳跃连接α
s
及层聚合函数α
l
的搜索空间，使用softmax函数将离散空间松弛为连续空间。
[0018]可选的，所述连续空间的关系式如下：
[0019][0020]其中，表示聚合函数空间，x表示图神经网络节点隐层特征，对图神经网络的函数操作利用向量进行参数化表示；和/或，
[0021]对所述各节点的信号级进行处理关系式如下：
[0022][0023][0024][0025]其中，表示节点v第l层的隐层表示，表示第l层节点聚合函数的参数，N(v)表示顶点v的邻居节点，K表示网络层数，表示顶点v倒数第二层隐藏表示，Z
v
表示各节点的最终信息特征，分别表示对应的节点聚合、跳跃连接及层聚合操作。
[0026]可选的，所述图神经网络利用损失函数优化所述节点之间连接关系和动态调整所述邻居聚合函数。
[0027]可选的，所述损失函数包括图结构损失和分类损失，具体如下：
[0028]L
loss
＝L
graph
+L
lable
[0029][0030][0031]其中，L
loss
是目标函数；
[0032]L
graph
是约束图网络节点之间的连接关系，A
ij
表示节点之间的连接关系；
[0033]L
lable
是多标签分类损失函数，L表示样本数量，R表示干扰类型数目，y表示真实标签，表示模型预测的分类标签。
[0034]可选的，所述图神经网络利用双层规划优化算法对所述节点之间的连接关系和所述邻居聚合函数的参数进行优化。
[0035]可选的，所述双层规划优化算法包括：
[0036]基于超参数的优化目的建立上层目标函数以输出上层节点之间的连接关系A
ij
和节点聚合函数，基于数据驱动的分类算法建立下层目标函数
以输出下层网络内部结构参数，具体如下：
[0037][0038][0039]其中，表示上层目标函数，θ表示上层节点之间的连接关系A
ij
和节点聚合函数，D
val
表示验证集；
[0040]表示下层目标函数，ω表示下层网络内部结构参数，D
tr
表示训练集。
[0041]可选的，所述干扰类型包括射频噪声干扰、噪声调频干扰、噪声调幅干扰、噪声调相干扰、距离欺骗式干扰、速度欺骗式干扰、角度欺骗式干扰、电子假目标干扰。
[0042]本专利技术提供一种基于双层规划的分布式雷达有源干扰类型的判别方法，包括下述步骤：对分布式雷达的多个节点的信号特征进行处理，以得到各所述节点之间的连接关系；对各所述节点的信号级进行预处理基础上，获取邻居聚合函数；基于所述节点之间的连接关系和所述邻居聚合函数，以构建图神经网络；根据所述图神经网络对所述分布式雷达有源干扰类型进行识别。本专利技术利用图神经网络构建分布式雷达探测系统基本模型，针对多种不同的干扰方式，利用双层规划优化算法，自适应动态的调整图神经网络的节点连接关系及邻居聚合函数，提升模型对干扰类型识别的准确率和效率。
附图说明
[0043]图1为本专利技术一实施例的基于双层规划的分布式雷达有源干扰类型的判别方法的流程框图；
[0044]图2为本专利技术一实施例的基于双层规划的分布式雷达有源干扰类型的判别方法的流程示意图；
[0045]图3为本专利技术一实施例的分布式雷达有源干扰类型识别算法的流程图。
具体实施方式
[0046]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的本专利技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护范围。
[0047]除非另外具体说明，本专利技术中使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术中使用的“包括”或者“包含”本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式雷达有源干扰类型的判别方法，其特征在于，包括下述步骤：对分布式雷达的多个节点的信号特征进行处理，以得到各所述节点之间的连接关系；对各所述节点的信号级进行预处理基础上，获取邻居聚合函数；基于所述节点之间的连接关系和所述邻居聚合函数，以完成图神经网络的构建；根据所述图神经网络对所述分布式雷达有源干扰类型进行识别。2.根据权利要求1所述的方法，其特征在于，所述对分布式雷达的多个节点的信号特征进行处理，以得到各所述节点之间的连接关系，包括：获取分布式雷达的多个节点信号并对其进行处理，得到邻接矩阵；根据所述邻接矩阵得到各所述节点之间的连接关系。3.根据权利要求2所述的方法，其特征在于，利用编码
‑
解码神经网络对获取的分布式雷达的多个节点信号进行处理，得到各顶点特征，并定义非负函数A
ij
＝g(x
i
,x
j
)表示顶点之间的连接关系，具体如下：其中，表示神经网络结构，x
i
和x
j
分别表示顶点v
i
与v
j
的特征向量，x
i
为各顶点特征，i∈1,2,
…
,N。4.根据权利要求1至3任一项所述的方法，其特征在于，所述对各所述节点的信号级进行预处理基础上，获取邻居聚合函数，包括：设计图神经网络中邻居聚合函数，构建层内节点聚合函数α
n
、跳跃连接α
s
及层聚合函数α
l
的搜索空间，使用softmax函数将离散空间松弛为连续空间。5.根据权利要求4所述的方法，其特征在于，所述连续空间关系式如下：其中，表示聚合函数空间，x表示图神经网络节点隐层特征，对图神经网络的函数操作利用向量进行参数化表示；和/或，对所述各节点的信号级进行处理的关系式如下：对所述各节点的信号级进行处理的关系式如下：对所述各节点的信号级进行处理的关系式如下：其中，表示...

【专利技术属性】
技术研发人员：唐思琦，金丹，李明强，葛建军，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：