一种无人机的威胁度预测方法及雷达探测设备与流程

1.本发明涉及技术领域，具体涉及一种无人机的威胁度预测方法及雷达探测设备。


背景技术：

2.随着无人机产品的迅速发展，出现在低空空域的无人机密度不断增大，对位于低空空域的防御点的安全造成潜在威胁，因此，防御点有必要实时评估无人机相对防御点的威胁程度，以便及时预警。
3.目前的威胁程度评估方法评估得到的威胁程度通常不够理想，难以真实反映无人机相对防御点的威胁程度，不利于及时、准确预警。


技术实现要素：

4.本发明实施例的一个目的旨在提供一种无人机的威胁度预测方法及雷达探测设备，能够解决现有技术中存在的缺陷。
5.在第一方面，本发明实施例提供一种无人机的威胁度预测方法，包括：
6.获取所述无人机相对所述雷达探测设备的至少一类相对位置信息，每类所述相对位置信息对应多个预设的位置区间；
7.在多个所述位置区间中将与所述至少一类相对位置信息对应的位置区间确定为目标位置区间，不同所述位置区间对应不同预设自适应因子，所述预设自适应因子为用于自适应调整预设威胁预测模型的输出的因子；
8.确定与所述目标位置区间对应的预设自适应因子为目标自适应因子；
9.根据预设威胁预测模型、所述至少一类相对位置信息及所述目标自适应因子确定威胁度预测值，其中，所述威胁度预测值用于评价所述无人机对所述雷达探测设备的威胁程度。
10.可选地，所述位置区间与所述预设自适应因子呈第一单调关系。
11.可选地，所述目标自适应因子与所述威胁度预测值呈第二单调关系。
12.可选地，当所述威胁度预测值与所述无人机相对所述雷达探测设备的威胁程度呈正相关关系时，所述第二单调关系与所述第一单调关系相同；
13.当所述威胁度预测值与所述无人机相对所述雷达探测设备的威胁程度呈负相关关系时，所述第二单调关系与所述第一单调关系相反。
14.可选地，所述预设威胁预测模型包括与每类所述相对位置信息对应的预测子模型，所述根据预设威胁预测模型、所述相对位置信息及所述目标自适应因子确定威胁度预测值包括：
15.根据每类所述相对位置信息及与每类所述相对位置信息对应的目标自适应因子及预设子模型，计算与每类所述相对位置信息对应的威胁值；
16.根据至少两类所述相对位置信息对应的威胁值确定所述威胁度预测值。
17.可选地，每类所述相对位置信息对应的威胁值都经过归一化处理，所述根据至少
两类所述相对位置信息对应的威胁值确定所述威胁度预测值包括：
18.将至少两类所述相对位置信息对应的威胁值作融合处理，得到威胁度预测值。
19.可选地，所述相对位置信息包括相对距离，所述预测子模型包括距离威胁模型，所述根据每类所述相对位置信息及与每类所述相对位置信息对应的目标自适应因子及预设子模型，计算与每类所述相对位置信息对应的威胁值包括：
20.根据所述距离威胁模型及与所述相对距离对应的目标自适应因子，对所述相对距离进行归一化处理，得到与所述相对距离对应的威胁值，所述与所述相对距离对应的威胁值与所述相对距离呈正相关关系。
21.可选地，所述相对位置信息包括相对高度，所述预测子模型包括高度威胁模型，所述根据每类所述相对位置信息及与每类所述相对位置信息对应的目标自适应因子及预设子模型，计算与每类所述相对位置信息对应的威胁值包括：
22.根据所述高度威胁模型及与所述相对高度对应的目标自适应因子，对所述相对高度进行归一化处理，得到与所述相对高度对应的威胁值，所述与所述相对高度对应的威胁值与所述相对高度呈正相关关系。
23.在第二方面，本发明实施例提供一种雷达探测设备，包括：
24.至少一个处理器；
25.以及，与所述至少一个处理器通信连接的存储器；其中，
26.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
27.在第三方面，本发明实施例提供一种非易失性计算机存储介质，所述非易失性计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行如上所述的方法。
28.在本发明实施例提供的一种无人机的威胁度预测方法中，包括：获取无人机相对雷达探测设备的至少一类相对位置信息，每类相对位置信息对应多个预设的位置区间，在多个位置区间中将与至少一类相对位置信息对应的位置区间确定为目标位置区间，不同位置区间对应不同预设自适应因子，预设自适应因子为可自适应调整预设威胁预测模型的输出的因子，确定与目标位置区间对应的预设自适应因子为目标自适应因子，根据预设威胁预测模型、至少一类相对位置信息及目标自适应因子确定威胁度预测值。因此，本实施例能够根据无人机实时位置调整预设威胁预测模型的目标自适应因子，使得威胁度预测值自适应无人机实时位置，有利于预测得到更加理想的威胁程度，使得威胁程度预测更加真实反映无人机相对防御点的威胁程度，进而有利于及时、准确预警。
附图说明
29.一个或多个实施例通过与之对应的附图中的图片仅作为示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
30.图1是本发明实施例提供的一种应用环境示意图；
31.图2是本发明实施例提供的一种雷达探测设备的结构示意图；
32.图3是本发明实施例提供的一种无人机的威胁度预测方法的流程示意图；
33.图4是本发明实施例提供的一种相对位置的示意图；
34.图5是图3所示的s304的流程示意图；
35.图6是本发明实施例提供的一种sigmoid函数曲线的仿真示意图；
36.图7是本发明实施例提供的一种无人机的威胁度预测装置的结构示意图；
37.图8是图7所示的第三确定模块的结构示意图；
38.图9是本发明实施例提供的一种控制器的硬件结构示意图。
具体实施方式
39.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。
41.请参阅图1，图1是本发明实施例提供的一种应用环境示意图。如图1所示，应用环境包括雷达探测设备100及无人机200。
42.雷达探测设备100是一种利用电磁波探测诸如无人机等目标的电子设备。雷达探测设备100可以发射电磁波对一个或多个无人机200进行扫描并接收其回波，由此获得无人机200相对电磁波发射点的位置(距离和高度)、速度、方位等信息。雷达探测设备100可根据获取到的上述信息，评估每个无人机200相对雷达探测设备100的威胁程度，从而及时对威胁较大的无人机200进行预警。
43.雷达探测设备100可以为机械扫描雷达、相控阵雷达等任意合适类型的雷达探测设备，其中，机械扫描雷达是一种靠雷达天线转动而实现波束扫描的雷达，相控阵雷达又称作相位阵列雷达，是一种以改变雷达波相位来改变波束方向的雷达，因为是以电子方式控制波束而非传统的机械转动天线面方式，故又称电子扫描雷达相控阵技术。
44.在一些实施例中，请参阅图2，雷达探测设备100包括相控阵天线101、发射/接收组件102、数据转换器103及控制器104。
45.相控阵天线101可用于扫描无人机200，它是一种通过控制阵列天线中辐射单元的馈电相位来改变方向图形状的天线。相控阵天线101可以为线性相控阵天线或平面相控阵天线，其中，线性相控阵天线根据基本的阵列类型可以划分为垂射阵列和端射阵列，垂射阵列最大辐射方向垂直于阵列轴向，天线波束在线阵法线方向左右两侧进行扫描，而端射阵列主瓣方向沿着阵列轴向。平面相控阵天线是指天线单元分布在平面上,天线波束在方位与仰角两个方向上均可进行相控扫描的阵列天线。
46.相控阵天线101可以由多个辐射单元组成，辐射单元是指构成天线基本结构的单元，它能够有效地辐射或接收射频信号。
47.发射/接收组件102与相控阵天线101电连接，用于负责射频信号的发射和接收，控
制信号的幅度和相位以完成波束赋形和波束扫描。
48.发射/接收组件102可以包括多个发射/接收单元，每个发射/接收单元可搭配一个辐射单元，每个发射/接收组件都能够向对应的辐射单元发射射频信号并接收对应辐射单元传输的射频信号。
49.数据转换器103与发射/接收组件102电连接，数据转换器103用于接收发射/接收组件102传输的射频信号，将射频信号转换成数字信号，或者向发射/接收组件102向发射/接收组件102传输射频信号。
50.控制器104与数据转换器103电连接，用于接收数据转换器103传输的数字信号并处理，得到诸如无人机200相对雷达探测设备100的位置、速度等信息，或者向数据转换器103传输数字信号，以便数据转换器103将数字信号转换成射频信号后传输至发射/接收组件102。
51.控制器104可以为任意通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)、单片机、arm(acorn risc machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，控制器104还可以是任何传统处理器、控制器、微控制器或状态机。控制器104也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp和/或任何其它这种配置。
52.控制器104作为雷达探测设备100的控制核心，用于执行如下所述的无人机的威胁度预测方法。
53.无人机200为可以在诸如低空、中空、高空等任意空域飞行的无人飞行器，例如固定翼无人机、旋翼无人机、无人飞艇、伞翼无人机、扑翼无人机等等。
54.本发明实施例提供一种无人机的威胁度预测方法，该威胁度预测方法应用于雷达探测设备。请参阅图3，威胁度预测方法包括：
55.s301、获取无人机相对雷达探测设备的至少一类相对位置信息，每类相对位置信息对应多个预设的位置区间；
56.在本步骤中，相对位置信息为当前无人机在空间中相对雷达探测设备的位置信息，相对位置信息可以包括诸如相对距离、相对高度、直线距离等任意位置类型信息。请参阅图4，定义雷达探测设备所在的、与水平面平行的平面为平面p1，无人机所在的、与平面p1垂直的平面为平面p2，基于此定义，相对距离为雷达探测设备相对平面p2的垂直距离，相对高度为无人机相对平面p1的垂直距离，直线距离为无人机与雷达探测设备之间的最短距离。
57.位置区间为按照预设划分方法，预先对每类相对位置信息对应的位置类型在其预设位置范围内划分得到的区间。每类相对位置信息可对应多个位置区间，不同类相对位置信息对应的位置区间不同。
58.位置区间可以为距离区间，亦可以为高度区间。当相对位置信息包括相对距离时，相对距离可对应多个距离区间，例如，多个距离区间可以为(0，800米)、(800米，1400米)及(1400米，2000米)，当相对位置信息包括相对高度时，相对高度可对应多个高度区间，例如，多个高度区间可以为(0，200米)、(200米，400米)及(400米，600米)。
59.s302、在多个位置区间中将与至少一类相对位置信息对应的位置区间确定为目标
位置区间，不同位置区间对应不同预设自适应因子，预设自适应因子为用于自适应调整预设威胁预测模型的输出的因子；
60.在本步骤中，目标位置区间为每类相对位置信息在对应的多个位置区间中落入的位置区间。目标位置区间可以为目标距离区间，亦可以为目标高度区间，相对位置信息包括相对距离时，相应的，目标距离区间为相对距离在对应的多个距离区间中落入的距离区间，相对位置信息包括相对高度时，相应的，目标高度区间为相对高度在对应的多个高度区间中落入的高度区间。
61.举例而言，如前所述，在相对位置信息包括相对距离情况下：当相对距离为500米时，500米落入距离区间(0，800米)，则此时雷达探测设备将500米对应的距离区间(0，800米)确定为目标距离区间，当相对距离为1000米时，1000米落入距离区间(800米，1400米)，则此时雷达探测设备将1000米对应的距离区间(800米，1000米)确定为目标距离区间，当相对距离为1500米时，1500米落入距离区间(1400米，2000米)，则此时雷达探测设备将1500米对应的距离区间(1400米，2000米)确定为目标距离区间。
62.再举例而言，如前所述，在相对位置信息包括相对高度的情况下：当相对高度为100米时，100米落入高度区间(0，200米)，则此时雷达探测设备将100米对应的高度区间(0，200米)确定为目标高度区间，当相对高度为300米时，300米落入高度区间(200米，400米)，则此时雷达探测设备将300米对应的高度区间(200米，400米)确定为目标高度区间，当相对高度为500米时，500米落入高度区间(400米，600米)，则此时雷达探测设备将500米对应的高度区间(400米，600米)确定为目标高度区间。
63.在一些实施例中，如前所述，距离区间(0，800米)、(800米，1400米)及(1400米，2000米)可分别被配置预设自适应因子，其中各个距离区间对应的预设自适应因子互不相同，高度区间(0，200米)、(200米，400米)及(400米，600米)亦可分别被配置预设自适应因子，其中各个高度区间对应的预设自适应因子互不相同。
64.预设自适应因子为用于自适应调整预设威胁预测模型的输出的因子，预设威胁预测模型为用于预测无人机在不同相对位置对雷达探测设备的威胁程度的模型，预设威胁预测模型的输出用于指示当前无人机对雷达探测设备的威胁程度，因此，当采用不同的预设自适应因子时，预设威胁预测模型的输出会相应发生变化，即该输出指示的当前无人机对雷达探测设备的威胁程度也会相应发生变化。
65.在一些实施例中，位置区间与预设自适应因子呈第一单调关系。第一单调关系为预设自适应因子随位置区间单调变化的关系，单调变化可以为单调递增，相应的，第一单调关系为单调递增关系，单调关系亦可以为单调递减，相应的，第一单调关系为单调递减关系。当第一单调关系为单调递增关系时，位置区间越大，预设自适应因子也越大，当第一单调关系为单调递减关系时，位置区间越大，预设自适应因子越小。
66.举例而言，如前所述，在相对位置信息包括相对距离的情况下：当第一单调关系为单调递增关系时，距离区间(0，800米)可对应预设自适应因子400，距离区间(800米，1400米)可对应预设自适应因子700，距离区间(1400米，2000米)可对应预设自适应因子1000。
67.当第一单调关系为单调递减关系时，距离区间(0，800米)可对应预设自适应因子1000，距离区间(800米，1400米)可对应预设自适应因子700，距离区间(1400米，2000米)可对应预设自适应因子400。
68.再举例而言，如前所述，在相对位置信息包括相对高度的情况下：当第一单调关系为单调递增关系时，高度区间(0，200米)可对应预设自适应因子200，高度区间(200米，400米)可对应预设自适应因子400，高度区间(400米，600米)可对应预设自适应因子600。
69.当第一单调关系为单调递减关系时，高度区间(0，200米)可对应预设自适应因子600，高度区间(200米，400米)可对应预设自适应因子400，高度区间(400米，600米)可对应预设自适应因子200。
70.因此，本实施例通过设置位置区间与预设自适应因子之间的关系呈单调递增关系或单调递减关系，有利于正向或反向调整预设威胁预测模型的输出，并且可降低预设威胁预测模型的输出调整难度。
71.s303、确定与目标位置区间对应的预设自适应因子为目标自适应因子；
72.在本步骤中，目标自适应因子为多个预设自适应因子中与目标位置区间对应的预设自适应因子。
73.举例而言，如前所述，在相对位置信息包括相对距离的情况下：若距离区间(800米，1400米)为目标位置区间，则距离区间(800米，1400米)对应的预设自适应因子700为目标自适应因子。
74.再举例而言，如前所述，相对位置信息包括相对高度的情况下：若高度区间(200米，400米)为目标位置区间，则高度区间(200米，400米)对应的预设自适应因子400为目标自适应因子。
75.在一些实施例中，目标自适应因子与威胁度预测值呈第二单调关系，其中，威胁度预测值用于评价无人机对雷达探测设备的威胁程度。
76.第二单调关系为威胁度预测值随目标自适应因子单调变化的关系，单调变化可以为单调递增，相应的，第二单调关系为单调递增关系，单调关系亦可以为单调递减，相应的，第二单调关系为单调递减关系。当第二单调关系为单调递增关系时，目标自适应因子越大，威胁度预测值也越大，当第二单调关系为单调递减关系时，目标自适应因子越大，威胁度预测值越小。
77.因此，本实施例通过设置目标自适应因子与威胁度预测值之间的关系呈单调递增关系或单调递减关系，有利于正向或反向调整威胁度预测值，从而有利于将无人机相对雷达探测设备的威胁程度调整至理想状态，并且可降低威胁程度的调整难度。
78.s304、根据预设威胁预测模型、至少一类相对位置信息及目标自适应因子确定威胁度预测值，其中，威胁度预测值用于评价无人机对雷达探测设备的威胁程度。
79.因此，本实施例能够根据无人机实时位置调整预设威胁预测模型的目标自适应因子，使得威胁度预测值自适应无人机实时位置，有利于预测得到更加理想的威胁程度，使得威胁程度预测更加真实反映无人机相对防御点的威胁程度，进而有利于及时、准确预警。
80.在一些实施例中，当威胁度预测值与无人机相对雷达探测设备的威胁程度呈正相关关系时，第二单调关系与第一单调关系相同。
81.举例而言，威胁度预测值为0到1之间的数值，数值越接近1表示无人机相对雷达探测设备的威胁程度越高，数值越接近0表示无人机相对相对雷达探测设备的威胁程度越低，在此种情况下，若第二单调关系为单调递增关系时，第一单调关系亦为单调递增关系，若第二单调关系为单调递减关系时，第一单调关系亦为单调递减关系。
82.第二单调关系为单调递增关系意味着目标自适应因子越大，威胁度预测值也越大，无人机相对雷达探测设备的威胁程度也越高，第一单调关系为单调递增关系意味着位置区间越大，预设自适应因子也越大，目标自适应因子为与相对位置信息对应的预设自适应因子，因此，当相对位置信息对应的位置区间越大时，目标自适应因子也越大，威胁度预测值也越大，无人机相对雷达探测设备的威胁程度也越高，从而能够将威胁程度在无人机相对雷达探测设备较远时往高调整，避免无人机相对雷达探测设备较远时，威胁程度下降过快，无人机相对雷达探测设备越远时，威胁程度下降越平缓，从而有利于预测得到更加理想的威胁程度。
83.第二单调关系为单调递减关系意味着目标自适应因子越大，威胁度预测值越小，无人机相对雷达探测设备的威胁程度也越低，第一单调关系为单调递增关系意味着位置区间越大，预设自适应因子也越小，目标自适应因子为与相对位置信息对应的预设自适应因子，因此，当相对位置信息对应的位置区间越大时，目标自适应因子越小，威胁度预测值越大，无人机相对雷达探测设备的威胁程度越高，从而能够将威胁程度在无人机相对雷达探测设备较远时往高调整，避免无人机相对雷达探测设备较远时，威胁程度下降过快，无人机相对雷达探测设备越远时，威胁程度下降越平缓，从而有利于预测得到更加理想的威胁程度。
84.在一些实施例中，当威胁度预测值与无人机相对雷达探测设备的威胁程度呈负相关关系时，第二单调关系与第一单调关系相反。
85.举例而言，威胁度预测值为0到1之间的数值，数值越接近1表示无人机相对雷达探测设备的威胁程度越低，数值越接近0表示无人机相对相对雷达探测设备的威胁程度越高，在此种情况下，若第二单调关系为单调递增关系时，则第一单调关系为单调递减关系，若第二单调关系为单调递减关系时，则第一单调关系为单调递增关系。
86.第二单调关系为单调递增关系意味着目标自适应因子越大，威胁度预测值也越大，无人机相对雷达探测设备的威胁程度越低，第一单调关系为单调递减关系意味着位置区间越大，预设自适应因子越小，目标自适应因子为与相对位置信息对应的预设自适应因子，因此，当相对位置信息对应的位置区间越大时，目标自适应因子越小，威胁度预测值也越小，无人机相对雷达探测设备的威胁程度越高，从而能够将威胁程度在无人机相对雷达探测设备较远时往高调整，避免无人机相对雷达探测设备较远时，威胁程度下降过快，无人机相对雷达探测设备越远时，威胁程度下降越平缓，从而有利于预测得到更加理想的威胁程度。
87.第二单调关系为单调递减关系意味着目标自适应因子越大，威胁度预测值也越小，无人机相对雷达探测设备的威胁程度越高，第一单调关系为单调递增关系意味着位置区间越大，预设自适应因子也越大，目标自适应因子为与相对位置信息对应的预设自适应因子，因此，当相对位置信息落入的位置区间越大时，目标自适应因子越大，威胁度预测值越小，无人机相对雷达探测设备的威胁程度越高，从而能够将威胁程度在无人机相对雷达探测设备较远时往高调整，避免无人机相对雷达探测设备较远时，威胁程度下降过快，无人机相对雷达探测设备越远时，威胁程度下降越平缓，从而有利于预测得到更加理想的威胁程度。
88.在一些实施例中，预设威胁预测模型包括与每类相对位置信息对应的预测子模
型。
89.在一些实施例中，预测子模型包括距离威胁模型及高度威胁模型。如前所述，相对位置信息包括相对距离时，相对距离对应的预测子模型为距离威胁模型，相对位置信息包括相对高度时，相对高度对应的预测子模型为高度威胁模型。其中，距离威胁模型为用于预测无人机在不同相对距离对雷达探测设备的威胁程度的模型，高度威胁模型为用于预测无人机在不同相对高度对雷达探测设备的威胁程度的模型。
90.在一些实施例中，请参阅图5，s304包括：
91.s3041、根据每类相对位置信息及与每类相对位置信息对应的目标自适应因子及预设子模型，计算与每类相对位置信息对应的威胁值；
92.举例而言，如前所述，相对位置信息包括相对距离及相对高度，控制器根据相对距离及与相对距离对应的目标自适应因子及距离威胁模型，计算与相对距离对应的威胁值，并根据相对高度及与相对高度对应的目标自适应因子及高度威胁模型，计算与相对高度对应的威胁值。
93.在一些实施例中，控制器根据距离威胁模型及与相对距离对应的目标自适应因子，对相对距离进行归一化处理，得到与相对距离对应的威胁值，与相对距离对应的威胁值与相对距离呈正相关关系。
94.对相对距离进行归一化处理有利于在距离威胁维度上预测无人机相对雷达探测设备的威胁程度的距离预测指标进行标准化处理，消除不同预测指标之间的差异，从而有利于将多个不同的预测指标放在一起进行综合评价，进而有利于威胁程度的预测。
95.与相对距离对应的威胁值与相对距离呈正相关关系意味着，相对距离越大时，与相对距离对应的威胁值也越大，相对距离越小时，与相对距离对应的威胁值也越小。
96.在一些实施例中，距离威胁模型可以基于能够对相对距离进行归一化处理的任意合适类型的归一化模型，例如sigmoid归一化模型、min-max归一化模型、z-score归一化模型、log归一化模型等等。
97.在一些实施例中，距离威胁模型基于sigmoid归一化模型。
98.sigmoid归一化模型为基于sigmoid函数的归一化模型，sigmoid函数的输出范围为(0，1)，即sigmoid函数的值域在0到1之间，sigmoid函数的表达式如下：
[0099][0100]
图6为sigmoid函数曲线的仿真示意图。如图6所示，在x趋近于正无穷或负无穷时，sigmoid函数都趋近平滑状态，且当x趋近于负无穷时，σ(x)趋近于0，当x趋近于正无穷时，σ(x)趋近于1。
[0101]
在一些实施例中，距离威胁模型用公式表示如下：
[0102][0103]
其中，thd为相对距离对应的威胁值，d为相对距离，d为相对距离对应的目标自适应因子。
[0104]
如前所述，以第一单调关系为单调递增关系为例，当相对距离d为500米时，500米对应的目标自适应因子d为400，则相对距离对应的威胁值thd为0.223，当相对距离d为1000
米时，1000米对应的目标自适应因子d为700，则相对距离对应的威胁值thd为0.105，当相对距离d为1500米时，1500米对应的目标自适应因子d为1000，则相对距离对应的威胁值thd为0.076。
[0105]
可以理解的是，若d为固定值400，当相对距离d为500米时，相对距离对应的威胁值thd为0.223，当相对距离d为1000米时，相对距离对应的威胁值thd为0.0005，当相对距离d为1500米时，相对距离对应的威胁值thd为0.000001。
[0106]
因此，本实施例本实施例能够根据无人机相对雷达探测设备的相对距离调整距离威胁模型的目标自适应因子，使得相对距离对应的威胁值自适应相对距离，避免相对距离较远时，相对距离对应的威胁值下降过快，有利于预测得到更加理想的威胁程度。
[0107]
在一些实施例中，控制器根据高度威胁模型及与相对高度对应的目标自适应因子，对相对高度进行归一化处理，得到与相对高度对应的威胁值，与相对高度对应的威胁值与相对高度呈正相关关系。
[0108]
对相对高度进行归一化处理有利于在高度威胁维度上预测无人机相对雷达探测设备的威胁程度的高度预测指标进行标准化处理，消除不同预测指标(如高度预测指标及距离预测指标)之间的差异，从而有利于将多个不同的预测指标放在一起进行综合评价，进而有利于威胁程度的预测。
[0109]
与相对高度对应的威胁值与相对高度呈正相关关系意味着，相对高度越高时，与相对高度对应的威胁值也越大，相对高度越低时，与相对高度对应的威胁值也越小。
[0110]
在一些实施例中，高度威胁模型可以基于能够对相对高度进行归一化处理的任意合适类型的归一化模型，例如sigmoid归一化模型、min-max归一化模型、z-score归一化模型、log归一化模型等等。
[0111]
在一些实施例中，高度威胁模型基于sigmoid归一化模型。
[0112]
在一些实施例中，高度威胁模型用公式表示如下：
[0113][0114]
其中，thh为所述相对高度对应的威胁度，h为所述相对高度，h为所述相对高度对应的目标自适应因子。
[0115]
如前所述，以第一单调关系为单调递增关系为例，当相对高度h为100米时，100米对应的目标自适应因子h为200，则相对高度对应的威胁值thh为0.5，当相对高度h为300米时，300米对应的目标自适应因子h为400，则相对高度对应的威胁值thh为0.223，当相对高度h为500米时，500米对应的目标自适应因子h为600，则相对高度对应的威胁值thh为0.159。
[0116]
可以理解的是，若h为固定值200，当相对高度h为100米时，相对距离对应的威胁值thd为0.5，当相对高度h为300米时，相对距离对应的威胁值thd为0.0067，当相对高度h为500米时，相对距离对应的威胁值thd为0.000045。
[0117]
因此，本实施例本实施例能够根据无人机相对雷达探测设备的相对高度调整高度威胁模型的目标自适应因子，使得相对高度对应的威胁值自适应相对高度，避免相对高度较高时，相对高度对应的威胁值下降过快，有利于预测得到更加理想的威胁程度。
[0118]
s3042、根据至少两类相对位置信息对应的威胁值确定威胁度预测值。
[0119]
如前所述，由于相对距离对应的威胁值及相对高度对应的威胁值都经过归一化处理，相对距离对应的威胁值及相对高度对应的威胁值可基于相同标准对威胁程度进行预测，因此，在一些实施例中，控制器可将至少两类相对位置信息对应的威胁值作融合处理，得到威胁度预测值。
[0120]
因此，本实施例通过在相对距离对应的威胁值及相对高度对应的威胁值都经过归一化处理的基础上，将相对距离对应的威胁值及相对高度对应的威胁值作融合处理，有利于得到更佳的威胁度预测值。
[0121]
控制器可以采用任意合适的融合算法对相对距离对应的威胁值及相对高度对应的威胁值作融合处理，得到威胁度预测值。在一些实施例中，控制器将相对距离对应的威胁值乘以相对高度对应的威胁值，并将乘积作为威胁度预测值。
[0122]
如前所述，距离威胁模型及高度威胁模型都基于sigmoid归一化模型，如此相对距离对应的威胁值及相对高度对应的威胁值都被限制在0到1的范围内，因此，将相对距离对应的威胁值乘以相对高度对应的威胁值后，得到的乘积亦被限制在0到1的范围内，将该乘积作为威胁度预测值能够便于用于分析无人机相对雷达探测设备的威胁程度。
[0123]
图7是本发明实施例提供一种无人机的威胁度预测装置的结构示意图。如图7所示，威胁度预测装置700包括获取模块701、第一确定模块702、第二确定模块703及第三确定模块704。
[0124]
获取模块701用于获取无人机相对雷达探测设备的至少一类相对位置信息，每类相对位置信息对应多个预设的位置区间，第一确定模块702用于在多个位置区间中将与至少一类相对位置信息对应的位置区间确定为目标位置区间，不同位置区间对应不同预设自适应因子，预设自适应因子为用于自适应调整预设威胁预测模型的输出的因子，第二确定模块703用于确定与目标位置区间对应的预设自适应因子为目标自适应因子，第三确定模块704用于根据预设威胁预测模型、至少一类相对位置信息及目标自适应因子确定威胁度预测值，其中，威胁度预测值用于评价无人机对雷达探测设备的威胁程度。
[0125]
在一些实施例中，预设威胁预测模型包括与每类相对位置信息对应的预测子模型，请参阅图8，第三确定模块704包括计算单元7041及确定单元7042。
[0126]
计算单元7041用于根据每类相对位置信息及与每类相对位置信息对应的目标自适应因子及预设子模型，计算与每类相对位置信息对应的威胁值，确定单元7042用于根据至少两类相对位置信息对应的威胁值确定威胁度预测值。
[0127]
需要说明的是，上述无人机的威胁度预测装置可执行本发明实施例所提供的无人机的威胁度预测方法，具备执行方法相应的功能模块和有益效果。未在无人机的威胁度预测装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的无人机的威胁度预测方法。
[0128]
图9是本发明实施例提供一种控制器的硬件结构示意图。如图9所示，控制器104包括一个或多个处理器1041及存储器1042，图9中以一个处理器1041为例。
[0129]
处理器1041和存储器1042可以通过总线或者其他方式连接，图9中以通过总线连接为例。
[0130]
存储器1042作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程
序、非易失性计算机可执行程序以及模块，如本发明实施例中的无人机的威胁度预测方法对应的程序指令/模块。处理器1041通过运行存储在存储器1042中的非易失性软件程序、指令以及模块，从而执行无人机的威胁度预测装置的各种功能应用以及数据处理，即实现上述方法实施例提供的无人机的威胁度预测方法以及上述装置实施例的各个模块或单元的功能。
[0131]
存储器1042可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器1042可选包括相对于处理器1041远程设置的存储器，这些远程存储器可以通过网络连接至处理器1041。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0132]
所述程序指令/模块存储在所述存储器1042中，当被所述一个或者多个处理器1041执行时，执行上述任意方法实施例中的无人机的威胁度预测方法。
[0133]
本发明实施例还提供了一种非易失性计算机存储介质，所述非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令被一个或多个处理器执行，例如图9中的一个处理器1041，可使得上述一个或多个处理器可执行上述任意方法实施例中的无人机的威胁度预测方法。
[0134]
本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行任一项所述的无人机的威胁度预测方法。
[0135]
以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0136]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0137]
最后要说明的是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施例，这些实施例不作为对本发明内容的额外限制，提供这些实施方式的目的是使对本发明的公开内容的理解更加透彻全面。并且在本发明的思路下，上述各技术特征继续相互组合，并存在如上所述的本发明不同方面的许多其它变化，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

技术特征：
1.一种无人机的威胁度预测方法，应用于雷达探测设备，其特征在于，包括：获取所述无人机相对所述雷达探测设备的至少一类相对位置信息，每类所述相对位置信息对应多个预设的位置区间；在多个所述位置区间中将与所述至少一类相对位置信息对应的位置区间确定为目标位置区间，不同所述位置区间对应不同预设自适应因子，所述预设自适应因子为用于自适应调整预设威胁预测模型的输出的因子；确定与所述目标位置区间对应的预设自适应因子为目标自适应因子；根据预设威胁预测模型、所述至少一类相对位置信息及所述目标自适应因子确定威胁度预测值，其中，所述威胁度预测值用于评价所述无人机对所述雷达探测设备的威胁程度。2.根据权利要求1所述的方法，其特征在于，所述位置区间与所述预设自适应因子呈第一单调关系。3.根据权利要求2所述的方法，其特征在于，所述目标自适应因子与所述威胁度预测值呈第二单调关系。4.根据权利要求3所述的方法，其特征在于，当所述威胁度预测值与所述无人机相对所述雷达探测设备的威胁程度呈正相关关系时，所述第二单调关系与所述第一单调关系相同；当所述威胁度预测值与所述无人机相对所述雷达探测设备的威胁程度呈负相关关系时，所述第二单调关系与所述第一单调关系相反。5.根据权利要求1所述的方法，其特征在于，所述预设威胁预测模型包括与每类所述相对位置信息对应的预测子模型，所述根据预设威胁预测模型、所述相对位置信息及所述目标自适应因子确定威胁度预测值包括：根据每类所述相对位置信息及与每类所述相对位置信息对应的目标自适应因子及预设子模型，计算与每类所述相对位置信息对应的威胁值；根据至少两类所述相对位置信息对应的威胁值确定所述威胁度预测值。6.根据权利要求5所述的方法，其特征在于，每类所述相对位置信息对应的威胁值都经过归一化处理，所述根据至少两类所述相对位置信息对应的威胁值确定所述威胁度预测值包括：将至少两类所述相对位置信息对应的威胁值作融合处理，得到威胁度预测值。7.根据权利要求5所述的方法，其特征在于，所述相对位置信息包括相对距离，所述预测子模型包括距离威胁模型，所述根据每类所述相对位置信息及与每类所述相对位置信息对应的目标自适应因子及预设子模型，计算与每类所述相对位置信息对应的威胁值包括：根据所述距离威胁模型及与所述相对距离对应的目标自适应因子，对所述相对距离进行归一化处理，得到与所述相对距离对应的威胁值，所述与所述相对距离对应的威胁值与所述相对距离呈正相关关系。8.根据权利要求5所述的方法，其特征在于，所述相对位置信息包括相对高度，所述预测子模型包括高度威胁模型，所述根据每类所述相对位置信息及与每类所述相对位置信息对应的目标自适应因子及预设子模型，计算与每类所述相对位置信息对应的威胁值包括：根据所述高度威胁模型及与所述相对高度对应的目标自适应因子，对所述相对高度进行归一化处理，得到与所述相对高度对应的威胁值，所述与所述相对高度对应的威胁值与
所述相对高度呈正相关关系。9.一种雷达探测设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8任一项所述的方法。10.一种非易失性计算机存储介质，其特征在于，所述非易失性计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行如权利要求1至8任一项所述的方法。

技术总结
本发明涉及无人机防御领域，公开一种无人机的威胁度预测方法及雷达探测设备。威胁度预测方法包括：获取无人机相对雷达探测设备的至少一类相对位置信息，每类相对位置信息对应多个预设的位置区间，在多个位置区间中将与至少一类相对位置信息对应的位置区间确定为目标位置区间，不同位置区间对应不同预设自适应因子，预设自适应因子为可自适应调整预设威胁预测模型的输出的因子，确定与目标位置区间对应的预设自适应因子为目标自适应因子，根据预设威胁预测模型、至少一类相对位置信息及目标自适应因子确定威胁度预测值。因此，本实施例能够根据无人机实时位置调整预设威胁预测模型的目标自适应因子，使得威胁度预测值可自适应无人机实时位置。无人机实时位置。无人机实时位置。


技术研发人员：张祖晨
受保护的技术使用者：深圳市塞防科技有限公司
技术研发日：2023.06.05
技术公布日：2023/9/20