不完备电子侦察数据智能补齐方法技术

本发明专利技术涉及不完备电子侦察数据智能补齐方法，步骤一：首先构建基于生成对抗网络的网络架构，步骤二：将ADS

【技术实现步骤摘要】
不完备电子侦察数据智能补齐方法


[0001]本专利技术涉及侦察相关
，具体地说是不完备电子侦察数据智能补齐方法。

技术介绍

[0002]不完备信息的异常电子侦察数据的处理是当今战争电子对抗领域的需要解决的关键问题之一，在战场领域，利用电子设备对敌方通信、雷达、导航和电子干扰等设备所辐射的电磁信号进行侦收、识别、分析和定位，从中获取电子侦察数据，通过电子侦察设备接收到的电子侦察数据的好坏直接影响到后续的航迹预测以及多传感器之间数据的关联融合。
[0003]电子侦察数据在实际接收中，遭受敌方雷达的截获、干扰、欺骗，使得接收端收到相当数量的不完备电子侦察数据，缺失数据的补齐，是任何数据预处理中非常重要的一项任务。随着大数据时代的到来，如今缺失数据越来越多的出现在数据分析从业者的工作内容当中，因此亟待解决。

技术实现思路

[0004]本专利技术的目的是针对现有技术中的不足，提供不完备电子侦察数据智能补齐方法。
[0005]为实现上述目的，本专利技术提供不完备电子侦察数据智能补齐方法，步骤一：首先构建基于生成对抗网络的网络架构；
[0006]步骤二：将ADS
‑
B电子侦察数据集中不含缺失项的正常数据和由随机生成缺失值的数据集构成训练集；
[0007]需要缺失数据满足完全随机缺失的条件：每一条数据集长度为150点时候，设置随机randomP＝[10,50]个点的缺失，让缺失位置randomN将随机出现在序列的某一段位置，randomN的值满足：<br/>[0008]len(data)
‑
randomP＞randomN
[0009]以免从缺失位置randomN开始，补齐缺失的长度randomP之后整条航迹数据fake_data长度超出data；
[0010]步骤三：在GRU输出大小为16*150*5的输出数据output_x，根据生成器优化函数，优化G的时候要固定判别器D，生成器优化函数要取最小值，优化目标为：
[0011]P
data
(x)＝P
g
[0012]当生成器G迭代一次后，判别器D开始进行训练，判别器D接收所有的n*5维正常数据集data和本次迭代中生成器G生成数据集fake_data，优化判别器D的时候要固定生成器G的参数，生成器优化函数P
data
(x)要取最大值，优化目标为：
[0013][0014]步骤四：当网络训练成熟后，判决器的output_x输出的size为1，是二分类，即最终
生成式对抗网络BiGRU的博弈最终解为：
[0015]D(G(z))＝0.5
[0016]判决器D已经分别不出来fake_data和真实值data的区别，判决概率都是50％。
[0017]优选的，生成器G、判决器D均采用BiGRU，输出output的size为1，生成器的输出output的大小是5。
[0018]优选的，BatchSize取值为16，即每一次epoch迭代过程中都会有16条航迹数据送入生成器G中进行训练，因此构成生成器G的BiGRU的输入大小为16*150*5。
[0019]优选的，数据集构成训练集一共24381条电子侦察数据，输入生成器和判决器进行训练。
[0020]优选的，生成器的输入为一定的缺失数据集与真实样本数据集，在改进型的GAN中，在生成器部分输入的缺失数据集引入类别标签这个输入来弥补随机噪声数据集的不足，通过引入先验知识给生成式对抗网络让GAN生成器学习原始数据真实分布的速度更迅速，提升收敛速度。
[0021]优选的，生成式对抗网络最重要的特性就是对抗，即生成器Generator和判决器Discriminator的优化目的完全相反，二者在每一次的迭代中互相优化，不断对抗，每一轮迭代，生成器G生成的假样本fake_data努力让判决器D的输出的概率分布判断不出它与真实数据的差别，即概率分布应该从1左右下降到0.5，即判决器D无法区分fake_data和data的区别为止。
[0022]优选的，生成式对抗网络的优化函数如公式所示：
[0023][0024]公式里面的P
data
(x)的意思代表着真实样本集合data的分布，G(z)代表着生成器G将输入的带有标签的样本的低维向量映射到隐藏层hidden的这一过程，而对应的D(x)意味当前时间t判决器D输入的样本是真实样本data而不是生成器生成的fake_data的概率，这个时候样本x就代表来自真实样本集分布P
data
(x)，公式同时优化D(x)最大值和G(z)最小值；
[0025]根据权利要求7所述的不完备电子侦察数据智能补齐方法，其特征在于：双向门控循环单元BiGRU，BiGRU
‑
GAN网络模型的生成器和判决器由BIGRU构成，BiGRU是双向门控循环单元网络，其作为门控循环单元网络(GRU)的一种改进而被提出，GRU是循环神经网络(RNN)的一种变体，作为克服RNN固有的问题：无法解决时间序列每个状态变量x
t
和之前的输入x
t
‑
i
长期依赖的问题，双向循环GRU在最后一层全连接层output保存每个时间戳time_step的输出；
[0026]对每一个GRU单元来讲，在时间戳t，更新门upset
t
的公式为：
[0027]upset
t
＝σ(W
(z)
x
t
+U
(z)
h
t
‑1)
[0028]第t时间戳里输入GRU单元的状态向量x
t
与权重W
(z)
相乘，h
t
‑1代表前一个时间戳遗留的全部状态信息，h
t
‑1和权重U
(z)
相乘，更新门upset
t
能够决定传递到下一个时间戳，也就是序列的下一个点进来时候的状态信息的大小，更新门可以自主决定是否保存之前的所有信息，这样就可以减少梯度下降到0的情况的发生，upset
t
将W
(z)
x
t
和U
(z)
h
t
‑1相加，利用了激活函数Sigmoid将激活结果压缩到0到1之间。
[0029]本专利技术优点在于：
[0030]本专利技术的不完备电子侦察数据智能补齐方法，通过在四种典型ADS
‑
B异常电子侦察数据轨迹类型随机偏差注入异常、固定注入异常、航路替换注入以及DOS攻击中取得不错的检测效果，与传统方法相比，BiGRU擅长对时间序列进行处理，VAE也能够充分提取异常电子侦察数据的隐层特征，将二者结合，异常检测能力得到提升。为了弥补异常检测方法不能实时判定异常电子侦察数据类型的情况，提出了基于BiGRU的异常分类方法，仿真本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.不完备电子侦察数据智能补齐方法，其特征在于：步骤一：首先构建基于生成对抗网络的网络架构；步骤二：将ADS
‑
B电子侦察数据集中不含缺失项的正常数据和由随机生成缺失值的数据集构成训练集；需要缺失数据满足完全随机缺失的条件：每一条数据集长度为150点时候，设置随机randomP＝[10,50]个点的缺失，让缺失位置randomN将随机出现在序列的某一段位置，randomN的值满足：len(data)
‑
randomP＞randomN以免从缺失位置randomN开始，补齐缺失的长度randomP之后整条航迹数据fake_data长度超出data；步骤三：在GRU输出大小为16*150*5的输出数据output_x，根据生成器优化函数，优化G的时候要固定判别器D，生成器优化函数要取最小值，优化目标为：P
data
(x)＝P
g
当生成器G迭代一次后，判别器D开始进行训练，判别器D接收所有的n*5维正常数据集data和本次迭代中生成器G生成数据集fake_data，优化判别器D的时候要固定生成器G的参数，生成器优化函数P
data
(x)要取最大值，优化目标为：步骤四：当网络训练成熟后，判决器的output_x输出的size为1，是二分类，即最终生成式对抗网络BiGRU的博弈最终解为：D(G(z))＝0.5判决器D已经分别不出来fake_data和真实值data的区别，判决概率都是50％。2.根据权利要求1所述的不完备电子侦察数据智能补齐方法，其特征在于：生成器G、判决器D均采用BiGRU，输出output的size为1，生成器的输出output的大小是5。3.根据权利要求2所述的不完备电子侦察数据智能补齐方法，其特征在于：BatchSize取值为16，即每一次epoch迭代过程中都会有16条航迹数据送入生成器G中进行训练，因此构成生成器G的BiGRU的输入大小为16*150*5。4.根据权利要求3所述的不完备电子侦察数据智能补齐方法，其特征在于：数据集构成训练集一共24381条电子侦察数据，输入生成器和判决器进行训练。5.根据权利要求4所述的不完备电子侦察数据智能补齐方法，其特征在于：生成器的输入为一定的缺失数据集与真实样本数据集，在改进型的GAN中，在生成器部分输入的缺失数据集引入类别标签这个输入来弥补随机噪声数据集的不足，通过引入先验知识给生成式对抗网络让GAN生成器学习原始数据真实分布的速度更迅速，提升收敛速度。6.根据权利要求5所述的不完备电子侦察数据智能补齐方法，其特征在于：生成式对抗网络最重要的特性就是对抗，即生成器Generator和判决器Discriminator的优化目的完全相反，二者在...

【专利技术属性】
技术研发人员：顾晓乐，刘明骞，苑航，
申请(专利权)人：盛航台州科技有限公司，
类型：发明
国别省市：