本發明隸屬于雷達對抗技術領域，適用于協同航跡欺騙干擾條件下長基線雷達網對真-假航跡的鑒別。

背景技術：

雷達對抗是現代戰爭中電子對抗領域的重要組成部分，隨著先進電子技術的發展，數字射頻存儲技術日趨成熟，導致各種先進的雷達干擾設備和干擾樣式不斷涌現，而雷達網能夠有效利用網內雷達的多視角、多頻段等優勢，有效對抗壓制式、欺騙式等多種干擾樣式。為了能夠對雷達網達到更好的欺騙效果，協同航跡欺騙干擾應運而生，通過虛假航跡精細協同，該干擾在各組網雷達中產生具有高度空-時相關性的協同虛假航跡，能夠在融合中心成功關聯，并形成融合航跡，傳統的航跡關聯檢驗等方法很難有效鑒別，目前針對該干擾的最新對抗方法是一種基于多元統計分析理論的航跡欺騙干擾鑒別方法，該方法主要通過以下三個步驟實現：

(1)根據實際情況設定樣本容量N、樣本采集的起始時刻K₀、判決門限λ_G；

(2)利用雷達網獲得的目標信息，采用集中式融合算法對目標的狀態進行估計，計算N個樣本的修正似然比λ；

(3)若λ≥λ_G，判定航跡為虛假航跡；若λ≤λ_G，判定航跡為真實航跡。

這種方法具有以下兩個缺陷：

(1)基于多元統計分析理論方法只是利用真假航跡在雷達網信息融合中心的數據層統計特征，單一的特征的鑒別可信度較差；

(2)基于多元統計分析理論方法是一種基于統計假設檢驗的硬判別方法，利用假設檢驗量與門限的比較進行鑒別，實際中真假航跡的統計特征差異并沒有那么大，因此該方法的錯誤鑒別概率較大。

技術實現要素：

本發明的目的是提出一種基于卷積神經網絡的雷達網協同航跡欺騙干擾鑒別方法，解決現有基于多元統計分析理論方法面臨的僅利用了上報航跡數據層統計特征和錯誤鑒別率較大等問題。

本發明提出的基于卷積神經網絡的雷達網協同航跡欺騙干擾鑒別方法的技術方案包括以下步驟：

步驟1：據欺騙式干擾和真實目標回波的不同，計算信號幅度統計特征：

其中，α,β由信干比決定，當信干比<1時，α＝1-信干比,β＝信干比；

步驟2：據欺騙式干擾和真實目標回波的不同，計算信號幅度分布特征：

其中，表示真實目標的實信噪比，為的無偏估計，表示欺騙干擾的SNR，為的無偏估計，為第i次脈沖觀測到的SNR，H₁為假設該航跡為虛假航跡，H₀為假設該航跡為真實航跡；

步驟3：計算航跡在地心直角坐標系內的位置固定偏差特征：

其中，△X_k(i,j)表示雷達i和j在X軸的位置偏差，△Y_k(i,j)表示雷達i和j在Y軸的位置偏差，表示雷達i和j的X軸的量測誤差方差之和，表示雷達i和j的Y軸的量測誤差方差之和；

步驟4：計算航跡的統計隨機誤差特征：

其中λ為修正的似然比，N為觀測的個數，p為隨機向量的維數，∑₁為真實目標協方差陣，S為觀測樣本方差陣：

上式J_α為第α個觀測樣本；

步驟5：背景設定為三雷達組網，在雷達網信息融合中心形成穩定虛假航跡的情況下，每部雷達提取出該條虛假航跡的信號幅度統計和分布特征，分別設為σ₁,σ₂,σ₃和δ₁,δ₂,δ₃，對雷達網中的任意兩部雷達組合提取出位置固定偏差判決統計量，分別設為T₁₂,T₁₃,T₂₃，對整個雷達網，提取出統計隨機誤差判決統計量，設為λ，得到目標的特征參數集為一個10維向量，如下所示：

X＝[σ₁,σ₂,σ₃,δ₁,δ₂,δ₃,T₁₂,T₁₃,T₂₃,λ] (7)

綜上所述，構造卷積神經網絡，包含2個卷積層、1個亞采樣層及一個全連接層，取卷積核維度為1，輸出層輸出結果為1，則該航跡為真實目標，輸出層輸出結果為0，則該航跡為虛假航跡；

(a)輸入層為10維目標特征向量：X＝[σ₁,σ₂,σ₃,δ₁,δ₂,δ₃,T₁₂,T₁₃,T₂₃,λ]；

(b)卷積層的卷積核大小均是3，且卷積核的跨度為1，卷積計算時將卷積核與特征做點乘，再加上一個偏置后得到該特征對應的卷積結果，第一個卷積層中，輸入是10維特征向量，使用卷積核從左至右滑動，卷積核對每個特征做卷積后對應特征向量中的一個值，每個卷積核最后產生對應的一個特征向量，每個特征向量的維數是8；

同樣的，第二個卷積層中，他的輸入數據是第二個采樣層產生的6個特征向量，使用16個不同的卷積和分別對6個特征向量做卷積運算，產生16個1×2；

(c)下采樣層

下采樣層使用大小為2的Block，對每個Block內的2個值計算平均值，作為特征向量中對應的值，輸入的特征向量的數量與輸出的特征向量的數量相同；

下采樣層，輸入的是第一個卷積層產生的6個1×8的特征向量，因此，經過下采樣之后，輸出6個1×4的特征向量；

(d)全連接層

全連接層的輸入是第二個卷積層產生的16個1×2特征向量，它有28個單元，計算方式與卷積類似，也是將輸入向量與權重向量做點乘，再加上一個偏置后獲得結果，最后，利用Sigmoid函數產生對應單元的一個狀態，即計算后產生30個輸出；

(e)輸出層

最后的輸出層是由2個歐式徑向基函數單元組成，每個單元代表一個判決結果，計算每個輸出RBF單元的輸入向量與參數向量之間的歐式距離，如果輸入向量與參數向量距離越小，那么RBF產生較小的輸出。

和背景技術相比，本發明的有益效果說明：(1)本發明通過對雷達網信號幅度統計、分布特征和上報航跡數據層特征綜合處理，有效提高了虛假航跡鑒別的可信度。

(2)本發明通過卷積神經網絡對航跡的信號-數據聯合特征進行大量的訓練提取，克服了硬判別錯誤鑒別概率較高的問題。

附圖說明

附圖1是本發明提出的基于卷積神經網絡的雷達網協同航跡欺騙干擾鑒別方法整體流程圖；

附圖2為采用背景技術得到的虛假目標正確識別概率；

附圖3為采用本發明得到的真實目標和虛假目標正確識別概率。

具體實施方式

下面結合附圖對本發明的基于卷積神經網絡的雷達網協同航跡欺騙干擾鑒別方法進行詳細描述(參照說明書附圖1)。

實施例條件：設有三部兩坐標雷達組網，雷達1的地理坐標為：緯度B₁＝37°、經度L₁＝120°、高度H₁＝300m；雷達2的地理坐標為：緯度B₂＝38°、經度L₂＝119°、高度H₂＝500m；雷達3的地理坐標為：緯度B₃＝37.5°、經度L₃＝119.5°、高度H₃＝700m；三部雷達的測距精度σ_ρ均為100m，方位角測量精度σ_θ均為0.1°；在雷達1的東北天坐標系內產生虛假航跡，其起始位置為(150km,100km,5km)，E、N、U三個方向運動速度分別為300m/s、50m/s、8m/s，運動持續250s，樣本選取的時刻為第150s，三架電子戰飛機分別對三部雷達引入的距離隨機誤差標準差為方位角和俯仰角隨機誤差標準差為根據欺騙干擾和真實目標回波信號的表達式，隨機產生2000條真實目標航跡和2000條虛假航跡，其中各選取1000組特征利用卷積神經網絡進行訓練，然后利用剩余的1000組數據測試網絡對欺騙干擾和真實目標的識別概率。

(1)按發明內容部分步驟1所述，計算信號幅度統計特征；

(2)按發明內容部分步驟2所述，計算信號幅度分布特征；

(3)按發明內容部分步驟3所述，計算航跡在地心直角坐標系內的位置固定偏差特征；

(4)按發明內容部分步驟4所述，計算航跡的統計隨機誤差特征；

(5)按發明內容部分步驟5所述，利用計算得到的1000組10維目標特征向量對卷積神經網絡進行訓練；

(6)按發明內容部分步驟5所述，利用計算得到的另外1000組10維目標特征向量對卷積神經網絡進行測試；

附圖2為采用背景技術得到的虛假目標正確識別概率，附圖3為采用本發明得到的真實目標和虛假目標正確識別概率。