技術特征：

1.一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，其特征在于包括以下步驟：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：

${\mathrm{\σ}}_{sta}=\mathrm{\α}/u_{Td}+{\mathrm{\β\σ}}_{Td}^2---\left(1\right)$

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：

λ＝(N-1)ln|∑₁|-(N-1)p-(N-1)ln|S|+(N-1)tr(S∑₁^-1) (4)

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：

$S=\frac{1}{N-1}\underset{\mathrm{\&alpha;}=1}{\overset{N}{\&Sigma;}}(J_{\mathrm{\&alpha;}}-{\stackrel{\&OverBar;}{J}}_{\mathrm{\&alpha;}}){(J_{\mathrm{\&alpha;}}-{\stackrel{\&OverBar;}{J}}_{\mathrm{\&alpha;}})}^T---\left(5\right)$

${\stackrel{\&OverBar;}{J}}_{\mathrm{\&alpha;}}=\frac{1}{N}\underset{\mathrm{\&alpha;}=1}{\overset{N}{\&Sigma;}}{J}_{\mathrm{\&alpha;}}---\left(6\right)$

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。