一种机动目标路径预测的认知雷达波形设计方法及装置

1.本发明涉及雷达数据处理技术领域，尤其是一种机动目标路径预测的认知雷达波形设计方法及装置。


背景技术：

2.雷达是一种无线电探测和测距设备，具有可探测范围远、工作时间长、穿透能力强等优越性能，广泛应用于国防、民用等相关领域。如何从雷达散射回波中获取目标特征与运动等信息是雷达适应相关领域需求的根本手段。为了适应快速发展的技术，可以与环境状态信息交互，达到根据环境状态的改变而改变雷达自身发射参数的目的，雷达领域提出了认知雷达系统，并且成为了雷达技术领域研究的热点问题。认知最初是一种生物学概念，是指人身处在某种环境之中所产生的一系列的心里活动，包括观察、思考、判断、推理等，因此，将此概念引入到雷达技术之中，是指雷达可以能够根据不断变化的复杂工作场景感知、学习环境信息，并能够及时调整自身相关参数，从而达到探测、识别、分类等技术操作，为信号处理提供高可靠性的数据、技术参考。
3.为了降低雷达信号被截获机侦收的风险，射频隐身技术在近些年得到了大力的发展。隐身的目的就是让对方处于一种不断猜测的环境中，使自己的有源特征信息难以被解读，或者将自己的信息淹没在噪声环境中从而不能有效进行长时间积累。有源特征缩减的方法称为lpi技术，为了提升雷达的lpi性能，现阶段的主要途径为复杂雷达波形设计技术及雷达认知频率发射与功率分配技术。
4.在使用雷达进行空中目标跟踪的任务时，为了提高目标跟踪性能以及具有出色的lpi能力，拥有先进的火控雷达技术是实现这一目标的关键因素。在雷达对目标跟踪的过程中，雷达发射机通常要先使用大功率发射波形照射目标，以达到对目标探测及跟踪的目的，而这样做会导致雷达接收到的回波信号中夹杂着大功率杂波，增大信号处理难度，并且大功率信号容易被截获，降低雷达lpi性能。
5.由理论分析可以知道目标rcs的大小影响着目标被雷达侦查到的概率，rcs越大其被雷达检测到的可能就会越大。现阶段，相关设备的电磁隐身通常采用多种方法来尽量减少目标对电磁波的有效散射截面积，以此来降低被对方雷达检测到的概率。随着隐身和反隐身、雷达目标识别技术、动态精确导航等技术的快速发展，对复杂目标rcs的估计性能要求也随之提高。不仅需要对于常规目标做具体的优化和设计，尽力减小目标的rcs值以躲避雷达检测，同时，也需要雷达信号处理系统能够自适应的调整检测算法，确保目标rcs的计算精度和估计准度，从而降低漏检。
6.自kalman提出卡尔曼滤波以来，雷达目标跟踪得到了极大的发展，其利用目标探测过程中获取的目标测量回波不断更新目标状态信息，一旦确定目标的初始状态信息，便可以形成目标的航迹并对目标在不同时刻的状态信息做出预测，使得雷达在军用和民用领域均发挥出了强大的作用。同时，kalam滤波(卡尔曼滤波)为最优的线性滤波器，由于现代战场、城市等应用场景不断变化，使得雷达探测对象与环境状态复杂多变，因此目标跟踪过
程中的雷达发射参数也需要随着目标及环境的变化而变化。传统雷达目标跟踪中探测、跟踪两个阶段是相对独立的两个部分，即使是具有自适应滤波功能的目标跟踪系统，也只是调整滤波过程中的算法参数，仅仅在数据处理的范畴实现稳定的目标跟踪。当外界环境变化、目标自身运动状态异常，如目标收到杂波干扰或者进行快速机动时，由于雷达探测、滤波参数固定，量测质量变差，目标跟踪的效果仍然会随之变差，随着时间的积累甚至会出现失跟现象。因此，现阶段急需一种能够适应外界环境条件、目标自身状态变化的软硬件自适应雷达，借助对目标跟踪过程中目标状态信息的感知，对后续时刻目标的状态进行预测，引导发射机软硬件参数的调整，从而保证后续量测的质量，实现目标跟踪性能的改善。但是，传统的机械扫描雷达由于受到结构限制，一般利用自身阵面的旋转实现目标的探测，扫描频率无法变化，同时，也很难通过目标及环境信息改变雷达发射信号的波长、发射功率等参数也很难实现有效的变化。


技术实现要素：

7.有鉴于此，本发明实施例提供一种机动目标路径预测的认知雷达波形设计方法及装置，以提升雷达低截获及抗干扰性能。
8.本发明实施例的一方面提供了一种机动目标路径预测的认知雷达波形设计方法，包括：
9.由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波；
10.通过lstm网络对所述回波进行训练，构建时间序列预测模型；
11.根据所述时间序列预测模型对所述运动目标进行滤波轨迹预测，得到目标轨迹；
12.根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息；
13.根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息；
14.根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息；
15.根据所述rcs信息，确定脉间dfc编码信息；
16.根据所述脉间dfc编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。
17.可选地，所述由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波，包括：
18.通过对发射lfm波形脉组的回波进行脉冲压缩，得到在雷达探测阶段目标相对于雷达距离的变化；
19.将不同时刻的雷达回波信息进行处理，得到雷达探测阶段的目标运动轨迹数据集。
20.可选地，所述根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息，包括：
21.根据雷达发射的不同探测脉冲，获取运动目标反映的不同rcs频率响应函数；
22.根据雷达获取到的不同姿态下的目标信息回波，预测得到运动目标在不同时刻的位置信息。
23.可选地，所述根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运
动目标的俯仰角信息、方位角信息，包括：
24.根据所述滤波轨迹预测的结果以及所述空间位置信息，通过三角函数的计算，得到所述运动目标相对于雷达的俯仰角度和方位角度。
25.可选地，所述根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息，包括：
26.获取所述运动目标上离散的强散射中心个数；
27.获取各个强散射点的散射系数以及各个散射点相对于散射中心的相位；
28.将所述运动目标分解为多个强散设点；
29.根据所述强散射中心个数、所述散射系数以及所述相位，计算多个强散射点的复杂目标rcs信息。
30.可选地，在计算所述rcs信息的过程中，还包括：
31.根据雷达的发射信号以及各个散射点的散射系数，计算雷达接收机端的回波信息以及散射点在雷达视线上的距离雷达接收端的投影距离。
32.可选地，所述方法还包括：
33.根据所述运动目标方位在当前角度下的最大rcs频率响应函数及对应的频率，利用雷达方程计算得到在当前时刻雷达使用的最佳发射功率；
34.根据所述最佳发射功率进行功率分配。
35.本发明实施例的另一方面还提供了一种机动目标路径预测的认知雷达波形设计装置，包括：
36.第一模块，用于由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波；
37.第二模块，用于通过lstm网络对所述回波进行训练，构建时间序列预测模型；
38.第三模块，用于根据所述时间序列预测模型对所述运动目标进行滤波轨迹预测，得到目标轨迹；
39.第四模块，用于根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息；
40.第五模块，用于根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息；
41.第六模块，用于根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息；
42.第七模块，用于根据所述rcs信息，确定脉间dfc编码信息；
43.第八模块，用于根据所述脉间dfc编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。
44.本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
45.所述存储器用于存储程序；
46.所述处理器执行所述程序实现如前面所述的方法。
47.本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
48.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或
计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
49.本发明的实施例由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波；通过lstm网络对所述回波进行训练，构建时间序列预测模型；根据所述时间序列预测模型对所述运动目标进行滤波轨迹预测，得到目标轨迹；根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息；根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息；根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息；根据所述rcs信息，确定脉间dfc编码信息；根据所述脉间dfc编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。本发明首先利用lstm网络对探测并积累一段时间的目标进行路径预测，同时结合目标rcs频率响应特性，进行在路径预测阶段雷达发射波形脉间dfc，这样做可以有效的降低雷达在目标探测过程中能源的消耗，同时由于在雷达脉冲发射的过程中根据目标的状态信息使用了不同的脉间频率编码的组合，可以提升雷达低截获及抗干扰性能。
附图说明
50.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.图1为本发明实施例提供的整体步骤流程图；
52.图2为雷达窄带目标探测示意图；
53.图3为模拟目标运动轨迹的示意图；
54.图4为循环神经网络结构示意图；
55.图5为循环神经网络按时间序列展开示意图；
56.图6为lstm网络系统结构示意图；
57.图7为lstm网络系统结构展开示意图；
58.图8为lstm遗忘门结构的示意图；
59.图9为lstm输入门结构的示意图；
60.图10为lstm输出门结构的示意图；
61.图11为lstm目标运动轨迹预测的示意图；
62.图12为机动目标姿态角与雷达俯仰角示意图；
63.图13为研究使用目标rcs起伏模型的示意图；
64.图14为lfm波形目标检测能力的示意图；
65.图15为认知频率捷变波形目标检测能力的示意图。
具体实施方式
66.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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仅用以解释本技术，并
不用于限定本技术。
67.近些年来，深层神经网络得益于计算机的机损能力极大的加强而获得了广泛的应用。深度学习有许多不同的网络框架以应对各种不同的问题，对于像卷积神经网络这种前向反馈的卷积神经网络框架常用于分类、识别、决策等方面的应用，但是前向反馈网络却不能够保存过去的信息，像序列预测这种任务效果往往不好，通过引入递归网络，能够将当前时刻的信息和前一时刻的信息连接起来，这使得当前网络层的输入不仅仅能够得到上一层的输出结果，并且还能够过的起那些时刻隐藏层节点的输出，这就觉得了循环神经网络拥有短期的记忆能够保存信息的特点，但是循环神经网络只能够对短时的动态行为进行描述，无法获得数据间的长时间关联。对于目标运动估计而言，常常需要一段时间的多个点迹采样才能够表现出较强的运动特性，训练后的模型才会具有强鲁棒特性，仅仅是利用循环神经网络来进行模型的训练会出现系统稳健程度下降等问题。并且随着迭代的进行，其权重系数可能会呈指数性增长或者下降，最终出现梯度爆炸或者梯度消失的情况从而导致整个模型最后会出现不收敛的情况，与此同时，lstm网络的提出可以刚好解决这个问题。
68.目标的散射回波中包含着探测目标的位置、运动速度、特征尺寸等，是雷达信号处理的基础。rcs是衡量目标散射电磁波强弱的物理量，一定程度上影响着目标回波的数据品质。所以，如何高质量的完成雷达回波的准确获取和处理离不开对rcs的研究。同时，rcs的研究对于认知雷达的波形优化、资源管理、目标检测、目标成像、目标识别等也有极为重要的研究意义。对目标rcs变化趋势的准确判断和估计，能够更加有效的利用雷达发射波形参数，同时可以更加合理的分配雷达资源，保证目标回波的数据品质，确保雷达的测量精度。在低信噪比环境中，如果能够有效估计目标rcs，则可以有针对性选择发射波形的参数，能够使雷达以最佳的方式将目标信息从回波中提取出来，从而提升雷达工作性能。同时，目标物理结构差异导致其电磁散射特性不同，目标的独特性能够反映在目标rcs上，因此对目标rcs的准确获取和分析，有助于实现对雷达目标尺寸、形状、姿态等信息的估计，从而可以借助雷达目标探测先验信息实现对雷达参数进行改变，实现认知雷达波形设计方法。
69.因此，针对现有技术存在的问题，本发明提出了一种机动目标路径预测的认知雷达波形设计方法，包括：
70.由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波；
71.通过lstm网络对所述回波进行训练，构建时间序列预测模型；
72.根据所述时间序列预测模型对所述运动目标进行滤波轨迹预测，得到目标轨迹；
73.根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息；
74.根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息；
75.根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息；
76.根据所述rcs信息，确定脉间dfc编码信息；
77.根据所述脉间dfc编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。
78.可选地，所述由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波，包括：
79.通过对发射lfm波形脉组的回波进行脉冲压缩，得到在雷达探测阶段目标相对于
雷达距离的变化；
80.将不同时刻的雷达回波信息进行处理，得到雷达探测阶段的目标运动轨迹数据集。
81.可选地，所述根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息，包括：
82.根据雷达发射的不同探测脉冲，获取运动目标反映的不同rcs频率响应函数；
83.根据雷达获取到的不同姿态下的目标信息回波，预测得到运动目标在不同时刻的位置信息。
84.可选地，所述根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息，包括：
85.根据所述滤波轨迹预测的结果以及所述空间位置信息，通过三角函数的计算，得到所述运动目标相对于雷达的俯仰角度和方位角度。
86.可选地，所述根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息，包括：
87.获取所述运动目标上离散的强散射中心个数；
88.获取各个强散射点的散射系数以及各个散射点相对于散射中心的相位；
89.将所述运动目标分解为多个强散设点；
90.根据所述强散射中心个数、所述散射系数以及所述相位，计算多个强散射点的复杂目标rcs信息。
91.可选地，在计算所述rcs信息的过程中，还包括：
92.根据雷达的发射信号以及各个散射点的散射系数，计算雷达接收机端的回波信息以及散射点在雷达视线上的距离雷达接收端的投影距离。
93.可选地，所述方法还包括：
94.根据所述运动目标方位在当前角度下的最大rcs频率响应函数及对应的频率，利用雷达方程计算得到在当前时刻雷达使用的最佳发射功率；
95.根据所述最佳发射功率进行功率分配。
96.本发明实施例的另一方面还提供了一种机动目标路径预测的认知雷达波形设计装置，包括：
97.第一模块，用于由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波；
98.第二模块，用于通过lstm网络对所述回波进行训练，构建时间序列预测模型；
99.第三模块，用于根据所述时间序列预测模型对所述运动目标进行滤波轨迹预测，得到目标轨迹；
100.第四模块，用于根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息；
101.第五模块，用于根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息；
102.第六模块，用于根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息；
103.第七模块，用于根据所述rcs信息，确定脉间dfc编码信息；
104.第八模块，用于根据所述脉间dfc编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。
105.本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
106.所述存储器用于存储程序；
107.所述处理器执行所述程序实现如前面所述的方法。
108.本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
109.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
110.下面结合说明书附图，对本发明的具体实施过程进行详细描述：
111.本发明的目的在于提出了一种基于快速机动目标路径信息预测的认知雷达波形设计方法。该方法通过对目标路径预测得到目标相对于雷达的方位角度与俯仰角度，根据方位及俯仰角度确定雷达当前照射时刻下的目标rcs值，同时根据目标散射模型，确定当前时刻最大rcs对应的频率响应函数信息，根据雷达方程，调整雷达发射参数，达到认知雷达波形设计。
112.本发明可根据目标状态信更改雷达发射参数，达到认知波形设计的目的。相较于传统雷达发射波形，本发明所设计波形通过目标状态信息的预测达到了节约雷达设备使用资源的目的，同时，认知雷达波形设计方法通过在一个脉组内发射不同频率的脉冲，相似于达到了脉间dfc的作用，可以有效提升雷达lpi性能。
113.如图1所示，本发明的整体实施过程包括以下步骤：
114.步骤1，雷达发射窄带波形进行目标探测；
115.步骤2，lstm网络模型训练；
116.步骤3，利用lstm网络进行目标估计预测；
117.步骤4，得到目标相对于雷达的空间位置；
118.步骤5，得到目标相对于雷达的俯仰角；
119.步骤6，得到目标相对于雷达的方位角；
120.步骤7，得到当前时刻目标rcs信息；
121.步骤8，找到当前时刻目标最大rcs；
122.步骤9，找到最大rcs对应的频率信息；
123.步骤10，根据不同时刻预测的目标rcs进行脉间dfc；
124.步骤11，完成目标路径预测的认知雷达波形设计。
125.具体地，下面对每个步骤的具体实施过程进行详细描述：
126.步骤1：雷达发射窄带波形进行目标探测：
127.在初始阶段，目标在雷达探测威力范围内做快速机动运动，雷达发现目标，并通过发射窄带波形对目标进行探测，对目标进行探测的目的在于可以有效的积累目标的运动状态信息，得到一个完备的目标运动模型，为后续目标运动轨迹预测打下良好基础，其窄带探
测模型如图2所示。
128.在初始目标探测阶段，雷达以窄带lfm波形为主，通过对lfm波形的模糊函数进行分析，其模糊函数表现为斜刀刃型，可以看出lfm波形具备较为优秀的距离—多普勒耦合，这也就说明对于快速目标，lfm波形具备较为优秀的目标探测能力，同时，lfm波形作为一种好的脉冲压缩波形，可以有效的得到目标运动特征。通过发射lfm波形脉组的回波进行脉冲压缩，可以得到在雷达探测阶段目标相对于雷达距离的变化，将不同时刻的雷达回波信息进行处理可以得到雷达探测阶段目标运动轨迹数据集。
129.数据集对于lstm序列预测十分重要，一个好的数据集不仅仅需要大量的数据而且需要尽可能的覆盖可能出现的飞行状态及合理的分配每个运动状态的时间，这样训练得到的网络模型才能够具有较好的鲁棒性以及得到理想的预测精确度。本发明的数据是通过对机动目标仿真建模获得，其包括各种常见的飞行运动状态以及机动模式。对于在飞行轨迹模拟的过程中，在目标的运动范围较大的情况下，此时就往往需要计算地球的曲率。在本文中，假设目标的运动范围较小，暂不考虑地球曲率的情况下对目标的飞行轨迹进行建模。
130.定义目标在飞行过程中的时刻的状态矢量是分别为目标在此时刻的经度，维度，高度，速度，方位角，俯仰角。方位角默认为0的时候目标的飞行方位朝向为正北方向，当方位角大于0按正时针旋转，小于0按逆时针旋转，默认目标最大复航角度为(-90,+90)，沿高度方向向上为正，向下为负。
131.当目标的飞行速度为v，方位角为θ，俯仰角为时，目标在匀速直线运动时的过程中，在δt时间内其距离变化为δs＝v
·
δt，那么对于δs在铅垂面以及水平面的投影分别为δsv和δsh，其变换公式分别为：
[0132][0133][0134]
且在δt时间被，目标的经纬高坐标的变化量δl、δb、δh满足以下关系：
[0135][0136]
mi和ni分别为子午圈曲率半径和卯酉圈曲率半径，计算式可以表达为：
[0137][0138][0139]
其中，a是第一离心率。
[0140]
经过公式(3)变换后可以得到目标在δt时间内在经纬高坐标上的偏移量为：
[0141][0142]
对于速度的计算，设在δt时间内目标是做均加速运动的，加速对为a
t
，那么目标的速度计算式为：
[0143]vi+1
＝vi+ai·
δt (7)
[0144]
以上说明了目标在直线运动时位置信息和速度信息的变化过程，还要考虑目标做
非直线转弯机动时的运动变化，相对于目标做直线运动，目标做其他运动时其位置信息和速度信息的计算过程和直线运动时是一致的，只是目标的方位角和俯仰角会存在变化，其计算公式为：
[0145][0146][0147]
其中，ah和av分别是目标在水平方向的加速度和垂直方向的加速度。
[0148]
综上所述，在目标飞行的整个过程中，其状态变换过程为：
[0149][0150]
对于目标运动建模后，通过对式(10)中各个参数的调整可以获得目标的不同运动轨迹，对多段不同的运动轨迹相结合就能够得到包括直线运动、转弯机动、俯冲、盘旋等多种运动状态的估计数据。本发明所使用的仿真轨迹模拟了目标的直线运、加速运动、盘旋运动、爬升运动，俯冲运动等，如图3所示，为本发明所使用目标运动轨迹。
[0151]
通过图3可以看出，目标轨迹有效的模拟了机动目标直线、盘旋、爬升等运动姿态的变化，具有较强的实际应用结合能力。
[0152]
步骤2：lstm网络模型训练；
[0153]
本发明主要利用lstm网络建立一个时间序列预测模型，以用来预测模型用于跟踪过程中先验信息的预测。可以解决传统方法不能够充分利用目标提供的运动的状态信息等问题。考虑到先验信息的预测过程实际上是对时间序列的预测，对于时间蓄力预测最大的特点就是当前时刻的预测值不仅仅是和上一时刻的数据有关系，对于飞机轨迹，它之前的飞行状态实际已经预示了其在未来的飞行轨迹变化规律，这种规律是包含了趋势性、周期性和不规则性。对于短时点迹预测也保证了时间序列的平稳性，表明了当前时间序列的特性能够向未来延伸。这些条件决定了通过时间序列预测获得下一时刻目标运动电机信息的理论可行性。
[0154]
近些年来，深层神经网络得益于计算机的机损能力极大的加强而获得了广泛的应用。深度学习有许多不同的网络框架以应对各种不同的问题，对于像卷积神经网络这种前向反馈的卷积神经网络框架常用于分类、识别、决策等方面的应用，但是前向反馈网络却不能够保存过去的信息，像序列预测这种任务效果往往不好，通过引入递归网络，能够将当前时刻的信息和之前的信息连接起来，这使得当前网络层的输入不仅仅能够获得上一层的输出结果，并且还能够过的起那些时刻隐藏层节点的输出，这就觉得了循环神经网络拥有短期的记忆能够保存信息的特点，如图4所示为循环神经网络的拓扑结构，并且图5为其按时间序列展开后的网络结构示意图。
[0155]
图4、图5分别为循环神经网络网络结构和按时间序列展开的等价网络，如图4和图5所示，其基本结构可拆分为由输入层，隐藏层和输出层所组成。令i表示网络的输入，h表示隐藏层的激活值，o表示网络的输出。整个网络的前向传播过程可以通过如下四个公式进行描述：
[0156][0157]ht
＝f(μ
t
) (12)
[0158]zt
＝w
ho
hf+b
o (13)
[0159]ot
＝g(z
t
) (14)
[0160]
在整个传播的过程中，其中μ
t
表示隐藏层的加权输入，f是隐藏层的激活函数，z
t
表示的是输出层的加权输入，g是输出层的激活函数。其中激活函数的作用主要就是将单一的线性关系转化为非线性关系，使得整个系统的训练能够更精确的逼近本发明所需要的目标值，w
ih
、w
hh
、w
ho
分别是输入层到隐藏层的权值矩阵，隐藏层之间的权值矩阵，隐藏层到输出层的权值矩阵，各层之间通过w
ih
、w
hh
、w
ho
相互连接起来。
[0161]
反向传播实际是一个反馈过程，通过定义一个代价函数来判断训练结果的好坏，并且使用梯度下降法逐步的去寻找权重的最优值，从而改善训练结果。这个通过定义误差函数如式(15)所示，其值越大训练的效果就会越差。
[0162][0163]
其中，l
t
为目标值，o
t
为输出值，k为尺度常数。权重的更新过程为式(16)：
[0164][0165]
其中，为更新后t时刻权重，w
t-1
为更新前t-1时刻权重，γ为权重的学习速率，γ权重更新越快，繁殖越慢。
[0166]
利用式(15)对式(16)中进行梯度运算得到以下误差项为：
[0167][0168][0169]
在最后一个时刻的网络训练的过程中，可以将输出处的误差项计算为：
[0170][0171]
对于在隐藏层的误差项计算为：
[0172][0173]
当在其他时刻的训练网络中，误差项计算为：
[0174][0175]
通过迭代对最终的输出单元和隐藏层单元的误差计算为：
[0176][0177]
当计算出所有的误差项后，接下来就是对各层的权值进行更新，使整个网络得到优化。对输出层二样，其更新后的权值可以表示为：
[0178][0179]
对于输入层，相较于式(23)，更新后的权值为：
[0180][0181]
对于循环层，更新后的权值为：
[0182][0183]
通过以上介绍可以看出，循环神经网络能够对动态的时间行为进行学习和描述，但是循环神经网络只能够对短时的动态行为进行描述，无法获得数据间的长时间关联。对于目标运动估计而言，常常需要一段时间的多个点迹采样才能够表现出较强的运动特性，训练后的模型才会具有强鲁棒特性，仅仅是利用循环神经网络来进行模型的训练会出现系统稳健程度下降等问题。并且随着迭代的进行，其权重系数可能会呈指数性增长或者下降，最终出现梯度爆炸或者梯度消失的情况从而导致整个模型最后会出现不收敛的情况。lstm的提出可以刚好解决这个问题。
[0184]
步骤3：利用lstm网络进行目标估计预测；
[0185]
本发明的步骤3的目标轨迹预测，能够得到对应的轨迹预测结果，然后这个轨迹预测结果用于步骤4中确认雷达的空间位置。
[0186]
具体地，lstm是为了解决循环神经网络无法解决长期依赖的问题和出现的梯度爆炸或者梯度消失等问题。lstm存在着三个主要的门结构用来控制影响网络的相关功能，其中，遗忘门决定了神经元中接收的新输入信息，输出门决定了在当前时刻的输出状态。lstm的系统结构如图6和图7所示：
[0187]
图6与图7分别是lstm网络系统结构和lstm网络系统结构展开图，图6和图7分别展示了lstm网络主体结构和展开后的内部结构，可以看出lstm网络内部更加复杂，通过引入不同门结构来对长期记忆c
t-1
信息进行处理更新。
[0188]
lstm是在循环神经网络基础上引入了更为复杂的门结构，通过对lstm的几个不同的门单元做相关推导。对于遗忘门结构如图8所示，可以看出，以往门的输出f
t
和t时刻的输入x
t
，t-1时刻的隐藏层的状态h
t-1
存在相关联系，如式(26)所示。
[0189]
图8为lstm遗忘门结构，可以看出遗忘门是通过h
t-1
和x
t-1
来计算遗忘因子f
t
，从而控制长期记忆中需要遗忘的部分。
[0190]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0191]
其中，wf为f
t
关联h
t-1
和x
t
的权值矩阵，bf为偏置矩阵，σ是sigmoid函数。
[0192]
输入门的结构如图9所示，输入门的输入会分别经过sigmoid和ranh获得输入门遗忘因子i
t
和当前记忆两个值，通过将i
t
和相乘便得到的当前记忆的候选值
[0193]
图9为lstm输入门结构，如图所示，输入门通过i
t
决定了当前记忆需要遗忘的部分，从而保留了有用信息，生成了候选值
[0194]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
ꢀꢀꢀꢀꢀꢀꢀ
(27)
[0195][0196]
其中，wi、wc分别为i
t
关联h
t-1
、x
t
的权值矩阵和关联h
t-1
、x
t
的权值矩阵，bi和bc为偏置矩阵。所以由公式(27)与(28)可以知道，输入门的输入是和i
t
和有关的，结合图9，可以得到输入门的输入如式(29)所示：
[0197][0198]
对于t时刻的神经元的转态更新后如式(30)所示：
[0199]ct
＝c
t-1
e f
t
+ic
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(30)
[0200]
对于t时刻的神经元的状态更新后为：
[0201]ct
＝c
t-1
e f
t
+ic
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(31)
[0202]
对于输出门的结构如图10所示，其决定了最终需要输出部分的值，定义公式(32)和(33)：
[0203]
图10为lstm输出门结构，可以看出，o
t
为输出门遗忘因子，它和更新后的神经元状态信息共同决定了在当前时刻的最终输出h
t
。
[0204]ot
＝σ(wo[h
t-1
,x
t
]+bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0205]ht
＝o
t
e tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(33)
[0206]
上式中，wo为o
t
关联h
t-1
与x
t
的权值矩阵，bo为偏置矩阵。通过lstm可以有效的估计出目标的运动轨迹，如图11所示。
[0207]
通过图11可以看出，为了保证生成的数据集能够有效较好的训练效果，所生成的航迹包括直线运动、加速运动、爬升运动、俯冲运动、减速运动、盘旋运动等多个运动或称以确保训练的波形具有鲁棒性。
[0208]
由于lstm超过三层容易导致模型训练效果变差，因此本发明用到的模型是两层lstm网络，优化模型为“adam”，损失值为“msle”，激活函数是“relu”。目标运动轨迹建模一个包含匀速运动、加速运动、快速爬升运动，俯冲运动等运动的目标进行滤波轨迹预测。
[0209]
步骤4：得到目标相对于雷达的空间位置；
[0210]
对于雷达而言，目标在不同时刻相对与雷达的俯仰角度不同，同时，在不同的时刻目标相对与雷达的姿态位置不同，所以在雷达不同的探测脉冲下，目标所反映出rcs频率响应函数不同，如图12所示，可以看出，认知雷达能够通过不同姿态下的目标信息回波预测出目标在不同时刻的位置信息。
[0211]
在初始阶段，雷达发射窄带lfm脉冲波形进行目标探测，同时利用lstm网络对目标运动轨迹进行学习，通过学习的目标路径信息可以准确的估计出目标在预测阶段的路径，并可以利用目标的状态信息改变雷达发射频率，达到雷达认知发射的目的。
[0212]
步骤5：得到目标相对于雷达的俯仰角；
[0213]
如图12所示，根据lstm网络的预测，以及目标相对于雷达的空间位置，根据目标的
位置信息可以返回目标相对于雷达的高度信息及目标运动姿态信息，通过三角函数的计算，可以得到目标相对于雷达的俯仰角度。
[0214]
步骤6：得到目标相对于雷达的方位角；
[0215]
同样根据图12所示，目标相对于雷达的方位角可以等效于目标在当前时刻的运动姿态角，相似于步骤5，根据三角函数关系，可以得到目标在当前时刻相对于雷达坐标系的目标姿态角，可以表示为目标主要运动方向的延长线与雷达平面的夹角。
[0216]
需要说明的是，本发明实施例根据三角函数及图12所示，可以表征出俯仰角及方位角，这个只是一个空间相对位置信息。
[0217]
步骤7：得到当前时刻目标rcs信息；
[0218]
在自由空间中各散射点独立分布，对于简单目标rcs已具有完备的解析方法，然而对于较为复杂的大目标其散射特性也较为复杂，一般将大目标分解为多个独立的强散射点相互组合的散射，计算多个散射点的复杂目标rcs。复杂目标rcs的数学表达式表示为：
[0219][0220]
式(34)中，n为目标上离散的强散射中心个数，σn为第n个强散射点的散射系数，为第n个散射点相对于散射中心的相位。在实际场景中，一般都将大目标分解为多个强散射点，每一个强散射点都会对入射电磁波产生散射波，由于各个散射点相对于雷达接收机的径向距离不同，其时延量和相位也有所不同，所有强散射点的回波在空间叠加形成整体回波到达接收机。
[0221]
如果发射信号为s
t
(t)，各个散射点的散射系数为σn，则雷达接收机端的回波为sr(t)，即：
[0222][0223]dn
＝rn·
cosθ
n (36)
[0224]
公式(35)与(36)中，n为目标上强散射中心数量，σn为第n个强散射点rcs值，dn为散射点在雷达视线上的距离雷达接收端的投影距离，rn为散射点距雷达径向距离，θn为雷达照射视角。
[0225][0226]
从式(37)中可以看出，具有多个散射点的大目标，其rcs值变化收雷达照射视角和各个散射点的散射强度共同决定。本实施例所用rcs起伏模型如图13所示。图13为在不同方位角度下目标rcs频率响应函数变化曲线，由于目标电磁反射截面积根据相对雷达俯仰角度变化而改变，所以对于不同方位角度，其rcs变化不同，同时通过图13可以看出，在不同的雷达发射频率下，目标在不同姿态角度时的rcs起伏模型不同。
[0227]
步骤8：找到当前时刻目标最大rcs；
[0228]
由图13可以看出，目标在不同角度下的rcs对对应的频率响应函数表现形式不同，利用预测在同频率fm下的rcs频率响应函数，以及在时刻t且目标方位角θ的条件下，找到最大的rcs频率响应函数：
[0229]
[0230]
其中，o
θmax
为在角度为θ时最大的目标rcs频率响应函数，为在角度为θ时第m个频率fm所对应的rcs频率响应函数。至此，算法完成了雷达认知频率选择工作，得到了目标最大rcs频率响应函数对应的频率f
θmax
。
[0231]
步骤9：找到最大rcs对应的频率信息；
[0232]
通过在目标方位在当前角度θ下的最大rcs频率响应函数o
θmax
与其对应的频率f
θmax
，利用雷达方程可以计算得到在此时刻雷达使用的最佳发射功率，并达到功率分配的目的。
[0233]
需要说明的是，在目标预测阶段，雷达同样也是发射电磁脉冲形式照射目标，其目的是为了可以在目标预测阶段雷达发射满足目标rcs频率响应特性的脉间频率编码波形，达到认知发射的目的。
[0234]
步骤10：根据不同时刻预测的目标rcs进行脉间dfc；
[0235]
在快速机动目标运动路径预测阶段，雷达选取符合发射性能的多个脉冲组成一个脉组，其脉组的组成为在时间序列上以一个pri基准时间要求，多个pri组成了一个脉组，每个pri都映射到其所对应的预测目标状态信息上，达到脉间dfc编码的要求。
[0236]
步骤11：完成目标路径预测的认知雷达波形设计；
[0237]
需要说明的是，雷达发射的是一组脉冲，在这一组脉冲中每个脉冲的发射频率是由dfc序列确定的，而dfc的确定是由目标估计估计位置(俯仰，方位)确定的目标相对雷达的位置所对应的rcs所决定。
[0238]
本实施例以16个不同脉冲为主要研究对象，探索在目标在路径预测阶段回波中目标rcs频率响应函数不同做到雷达认知频率发射，以雷达目标探测威力为评价指标与固定参数lfm波形进行对比，目标出现在距雷达7000米与8750米处，对于低慢小目标，实验设置的两个目标的rcs均为0.01，雷达发射功率与杂波功率比为-16db。固定参数lfm波形与认知频率捷变波形目标探测性能分别为图14与图15所示。
[0239]
在图14与图15中，实验利用16个脉冲回波进行长时间积累，可以看出，对于固定参数lfm波形，会出现很多虚假目标，并且在8750米处的目标已完全淹没在噪声干扰中，同时虚假目标会对目标检测造成极大程度干扰。对于认知频率捷变波形，可以有效的降低由噪声产生的虚假目标干扰，并且可以检测出距雷达7000米与8750米处的目标，可以使雷达在杂波背景下有效探测距离较固定参数lfm提升了25％，有效的实现了快速机动目标路径预测认知发射方法。
[0240]
综上所述，本发明具有以下特点：
[0241]
1、针对快速机动目标，本发明提出了一种针对机动目标路径预测的认知雷达波形设计方法。
[0242]
2、机动目标路径预测过程中，使用了lstm网络与目标rcs相结合的方法，通过寻找目标最大rcs来更改雷达发射频率，达到脉间dfc的功能。
[0243]
3、本发明在所提方法不仅可以满足节约资源的前提，同时可以达到提升雷达低截获及抗干扰性能。
[0244]
相较于现有技术，本发明提出了一种基于快速机动目标路径预测的认知雷达波形设计方法，本发明首先利用lstm网络对探测并积累一段时间的目标进行路径预测，同时结合目标rcs频率响应特性，进行在路径预测阶段雷达发射波形脉间dfc，这样做可以有效的
降低雷达在目标探测过程中能源的消耗，同时由于在雷达脉冲发射的过程中根据目标的状态信息使用了不同的脉间频率编码的组合，可以提升雷达低截获及抗干扰性能。
[0245]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0246]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0247]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-on ly memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0248]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0249]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0250]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件
或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0251]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0252]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0253]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种机动目标路径预测的认知雷达波形设计方法，其特征在于，包括：由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波；通过lstm网络对所述回波进行训练，构建时间序列预测模型；根据所述时间序列预测模型对所述运动目标进行滤波轨迹预测，得到目标轨迹；根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息；根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息；根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息；根据所述rcs信息，确定脉间dfc编码信息；根据所述脉间dfc编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。2.根据权利要求1所述的一种机动目标路径预测的认知雷达波形设计方法，其特征在于，所述由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波，包括：通过对发射lfm波形脉组的回波进行脉冲压缩，得到在雷达探测阶段目标相对于雷达距离的变化；将不同时刻的雷达回波信息进行处理，得到雷达探测阶段的目标运动轨迹数据集。3.根据权利要求1所述的一种机动目标路径预测的认知雷达波形设计方法，其特征在于，所述根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息，包括：根据雷达发射的不同探测脉冲，获取运动目标反映的不同rcs频率响应函数；根据雷达获取到的不同姿态下的目标信息回波，预测得到运动目标在不同时刻的位置信息。4.根据权利要求1所述的一种机动目标路径预测的认知雷达波形设计方法，其特征在于，所述根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息，包括：根据所述滤波轨迹预测的结果以及所述空间位置信息，通过三角函数的计算，得到所述运动目标相对于雷达的俯仰角度和方位角度。5.根据权利要求1所述的一种机动目标路径预测的认知雷达波形设计方法，其特征在于，所述根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息，包括：获取所述运动目标上离散的强散射中心个数；获取各个强散射点的散射系数以及各个散射点相对于散射中心的相位；将所述运动目标分解为多个强散设点；根据所述强散射中心个数、所述散射系数以及所述相位，计算多个强散射点的复杂目标rcs信息。6.根据权利要求5所述的一种机动目标路径预测的认知雷达波形设计方法，其特征在于，在计算所述rcs信息的过程中，还包括：根据雷达的发射信号以及各个散射点的散射系数，计算雷达接收机端的回波信息以及
散射点在雷达视线上的距离雷达接收端的投影距离。7.根据权利要求1所述的一种机动目标路径预测的认知雷达波形设计方法，其特征在于，所述方法还包括：根据所述运动目标方位在当前角度下的最大rcs频率响应函数及对应的频率，利用雷达方程计算得到在当前时刻雷达使用的最佳发射功率；根据所述最佳发射功率进行功率分配。8.一种机动目标路径预测的认知雷达波形设计装置，其特征在于，包括：第一模块，用于由雷达发射窄带波形对运动目标进行探测，得到的包含目标状态信息的回波；第二模块，用于通过lstm网络对所述回波进行训练，构建时间序列预测模型；第三模块，用于根据所述时间序列预测模型对所述运动目标进行滤波轨迹预测，得到目标轨迹；第四模块，用于根据所述目标轨迹，通过雷达发射的探测脉冲确定所述运动目标相对于雷达的空间位置信息；第五模块，用于根据所述滤波轨迹预测的结果以及所述空间位置信息，确定所述运动目标的俯仰角信息、方位角信息；第六模块，用于根据所述俯仰角信息和所述方位角信息，计算所述运动目标的rcs信息；第七模块，用于根据所述rcs信息，确定脉间dfc编码信息；第八模块，用于根据所述脉间dfc编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种机动目标路径预测的认知雷达波形设计方法及装置，方法包括：由雷达发射窄带波形对运动目标进行探测；通过LSTM网络对得到的回波进行训练，构建时间序列预测模型；对运动目标进行滤波轨迹预测，得到目标轨迹；通过雷达发射的探测脉冲确定运动目标相对于雷达的空间位置信息；根据滤波轨迹预测的结果以及空间位置信息，确定运动目标的俯仰角信息、方位角信息；根据俯仰角信息和方位角信息，计算运动目标的RCS信息；根据RCS信息，确定脉间DFC编码信息；根据脉间DFC编码信息确定雷达发射的每组脉冲中每个脉冲的发射频率。本发明能够提升雷达低截获及抗干扰性能，可广泛应用于雷达数据处理技术领域。于雷达数据处理技术领域。于雷达数据处理技术领域。


技术研发人员：田彪 宋宇霄 谢旌阳 杨一鸣 徐世友 陈曾平
受保护的技术使用者：中山大学
技术研发日：2023.01.18
技术公布日：2023/7/22