一种基于人工智能的低空防御系统的制作方法

本发明涉及低空防御领域，尤其是一种基于人工智能的低空防御系统。

背景技术：

如图1所示，现有低空防御系统中，频谱侦测设备负责频谱监测和测向，首先对一定频率范围内的电磁信号进行采集，然后针对无人机遥控和图传信号，进行特征分析和检测，若检测发现符合特征的电磁信号，则认为是无人机，并对该电磁信号进行无线电测向，得到该电磁信号辐射源的方位，最后将检测结果和测向方位信息发送给控制和显示系统；雷达探测设备利用电磁信号回波发现目标，首先对回波信号进行信号检测、杂波抑制处理、数据处理，得到目标的距离、方位、俯仰角等位置信息，然后将处理结果发送给控制和显示系统；光电探测设备利用可见光摄像机和红外摄像机对目标进行检和识别，通过图像处理技术，实现光电探测设备对目标的自动跟踪，并将视频数据发送给控制和显示系统。

现有低空防御系统中雷达探测设备、频谱侦测设备、光电探测设备等各传感器设备均为独立工作，系统功能单一并且不易扩展。另外，单传感器设备进行目标检测与识别，利用已有的特征模板对提取的目标特征信息进行分类，当环境变化时，不能自适应模式识别，造成分类效果差，检测率和识别率低，难以获得理想的效果。

技术实现要素：

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于人工智能的低空防御系统。

本发明采用的技术方案如下：

一种基于人工智能的低空防御系统，包括：

传感器设备，包括频谱侦测设备、雷达探测设备和光电探测设备；

综控系统，与频谱侦测设备、雷达探测设备和光电探测设备连接，用于接收频谱侦测设备、雷达探测设备和光电探测设备的原始信号，并对原始信号进行综合处理后，通过人工智能算法进行目标检测和识别，并根据目标检测和识别结果发出相应的防御措施。

进一步，所述对原始信号进行综合处理后通过人工智能算法进行目标检测和识别的过程为：

将频谱侦测设备、雷达探测设备和光电探测设备的原始信号经过相应的信号与数据处理后获得的数据进行数据格式转换；

利用深度神经网络对数据格式转换后的数据进行特征提取；

根据输入数据类型选择不同网络结构的分类器，并利用提取出的特征对分类器进行强化学习；

经过强化学习后的分类器输出最终的目标检测和识别结果。

进一步，当输入数据类型是频谱侦测设备的原始信号获得的频谱数据时，采用svm分类器。

进一步，当输入数据类型是由雷达探测设备的原始信号获得的雷达数据时，采用基于bp神经网络结构的分类器。

进一步，当输入数据类型是由光电探测设备的原始信号获得的图像数据时，采用基于cnn网络结构的分类器。

进一步，所述根据目标检测和识别结果发出相应的防御措施是指：使用压制干扰设备使无人机迫降或返航，或使用欺骗干扰设备对无人机进行导航诱骗。

进一步，操作者可以选择自动执行或是手动执行相应的防御措施。

进一步，所述频率侦测设备包括频谱侦测天线阵和数字接收模块。

进一步，所述雷达探测设备包括雷达天线模块以及射频和数字模块。

进一步，所述光电探测设备包括可见光摄像机和红外摄像机。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明采用平台化思想，由综控系统对频谱侦测设备、雷达探测设备、光电探测设备的原始信号进行综合处理，而频谱侦测设备、雷达探测设备、光电等设备只作为终端传感器，本发明易扩展、可重构、应用范围广、配置灵活，降低了因单一手段进行目标探测而造成的虚警和漏警，从而有效对黑飞的无人机进行反制。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为现有的低空防御系统的架构示意图。

图2为本发明的基于人工智能的低空防御系统的架构示意图。

具体实施方式

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，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

如图2所示，一种基于人工智能的低空防御系统，包括：

传感器设备，包括频谱侦测设备、雷达探测设备和光电探测设备；本实施例中，所述频谱侦测设备、雷达探测设备和光电探测设备的组成可以如下：

所述频率侦测设备包括频谱侦测天线阵和数字接收模块；

所述雷达探测设备包括雷达天线模块以及射频和数字模块；

所述光电探测设备包括可见光摄像机和红外摄像机；

综控系统，与频谱侦测设备、雷达探测设备和光电探测设备连接，用于接收频谱侦测设备、雷达探测设备和光电探测设备的原始信号，并对原始信号进行综合处理后，通过人工智能算法进行目标检测和识别，并根据目标检测和识别结果发出相应的防御措施。也就是说，本发明基于人工智能算法，将频谱侦测设备、雷达探测设备和光电探测设备等传感器设备的目标检测和识别功能集中到了综控系统。其中，所述对原始信号进行综合处理后通过人工智能算法进行目标检测和识别的过程为：

(1)将频谱侦测设备、雷达探测设备和光电探测设备的原始信号经过相应的信号与数据处理后获得的数据进行数据格式转换；例如针对频率侦测设备的原始信号，通过频谱监测处理模块和测向处理模块进行信号与数据处理；针对雷达探测设备的原始信号通过信号处理模块和数据处理模块进行信号与数据处理；针对光电探测设备的原始信号通过目标检测处理模块和目标识别处理模块进行信号与数据处理；在信号与数据处理后进行数据格式转换，使得频谱侦测设备、雷达探测设备和光电探测设备输入综控系统的数据具有统一的数据格式。

(2)利用深度神经网络对数据格式转换后的数据进行特征提取，该特征即作为强化学习的环境；提取的特征可以通过形成相应的特征库，例如针对频率侦测设备的数据提取的特征形成无人机无线信号特征库；针对雷达探测设备的数据提取的特征形成雷达信号特征库；针对光电探测设备的数据提取的特征形成目标图像特征库；

(3)根据输入数据类型选择不同网络结构的分类器，并利用提取出的特征对分类器进行强化学习；其中，选择的分类器的网络结构可以如下：

当输入数据类型是频谱侦测设备的原始信号获得的频谱数据时，采用svm分类器，利用频率侦测设备的数据提取的特征训练svm分类器，用于无人机图传信号和遥控信号的检测和识别；

当输入数据类型是由雷达探测设备的原始信号获得的雷达数据时，采用基于bp神经网络结构的分类器，利用雷达探测设备的数据提取的特征训练基于bp神经网络结构的分类器，用于雷达信号检测；

当输入数据类型是由光电探测设备的原始信号获得的图像数据时，采用基于cnn网络结构的分类器，利用光电探测设备的数据提取的特征训练基于cnn网络结构的分类器，用于根据图像数据对目标进行检测和识别。

(4)经过强化学习后的分类器输出最终的目标检测和识别结果。

进一步，所述根据目标检测和识别结果发出相应的防御措施是指：使用压制干扰设备使无人机迫降或返航，或使用欺骗干扰设备对无人机进行导航诱骗。作为优选方式，操作者可以选择自动执行或是手动执行相应的防御措施。

通过上述说明，简单地说，本实施例基于人工智能的低空防御系统在复杂环境中的目标检测和识别的实现过程如下：

(1)读入频谱侦测设备、雷达探测设备、光电探测设备数据；

(2)通过深度神经网络提取数据的特征；

(3)根据输入数据类型采用不同的分类器进行初始分类；

(4)通过利用提取的特征强化学习来优化初始分类；

(5)输出最终分类结果即为最终目标检测和识别结果；

(6)融合不同传感器设备的目标检测和识别结果来判断是否是无人机，若果是，则输出无人机的位置信息，引导电磁干扰设备、激光打击设备等对无人机进行处置。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。