基于视觉网络的SAR欺骗干扰效果评估方法技术

基于视觉网络的SAR欺骗干扰效果评估方法，它属于电子对抗领域。本发明专利技术解决了采用现有SAR欺骗干扰效果评估方法无法对不同参数类型存在不同程度侦察误差的情况进行评估的问题。本发明专利技术方法具体为：步骤一、生成包含SAR参数侦察误差的干扰样本，将生成的干扰样本作为训练集中的输入，将干扰样本对应的参数误差类型和参数误差程度作为训练集中的输出；步骤二、搭建视觉网络模型；步骤三、利用训练集对搭建的视觉网络模型进行训练；步骤四、将待评估的干扰样本输入训练好的视觉网络模型，通过训练好的视觉网络模型输出对待评估干扰样本的参数误差类型和参数误差程度的评估结果。本发明专利技术方法可以应用于SAR欺骗干扰效果评估。明方法可以应用于SAR欺骗干扰效果评估。明方法可以应用于SAR欺骗干扰效果评估。

【技术实现步骤摘要】
基于视觉网络的SAR欺骗干扰效果评估方法


[0001]本专利技术属于电子对抗领域，具体涉及一种基于视觉网络的SAR欺骗干扰效果评估方法。

技术介绍

[0002]干扰机对合成孔径雷达(Synthetic Aperture Radar，以下简称SAR)实施欺骗干扰之后，需要有效的评估其干扰效果以便做出正确的战略决策，即干扰是否有效，干扰成像质量如何，是否存在参数侦察误差，是否需要重新侦察参数实施干扰等。欺骗干扰效果评估作为推动SAR电子对抗技术不断发展的重要技术，保证评估技术的有效性和准确性是推动电子对抗进一步发展的重要前提。
[0003]在SAR欺骗干扰信号生成过程中，不可避免的会因为侦察等各种因素使得各项参数存在不同类型、不同程度的误差，影响SAR欺骗干扰效果从而恶化干扰机的性能。而在当前复杂智能的电磁环境下，传统指标评估方法整体表现较为单一，并且不具备普适性，无法对存在不同侦察误差情况下的SAR欺骗干扰成像结果进行准确评估，存在较大的误差和不确定性，难以适应当前电子对抗领域的需求。因此，研究利用当前深度学习技术对包含不同误差类型和不同误差程度的SAR欺骗干扰结果进行科学、可靠、准确的评估可以显著增强SAR电子对抗能力。
[0004]文献“Performance evaluation of deception against synthetic aperture radar based on multifeature fusion”将显性评估指标和神经网络提取的隐性特征进行结合，对不同程度运动参数误差生成的干扰图像进行分类评估，结果表明，深度学习网络相比传统方法可以达到更好的评估效果，但该方法只考虑了运动误差而未考虑其他参数误差类型，评估类型过于理想；文献“Evaluation of Deceptive Jamming Effect on SAR Based on Visual Consistency”系统的将基于检测、识别和语义三个视觉层次进行整合提出了视觉一致性的SAR欺骗干扰效果高效评估框架，虽然对误差结果有了更好的评估效果，但同样没有考虑不同参数侦察误差的评估情况。文献“一种基于AHP和目标检测识别性能的SAR干扰效果评估方法”提出将层次分析法和当下流行的目标检测识别进行有效结合，在仿真实验中取得了较好的结果，但依然无法实现对存在侦察误差条件下的欺骗目标评估。
[0005]SAR欺骗干扰效果评估主要是通过判断成像结果质量的好坏对干扰效果做出评估，但缺少对参数侦察误差引起干扰效果的恶化进行评估的方法。虽然已有方法与深度学习理论略有结合，但都局限在目标识别和单一误差类型下误差程度的评估，未对不同误差类型进行深入研究。
[0006]综上所述，现有SAR欺骗干扰效果评估方法无法对不同参数类型存在不同程度侦察误差的情况进行评估。

技术实现思路

[0007]本专利技术的目的是为解决采用现有SAR欺骗干扰效果评估方法无法对不同参数类型
存在不同程度侦察误差的情况进行评估的问题，而提出的一种基于视觉网络的SAR欺骗干扰效果评估方法。
[0008]本专利技术为解决上述技术问题所采取的技术方案是：
[0009]一种基于视觉网络的SAR欺骗干扰效果评估方法，所述方法具体包括以下步骤：
[0010]步骤一、生成包含SAR参数侦察误差的干扰样本，将生成的干扰样本作为训练集中的输入，将干扰样本对应的参数误差类型和参数误差程度作为训练集中的输出；
[0011]步骤二、搭建视觉网络模型，所述视觉网络模型包括视觉特征提取模块、全局平均池化GAP(Global Average Pooling)层和Linear层；
[0012]步骤三、利用训练集对搭建的视觉网络模型进行训练；
[0013]步骤四、将待评估的干扰样本输入训练好的视觉网络模型，通过训练好的视觉网络模型输出对待评估干扰样本的参数误差类型和参数误差程度的评估结果。
[0014]进一步地，所述步骤一中，生成包含SAR参数侦察误差的干扰样本，其具体过程为：
[0015]选择用于生成干扰样本的SAR参数，将选择出的第n个SAR参数在无误差情况下的值表示为σ
n
，n＝1,2,
…
,N，N表示选择的SAR参数个数；
[0016]分别为选择的每个SAR参数设置K个误差程度，将误差程度为k时的第n个SAR参数的值表示为σ
＜n,k＞
，k＝1,2,
…
,K；
[0017]根据σ
＜n,k＞
生成SAR欺骗干扰信号s(t)，n＝1,2,
…
,N，k＝1,2,
…
,K；
[0018]再根据无误差的参数σ
n
对SAR欺骗干扰信号CS(Chirp Scaling,CS)成像形成干扰样本X
＜n,k＞
。
[0019]进一步地，所述选择用于生成干扰样本的SAR参数，选择出的SAR参数分别为距离调频率、载频、速度、位置和脉冲重复频率。
[0020]进一步地，所述误差程度的取值分别为1％、3％、5％、7％和9％，即K＝5。
[0021]误差程度为1％是指生成SAR欺骗干扰信号时采用的参数的取值为σ
＜n,1＞
，σ
＜n,1＞
＝σ
n
±
0.01σ
n
。
[0022]进一步地，所述干扰样本X
＜n,k＞
输入搭建的视觉网络模型后，视觉网络模型的输出为：
[0023]F
out
＝Linear{GAP[VAN(X
＜n,k＞
)]}
[0024]其中，F
out
为视觉网络模型的输出，VAN(
·
)为视觉特征提取模块。
[0025]视觉特征提取模块不仅仅考虑了空间维度上的自适应性，同时还捕捉了自注意力机制所忽略的通道维度上的自适应性。因此，在从SAR二维图像层面考虑对欺骗干扰效果的评估，本专利技术的视觉网络模型具有极大的优势，有利于对SAR图像信息的深层次掌握。
[0026]进一步地，所述视觉特征提取模块中包括四个单元，每个单元中均包括下采样层、VAN block和LN。
[0027]本专利技术的有益效果是：
[0028]本专利技术利用反演将大量SAR图像转换成包含不同参数误差类型以及不同误差程度的SAR干扰样本，再利用干扰样本对视觉网络模型进行训练，最后将待评估的干扰样本输入训练好的视觉网络模型，解决了现有SAR欺骗干扰效果评估方法无法对参数误差类型以及误差程度进行评估的问题，本专利技术对SAR欺骗干扰效果的评估结果与真实结果一致，可以达到较好的干扰效果评估结果。
[0029]本专利技术利用视觉网络模型增加了智能性，同时可以快速、准确、可靠的判断出SAR欺骗干扰结果中存在何种参数误差以及何种程度的侦察误差，以便调整电子对抗策略，突破了当前S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于视觉网络的SAR欺骗干扰效果评估方法，其特征在于，所述方法具体包括以下步骤：步骤一、生成包含SAR参数侦察误差的干扰样本，将生成的干扰样本作为训练集中的输入，将干扰样本对应的参数误差类型和参数误差程度作为训练集中的输出；步骤二、搭建视觉网络模型，所述视觉网络模型包括视觉特征提取模块、全局平均池化GAP层和Linear层；步骤三、利用训练集对搭建的视觉网络模型进行训练；步骤四、将待评估的干扰样本输入训练好的视觉网络模型，通过训练好的视觉网络模型输出对待评估干扰样本的参数误差类型和参数误差程度的评估结果。2.根据权利要求1所述的基于视觉网络的SAR欺骗干扰效果评估方法，其特征在于，所述步骤一中，生成包含SAR参数侦察误差的干扰样本，其具体过程为：选择用于生成干扰样本的SAR参数，将选择出的第n个SAR参数在无误差情况下的值表示为σ
n
，n＝1,2,
…
,N，N表示选择的SAR参数个数；分别为选择的每个SAR参数设置K个误差程度，将误差程度为k时的第n个SAR参数的值表示为σ
＜n,k＞
，k＝1,2,
…
,K；根据σ
＜n,k＞
生成SAR欺骗干扰信号s(t)，n＝1,2,

【专利技术属性】
技术研发人员：肖易寒，代亮，陈涛，郭立民，蒋伊琳，宋柯，于祥祯，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：