【技术实现步骤摘要】
本专利技术涉及机器学习的时间序列预测，具体地说，是一种基于理论辅助的雷达探测性能预测方法。
技术介绍
1、雷达作为一种全天时、全天候的无线电传感器，可以安装于车辆、飞机和卫星等多种移动平台上，在民用及军事领域都有着广泛且重要的应用价值。掌握雷达系统性能状况，预测雷达探测性能变化，是确保雷达高效稳定运行的关键。
2、传统雷达性能预测方法主要是构建目标雷达的功能仿真数学模型或信号仿真数学模型，从信号流程角度描述雷达系统，通过雷达方程和干扰方程等雷达理论基础，仿真设定条件下雷达系统的检测功能。虽然直接仿真构建雷达模型可以对雷达性能进行较为精准的预测，但面临着物理模型简单导致预测误差过大、物理模型复杂导致运算复杂度过高等问题。
3、随着机器学习技术的快速发展，基于数据驱动的机器学习模型被用于预测雷达系统性能的变化。机器学习能够直接从数据中提取出潜在的特征相关性与模式规律，并且可以以任意精度近似拟合任意的连续函数，进而突破传统雷达模型的计算复杂度上限。但由于训练数据匮乏、模型好坏与训练数据或分布息息相关等问题，不适用于不同任务背景下对雷达系统开展有效快捷的性能分析预测。
技术实现思路
1、本专利技术的目的在于提供一种基于理论辅助的雷达探测性能预测方法。
2、实现本专利技术目的的技术解决方案为：一种基于理论辅助的雷达探测性能预测方法，包括以下步骤：
3、s1：针对雷达系统的探测性能建立分析指标体系和雷达系统经典物理模型与约束；
4、s
5、s3：将原始数据集进行数据预处理；
6、s4：将经过数据预处理的数据利用主成分分析pca降维算法进行降维，得到训练数据集；
7、s5：将训练数据集构建成连续的特征图，然后利用卷积神经网络cnn提取特征向量，通过加入雷达方程和干扰方程构建新的损失函数作为模型训练的目标函数，输出特征向量；
8、s6：将特征向量以时间序列的形式输入长短期记忆网络lstm进行预测，通过加入雷达方程和干扰方程构建新的损失函数作为模型训练的目标函数，输出预测向量；
9、s7：将预测向量输入全连接层，以指定的形式输入预测结果。
10、本专利技术与现有技术相比，其显著有点为：
11、该方法以雷达方程和干扰方程作为理论辅助加入机器学习损失函数的构建之中，即将雷达物理模型约束作为正则项加入损失函数中作为模型训练的目标函数，使得机器学习模型在训练之前就具备雷达系统特定的物理约束条件，保留了底层理论模型的具体形式。因此，可以在少量训练数据的条件下，训练出自动满足部分先验知识的预测模型，且模型兼具使用数据驱动技术带来的简单、直接、高效的优点和更好的泛化性能。
本文档来自技高网...【技术保护点】
1.一种基于理论辅助的雷达探测性能预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤S1的具体实现过程为：选择目标检测概率作为雷达探测性能的定量化描述指标，根据具体类型的雷达特性，选择具体的雷达状态参数作为性能分析指标，建立对应的分析指标体系，所述分析指标体系包括雷达输入峰值功率、雷达工作频率、雷达天线增益、雷达带宽、雷达单位采样数以及其它可以表征雷达工作性能的指标；所述雷达系统经典物理模型与约束分别为雷达方程与干扰方程。
3.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤S2的具体过程为：根据步骤S1所建立的分析指标体系，采用传感器采集雷达的状态参数数据，包括使用内置的雷达控制系统收集有关雷达工作的信息，使用温湿度传感器采集雷达工作环境信息，并将这些多源数据信息按列合并存放至一个数据存储中作为原始数据集。
4.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤S3的具体过程为：将原始数据集按列进行缺失值和异常值处理，再对数据进行归一
5.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤S4的具体过程为：将经过步骤S3处理后的原始数据集排列为矩阵并按行零均值化，假设有N维样本{X1,X2,…,XN}，每个样本都有M个特征利用如下公式求得协方差矩阵C，并求出该协方差矩阵的特征值λi(i＝1,2,…,K)以及对应的特征向量ai(i＝1,2,…,K)；
6.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤S5的具体过程为：将训练数据集构建成连续的特征图输入至CNN模块；CNN模块包括卷积层(Conv2d)、池化层(Maxpooling2D)和平化层；卷积层设置为3层，单位特征图大小为16×16，卷积核的大小设置为2，步长设置为1，每个卷积层的卷积核数量设置为4；池化层设置为3层，池化层设置的参数与卷积层相同；卷积层与池化层为一对一结构，最后通过平化层将数据压扁压缩，输出特征向量。
7.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤S6的具体过程为：将步骤S5输出的特征向量输入LSTM，LSTM设置为3层，每层神经元的数量设置为128，LSTM的输出为预测向量。
8.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤S5和步骤S6中加入雷达方程和干扰方程构建新的损失函数作为模型训练的目标函数的构建方法如下：
...【技术特征摘要】
1.一种基于理论辅助的雷达探测性能预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤s1的具体实现过程为：选择目标检测概率作为雷达探测性能的定量化描述指标，根据具体类型的雷达特性，选择具体的雷达状态参数作为性能分析指标，建立对应的分析指标体系，所述分析指标体系包括雷达输入峰值功率、雷达工作频率、雷达天线增益、雷达带宽、雷达单位采样数以及其它可以表征雷达工作性能的指标；所述雷达系统经典物理模型与约束分别为雷达方程与干扰方程。
3.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤s2的具体过程为：根据步骤s1所建立的分析指标体系，采用传感器采集雷达的状态参数数据，包括使用内置的雷达控制系统收集有关雷达工作的信息，使用温湿度传感器采集雷达工作环境信息，并将这些多源数据信息按列合并存放至一个数据存储中作为原始数据集。
4.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤s3的具体过程为：将原始数据集按列进行缺失值和异常值处理，再对数据进行归一化；
5.如权利要求1所述的基于理论辅助的雷达探测性能预测方法，其特征是，所述步骤s4的具体过程为：将经过步...
【专利技术属性】
技术研发人员：周家豪，张捷，吕明，马立丰，于琳，杨学康，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。