【技术实现步骤摘要】
本专利技术涉及船载雷达，尤其涉及多源船载雷达定向控制方法及装置。
技术介绍
1、随着现代海洋技术和船舶工业的快速发展，船舶的数量和种类都在持续增长。这些船舶在执行各种任务时，如货物运输、渔业活动、科研考察、军事巡逻等，都需要对周围的海域进行实时监测，以确保船舶的安全和任务的顺利完成。雷达作为一种重要的远程探测工具，已经被广泛应用于船舶上，用于探测和跟踪目标、导航和避障等。
2、但是，多源雷达数据的处理和融合成为了一个新的挑战。不同的雷达可能工作在不同的频率、模式和分辨率下，它们获取的数据可能存在时间、空间和特性上的差异。如何有效地融合这些数据，提取有用的信息，并为船舶提供准确的导航和目标跟踪服务，成为了研究的重点。
3、我国专利申请号：cn202310901578.3，公开日：2023.09.19，公开了一种兼顾全局和局部信息感知的雷达图像舰船目标检测方法，包括以下步骤：s1、获取雷达图像样本；s2、采用自适应阈值方法识别雷达图像中的海洋区域和陆地区域；s3、采用最大稳定极值区域方法提取出图像中稳定的极值区域，作为候选舰船区域；s4、使用简单线性迭代聚类方法对整个图像进行超像素分割；s5、对所有候选舰船区域进行显著值计算，当显著值满足预设条件时，候选舰船区域被判定为最终的正确检测区域。该专利技术综合考虑雷达图像全局和局部信息感知。一方面，将场景中的上下文信息引入到复杂场景中的舰船检测中，提供了更有效的信息；另一方面，将全局区域稳定性和局部背景信息相结合，准确区分真实的舰船目标和虚假警报。
4、
技术实现思路
1、本申请实施例通过提供多源船载雷达定向控制方法及装置，解决了现有技术没有充分考虑到气象因素对雷达波传播的影响，这可能导致雷达数据的准确性和可靠性降低；数据处理不够精准和稳定，在雷达定向控制策略方面可能不够灵活和精准，不能实时分析目标的运动规律并动态调整模型参数，目标检测和跟踪的准确性不足；不能快速适应数据的变化，影响模型的学习效率和预测精度，导致多源数据融合能力不足。通过融合多雷达源数据、考虑气象因素的影响、应用非线性动态模型和深度学习技术，以及引入生物钟理论和目标行为分析，实现了在复杂海况和多目标环境下的高精度、高稳定性雷达目标检测和追踪。
2、本申请提供了多源船载雷达定向控制方法及装置，具体包括以下技术方案：
3、多源船载雷达定向控制装置，包括以下部分：
4、数据获取模块、预处理模块、校正处理模块、融合模块、定向控制模块和数据库；
5、所述预处理模块，用于基于动态气象影响因子，采用动态数据校正法对雷达数据进行预处理；使用非线性动态模型来描述雷达波在不同气象条件下的传播；预处理模块通过数据传输的方式与校正处理模块相连；
6、所述校正处理模块，用于利用深度学习技术对预处理后的雷达数据进行校正，输出经过深度学习校正的雷达数据；校正处理模块通过数据传输的方式与融合模块和数据库相连；
7、所述融合模块，用于构建雷达监测目标的行为预测模型，根据行为预测结果，动态地调整来自不同船只雷达数据的权重；引入基于动态权重的自适应数据融合算法进行雷达数据融合；融合模块通过数据传输的方式与定向控制模块相连；
8、所述定向控制模块，用于利用生物钟理论，对雷达融合数据进行周期性调整，描述雷达波的非线性传播过程，对目标进行自动识别和分类；定向控制模块通过数据传输的方式与数据库相连。
9、多源船载雷达定向控制方法，包括以下步骤：
10、s100：基于动态气象影响因子构建非线性动态模型，采用动态数据校正法对雷达数据进行预处理；
11、s200：利用深度学习技术对预处理后的雷达数据进行校正，输出经过深度学习校正的雷达数据；
12、s300：构建雷达监测目标的行为预测模型，根据行为预测结果，动态地调整来自不同船只雷达数据的权重，通过基于动态权重的自适应数据融合算法进行雷达数据融合；
13、s400：利用生物钟理论，对雷达融合数据进行周期性调整，描述雷达波的非线性传播过程，对目标进行自动识别和分类。
14、优选的，所述s100，具体包括：
15、在获取动态气象影响因子dmif之后，采用动态数据校正法来进行数据预处理，具体计算公式为：
16、
17、其中，dproc是预处理后的数据，dorig是原始雷达数据，∈是用于调整动态气象影响因子对原始雷达数据影响程度的系数，θ是用于调整根据原始雷达数据计算得到的校正项的系数，κ是用于调整原始雷达数据在计算校正项时的权重的系数。
18、优选的，所述s200，具体包括：
19、深度神经网络模型的输入包括经过初步预处理的雷达数据和与雷达波传播相关的气象数据向量，输出是经过深度学习校正的最终雷达数据；深度神经网络模型通过至少两层的非线性变换学习雷达数据和气象数据之间的映射关系，深度神经网络模型包括输入层、自适应权重调整层、多模态融合层和输出层。
20、优选的，所述s200，还包括：
21、在自适应权重调整层中，引入基于动态学习率的权重调整机制，学习率的调整是基于输入数据的变化量的；在多模态融合层中，引入多源数据融合算法，所述多源数据融合算法基于自适应数据权重分配机制。
22、优选的，所述s300，具体包括：
23、定义在时间t的目标行为、目标所处的环境状态和目标的行为倾向，并引入非线性动态函数、权重参数和衰减参数；基于所述定义，构建行为预测模型。
24、优选的，所述s300，还包括：
25、引入基于行为预测模型的自适应数据权重分配算法，所述自适应数据权重分配算法将根据目标的行为预测结果动态调整各船只雷达数据的权重；通过用于计算目标行为和船载雷达之间距离的距离函数和用于调整权重分配敏感度的参数，构建数据权重分配算法。
26、优选的，所述s300，还包括：
27、在进行权重分配后，引入基于动态权重的自适应数据融合算法；并构建数据融合算法。
28、优选的，所述s400，具体包括：
29、利用生物钟理论，对雷达融合数据进行周期性调整，模拟生物体在不同时间段，具体为白天和夜晚的定位能力的变化；并定义公式描述目标的运动规律。
30、优选的，所述s400，还包括：
31、根据目标的运动规律，动态调整雷达定向控制模型的参数；根据雷达波在海况下的非线性传播特性，引入雷达波的非线性传播过程，对雷达波的传播路径进行本文档来自技高网...
【技术保护点】
1.多源船载雷达定向控制装置，其特征在于，包括以下部分：
2.多源船载雷达定向控制方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的多源船载雷达定向控制方法，其特征在于，所述S100，具体包括：
4.根据权利要求2所述的多源船载雷达定向控制方法，其特征在于，所述S200，具体包括：
5.根据权利要求4所述的多源船载雷达定向控制方法，其特征在于，所述S200，还包括：
6.根据权利要求2所述的多源船载雷达定向控制方法，其特征在于，所述S300，具体包括：
7.根据权利要求6所述的多源船载雷达定向控制方法，其特征在于，所述S300，还包括：
8.根据权利要求7所述的多源船载雷达定向控制方法，其特征在于，所述S300，还包括：
9.根据权利要求2所述的多源船载雷达定向控制方法，其特征在于，所述S400，具体包括：
10.根据权利要求9所述的多源船载雷达定向控制方法，其特征在于，所述S400，还包括：
【技术特征摘要】
1.多源船载雷达定向控制装置，其特征在于，包括以下部分：
2.多源船载雷达定向控制方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的多源船载雷达定向控制方法，其特征在于，所述s100，具体包括：
4.根据权利要求2所述的多源船载雷达定向控制方法，其特征在于，所述s200，具体包括：
5.根据权利要求4所述的多源船载雷达定向控制方法，其特征在于，所述s200，还包括：
6.根据权利要求2所述...
【专利技术属性】
技术研发人员：所辉，雷光，张清涛，王升基，刘丰杰，王海涛，李豪，于江波，孙洁，孙超，
申请(专利权)人：龙口港集团有限公司，
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。