本發明專利技術提供無線信號和熱成像多模態協同探測與定向干擾方法及系統，涉及電子對抗技術領域，包括將無線信號數據與紅外熱成像數據進行時域同步和空域配準，構建多模態特征融合網絡，采用注意力機制和遞歸神經網絡提取目標的時序特征，并輸出目標的位置坐標、運動狀態和行為模式信息。然后，基于目標狀態評估模型和強化學習算法，設計智能干擾策略，并通過自適應波束形成技術對干擾波束進行動態調整，最終實現對目標的精準定向干擾。本發明專利技術能夠有效提高目標探測精度和干擾效率，降低誤警率，增強復雜環境下的目標識別和干擾能力。
【技術實現步驟摘要】
本專利技術涉及電子對抗技術，尤其涉及無線信號和熱成像多模態協同探測與定向干擾方法及系統。
技術介紹
1、傳統的目標探測與干擾技術通常依賴于單一傳感器，例如雷達或紅外傳感器。雷達探測技術具有全天候工作能力和較遠探測距離的優勢，但容易受到復雜電磁環境的干擾，并且難以識別目標的精細特征。紅外熱成像技術可以被動探測目標的熱輻射，具有良好的隱蔽性和抗干擾能力，但受環境溫度、天氣條件等因素影響較大，探測距離有限，且難以獲取目標的運動狀態信息。單獨使用這些技術都存在一定的局限性，難以滿足復雜環境下對目標進行精確探測和有效干擾的需求?，F有技術主要存在以下缺陷和不足：
2、單模態探測信息量有限，難以適應復雜環境：傳統的目標探測技術通常依賴于單一傳感器，獲取的信息量有限，容易受到環境因素的影響。在復雜環境下，例如強電磁干擾、雨霧天氣等，單模態探測的可靠性和精度都會下降。
3、目標識別精度低，難以實現精細化干擾：現有的干擾技術大多基于目標的大致位置信息，難以對目標進行精細化識別和分類。這導致干擾效果不佳，甚至可能誤傷友方目標。
4、干擾策略缺乏智能性和自適應性：傳統的干擾策略通常是預先設定的，缺乏對目標行為模式和運動狀態的分析和預測能力。這使得干擾策略難以適應目標的動態變化，容易被目標規避或反干擾。
技術實現思路
1、本專利技術實施例提供無線信號和熱成像多模態協同探測與定向干擾方法及系統，能夠解決現有技術中的問題。
2、本專利技術實施例的第一方面，
3、提供無線信號和熱成像多模態協同探測與定向干擾方法，包括：
4、將無線信號接收天線陣列采集的無線信號數據與熱成像傳感器采集的紅外熱成像數據進行時域同步與空域配準，獲得時空對齊的多源數據集，對所述多源數據集的無線信號數據通過小波變換進行特征分解并提取目標特征信息，對紅外熱成像數據進行目標分割與特征提取，獲得目標的多模態特征數據；
5、構建多模態特征融合網絡，將所述多模態特征數據輸入所述多模態特征融合網絡，采用注意力機制對所述多模態特征數據中的不同模態特征進行自適應權重分配得到加權特征，將所述加權特征輸入遞歸神經網絡進行時序建模得到目標時序特征；將所述目標時序特征輸入多任務學習框架，輸出目標的位置坐標、運動狀態與行為模式信息；
6、基于所述目標的位置坐標、運動狀態與行為模式信息建立目標狀態評估模型，采用強化學習算法設計智能干擾策略，將所述智能干擾策略輸入到波形生成器生成對應的干擾信號，采用自適應波束形成算法對干擾波束的方向角、俯仰角進行動態調整，向目標發射干擾信號。
7、在一種可選的實施方式中，
8、將無線信號接收天線陣列采集的無線信號數據與熱成像傳感器采集的紅外熱成像數據進行時域同步與空域配準，獲得時空對齊的多源數據集的步驟包括：
9、基于時間窗口的滑動對齊算法對無線信號數據和紅外熱成像數據進行時域對齊，通過計算相鄰數據幀的時間戳差值確定同一時刻的無線信號數據和紅外熱成像數據，生成時間對齊標簽；
10、對所述無線信號數據進行空間特征提取，利用天線陣列流形特性構建信號協方差矩陣，對所述信號協方差矩陣進行特征分解得到信號子空間，基于多重信號分類算法估計信號到達角得到無線信號空間特征向量；對所述紅外熱成像數據進行空間特征提取，采用目標檢測神經網絡提取目標邊界框坐標，計算目標在圖像平面的方位角和俯仰角，基于相機標定參數進行角度換算得到紅外熱成像空間特征向量；
11、基于所述時間對齊標簽、所述無線信號空間特征向量和所述紅外熱成像空間特征向量進行空間配準，建立以天線陣列中心為原點的球坐標系統，將所述無線信號空間特征向量和所述紅外熱成像空間特征向量轉換至所述球坐標系統，計算無線信號空間特征向量和紅外熱成像空間特征向量的方位角差值和俯仰角差值，當所述方位角差值和俯仰角差值小于預設角度閾值時完成配準，得到時空對齊的特征對；
12、計算無線信號的信噪比值，評估紅外熱成像目標檢測概率值，將所述信噪比值大于信噪比閾值且所述紅外熱成像目標檢測概率值大于目標檢測閾值的時空對齊的特征對組成多源數據集。
13、在一種可選的實施方式中，
14、構建多模態特征融合網絡，將所述多模態特征數據輸入所述多模態特征融合網絡，采用注意力機制對所述多模態特征數據中的不同模態特征進行自適應權重分配得到加權特征，將所述加權特征輸入遞歸神經網絡進行時序建模得到目標時序特征的步驟包括：
15、將所述多模態特征數據分別執行多尺度分解得到物理層特征、表征層特征和語義層特征，所述物理層特征包括空間位置和方位信息，所述表征層特征包括信號質量和梯度信息，所述語義層特征包括頻譜和深度特征信息；
16、構建多模態特征融合網絡，所述多模態特征融合網絡包含特征投影模塊和特征約束模塊，其中所述特征投影模塊包括無線信號特征投影單元和紅外圖像特征投影單元，將所述多模態特征數據分別輸入對應的特征投影單元進行特征空間映射，計算映射后特征的相似度矩陣，基于所述相似度矩陣生成跨模態特征權重；所述特征約束模塊在物理層引入空間變換網絡計算空間一致性約束，在表征層引入時序平滑因子計算時序連續性約束，在語義層通過對抗學習計算狀態一致性約束，基于所述跨模態特征權重整合空間一致性約束、時序連續性約束和狀態一致性約束生成初始融合特征；
17、采用注意力機制對所述初始融合特征中的不同模態特征進行自適應權重分配，所述注意力機制包含長程特征提取分支和短程特征提取分支，所述長程特征提取分支捕獲目標運動的全局依賴關系，所述短程特征提取分支捕獲目標狀態的局部特征，基于長程特征和短程特征的統計量計算自適應權重，基于所述自適應權重得到加權特征；
18、將所述加權特征輸入遞歸神經網絡，所述遞歸神經網絡包括特征編碼模塊和時序解碼模塊，通過所述特征編碼模塊對輸入特征進行編碼，采用所述時序解碼模塊提取時序依賴關系得到時序特征，對時序特征進行加權融合，輸出目標時序特征。
19、在一種可選的實施方式中，
20、將所述目標時序特征輸入多任務學習框架，輸出目標的位置坐標、運動狀態與行為模式信息的步驟包括：
21、將目標時序特征輸入共享編碼器提取通用特征表示，所述共享編碼器采用任務特定解碼器分別針對位置坐標估計、運動狀態判別和行為模式識別進行特征解碼；對所述通用特征表示進行時空特征增強，在時間維度采用自注意力機制計算時序特征依賴關系生成時序注意力權重，在空間維度引入空間注意力模塊捕獲局部空間相關性，得到增強特征；
22、將所述增強特征輸入多尺度特征金字塔網絡，通過殘差連接結構融合不同尺度特征，采用級聯回歸方式優化位置預測，輸出目標的實時位置坐標信息；
23、采用時序卷積網絡提取目標速度和加速度特征，將所述速度和加速度特征以及連續時間段內的實時位置坐標信息輸入雙向門控循環單元網絡，通過多層感知機識別目標的運動狀態信息；
24、本文檔來自技高網
...
【技術保護點】
1.無線信號和熱成像多模態協同探測與定向干擾方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，將無線信號接收天線陣列采集的無線信號數據與熱成像傳感器采集的紅外熱成像數據進行時域同步與空域配準，獲得時空對齊的多源數據集的步驟包括：
3.根據權利要求1所述的方法，其特征在于，構建多模態特征融合網絡，將所述多模態特征數據輸入所述多模態特征融合網絡，采用注意力機制對所述多模態特征數據中的不同模態特征進行自適應權重分配得到加權特征，將所述加權特征輸入遞歸神經網絡進行時序建模得到目標時序特征的步驟包括：
4.根據權利要求1所述的方法，其特征在于，將所述目標時序特征輸入多任務學習框架，輸出目標的位置坐標、運動狀態與行為模式信息的步驟包括：
5.根據權利要求1所述的方法，其特征在于，基于所述目標的位置坐標、運動狀態與行為模式信息建立目標狀態評估模型，采用強化學習算法設計智能干擾策略的步驟包括：
6.根據權利要求5所述的方法，其特征在于，構建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數，采用梯度投影法對所述初步干擾策略進行優化得到最終的智能干擾策略的步驟包括：
7.根據權利要求1所述的方法，其特征在于，將所述智能干擾策略輸入到波形生成器生成對應的干擾信號，采用自適應波束形成算法對干擾波束的方向角、俯仰角進行動態調整，向目標發射干擾信號的步驟包括：
8.無線信號和熱成像多模態協同探測與定向干擾系統，用于實現前述權利要求1-7中任一項所述的方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執行時實現權利要求1至7中任意一項所述的方法。
...
【技術特征摘要】
1.無線信號和熱成像多模態協同探測與定向干擾方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，將無線信號接收天線陣列采集的無線信號數據與熱成像傳感器采集的紅外熱成像數據進行時域同步與空域配準，獲得時空對齊的多源數據集的步驟包括：
3.根據權利要求1所述的方法，其特征在于，構建多模態特征融合網絡，將所述多模態特征數據輸入所述多模態特征融合網絡，采用注意力機制對所述多模態特征數據中的不同模態特征進行自適應權重分配得到加權特征，將所述加權特征輸入遞歸神經網絡進行時序建模得到目標時序特征的步驟包括：
4.根據權利要求1所述的方法，其特征在于，將所述目標時序特征輸入多任務學習框架，輸出目標的位置坐標、運動狀態與行為模式信息的步驟包括：
5.根據權利要求1所述的方法，其特征在于，基于所述目標的位置坐標、運動狀態與行為模式信息...
【專利技術屬性】
技術研發人員：孫文勝，
申請(專利權)人：北京智信天一科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。