一种基于深度学习的无人机集群动态方向图综合方法
阅读说明：本技术 一种基于深度学习的无人机集群动态方向图综合方法 (Unmanned aerial vehicle cluster dynamic directional diagram synthesis method based on deep learning ) 是由 段克清 杨兴家 李想 王煜岗 于 2021-08-04 设计创作，主要内容包括：本发明公开了一种基于深度学习的无人机集群动态方向图综合方法,所述方法如下：步骤S1：离线处理：S101：对不同架数无人机集群进行建模仿真,并随机产生大量无误差和/或有误差的无人机集群三维坐标数据集；S102：利用LCMV方法对无人机集群三维坐标数据集进行处理,得到相对应的二维方向图综合权矢量数据集；S103：构建神经网络模型,将无人机集群三维坐标数据集作为神经网络模型的输入数据集,将二维方向图综合权矢量数据集作为神经网络模型的输出数据集,对神经网络模型进行训练；步骤S2：在线处理：S201：将获取的无人机集群实际三维坐标数据输入训练好的神经网络模型得到实际的二维方向图综合权矢量。(The invention discloses an unmanned aerial vehicle cluster dynamic directional diagram comprehensive method based on deep learning, which comprises the following steps: step S1: and (3) offline treatment: s101: modeling simulation is carried out on unmanned aerial vehicle clusters with different frame numbers, and a large number of unmanned aerial vehicle cluster three-dimensional coordinate data sets without errors and/or with errors are randomly generated; s102: processing the unmanned aerial vehicle cluster three-dimensional coordinate data set by using an LCMV (liquid Crystal Module V) method to obtain a corresponding two-dimensional directional diagram comprehensive weight vector data set; s103: constructing a neural network model, taking an unmanned aerial vehicle cluster three-dimensional coordinate data set as an input data set of the neural network model, taking a two-dimensional directional diagram comprehensive weight vector data set as an output data set of the neural network model, and training the neural network model; step S2: and (3) online processing: s201: and inputting the obtained actual three-dimensional coordinate data of the unmanned aerial vehicle cluster into the trained neural network model to obtain an actual two-dimensional directional diagram comprehensive weight vector.)
技术领域
本发明涉及雷达信号处理技术领域，更具体的，涉及一种基于深度学习的无人机集群动态方向图综合方法。
背景技术
无人机系统经过几十年的发展，已经逐步从安全性空域执行情报侦查任务向对抗性空域执行主流作战任务发展。同时，无人机的作战样式已逐步从单平台作战向多平台集群作战方向发展。无人机集群技术有如下几个重要特点：1.去中心化。集群中每一架无人机都处于平等地位，任何一架无人机损坏，集群整体还能正常执行任务。2.高度自主。飞行期间没有人为操控，集群内部信息共享。3.高度自治。所有无人机形成一个稳定集群，能够按照不同任务形成不同编队并保持稳定高效协同。
基于以上特点，如将预警探测雷达布置于无人机集群系统上，便形成分布式无人机集群雷达协同探测系统。与传统有人单基预警雷达相比，无人机集群预警探测具备显著优势。首先，更大的天线孔径和空域自由度，可实现更高的目标空间分辨率和更好的杂波抑制性能，同时更窄的主瓣波束可有效对抗主瓣干扰；其次，多架无人机进行探测可大大提升预警探测系统的生存能力，即使单架或多架无人机被摧毁，其集群整体探测性能几乎不受影响；最后，采用无人机集群探测可完全通过无人驾驶执行任务，因此可深入到更接近于高威胁区域的前沿进行有效探测，既可保证驾驶员的生命安全，又可向外大大延伸探测空间。
在现实战争当中，为了满足作战需求，无人机集群往往是以一定安全距离随机地或按照一定编队飞行，无人机集群阵元间距往往大于半波长，可以看成一个稀疏大孔径阵列，此时集群方向图具有高副瓣与强栅瓣效应，会引起目标位置模糊和虚警，因此需要对集群进行方向图综合以获得低副瓣弱栅瓣效应的方向图。除此之外，由于无人机集群位置或编队会随着不同作战任务与作战环境改变，因此还需要考虑动态方向图综合问题以满足作战环境的实时改变。
目前，方向图综合方法考虑的是固定阵元位置经过不同的优化方法，如数值综合方法与基于线性约束最小方差(LCMV)准则的方向图综合方法等计算方向图综合权矢量用来形成好的方向图特性。其阵元位置固定，权矢量也就随之确定了。然而，在实际作战当中，无人机集群位置是实时变化的。因此，无人机集群要实时得到性能良好的方向图，则需要一种动态的方向图综合方法。
发明内容
本发明为了解决以上现有技术不足的问题，提供了一种基于深度学习的无人机集群动态方向图综合方法，其适用于无人机集群动态方向图综合，具有稳定、实时、工程实现简单的特点。
为实现上述本发明目的，采用的技术方案如下：
一种基于深度学习的无人机集群动态方向图综合方法，所述的方法包括步骤如下：
步骤S1：离线处理
S101：对不同架数无人机集群进行建模仿真，并随机产生大量无误差和/或有误差的无人机集群三维坐标数据集；
S102：利用LCMV方法对无人机集群三维坐标数据集进行处理，得到相对应的二维方向图综合权矢量数据集；
S103：构建神经网络模型，将无人机集群三维坐标数据集作为神经网络模型的输入数据集，将二维方向图综合权矢量数据集作为神经网络模型的输出数据集，对神经网络模型进行训练；
步骤S2：在线处理
S201：将获取的无人机集群实际三维坐标数据输入训练好的神经网络模型得到实际的二维方向图综合权矢量。
优选地，所述在线处理还包括步骤S202：基于实际的二维方向图综合权矢量实时得到二维发射方向图，并结合无人机集群预警系统，实现对目标预警探测。
优选地，步骤S101，结合雷达系统对不同架数无人机集群进行建模仿真，无人机架数为M，无人机的位置误差服从均值为0、方差为0.1m的高斯分布。
进一步地，各架无人机载8×6阵元且阵元间距半波长的相控阵阵列天线，在接收端各无人机的相控阵阵列天线微波合成一个通道，因此整个阵列为M通道的超稀疏大孔径阵列，波长λ＝0.6m，主波束的指向为
再进一步地，步骤S102，利用LCMV方法通过给方向图副瓣设置参考电平，然后向副瓣方向注入虚拟干扰，并利用LCMV法则来优化干扰值，得到优化的权矢量使方向图不断逼近所设置的参考电平；
其中，第k次迭代LCMV方法权矢量计算公式为：
其中，向量a表示二维导向矢量，Rk为第k次迭代干扰数据协方差矩阵，表示为：
其中，表示干扰的方向矩阵；P表示方位向干扰总数；Q表示俯仰向干扰总数；θp指干扰来向的方位角，p＝1,2,...,P；指干扰来向的俯仰角，q＝1,2,...,Q；σ为常数；I为单位矩阵；为第k次迭代各个来向的干扰值，迭代公式如下
其中，为方向图；η为更新步长，d为参考电平。
再进一步地，所述的神经网络模型采用卷积神经网络模型。
再进一步地，所述的卷积神经网络模型包括：输入层、卷积层、池化层、 Dropout层、平铺层、全连接层、输出层；
所述的输入层的大小为10000×M×3；
所述的卷积层共2层，第1层卷积核个数为32个，大小为3×3，第2层卷积核个数为4个，大小为3×3；
所述的池化层的卷积核个数为1个，大小为2×2；
所述的输出层大小为(M×8×6)×2，其中包括权矢量w的实部与虚部；激活函数选择ReLU函数：
ReLU(x)＝max{x,0} (4)
式中，x表示各个神经元的输出数值。
再进一步地，训练神经网络模型设定的批尺寸为10，所有样本共训练100 次；
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现如上述的方法的步骤。
本发明的有益效果如下：
本发明利用深度学习技术，通过无人机集群建模仿真所得到的无人机集群三维坐标数据集和相对应的二维方向图综合权矢量数据集对所构建神经网络模型进行训练，待将神经网络训练至收敛之后，再将实际的无人机三维位置坐标输入至神经网络模型进行处理，得到实际的二维方向图综合权矢量，最后基于该权矢量生成性能良好的集群发射方向图。需要注意的是，所发明方法中生成大量无人机集群三维坐标、计算相对应的权矢量、构建神经网络及神经网络训练环节均是离线处理，而后续新的无人机集群坐标神经网络处理、生成二维方向图部分为在线处理，因此所需运算量较小，更适用于实际工程应用。该方法适用于阵元位置实时变化的预警探测雷达场景，如本发明所针对的无人机集群协同探测等。
附图说明
图1是本实施例所述的方法的步骤流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
假设架无人机随机在240×240×240m3三维空间，飞行安全间距为10m以上，无人机集群高度为5000m，各架无人机载8×6阵元且阵元间距半波长的相控阵阵列天线，在接收端各无人机相控阵天线微波合成一个通道，因此整个阵列为M通道的超稀疏大孔径阵列，波长λ＝0.6m，主波束的指向为下面结合附图和实例说明一下整个发明的详细步骤：
如图1所示，一种基于深度学习的无人机集群动态方向图综合方法，所述的方法包括步骤如下：
步骤S1：离线处理
S101：结合雷达系统对不同架数无人机集群进行建模仿真，并随机产生大量无误差和/或有误差的无人机集群三维坐标数据集；
S102：利用LCMV方法对无人机集群三维坐标数据集进行处理，得到相对应的二维方向图综合权矢量数据集；
S103：构建神经网络模型，将无人机集群三维坐标数据集作为神经网络模型的输入数据集，将二维方向图综合权矢量数据集作为神经网络模型的输出数据集，对神经网络模型进行训练；
步骤S2：在线处理
S201：将获取的无人机集群实际三维坐标数据输入训练好的神经网络模型得到实际的二维方向图综合权矢量。
在一个具体的实施例中，在获取无人机集群坐标单元中，基于雷达系统构建不同架数无人机集群的模型，并在考虑无位置误差与有位置误差情况下进行仿真建模，其中无人机架数为M，无人机位置误差服从均值为0、方差为0.1m的高斯分布。仿真需要随机生成满足上述分布条件的无人机集群。为了保证网络的稳定性与泛化能力，考虑每种无人机架数随机生成1万种不同的集群坐标，即无人机集群坐标数据集大小为12×10000×M×3。
在一个具体的实施例中，步骤S102，在计算LCMV方向图综合权矢量单元中，将仿真得到的各种无人机集群三维坐标数据集，利用LCMV方法，优化得到各种情况下的LCMV权矢量数据集，具体如下：利用LCMV方法通过给方向图副瓣设置参考电平，然后向副瓣方向注入虚拟干扰，并利用LCMV法则来优化干扰值，得到优化的权矢量使方向图不断逼近所设置的参考电平；
其中，第k次迭代LCMV方法权矢量计算公式为：
其中，向量a表示二维导向矢量，Rk为第k次迭代干扰数据协方差矩阵，表示为：
其中，表示干扰的方向矩阵；P表示方位向干扰总数；Q表示俯仰向干扰总数；θp指干扰来向的方位角，p＝1,2,...,P；指干扰来向的俯仰角，q＝1,2,...,Q；σ为一个很小的常数；I为单位矩阵；为第k次迭代各个来向的干扰值，迭代公式如下
其中，为方向图；η＝0.5为更新步长，d为参考电平。
在一个具体的实施例中，在构造神经网络单元中，所述的神经网络模型选择采用卷积神经网络模型。所述的卷积神经网络模型包括：输入层、卷积层、池化层、Dropout层、平铺层、全连接层、输出层；
所述的输入层的大小为10000×M×3；
所述的卷积层共2层，第1层卷积核个数为32个，大小为3×3，第2层卷积核个数为4个，大小为3×3；
所述的池化层的卷积核个数为1个，大小为2×2；
所述的输出层大小为(M×8×6)×2，其中包括权矢量w的实部与虚部；激活函数选择ReLU函数：
ReLU(x)＝max{x,0} (4)
式中，x表示各个神经元的输出数值所述的Dropout层可以解决在训练网络时通常遇到过拟合问题。其原理就是减低网络的辅助度和拟合能力，在网络进行运算时让一些神经元失活，即不参与运算。Dropout层还可提高模型的泛化能力，让模型不过度依赖于某些局部特征，让训练出来的网络更有效。
所述的平铺层与全连接层是为了让网络输出结果维度与权矢量w一致，起到拟合作用。
在构造输入和输出训练数据集单元中将无人机集群三维坐标数据集作为神经网络的输入数据集；将二维方向图综合权矢量数据集作为神经网络模型的输出数据集(标签)；
在一个具体的实施例中，基于输入数据集和输出数据集对神经网络模型进行训练，训练设定的批尺寸为10，所有样本共训练100次。
在一个具体的实施例中，步骤S201，在获取无人机实时坐标单元中，无人机集群坐标数据维度为M×3；将M×3的无人机集群坐标数据输入到训练好的神经网络模型中，输出得到权矢量w。
在一个具体的实施例中，所述在线处理还包括步骤S202：基于实际的二维方向图综合权矢量实时得到二维发射方向图，在获得实时二维方向图单元中，将获得的实时二维发射方向图结合无人机集群预警系统，实现对目标高效精确的预警探测。
实施例2
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现方法的步骤如下：
步骤S1：离线处理
S101：结合雷达系统对不同架数无人机集群进行建模仿真，并随机产生大量无误差和/或有误差的无人机集群三维坐标数据集；
S102：利用LCMV方法对无人机集群三维坐标数据集进行处理，得到相对应的二维方向图综合权矢量数据集；
S103：构建神经网络模型，将无人机集群三维坐标数据集作为神经网络模型的输入数据集，将二维方向图综合权矢量数据集作为神经网络模型的输出数据集，对神经网络模型进行训练；
步骤S2：在线处理
S201：将获取的无人机集群实际三维坐标数据输入训练好的神经网络模型得到实际的二维方向图综合权矢量。
所述在线处理还包括步骤S202：基于实际的二维方向图综合权矢量实时得到二维发射方向图，并结合无人机集群预警系统，实现对目标预警探测。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现方法的步骤如下：
步骤S1：离线处理
S101：结合雷达系统对不同架数无人机集群进行建模仿真，并随机产生大量无误差和/或有误差的无人机集群三维坐标数据集；
S102：利用LCMV方法对无人机集群三维坐标数据集进行处理，得到相对应的二维方向图综合权矢量数据集；
S103：构建神经网络模型，将无人机集群三维坐标数据集作为神经网络模型的输入数据集，将二维方向图综合权矢量数据集作为神经网络模型的输出数据集，对神经网络模型进行训练；
步骤S2：在线处理
S201：将获取的无人机集群实际三维坐标数据输入训练好的神经网络模型得到实际的二维方向图综合权矢量。
所述在线处理还包括步骤S202：基于实际的二维方向图综合权矢量实时得到二维发射方向图，并结合无人机集群预警系统，实现对目标预警探测。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种三维超稀疏阵列静态方向图综合方法