[发明专利]一种基于机器学习的雷达目标检测系统及方法

权利要求书

1.一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；

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个体的速度和位置；

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Z014；

在步骤Z015中，速度和位置的更新公式具体如下：

；

；

其中：表示第Gen代粒子的速度，表示第Gen代粒子的位置；表示第Gen-1代粒子的速度，表示第Gen-1代粒子的位置；、表示粒子速度更新时的加速度常数；表示在区间[0,1]范围内服从均匀分布的随机值。

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方法，其特征在于：在步骤Z03中，如若第二侦察无人机所探测目标的状态为静止状态时，获取在设定时间段内第二侦察无人机基于探测目标的相对位置集合为L={(,),(,),(,),...,(,)}；(,)为第二侦察无人机在时间点m时的位置信息，m是指时间点；以第一侦察无人机和探测目标之间的距离为横轴，第二侦察无人机和探测目标之间的距离为纵轴，得到横轴与纵轴在横轴水平线上形成的夹角；

根据公式：

；

如若夹角时，表示第二侦察无人机并未向真实目标所在方向移动，若时，则第二侦察无人机向真实目标所在方向移动的概率大于预设概率，第一侦察无人机需向第二侦察无人机发送干扰信号；如若夹角时，表示第二侦察无人机向真实目标所在方向移动，第一侦察无人机需向第二侦察无人机发送干扰信号；

其中，U是指第一侦察无人机与目标之间的距离，是指第一侦察无人机与第二侦察无人机的距离，是指第二侦察无人机与目标之间的距离，是指预设标准夹角，是指误差夹角。

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方法，其特征在于：在步骤Z03中，如若第二侦察无人机所探测目标的状态为动态状态时，获取第二侦察无人机与目标在固定时间段D={1,2,3,...,n}内的距离集合P={p₁,p₂,p₃,...,p_n}，n是指时间点，p_n是指第二侦察无人机与目标在时间点为n时的距离；将第二侦察无人机与目标运动的方向、速度和第二侦察无人机与目标之间的距离作为神经网络的输入神经元，将第二侦察无人机与目标之间的距离作为输出神经元；根据输入神经元和输出神经元的个数设置隐藏层的节点数；选取sigmoid作为神经网络的激励函数，设置参数，具体为学习率、期望误差和迭代次数，得到预测结果；具体为第二侦察无人机与目标之间的预测距离，从集合中提取预测距离最小值，得到预测距离最小值所对应的时间点T；

第二侦察无人机与目标之间相遇的时间点为T，第一侦察无人机应在时间点T前在第二侦察无人机发出电磁波或者回波信号时发送干扰信号。