[發明專利]一種基于遷移學習的雷達干擾決策方法

有效

• 申請號: 201811034422.5
• 申請日: 2018-09-06
• 公開（公告）號: CN109444831B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 朱衛綱;邢強;陳維高;曲衛;楊君;童菲;曾創展;張永順;何永華;唐曉婧;崔巍巍;冉小輝;張柏開
• 申請（專利權）人: 中國人民解放軍戰略支援部隊航天工程大學
• 主分類號: G01S7/38
• 分類號: G01S7/38
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 郭德忠;李愛英

本發明提供的一種基于遷移學習的雷達干擾決策方法，通過構造雷達參數先驗知識庫與未知威脅數據集的低維隱藏空間，從隱藏空間提取訓練樣本，由支持向量機訓練，實現對未知威脅數據集的干擾決策，有效提高智能對抗系統干擾決策正確率。

技術領域

本發明屬于電子干擾技術領域，尤其涉及一種基于遷移學習的雷達干擾決策方法。

背景技術

電子干擾指為使敵方電子設備和系統喪失或降低效能所采取的電波擾亂措施，是現代信息化戰爭的重要環節，貫穿了整個戰爭的全過程，其目的是削弱或破壞敵方使用各種電子設備和系統遂行戰場偵察、作戰指揮、通信聯絡和兵器控制與制導的能力，為隱蔽己方企圖和提高己方飛機、艦艇的生存能力創造有利條件。干擾決策作為電子干擾的核心環節，是指在雷達先驗知識庫的基礎上，通過對比匹配或相應算法選擇適用于雷達不同工作模式的干擾樣式的過程，是掌握制電磁權、贏得戰場主動的基礎和關鍵因素。

隨著雷達輻射源數目的急劇增加以及多種調制方式的采用，戰場電磁環境變得日益復雜，使得偵收到的目標輻射源信號存在以下幾個顯著的特點：(1)由于多功能雷達信號靈活多變，情報獲取的多源性，且信號在傳播、偵收及處理過程中受多徑效應、噪聲等因素的影響，導致雷達先驗知識庫參數特征存在殘缺現象；(2)戰時雷達工作參數與平時不同，雷達先驗知識庫樣本不完備；(3)新體制雷達不斷列裝，沒有構建相應的雷達先驗知識庫。傳統雷達對抗過程中，對抗系統獲取的雷達參數與先驗知識庫進行匹配，如果匹配，則系統選擇對應的干擾樣式；如果不匹配，則系統干擾決策正確率低。對工作參數靈活多變的多功能雷達，傳統電子對抗方法面臨上述干擾決策正確率低的問題。

上世紀70-80年代，人工智能技術被提出應用到電子戰中，其后卻很少有公開文獻報道。直到2010年，美國相繼發布ARC、BLADE、認知干擾機、CommEx等項目公告，機器學習在電子戰中的應用迅速發展。針對干擾樣式的選擇問題，唐文龍等運用不同準則研究了基于博弈論的干擾樣式選擇方法，該方法基于充分的先驗知識，需建立雷達干擾-抗干擾對策矩陣，實際過程中雙方的對策矩陣是相互未知的；李云杰等引入認知原理，提出基于Q-學習算法的認知雷達對抗過程設計，依據雷達狀態，動態調整干擾策略，使得干擾更具有針對性、靈活性與智能性，但要建立在已知雷達狀態條件下；陳凱提出干擾效果評估修正干擾知識庫的干擾決策系統，該系統構建參數庫與知識庫兩部分，結構較復雜。上述研究對新列裝雷達、先驗知識庫未知情況無法應用。

發明內容

為解決上述問題，本發明提供一種基于遷移學習的雷達干擾決策方法，能夠提高智能對抗系統干擾決策正確率。

一種基于遷移學習的雷達干擾決策方法，包括以下步驟：

S1：采用遷移成分分析法，從隱藏空間中提取訓練樣本，其中，所述隱藏空間為雷達參數先驗知識庫與未知威脅數據集通過變換φ映射到的同一個數據空間；

S2：采用支持向量機的方法，對所述訓練樣本進行訓練，得到干擾決策模型；

S3：將新的未知威脅數據輸入所述干擾決策模型，得到新的未知威脅數據的干擾決策結果。

進一步地，所述采用遷移成分分析法，從隱藏空間中提取訓練樣本具體包括以下步驟：

假設雷達參數先驗知識庫X_S的邊緣分布為P(X_S)，X_S經過φ變換后為未知威脅數據集X_T的邊緣分布為Q(X_T)，X_T經過φ變換后為

獲取邊緣分布P(X_S)與邊緣分布Q(X_T)之間的最大平均差異MMD：