一种基于机器学习的雷达目标检测系统及方法技术方案

本发明专利技术公开了一种基于机器学习的雷达目标检测系统及方法，涉及雷达目标检测技术领域，包括侦察无人机探测模块、天线设计模块、检测目标分析模块和监控报警模块；侦察无人机探测模块用于通过侦察无人机上安装的雷达向外探测目标，并验证所探测目标的真实性；天线设计模块用于对天线方向图进行优化，得到天线模型；检测目标分析模块用于根据目标的状态和第二侦察无人机的飞行轨迹，分析第二侦察无人机与目标的距离结果；增强了天线向一个特定方向收发信号的能力，能够灵活的设计出符合特定要求的天线，提高了第一侦察无人机检测目标的能力；同时根据目标的运动状态，第一侦察无人机发出干扰信号，从而避免第二侦察机探测到真实目标。目标。目标。

【技术实现步骤摘要】
一种基于机器学习的雷达目标检测系统及方法


[0001]本专利技术涉及雷达目标检测
，具体为一种基于机器学习的雷达目标检测系统及方法。

技术介绍

[0002]侦查无人机，用于校射侦查；侦查无人机可以通过多种方式对目标进行检测，例如传感器、雷达、摄像头等等，上述三种方式皆可以对目标进行检测核实，但是安装在侦查无人机上的传感器或者摄像头能够检测的距离很受限制，并不如雷达侦察目标不限距离；而为了增强雷达探测到目标的能力，需要对环境内的电磁波进行监测和干扰，作为电子对抗系统中的重要组成部分，天线的作用就显得非常重要；更加高效地设计出符合指标要求的天线成了较为迫切的需求；而为了使得其他侦察无人机不探测到目标，需要实时检测侦察无人机的行为，防止侦察无人机干扰到真实目标，因此需要对上述问题进行改善。

技术实现思路

[0003]本专利技术的目的在于提供一种基于机器学习的雷达目标检测系统及方法、，以解决上述
技术介绍
中提出的问题。
[0004]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于机器学习的雷达目标检测系统，所述雷达目标检测系统包括侦察无人机探测模块、天线设计模块、检测目标分析模块和监控报警模块；
[0005]所述侦察无人机探测模块用于通过侦察无人机上安装的雷达向外探测目标，并验证所探测目标的真实性；
[0006]所述天线设计模块用于对天线方向图进行优化，得到天线模型；
[0007]所述检测目标分析模块用于根据目标的状态和第二侦察无人机的飞行轨迹，分析第二侦察无人机与目标的距离结果；
[0008]所述监控报警模块用于在核实到第二侦察无人机与目标相遇时，第一侦察无人机干扰第二侦察无人机的侦察方向；
[0009]所述侦察无人机探测模块与天线设计模块、检测目标分析模块和监控报警模块相连接。
[0010]进一步的，所述侦察无人机探测模块包括发射天线、接收天线、目标验证单元；
[0011]所述发射天线用于向外发送电磁波以探测目标；
[0012]所述接收天线用于在检测到探测目标后，接收由所述探测目标触发所述电磁波后发送的回波信号；
[0013]所述目标验证单元用于解析回波信号，得到探测目标的真实性；
[0014]发射天线的输出端与接收天线输入端相连接，所述目标验证单元的输入端与接收天线的输出端相连接。
[0015]进一步的，所述天线设计模块包括电磁仿真调用单元、天线优化单元；
[0016]所述电磁仿真调用单元用调用电磁仿真软件对参数进行计算，得到天线的方向图；
[0017]所述天线优化单元用于建立粒子群优化算法，优化方向图，得到天线模型；
[0018]所述电磁仿真调用单元的输出端与天线优化单元的输入端相连接。
[0019]进一步的，所述检测目标分析模块包括目标定位单元、目标状态分类单元、距离分析单元；
[0020]所述目标定位单元用于定位侦察无人机和目标所在位置；
[0021]所述目标状态分类单元用于依据目标所在位置分析目标的状态，目标的状态具体为静态或者动态；
[0022]所述距离分析单元用于根据第二侦察无人机与目标的位置，分析第二侦察无人机与目标之间的距离集合；
[0023]所述目标定位单元的输出端与目标状态分类单元的输入端相连接；所述目标状态分类单元的输出端与距离分析单元的输入端相连接。
[0024]进一步的，所述监控报警模块包括预警提示单元、干扰信号设置单元；
[0025]所述预警提示单元用于核实到第二侦察无人机与目标相遇时，预警并提示第一侦察无人机作出反应；
[0026]所述干扰信号设置单元用于第一侦察无人机接收到预警信号后，对第二侦察无人机向外发送的电磁波或者接收的回波信号进行干扰；
[0027]所述预警提示单元的输出端与干扰信号设置单元的输入端相连接。
[0028]一种基于机器学习的雷达目标检测方法，所述雷达目标检测方法执行如下步骤：
[0029]Z01：优化第一侦察无人机天线的方向图，得到天线模型，进而增强天线接收或者发送信号时的能力；
[0030]Z02：在优化完成后，第二侦察无人机通过雷达的发送天线向外发送电磁波，电磁波在探测到目标后形成回波信号，解析回波信号，分析第二侦察无人机所探测目标的真实性；如若第一侦察无人机核实到第二侦察无人机探测目标集合中包含有真实目标，监测第二侦察无人机基于真实目标的相对位置，并跳转至步骤Z03中；
[0031]Z03：如若第一侦察无人机核实到第二侦察无人机所探测目标集合中包含有真实目标，获取真实目标的状态，根据状态分析第二侦察无人机与真实目标的相遇结果；根据相遇结果，第一侦察无人机向第二侦察无人机发送干扰信号。
[0032]在步骤Z01中，通过粒子群PSO算法对天线的方向图优化，优化步骤如下：
[0033]Z011：获取第一侦察无人机内天线变量，具体为：阵元激励和阵元间距，并将天线变量作为种群粒子；
[0034]Z012：调用电磁仿真软件对天线变量的空间位置和速度信息进行仿真计算，根据计算结果得到天线的方向图，将主瓣与副瓣的电平比作为粒子群PSO算法的适应度函数；
[0035]Z013：初始化种群数量、特征维度、迭代次数和种群的初始位置X和初始速度V；
[0036]Z014：将种群中的每个粒子代入至电磁仿真软件中，输出种群粒子的适应度值，得到每个粒子的全局最优解和当前最优解；
[0037]Z015：根据速度、位置的更新公式计算当前种群个体的速度V
Gen
和位置X
Gen
；
[0038]Z016：如若迭代结果符合结束条件，则流程结束，并输出全局最优解；如若迭代结
果不符合结束条件，则返回步骤Z024；
[0039]在步骤Z015中，速度和位置的更新公式具体如下：
[0040]V
Gen
＝WV
(Gen
‑
1)
+c1rand(0，1)(Pbest
‑
X
(Gen
‑
1)
)+c2rand(0，1)(Gbest
‑
X
(Gen
‑
1)
)；
[0041]X
Gen
＝V
(Gen
‑
1)
+X
(Gen
‑
1)
；
[0042]其中：V
Gen
表示第Gen代粒子的速度，X
Gen
表示第Gen代粒子的位置；V
(Gen
‑
1)
表示第Gen
‑
1代粒子的速度，X
(Gen
‑
1)
表示第Gen
‑
1代粒子的位置；c1、c2表示粒子速度更新时的加速度常数；rand(0，1)表示在区间[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的雷达目标检测系统，其特征在于：所述雷达目标检测系统包括侦察无人机探测模块、天线设计模块、检测目标分析模块和监控报警模块；所述侦察无人机探测模块用于通过侦察无人机上安装的雷达向外探测目标，并验证所探测目标的真实性；所述天线设计模块用于对天线方向图进行优化，得到天线模型；所述检测目标分析模块用于根据目标的状态和第二侦察无人机的飞行轨迹，分析第二侦察无人机与目标的距离结果；所述监控报警模块用于在核实到第二侦察无人机与目标相遇时，第一侦察无人机干扰第二侦察无人机的侦察方向；所述侦察无人机探测模块与天线设计模块、检测目标分析模块和监控报警模块相连接。2.根据权利要求1所述的一种基于机器学习的雷达目标检测系统，其特征在于：所述侦察无人机探测模块包括发射天线、接收天线、目标验证单元；所述发射天线用于向外发送电磁波以探测目标；所述接收天线用于在检测到探测目标后，接收由所述探测目标触发所述电磁波后发送的回波信号；所述目标验证单元用于解析回波信号，得到探测目标的真实性；发射天线的输出端与接收天线输入端相连接，所述目标验证单元的输入端与接收天线的输出端相连接。3.根据权利要求1所述的一种基于机器学习的雷达目标检测系统，其特征在于：所述天线设计模块包括电磁仿真调用单元、天线优化单元；所述电磁仿真调用单元用调用电磁仿真软件对参数进行计算，得到天线的方向图；所述天线优化单元用于建立粒子群优化算法，优化方向图，得到天线模型；所述电磁仿真调用单元的输出端与天线优化单元的输入端相连接。4.根据权利要求1所述的一种基于机器学习的雷达目标检测系统，其特征在于：所述检测目标分析模块包括目标定位单元、目标状态分类单元、距离分析单元；所述目标定位单元用于定位侦察无人机和目标所在位置；所述目标状态分类单元用于依据目标所在位置分析目标的状态，目标的状态具体为静态或者动态；所述距离分析单元用于根据第二侦察无人机与目标的位置，分析第二侦察无人机与目标之间的距离集合；所述目标定位单元的输出端与目标状态分类单元的输入端相连接；所述目标状态分类单元的输出端与距离分析单元的输入端相连接。5.根据权利要求1所述的一种基于机器学习的雷达目标检测系统，其特征在于：所述监控报警模块包括预警提示单元、干扰信号设置单元；所述预警提示单元用于核实到第二侦察无人机与目标相遇时，预警并提示第一侦察无人机作出反应；所述干扰信号设置单元用于第一侦察无人机接收到预警信号后，对第二侦察无人机向外发送的电磁波或者接收的回波信号进行干扰；
所述预警提示单元的输出端与干扰信号设置单元的输入端相连接。6.一种基于机器学习的雷达目标检测方法，其特征在于：所述雷达目标检测方法执行如下步骤：Z01：优化第一侦察无人机天线的方向图，得到天线模型，进而增强天线接收或者发送信号时的能力；Z02：在优化完成后，第二侦察无人机通过雷达的发送天线向外发送电磁波，电磁波在探测到目标后形成回波信号，解析回波信号，分析第二侦察无人机所探测目标的真实性；如若第一侦察无人机核实到第二侦察无人机探测目标集合中包含有真实目标，监测第二侦察无人机基于真实目标的相对位置，并跳转至步骤Z03中；Z03：如若第一侦察无人机核实到第二侦察无人机所探测目标集合中包含有真实目标，获取真实目标的状态，根据状态分析第二侦察无人机与真实目标的相遇结果；根据相遇结果，第一侦察无人机向第二侦察无人机发送干扰信号。7.根据权利要求6所述的一种基于机器学习的雷达目标检测方法，其特征在于：在步骤Z01中，通过粒子群PSO算法对天线的方向图优化，优化步骤如下：Z011：获取第一侦察无人机内天线变量，具体为：阵元激励和阵元间距，并将天线变量作为种群粒子；Z012：调用电磁仿真软件对天线变量的空间位置和速度信息进行仿真计算，根据计算结果得到天线的方向图，将主瓣与副瓣的电平比作为粒子群PSO算法的适应度函数；Z013：初始化种群数量、特征维度、迭代次数和种群的初始位置X和初始速度V；Z014：将种群中的每个粒子代入至电磁仿真软件中，输出种群粒子的适应度值，得到每个粒子的全局最优解和当前最优解；Z015：根据速度、位置的更新公式计算当前种群...

【专利技术属性】
技术研发人员：李晃，李继锋，朱文明，商爱国，
申请(专利权)人：扬州宇安电子科技有限公司，
类型：发明
国别省市：