一种双多域复数神经网络的雷达抗干扰智能决策方法技术

本发明专利技术公开了一种双多域复数神经网络的雷达抗干扰智能决策方法，包括：设计基于干扰信号获得雷达状态矩阵的算法框架，并构建用于存储雷达状态矩阵的记忆库；构建包括估计值网络和目标值网络的双多域CD3QNs复数神经网络；基于估计值网络和目标值网络输出的均方误差构建损失函数；基于受到干扰的雷达回波数据构建训练数据对，并利用上述算法框架获得对应的雷达状态矩阵；基于损失函数利用训练数据对及其对应的雷达状态矩阵对网络进行训练，以便通过训练好的网络进行雷达抗干扰智能决策。该方法具有针对复杂有源干扰信号抗干扰决策准确率高、实时性强、性能稳定的优点，可用于雷达干扰对抗中最佳抗干扰方法的智能决策。扰对抗中最佳抗干扰方法的智能决策。扰对抗中最佳抗干扰方法的智能决策。

【技术实现步骤摘要】
一种双多域复数神经网络的雷达抗干扰智能决策方法


[0001]本专利技术属于雷达抗干扰
，具体涉及一种双多域复数神经网络的雷达抗干扰智能决策方法。

技术介绍

[0002]随着战场电磁环境日益复杂，传统雷达对环境的感知能力已经无法满足现实需要。手工提取雷达数据特征并决策抗干扰方法无法快速应对快速多变的干扰对战场景。此外，在选择抗干扰方法时，主要依赖专家人员的经验判断干扰情况，然后从抗干扰方法库中选择抗干扰措施，这一过程严重依赖个人经验，智能化程度低，不具备稳健性。
[0003]近年来，随着人工智能技术的发展，机器学习算法被逐渐应用到雷达抗干扰中。其中，强化学习方法由于能够有效刻画抗干扰决策的过程而被广泛关注。例如，刑强等人在系统工程与电子技术发表的论文《基于Q
‑
学习的智能雷达对抗》(系统工程与电子技术，2018，5，1030
‑
05)中提出了基于Q
‑
学习的抗干扰决策方法，其主要通过手工提取雷达威胁等级、雷达工作模型等特征参数构建雷达状态矩阵，然后根据学习到的干扰样式
‑
抗干扰回报Q表决策最佳抗干扰措施。此外，还有一些学者研究了基于深度学习的抗干扰智能决策方法，例如，西安电子科技大学在其申请的专利文献《基于DQN算法的雷达抗干扰智能决策方法》(申请公布号CN113341383A)中提出了基于DQN网络的雷达抗干扰智能决策方法，其通过构建深度学习神经网络代替Q
‑
学习中的Q表计算干扰样式
‑
抗干扰回报Q表，从而可以快速决策出最佳抗干扰方法。
[0004]然而，上述基于Q
‑
学习的抗干扰决策方法主要采用手工提取参数，其计算量较大、效率低下，且简单值迭代方法更新Q值易产生过估计，使得雷达抗干扰效果差、决策准确率低；此外，该方法采用干扰样式
‑
抗干扰回报矩阵形式存储数据，难以满足大量干扰数据下的内存要求。基于DQN网络的雷达抗干扰智能决策方法中两个神经网络存在耦合训练难度大、收敛速度慢的问题；且该神经网络卷积核为实数，与雷达回波的复数数据不够适配，影响决策的准确性。

技术实现思路

[0005]本专利技术针对上述现有技术的不足，提出了一种双多域复数神经网络的雷达抗干扰智能决策方法，以避免抗干扰决策过程中手工分离信号特征、计算量大、决策效率低、准确率低、以及网络不适配雷达数据的问题。
[0006]本专利技术的技术思路是：构建双多域CD3QNs(Complex Dueling Double Deep Q Network Softmax)复数神经网络，将雷达状态矩阵输入到双多域CD3QNs复数神经网络中，结合算法在训练过程中同时决策最佳抗干扰方法，使模型具备最佳抗干扰决策能力。通过训练后的双多域CD3QNs复数神经网络得到最终收敛矩阵的最大值，从而高效准确决策最佳抗干扰方法。
[0007]本专利技术要解决的技术问题通过以下技术方案实现：
一种双多域复数神经网络的雷达抗干扰智能决策方法，包括：步骤1：设计基于干扰信号获得雷达状态矩阵的算法框架，并构建用于存储雷达状态矩阵的记忆库；步骤2：构建包括估计值网络和目标值网络的双多域CD3QNs复数神经网络；步骤3：基于所述估计值网络和所述目标值网络输出的均方误差构建双多域CD3QNs复数神经网络的损失函数；步骤4：基于受到干扰的雷达回波数据构建训练数据对；步骤5：利用步骤1中的算法框架对所述训练数据对进行处理，以获得对应的雷达状态矩阵；基于所述损失函数利用所述训练数据对及其对应的雷达状态矩阵对所述双多域CD3QNs复数神经网络进行训练，以便通过训练好的网络进行雷达抗干扰智能决策。
[0008]本专利技术的有益效果：1、本专利技术提供的雷达抗干扰智能决策方法通过构建双多域CD3QNs复数神经网络，克服了现有技术中使用实数卷积核无法适配雷达干扰复数数据的问题，避免了抗干扰决策过程中手工分离信号特征、计算量大、决策效率低、准确率低、稳定性差及网络不适配雷达数据的问题，实现了对雷达干扰数据特征的有效提取，提高了准确率；2、本专利技术采用记忆库存储雷达干扰数据，能够满足大量干扰数据下的内存要求，实现了训练的同时决策最佳抗干扰方法，从而使本专利技术具备实时决策最佳抗干扰方法的能力，提高了雷达抗干扰方法决策效率；3、本专利技术在对网络进行训练的过程中通过双多域CD3QNs复数神经网络的估计值网络计算收敛矩阵，从中选择最大收敛值，实现了从雷达状态输入到收敛值的直接映射，克服了现有算法计算步骤复杂、易产生过估计现象导致的决策正确率低的问题以及训练难度大、收敛速度慢的问题，使得本专利技术具备计算简单、决策正确率高的优势。
[0009]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
[0010]图1是本专利技术实施例提供的一种双多域复数神经网络的雷达抗干扰智能决策方法的流程示意图；图2是本专利技术实施例提供的复数卷积层的运算方式示意图；图3是本专利技术实施例提供的估计值网络的结构示意图；图4是本专利技术实施例提供的双多域CD3QNs复数神经网络的结构框图；图5是采用本专利技术的方法与现有方法对受到线性函数移频干扰的雷达回波数据进行抗干扰的收敛矩阵示意图。
具体实施方式
[0011]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0012]实施例一请参见图1，图1是本专利技术实施例提供的一种基于双多域复数神经网络的雷达抗干扰智能决策方法的流程示意图，其包括：
步骤1：设计基于干扰信号获得雷达状态矩阵的算法框架，并构建记忆库用于存储雷达状态矩阵。
[0013]在本实施例中，基于干扰信号获得雷达状态矩阵的算法框架包括：11)获取干扰机发射的有源干扰信号。
[0014]具体的，干扰机发射一种有源干扰信号，雷达接收干扰机发射的干扰信号；其中，有源干扰类型可以为线性函数移频信号、相参运动假目标干扰信号或切片转发干扰信号中的任意一种干扰信号。
[0015]12)利用算法，选择任意一个抗干扰方法，计算抗干扰方法对抗有源干扰信号的信号失真比，将其作为抗干扰收益。
[0016]一般的，抗干扰方法库中包含子空间投影ESP方法、不精确拉格朗日乘子IALM方法、LocNet方法和RecNet方法等多种抗干扰方法。
[0017]算法指以大小的概率从抗干扰动作库中选择未被选择过的抗干扰方法，以的概率从已选择过的动作中选取抗干扰方法，的取值范围为。
[0018]具体的，本实施例采用如下公式计算信号失真比：；式中，为未受到干扰的归一化雷达回波，为执行抗干扰方法后的雷达回波，表示信号失真比。
[0019]13)构建雷达状态矩阵，其表达式为：。
[0020]此外，本实施例还设计了一个具有一定容量的记忆库，用于将作为一组数据存储到该记忆库中。
[0021]可选的，记忆库可以用D表示，其容量可以为3000，尺寸为3000
×
3 ，当存储干扰数据量大于300本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双多域复数神经网络的雷达抗干扰智能决策方法，其特征在于，包括：步骤1：设计基于干扰信号获得雷达状态矩阵的算法框架，并构建用于存储雷达状态矩阵的记忆库；步骤2：构建包括估计值网络和目标值网络的双多域CD3QNs复数神经网络；步骤3：基于所述估计值网络和所述目标值网络输出的均方误差构建双多域CD3QNs复数神经网络的损失函数；步骤4：基于受到干扰的雷达回波数据构建训练数据对；步骤5：利用步骤1中的算法框架对所述训练数据对进行处理，以获得对应的雷达状态矩阵；基于所述损失函数利用所述训练数据对及其对应的雷达状态矩阵对所述双多域CD3QNs复数神经网络进行训练，以便通过训练好的网络进行雷达抗干扰智能决策。2.根据权利要求1所述的一种双多域复数神经网络的雷达抗干扰智能决策方法，其特征在于，在步骤1中，基于干扰信号获得雷达状态矩阵的算法框架包括：11)获取干扰机发射的有源干扰信号；12)利用算法，选择任意一个抗干扰方法，计算所述抗干扰方法对抗所述有源干扰信号的信号失真比，将其作为抗干扰收益；13)构建雷达状态矩阵，其表达式为：。3.根据权利要求1所述的一种双多域复数神经网络的雷达抗干扰智能决策方法，其特征在于，步骤2包括：21)设计复数卷积核，以获得复数卷积层的运算方式；22)搭建包括3个复数卷积层和2个复数全连接层的时频域神经网络分支；23)搭建包括3个复数全连接层的时域神经网络分支；24)搭建包括1个复数全连接层和1个Softmax层的神经网络输出部分；25)基于所述时频域神经网络分支、所述时域神经网络分支以及所述神经网络输出部分搭建估计值网络。4.根据权利要求3所述的一种双多域复数神经网络的雷达抗干扰智能决策方法，其特征在于，步骤2还包括：26)复制所述估计值网络的结构以形成目标值网络，从而得到包括估计值网络和目标值网络的双多域CD3QNs复数神经网络。5.根据权利要求3所述的一种双多域复数神经网络的雷达抗干扰智能决策方法，其特征在于，步骤21)中设计的复数卷积层的运算方式如下：；式中，和分别表示复数特征图和复数卷积核，和表示复数特征图的实部和虚部，表示虚数单位，和表示复数卷积核的实部和虚部，表示复数相乘。
6.根据权利要求3所述的一种双多域复数神经网络的雷达抗...

【专利技术属性】
技术研发人员：李亚超，岑熙，顾彤，宫竹后，石光明，徐刚锋，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：