一种动态干扰行为和意图仿真与预测方法

1.本发明涉及雷达抗干扰技术领域，特别涉及一种动态干扰行为和意图仿真与预测方法。


背景技术：

2.雷达是现代战场环境中不可或缺的重要组成部分，干扰方设法影响雷达的正常探测，获得战场信息的主动权。在雷达与干扰博弈过程中，干扰方通过感知外界环境中雷达工作状态及电磁环境变化，针对雷达进行干扰，从而降低雷达获取战场信息的效能，掩盖己方的作战意图，破坏雷达的正常工作。在干扰对抗过程中，干扰方为了达到某种干扰意图，需要对电磁环境作出内部资源分配与外部信号辐射等反应，即干扰行为，具体表现为发射不同样式和调制的干扰信号。
3.对干扰过程中出现的干扰方信息如干扰的行为和意图信息进行分析研究离不开真实数据的支撑，但由于干扰方的行为意图属于对方不可见的隐含信息，导致目前还无法获取干扰行为意图数据，因此目前还无法对干扰意图进行预测，从而导致雷达在对抗干扰时缺乏主动性和准确性。


技术实现要素：

4.本发明目的是为了解决目前雷达抗干扰中无法获取干扰行为意图数据，从而导致无法进行干扰意图预测，进而导致雷达抗干扰缺乏主动性和准确性低的问题，而提出了一种动态干扰行为和意图仿真与预测方法。
5.一种动态干扰行为和意图仿真与预测方法具体过程为：获取历史时刻变量数据，并将历史时刻变量数据输入到干扰意图预测模型中，获得下一时刻的干扰意图；
6.所述历史时刻变量数据包括：时间信息、历史时刻的干扰意图、历史时刻的干扰行为；
7.所述干扰意图预测模型，通过以下方式获得：
8.步骤一、建立干扰场景，并设定干扰场景中雷达、干扰机和目标参数；
9.步骤二、基于步骤一建立的干扰场景，仿真雷达与干扰机的动态对抗过程，从而生成干扰意图以及干扰意图对应的干扰行为；
10.步骤三、利用干扰意图及干扰意图对应的干扰行为获取干扰意图预测模型。
11.进一步地，所述步骤二中的基于步骤一建立的干扰场景，仿真雷达对目标空域的动态探测过程，从而生成干扰意图和干扰意图对应的干扰行为，具体为：
12.步骤二一、基于步骤一建立的干扰场景，对雷达对目标空域的动态的探测过程进行仿真，利用多功能雷达工作模式的马尔可夫性生成雷达工作模式序列；
13.步骤二二、利用雷达工作模式序列生成干扰意图，将干扰意图输入到干扰行为决策模型中，生成干扰意图对应的干扰行为。
14.进一步地，所述利用雷达工作模式序列生成干扰意图，将干扰意图输入到干扰行
为决策模型中，生成干扰意图对应的干扰行为，具体为：
15.步骤二二一、设定干扰机对雷达工作模式的识别概率，将雷达工作模式序列输入到干扰机中，获得干扰机对雷达工作模式的识别结果，并按照识别结果与干扰意图对应关系将干扰机对雷达工作模式的识别结果转换为干扰意图；
16.步骤二二二、设定干扰行为决策模型的条件转移概率；
17.步骤二二三、利用干扰机获取目标特征属性，将目标特征属性进行概率隶属度模糊处理，获得概率向量，然后将概率向量输入到设定条件转移概率后的干扰行为决策模型中，获得各干扰行为的支持信度，输出支持信度最大的干扰行为；
18.所述目标特征属性包括：目标的状态信息和干扰意图。
19.进一步地，所述目标的状态信息包括：目标距离、目标方位。
20.进一步地，所述雷达工作模式包括：搜索、确认、跟踪、识别。
21.进一步地，所述识别结果与干扰意图对应关系，具体为：搜索-降低检测、确认-影响确认、跟踪-摆脱跟踪、识别-破坏识别。
22.进一步地，所述干扰行为决策模型为贝叶斯网络模型。
23.进一步地，所述步骤三中的利用干扰意图及干扰意图对应的干扰行为获取干扰意图预测模型，具体为：
24.步骤三一、对步骤二获得的干扰意图和干扰行为分别进行数字编码，基于步骤二获得的干扰意图和干扰行为之间的关系，获取由干扰意图编码和干扰意图对应的干扰行为编码组成的编码数据集；
25.步骤三二、将时间变量加入到编码数据集中，获得样本数据集，对样本数据集进行归一化处理，将归一化后的样本数据集划分为训练集和测试集；
26.步骤三三、利用训练集训练lstm网络，获取训练好的lstm网络；
27.步骤三四、利用测试集对训练好的lstm网络测试，若训练好的lstm网络准确率大于等于预设阈值，则将当前训练好的lstm网络作为干扰意图预测模型；若训练好的lstm网络准确率小于预设阈值，则重新执行步骤一，直至训练好的lstm网络准确率大于等于预设阈值。
28.进一步地，对步骤二获得的干扰意图编码具体为：将干扰意图中的降低检测、影响确认、摆脱跟踪、破坏识别依次编码为1、2、3、4。
29.进一步地，对步骤二获得的干扰行为进行数字编码，具体为：
30.将干扰行为中的形成压制、形成欺骗、形成拖引、形成压制+欺骗、形成欺骗+欺骗依次编码为1、2、3、4、5。
31.本发明的有益效果为：
32.本发明构建了一种动态的干扰场景，直观的显示了雷达与干扰方之间的对抗过程。本发明使用基于贝叶斯网络的干扰策略，模拟干扰方进行干扰决策的过程，产生并记录干扰行为与意图序列。通过设置干扰场景的参数，模拟产生了不同场景下的干扰行为与意图信息，从而获得了潜在的干扰意图信息，本发明在仿真数据基础上，利用lstm对干扰意图进行了预测，经过优化参数，基于长短时记忆神经网络的干扰意图预测模型对仿真数据的干扰意图预测准确率能够达到85％，取得了良好的预测效果，能够辅助作战人员对敌方干扰意图作出快速准确的判断，进而提升了雷达对抗干扰的主动性和准确性，实现敏捷作战。
附图说明
33.图1为本发明仿真过程流程图；
34.图2为干扰场景示意图；
35.图3为雷达的目标显示界面；
36.图4为干扰决策过程示意图；
37.图5(a)为距离假目标+速度假目标的rd谱；
38.图5(b)为受到距离假目标+速度假目标干扰的雷达界面；
39.图6为干扰机的运动轨迹示例；
40.图7为雷达工作模式的转移概率；
41.图8(a)为仿真产生的干扰行为序列。
42.图8(b)为仿真产生的干扰意图序列。
43.图8(c)为某回合产生的干扰信号样式时域信号；
44.图9为干扰意图数据集构建示意图；
45.图10(a)为预测准确率与迭代次数的关系曲线；
46.图10(b)为损失函数与迭代次数的关系曲线。
具体实施方式
47.具体实施方式一：本实施方式一种动态干扰行为和意图仿真与预测方法，包括以下步骤：获取历史时刻变量数据，并将历史时刻变量数据输入到干扰意图预测模型中，获得下一时刻的干扰意图；
48.所述历史时刻变量数据包括：时间信息、历史时刻的干扰意图、历史时刻的干扰行为；
49.所述干扰意图预测模型通过以下方式获得：
50.步骤一、在仿真系统中，建立干扰场景，并设定干扰场景中雷达、干扰机和目标参数，具体为：
51.干扰场景如图2所示。对干扰场景进行仿真，场景中要素包括一部多功能地基防空雷达和突防飞机编队。
52.多功能地基防空雷达用于完成搜索、确认和跟踪和测速识别等功能。该多功能雷达配备了一个相控阵，使用矩形天线阵列，可以通过设定方位角和仰角改变多功能地基雷达扫描空域。
53.突防飞机编队包括一架提供随队支援干扰的电子战飞机和被掩护的一架战斗机；
54.所述仿真系统，包括：战斗机和干扰机轨迹设定单元、回波产生模块、干扰信号样式产生及参数设定模块、信号处理模块、雷达显示模块；
55.所述战斗机和干扰机轨迹设定单元用于设定战斗机和干扰机的轨迹，并将轨迹设定完成的参数发送给回波产生模块；
56.所述战斗机和干扰机的轨迹包括初始位置，速度，方向等，其中运动方向包含正向、侧向和背向雷达三种；
57.所述回波产生模块用于模拟生成雷达天线阵元收到的设定轨迹后的战斗机和干扰机回波a，并将设定轨迹后的战斗机和干扰机回波a输入到干扰信号样式产生及参数设定
模块；
58.干扰信号样式产生及参数设定模块用于设定干扰样式信号参数，然后对回波a叠加数种干扰样式信号，获得叠加干扰样式信号的回波，然后将叠加干扰样式信号的回波输入到信号处理模块；
59.所述干扰样式信号的参数包括：压制干扰的干噪比、欺骗干扰的距离差、假目标个数以及拖引干扰的拖引速度等；
60.所述信号处理模块用于对经过脉冲积累后回波进行匹配滤波，确定检测门限，对目标测距测角，最后获得探测结果，将探测结果输入到雷达显示模块；
61.所述雷达显示模块用于显示探测结果；
62.步骤二、如图1所示，基于步骤一建立的干扰场景，仿真雷达对目标空域的动态探测过程，从而生成干扰意图和干扰意图对应的干扰行为：
63.步骤二一、基于步骤一建立的干扰场景，在仿真系统中对雷达对目标空域的动态的探测过程进行仿真，利用多功能雷达工作模式的马尔可夫性产生雷达工作模式序列，具体为：
64.对雷达对目标空域的动态探测过程进行仿真，实时显示真实目标方位和雷达受到干扰时的探测结果。仿真时间单位为一个波位。在执行任务时，每一个时间单位雷达发射若干个脉冲，仿真系统随后模拟产生各个天线阵元收到的回波，回波经过脉冲积累后进入信号处理器，信号处理器对回波进行匹配滤波，确定检测门限，对目标测距测角，最后将探测结果更新到雷达显示界面。雷达显示界面如图3所示。
65.仿真系统被设计为可以在任意仿真时刻对雷达回波叠加数种干扰信号样式，且可以设置不同干扰样式的参数，如可以设置压制干扰的干噪比，可以设置欺骗干扰的距离差或假目标个数以及拖引干扰的拖引速度等，以模拟干扰机在对抗过程中不断变化的干扰信号。
66.步骤二二、干扰机根据雷达的工作模式形成针对性的干扰意图，然后根据干扰意图利用干扰行为决策模型确定干扰行为，具体为：
67.步骤二二一、设定干扰机对雷达各个工作模式的识别概率，以得到干扰机对雷达工作模式的识别结果，并将识别结果按照对应关系转换为干扰意图；
68.所述干扰机对雷达工作模式的识别结果包括：搜索、确认、跟踪、识别；
69.干扰机对多功能防空雷达工作模式的识别结果及对应干扰意图为：搜索-降低检测、确认-影响确认、跟踪-摆脱跟踪、识别-破坏识别；
70.步骤二二二、根据专家经验设定干扰行为决策模型的条件转移概率；
71.步骤二二三、获取干扰机测量或识别后的目标特征属性，将目标特征属性进行概率隶属度模糊处理，获得概率向量，将概率向量输入到干扰行为决策模型中，计算各个干扰行为的支持信度，选取支持信度最大的干扰行为输出，如图4所示；
72.其中，干扰行为决策模型为贝叶斯网络模型；
73.干扰机测量或识别后的特征属性包括：目标的状态信息(距离、方位)和干扰意图。
74.步骤三、将干扰意图与干扰意图对应的行为获取干扰意图预测模型，具体为：
75.步骤三一、将干扰意图与干扰意图对应的干扰行为集合划分为训练集和测试集，利用训练集对lstm网络进行训练，获得训练好的lstm网络：
76.首先，对步骤二获取的干扰意图采用1～4编码，对干扰意图对应的干扰行为用1～5编码，获得编码数据集；
77.然后，将时间变量加入到编码数据集中，获得样本数据集：
78.选取先前时刻的干扰意图、干扰行为与时间信息三个变量作为长短时记忆网络的输入变量，确定输入变量长度t，即预测意图之前t个回合的数据，并将第t+1回合的干扰意图作为样本的标签，对步骤二得到的仿真数据进行分割，得到样本数据集，如图9所示。
79.然后，为了防止出现梯度弥散现象，对样本数据集进行归一化处理。将归一化后样本数据集中的数据随机分为训练集，测试集两部分，其中测试集占总样本的25％。
80.所述lstm的输入数据维度等于输入变量维度t*3，lstm网络包括3层隐藏层，1层全连接层，其中隐藏层的输出数据维度为64。
81.输入lstm的数据集中包括：干扰意图、干扰行为与时间信息。
82.步骤三二、利用测试集对训练好的lstm网络进行测试，若训练好的lstm网络准确率大于等于预设阈值，则获取干扰意图预测模型，若训练好的lstm网络准确率小于预设阈值，则重新执行步骤一，直至训练好的lstm网络准确率大于等于预设阈值。
83.实施例：
84.采用以下实施例验证本发明的有益效果：
85.首先设定具体的干扰场景。场景中包括一部l波段雷达，可以完成搜索、确认和跟踪和测速识别等功能，该多功能雷达配备了一个相控阵，使用50
×
50的矩形阵列，发射线性调频信号，prf为1500hz，探测范围2～100km，占空比0.1，距离分辨率150m，半功率波束宽度为2
°
，方位角为-50
°
～50
°
，波位驻留时间0.01s。
86.仿真系统可以在任意仿真时刻对雷达回波叠加干扰信号，以模拟干扰机在对抗过程中不断变化的干扰信号。场景中仿真了5中干扰行为，每种干扰行为对应2种干扰信号样式，干扰机确定干扰行为后，在对应的干扰信号中随机选择干扰样式，如表1所示。
87.表1
[0088][0089]
例如，当干扰机实施形成欺骗+欺骗干扰行为时，选择对雷达形成距离假目标+速度假目标的干扰信号样式，回波的rd谱及对应雷达界面如图5(a)-(b)所示。干扰机在距离雷达50km处以80m/s的速度接近防空雷达。在感知到雷达对其测速时，干扰机对测速脉冲进行多普勒调制和延时转发，在雷达显示界面显示了4个距离假目标，在rd谱上可以看到5个93m/s的速度假目标，兼具距离欺骗效果。
[0090]
干扰机初始位置为(49636,2000,2112)，初始速度100m/s，仿真序列长度100，第1-50个回合正向飞行，第50-85个回合侧向飞行，第85-100个回合背向雷达飞行，形成的轨迹如图6所示。
[0091]
设定雷达工作模式的转移概率，如图7，产生100回合的雷达工作模式，干扰机识别
后得到对应的干扰意图。设定干扰决策模型的条件转移概率，如表2。
[0092]
表2
[0093][0094]
由此给出某一时刻干扰决策模型作出干扰行为决策的例子。首先给出干扰机侦测到的战场环境各属性状态值经过概率隶属度模糊处理后的概率向量，如表3所示。
[0095]
表3
[0096][0097]
在该时刻各属性隶属度支持形成压制行为的置信度可根据公式计算为：
[0098]
bel(形成压制)＝αp(int)λ
∝
(0.90
×
0.6+0.10
×
0.1+0
×
0.3)
[0099]
×
(0.85
×
0.8+0.11
×
0+0.04
×
0.2)
[0100]
×
(0.90
×
0.7+0.03
×
0.2+0.04
×
0.06+0.03
×
0.04)
[0101]
≈0.2420
[0102]
其中，α是归一化因子，λ表示从特征中得到的信息；
[0103]
同理可以计算得到：
[0104]
bel(形成欺骗)
∝
0.0191
[0105]
bel(形成拖引)
∝
0.0047
[0106]
bel(形成压制+欺骗)
∝
0.0098
[0107]
bel(形成欺骗+欺骗)
∝
0.0018
[0108]
显然可以看到，在该时刻决策对形成压制行为的置信度最高，于是干扰机选择形成压制行为，干扰信号样式在瞄准干扰和阻塞干扰中随机选择，干扰信号脉冲长度为6000。同理，在整个仿真过程中，根据设定的干扰机的测距、测向精度和对雷达各工作模式的识别精度生成各属性概率向量，输入到贝叶斯网络中，模拟产生100回合干扰行为、干扰意图真值及对应回合的时间信息，每回合产生4个脉冲长度的干扰信号，如图8(a)-(c)所示，输出保存为24003*100的.mat文件。
[0109]
在lstm预测干扰意图实验部分，设置模型的学习率为0.01，损失函数使用均方误差损失函数，训练算法为随机梯度下降，反向传播。批训练大小设置为32，变量长度设置为10个回合，迭代次数设置为10次，训练过程中的预测准确率和损失函数随迭代次数的变化曲线如图10(a)-(b)所示。由图10(a)-(b)可知，网络的预测准确率在迭代次数小于7时总体呈现上升趋势，随后趋于平缓，稳定在在85％左右。损失函数在训练起始时下降很快，随着迭代次数增加逐渐下降，趋于平稳。综合训练时间及网络的鲁棒性，可以选择10次迭代后保
存网络用于测试。
[0110]
由经验可知预测前的信息越充足，预测结果越准确，因此可以预知输入变量长度将对预测准确率产生很大影响，于是在不同输入变量长度下进行了预测实验。训练10个周期后，使用测试集测试网络对干扰意图的预测准确率，对每种输入变量长度进行多次实验求取平均准确率，实验结果见表4。
[0111]
表4
[0112][0113]
由以上实验结果可以看到，在选取先前时刻的干扰意图、干扰行为与时间信息三个变量作为长短时记忆网络的输入变量对下一时刻的干扰意图进行预测时，在网络参数和变量长度设定合理的情况下，lstm对仿真数据的干扰意图预测准确率可以达到85％左右，取得了良好的预测效果。

技术特征：
1.一种动态干扰行为和意图仿真与预测方法，其特征在于所述方法具体过程为：获取历史时刻变量数据，并将历史时刻变量数据输入到干扰意图预测模型中，获得下一时刻的干扰意图；所述历史时刻变量数据包括：时间信息、历史时刻的干扰意图、历史时刻的干扰行为；所述干扰意图预测模型，通过以下方式获得：步骤一、建立干扰场景，并设定干扰场景中雷达、干扰机和目标参数；步骤二、基于步骤一建立的干扰场景，仿真雷达对目标空域的动态探测过程，从而生成干扰意图以及干扰意图对应的干扰行为；步骤三、利用干扰意图及干扰意图对应的干扰行为获取干扰意图预测模型。2.根据权利要求1所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：所述步骤二中的基于步骤一建立的干扰场景，仿真雷达对目标空域的动态探测过程，从而生成干扰意图和干扰意图对应的干扰行为，具体为：步骤二一、基于步骤一建立的干扰场景，对雷达对目标空域的动态的探测过程进行仿真，利用多功能雷达工作模式的马尔可夫性生成雷达工作模式序列；步骤二二、利用雷达工作模式序列生成干扰意图，将干扰意图输入到干扰行为决策模型中，生成干扰意图对应的干扰行为。3.根据权利要求2所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：所述利用雷达工作模式序列生成干扰意图，将干扰意图输入到干扰行为决策模型中，生成干扰意图对应的干扰行为，具体为：步骤二二一、设定干扰机对雷达工作模式的识别概率，将雷达工作模式序列输入到干扰机中，获得干扰机对雷达工作模式的识别结果，并按照识别结果与干扰意图对应关系将干扰机对雷达工作模式的识别结果转换为干扰意图；步骤二二二、设定干扰行为决策模型的条件转移概率；步骤二二三、利用干扰机获取目标特征属性，将目标特征属性进行概率隶属度模糊处理，获得概率向量，然后将概率向量输入到设定条件转移概率后的干扰行为决策模型中，获得各干扰行为的支持信度，输出支持信度最大的干扰行为；所述目标特征属性包括：目标的状态信息和干扰意图。4.根据权利要求3所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：所述目标的状态信息包括：目标距离、目标方位。5.根据权利要求4所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：所述雷达工作模式包括：搜索、确认、跟踪、识别。6.根据权利要求5所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：所述识别结果与干扰意图对应关系，具体为：搜索-降低检测、确认-影响确认、跟踪-摆脱跟踪、识别-破坏识别。7.根据权利要求6所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：所述干扰行为决策模型为贝叶斯网络模型。8.根据权利要求7所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：所述步骤三中的利用干扰意图及干扰意图对应的干扰行为获取干扰意图预测模型，具体为：步骤三一、对步骤二获得的干扰意图和干扰行为分别进行数字编码，基于步骤二获得
的干扰意图和干扰行为之间的关系，获取由干扰意图编码和干扰意图对应的干扰行为编码组成的编码数据集；步骤三二、将时间变量加入到编码数据集中，获得样本数据集，对样本数据集进行归一化处理，将归一化后的样本数据集划分为训练集和测试集；步骤三三、利用训练集训练lstm网络，获取训练好的lstm网络；步骤三四、利用测试集对训练好的lstm网络测试，若训练好的lstm网络准确率大于等于预设阈值，则将当前训练好的lstm网络作为干扰意图预测模型；若训练好的lstm网络准确率小于预设阈值，则重新执行步骤一，直至训练好的lstm网络准确率大于等于预设阈值。9.根据权利要求8所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：对步骤二获得的干扰意图编码具体为：将干扰意图中的降低检测、影响确认、摆脱跟踪、破坏识别依次编码为1、2、3、4。10.根据权利要求9所述的一种动态干扰行为和意图仿真与预测方法，其特征在于：对步骤二获得的干扰行为进行数字编码，具体为：将干扰行为中的形成压制、形成欺骗、形成拖引、形成压制+欺骗、形成欺骗+欺骗依次编码为1、2、3、4、5。

技术总结
一种动态干扰行为和意图仿真与预测方法，涉及雷达抗干扰技术领域。本发明是为了解决无法获取干扰行为意图数据，从而导致无法进行干扰意图预测，进而导致雷达抗干扰缺乏主动性和准确性低的问题。本发明包括：步骤一、建立干扰场景，并设定干扰场景中雷达、干扰机和目标参数；步骤二、基于步骤一建立的干扰场景，对雷达对目标空域的动态探测过程进行仿真，从而生成干扰意图和干扰意图对应的干扰行为。步骤三、利用干扰意图及干扰意图对应的干扰行为获取干扰意图预测模型。步骤四、获取历史时刻变量数据，并将历史时刻变量数据输入到干扰意图预测模型中，获得下一时刻的干扰意图；本发明用于干扰行为和意图仿真与预测。于干扰行为和意图仿真与预测。于干扰行为和意图仿真与预测。


技术研发人员：于雷 许壮壮 位寅生
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.07.05
技术公布日：2023/10/7