本發明涉及信號處理和測試評估，特別是一種基于深度神經網絡的rcs系統仿真測試方法及系統。

背景技術：

1、雷達散射截面(rcs)測量作為現代電子對抗系統中的重要測試手段，其仿真精度和可靠性直接影響著武器裝備性能的評估結果。隨著現代作戰平臺隱身技術的不斷發展，對rcs測量系統的精度要求越來越高。現有rcs仿真測試系統主要關注測量數據的采集和處理效率，但在測量結果的質量評估和動態優化方面仍存在明顯不足。

2、目前的rcs測量系統通常采用單一指標評估測量質量，如信噪比或測量誤差，難以全面反映復雜目標在不同姿態、頻率下的散射特性。特別是在處理多目標或復雜結構目標時，缺乏對局部散射特征的細致評估機制。同時，現有系統多采用靜態測量策略，在測量過程中缺乏實時評估和參數調整的能力，容易造成測量精度不穩定或局部特征丟失的問題。

3、更重要的是，現有技術較少考慮目標不同部位散射特性之間的相互關聯性，對測量過程中的數據相關性變化缺乏有效的監控機制。在復雜目標的rcs測量中，往往忽視了局部散射特征之間的組織關系保持問題，這可能導致測量結果無法真實反映目標的散射特性。此外，現有系統多采用固定的測量參數，難以根據不同目標特點和測量環境自適應調整測量策略，這嚴重制約了測量精度的提升。這些技術不足不僅影響了rcs測量的精度和可靠性，也限制了電子對抗系統性能評估的準確性。

技術實現思路

1、鑒于現有的基于深度神經網絡的rcs系統仿真測試方法中存在的問題，本發明提出了一種基于深度神經網絡的rcs系統仿真測試方法及系統。

2、因此，本發明所要解決的問題在于提高rcs仿真測試系統測量結果的可靠性測試。

3、為解決上述技術問題，本發明提供如下技術方案：

4、第一方面，本發明實施例提供了一種基于深度神經網絡的rcs系統仿真測試方法，其包括：采集rcs目標回波特征數據，將所述rcs目標回波特征數據按照預設的時間窗口長度進行分段，得到時序特征序列；基于所述時序特征序列構建雙分支深度神經網絡結構，主分支采用標準卷積層處理時序特征序列，輔分支設置頻譜重構模塊，將主分支和輔分支提取的特征進行融合，獲得rcs特征表示；在所述雙分支深度神經網絡結構中設置跨尺度特征校正單元，所述跨尺度特征校正單元通過計算主分支和輔分支特征圖之間的互相關系數，對主輔分支特征進行動態校正；基于所述跨尺度特征校正單元的輸出，分別通過主分支解碼器和輔分支解碼器生成高頻rcs仿真特征和低頻rcs仿真特征，采用互相關系數矩陣進行自適應融合，得到rcs系統仿真特征；將所述rcs特征表示作為參考特征，計算rcs系統仿真特征與所述參考特征的仿真誤差，基于所述仿真誤差對網絡參數進行優化，提升rcs系統仿真精度。

5、作為本發明所述基于深度神經網絡的rcs系統仿真測試方法的一種優選方案，其中：采集所述rcs目標回波特征數據，對目標回波原始數據進行帶通濾波得到濾波后的回波信號，并且進行復采樣，得到離散采樣序列；對所述離散采樣序列應用窗函數進行分段加窗處理，對加窗信號序列進行快速傅里葉變換，得到頻譜特征，從頻譜特征中提取幅度譜和相位譜信息構成時序特征序列。

6、作為本發明所述基于深度神經網絡的rcs系統仿真測試方法的一種優選方案，其中：所述雙分支深度神經網絡結構的主分支用于處理所述時序特征序列，所述雙分支深度神經網絡結構的副分支用于處理頻域分量，所述頻域分量即幅度譜和相位譜信息；所述主分支采用標準卷積層處理時序特征序列；并且每隔兩層卷積層增加殘差連接，形成殘差塊結構；所述殘差塊結構為雙路徑結構，包括主路徑和快捷連接路徑；將經過主路徑處理的特征與快捷連接路徑的特征進行元素級相加，合并后的特征再經過relu激活函數得到最終的殘差塊輸出收集各個殘差塊輸出的特征圖，所述特征圖包含淺層特征圖和深層特征圖；采用自適應權重機制對特征圖進行特征融合，得到融合后的特征表示；對融合后的特征表示進行維度壓縮處理，得到固定維度的主分支特征向量。

7、作為本發明所述基于深度神經網絡的rcs系統仿真測試方法的一種優選方案，其中：所述副分支接收幅度譜和相位譜信息，將幅度譜輸入l層一維卷積層構成的頻域特征提取模塊，生成頻率分布特征；對相位譜引入補償機制，基于補償后的相位譜和原始幅度譜重構頻域信號：

8、

9、其中，為虛數單位，為補償后的相位譜；將重構頻域信號通過兩層全連接層構成的特征映射網絡轉換為特征向量；將主分支特征向量與分支特征向量在特征維度上拼接，形成融合特征向量；對融合特征向量進行降維映射，獲得rcs特征表示。

10、作為本發明所述基于深度神經網絡的rcs系統仿真測試方法的一種優選方案，其中：所述跨尺度特征校正單元包括互相關計算模塊、權重生成模塊和特征校正模塊，互相關計算模塊用于計算兩個分支特征間的相關性矩陣，權重生成模塊用于生成特征通道的權重因子，特征校正模塊用于對特征進行優化校正；所述相關性矩陣的計算，是通過提取主輔分支特征圖，并經過投影變換調整到相同的特征空間，計算互相關系數矩陣，具體包括：主分支特征圖是從每個殘差塊提取特征圖，其中、分別為特征圖的高度和寬度，為特征通道數，表示第個殘差塊層級；輔分支特征圖是從特征映射網絡的中間層獲取特征圖；對主分支特征圖進行重排，轉換為矩陣形式；對輔分支特征進行維度調整和歸一化處理，轉換為與主分支特征兼容的矩陣形式；計算主輔分支特征間的互相關系數矩陣：

11、

12、其中，為互相關系數矩陣，表示特征間的直接相關性，表示主分支特征的自相關矩陣，表示輔分支特征的自相關矩陣；對所述互相關系數矩陣進行歸一化，得到主分支特征權重因子；權重因子用于表征主分支各特征通道對rcs特征表示的貢獻度；通過列歸一化得到輔分支特征權重因子；權重因子用于表征輔分支各特征通道對rcs特征表示的貢獻度；所述特征校正模塊將權重因子應用于主分支特征，得到校正后的特征圖；將權重因子應用于輔分支特征，得到校正后的特征圖。

13、作為本發明所述基于深度神經網絡的rcs系統仿真測試方法的一種優選方案，其中：基于所述校正后的特征圖通過解碼器將其重建為高頻rcs仿真特征；基于所述校正后的特征圖，通過輔分支解碼器將其重建為低頻rcs仿真特征；將高頻rcs仿真特征和低頻rcs仿真特征進行維度統一化處理，并進行歸一化，生成高頻特征權重矩陣和低頻特征權重矩陣，將權重矩陣分別與對應特征圖進行逐元素相乘運算，對加權后的高頻和低頻特征執行逐元素相加運算，得到rcs系統仿真特征。

14、作為本發明所述基于深度神經網絡的rcs系統仿真測試方法的一種優選方案，其中：基于所述rcs系統仿真特征和rcs特征表示計算兩者的特征重建誤差，具體為：計算rcs系統仿真特征與rcs特征表示之間的特征重建誤差；對高頻rcs特征，計算與rcs特征表示中高頻分量的匹配程度；對低頻rcs特征，評估與rcs特征表示中低頻分量的一致性；分析特征融合過程中互相關系數矩陣的變化，評估融合質量；綜合高頻rcs特征的匹配程度、低頻rcs特征的一致性和融合質量，得到標準化的分支特征誤差；基于特征重建誤差權重和分支特征誤差權重計算總誤差，表示為：

15、

16、其中，為征重建誤差權重，為分支特征誤差權重。

17、作為本發明所述基于深度神經網絡的rcs系統仿真測試方法的一種優選方案，其中：基于各類誤差的變化趨勢，優化參數設置，包括：若進入主分支優化，則優先優化殘差塊卷積層參數，調整自適應權重機制參數，更新主分支解碼器參數，完成主特征提取能力的增強；若主分支優化完成，則優化輔分支中特征映射網絡參數，更新輔分支解碼器參數，提升輔助特征提取能力；若滿足總誤差低于預設閾值，或連續輪誤差變化小于收斂閾值，或達到最大迭代次數，或驗證集誤差連續輪無改善，則終止優化過程，完成網絡參數優化。

18、第二方面，本發明實施例提供了一種基于深度神經網絡的rcs系統仿真測試系統，其包括：數據采集模塊，用于采集rcs目標回波特征數據，將所述rcs目標回波特征數據按照預設的時間窗口長度進行分段，得到時序特征序列；特征表示模塊，基于時序特征序列構建雙分支深度神經網絡結構，主分支采用標準卷積層處理時序特征序列，輔分支設置頻譜重構模塊，將主分支和輔分支提取的特征進行融合，獲得rcs特征表示；動態校正模塊，在雙分支深度神經網絡結構中設置跨尺度特征校正單元，通過計算主分支和輔分支特征圖之間的互相關系數，對主輔分支特征進行動態校正；仿真優化模塊，用于分別生成高頻rcs仿真特征和低頻rcs仿真特征，并進行自適應融合，得到rcs系統仿真特征，將rcs特征表示作為參考特征，計算rcs系統仿真特征與參考特征的仿真誤差，基于所述仿真誤差對網絡參數進行優化，提升rcs系統仿真精度。

19、本發明有益效果為本發明通過將深度神經網絡技術應用于rcs仿真測試系統，構建智能化的測量質量評估框架。利用卷積神經網絡和循環神經網絡對測量數據進行特征提取和分析，建立了包含平均值接近度、波動一致性和結構相關性的多維度評估機制，實現了對測量數據質量的全面評估。系統基于深度學習模型的特征提取能力，能夠準確識別測量結果中的異常模式，并通過強化學習方法自適應調整測量策略。同時，深度學習模型的持續學習優化能力使系統不斷提高評估準確性和魯棒性，為rcs測試系統的智能化升級提供了新的技術路徑，顯著提升了測量系統的自適應能力和穩定性，對提升電子對抗系統性能評估的整體水平具有重要意義。