申请/专利权人：西安电子科技大学

申请日：2021-06-10

公开（公告）日：2023-07-18

公开（公告）号：CN113376594B

主分类号：G01S7/38

分类号：G01S7/38;G06N3/006;G06N3/126

优先权：

专利状态码：有效-授权

法律状态：2023.07.18#授权;2021.09.28#实质审查的生效;2021.09.10#公开

摘要：本发明公开了一种基于MOEAD‑GAS的STAP雷达分布式干扰方法，解决了对STAP雷达干扰时干扰能力差，无法实行多对多模式的问题。实现步骤：确定雷达威胁等级；建立干扰资源调度模型；设置干扰约束条件、种群最优解集和权重向量；确定相邻向量；产生初始种群权；标准遗传算法；用GBS、ABS算法优化解集、维持解集大小；判断种群权是否受变异个体支配；获得进化后的种群最优解集；分配最优解集，完成对雷达的分布式干扰。本发明的干扰资源调度数学模型使干扰机能发射多种干扰样式，通过贪心算法对干扰功率分配优化，保证解决方案多样性。本发明提升了对STAP雷达的干扰性能和干扰成功率，用于多部干扰机和STAP雷达组成的多对多干扰场景。

主权项：1.一种基于MOEAD-GAS算法的STAP雷达分布式干扰方法，其特征在于，使用多部干扰机协同干扰，包括有如下步骤：1确定截获雷达威胁等级：侦查设备会截获干扰机所在时空的若干目标雷达并采集到若干雷达数据传送给干扰机，令被截获的若干目标雷达为N部，目标雷达组成雷达组网，组网的目标雷达集合为C＝[C1,C2,...,Ci,...,CN]，Ci表示第i部目标雷达，其中下标i为目标雷达的序号，i取正整数；被截获目标雷达的关键参数会决定每个雷达的危险等级，假设关键参数为各个目标雷达信号的载波频率、信号时宽、发射功率；初始化截获雷达参数，令载波频率的集合为fc1,fc2,...,fci,...,fcN，fci表示第i部目标雷达的载波频率，取值为正整数；令目标雷达信号时宽集合为τ1,τ2,...,τi,...,τN，τi表示第i部雷达脉冲信号的时宽，取值为正整数；令各个目标雷达脉冲信号的发射功率的集合是Pt1,Pt2,...,Pti,...,PtN，Pti表示第i部雷达的发射功率，取值为正实数；令危险等级的集合为ωr1,ωr2,...,ωri,...,ωrN，ωri表示接收的第i部目标雷达的威胁等级，取值为0～1内的实数；2初始化干扰机参数：设置M部干扰机，干扰机集合J＝[J1,J2,...,Jj,...,JM]，Jj表示第j部干扰机，M为干扰机总部数，取值为正整数；用si表示干扰机对第i部目标雷达的干扰样式，在干扰同一部目标雷达时所有干扰机的干扰样式都相同；pji表示第j部干扰机对第i部目标雷达的干扰功率；3建立干扰资源调度数学模型Fx：基于干扰样式和干扰功率建立针对多目标多干扰源的干扰资源调度数学模型Fx；4设置干扰约束条件：根据干扰资源调度数学模型Fx，设置干扰约束条件为： 上式中，表示第j个干扰机对N个雷达的干扰归一化功率之和为1，s1i＝s2i＝…＝sji＝…＝sMi表示在干扰第i部雷达时，M部干扰机所用干扰样式均为同一种干扰样式；5设置种群最优解集和权重向量：调用一个大小为K的种群，用于存放M部干扰机的干扰样式和干扰功率，并将该种群最优解集EP置成空集φ；在基于贪心策略的选择解的方式中，令参数topK＝1，topK控制每一个子问题为选择解的搜索深度；设置一组理想点z＝z1,z2,...,zi,...,zN，N表示目标雷达总个数，在种群中zi表示第i个理想点，根据干扰约束条件对理想点值进行随机设置一组分布均匀的权重向量λ1,...,λk,...λK，其中，λk表示第k个权重向量，K为种群大小；6选出每个权重向量的相邻向量，形成集合Bk：计算各相邻权重向量之间的欧几里得距离，选定与向量λk距离最近的T个向量为向量λk的相邻向量，其中，相邻向量索引集合记为Bk＝k1,...,kT，为λk的T个相邻向量；7产生初始种群权：从相邻向量索引集合Bk中随机选取一组权向量，将这组权向量设置为初始种群权x1,...,xk,...xK，初始种群权就表示关于干扰样式和干扰功率的种群中初始化的一组解，计算干扰资源调度数学模型Fxk＝f1xk,...,fNxk，并放入关于干扰功率和干扰样式种群的最优解集EP，其中，xk表示第k个种群权，k为循环指针，其初始值为1，k＝1～K；8交叉产生新个体：从相邻向量索引集合Bk＝k1,...,kT中随机选取两个索引v,l，对xv和xl执行标准遗传算法的交叉操作，产生新个体y；9对新个体变异操作：对新个体y执行标准遗传算法的变异操作，产生变异后的个体y'，变异后的个体y'在干扰资源数学模型表示为把第t代关于干扰样式和干扰功率种群Pt和交叉变异后的个体y'组成一个关于干扰样式和干扰功率的新种群Rt，Rt的种群大小大于K；10利用贪心算法求贪心策略选择的第t+1代解集Pt+1：利用贪心算法GBS计算关于干扰样式和干扰功率的新种群Rt中各解的聚合函数值，并将每个子问题第t代解的聚合函数值升序排列，将每个子问题排序中前K个解计入下一代解集Pt+1，此时解集Pt+1中解的数量可能大于也可能小于种群大小K；11利用绝对值算法ABS求角度，控制解集Pt+1中解的数量：利用绝对值算法ABS判断解集Pt+1中解的数量是否等于种群大小K，如果等于K则直接执行步骤12，如果不等于K则利用ABS算法去除多余解或补充解直到解集Pt+1中解的个数等于K，再执行步骤12；12干扰样式和干扰功率种群的循环寻优：判断种群权xk是否受变异个体支配，也就是判断干扰资源调度数学模型Fxk是否受变异个体Fy'支配，k＝1,...,K；若受支配，即Fy'≤Fxk，则将Fxk从关于干扰功率和干扰样式种群的最优解集EP中删除；若对于不存在Fxk受Fy'支配，即Fy'Fxk，则将Fy'加入关于干扰功率和干扰样式种群的最优解集EP，并将循环指针k的值加1后，执行步骤8至12，进入新一轮关于干扰功率和干扰样式种群的最优解的寻优过程；13获得进化后的种群最优解集EP：重复步骤8到步骤12，直至k＝K，进化结束，认为得到进化后的种群最优解集EP，种群最优解集EP中包含干扰样式决策结果s1,s2,...,si,...,sN,干扰功率决策结果pji，j＝1,...,M,i＝1,...,N；其中，si表示对第i部目标雷达干扰所采取的干扰样式，pji表示第j部干扰机施加给第i部目标雷达的干扰功率，得到干扰资源调度最优分配方案，干扰机集合J＝[J1,J2,...,Jj,...,JM]；14分配最优解集数据，完成对雷达组网的分布式干扰：根据干扰资源调度数学模型产生的最优分配方案，在干扰机集合J＝[J1,J2,...,Jj,...,JM]中，M部干扰机分布在不同的位置使用相同的干扰样式si对第i部目标雷达发送干扰信号，目标雷达的部数变化时干扰样式也发生变化；M部干扰机中的第j部干扰机Jj向第i部雷达发射的干扰功率为pji；以上所用参数均为干扰资源调度最优分配方案中的参数，完成对STAP雷达组网的分布式干扰。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于MOEA/D-GAS的STAP雷达分布式干扰方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD