CN119395688A 无线信号和热成像多模态协同探测与定向干扰方法及系统 （北京智信天一科技有限公司）

无线信号和热成像多模态协同探测与定向本发明提供无线信号和热成像多模态协同2将无线信号接收天线阵列采集的无线信号数据与热成像传感器采集的红外热成像数构建多模态特征融合网络，将所述多模态特征数据输用注意力机制对所述多模态特征数据中的不同模态特征进行自适应权重分配得到加权特基于所述目标的位置坐标、运动状态与行为模式信息建立目标状基于时间窗口的滑动对齐算法对无线信号数据和红外热成像数对所述无线信号数据进行空间特征提取，利用天线阵列流形特性构建信号协方差矩基于所述时间对齐标签、所述无线信号空间特征向量和所述红计算无线信号的信噪比值，评估红外热成像目标检测噪比阈值且所述红外热成像目标检测概率值大于目标检测阈值的时空对齐的特征对组成将所述多模态特征数据分别执行多尺度分解得到物理层特征、3构建多模态特征融合网络，所述多模态特征融合网络包采用注意力机制对所述初始融合特征中的不同模态特征进行自适应权将所述加权特征输入递归神经网络，所述递归神经网络包括特征编4.根据权利要求1所述的方法，其特征在于，将所述目标时序特征输入多任务学习框将目标时序特征输入共享编码器提取通用特征表示，所述共享编码将所述增强特征输入多尺度特征金字塔网络，通过残差连接结构融合不同尺度特征，采用时序卷积网络提取目标速度和加速度特征，将所述速度和加速基于实时位置坐标信息和运动状态信息构建时序图结构，图结构的节点采用双重Q网络进行干扰策略学习，所述双重Q网络包括当前网络和目4构建包含干扰效果、资源消耗和干扰隐蔽性的多目标采用在线学习方式实时更新所述最终的智能干扰策略，基于所述构建包含干扰效果奖励函数、资源消耗惩罚项和干扰将所述多目标奖励函数对初步干扰策略的参数求取奖励梯度，基于基于约束违反度动态调整优化步长，所述约束违反度通过发射功将智能干扰策略的功率分配向量映射为子载波能量分配矩阵，基于所基于所述干扰信号复包络构建空间相关矩阵，根据天线阵列的阵元间对所述空间相关矩阵求逆得到反相关矩阵；采用递归最小二乘算法58.无线信号和热成像多模态协同探测与定向干扰系统，用于实现前述权利要求1_7中第一单元，用于将无线信号接收天线阵列采集的无线信第二单元，用于构建多模态特征融合网络，将所述多模第三单元，用于基于所述目标的位置坐标、运动状态与行为其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意6达探测技术具有全天候工作能力和较远探测距离的优势，但容易受到复杂电磁环境的干将无线信号接收天线阵列采集的无线信号数据与热成像传感器采集的红外热成构建多模态特征融合网络，将所述多模态特征数据输入所述多模态特征融合网7将无线信号接收天线阵列采集的无线信号数据与热成像传感器采集的红外热成基于时间窗口的滑动对齐算法对无线信号数据和红外热成像数据进行时域对齐，机标定参数进行角度换算得到红外热成像空间于信噪比阈值且所述红外热成像目标检测概率值大于目标检测阈值的时空对齐的特征对构建多模态特征融合网络，将所述多模态特征数据输入所述多模态特征融合网语义层通过对抗学习计算状态一致性约束，基于所述跨模态特征权重整合空间一致性约8基于所述状态动作值函数构建分层探索机制，在干扰策略类型层面采用ε贪心9对所述初步干扰策略进行优化得到最终的智能干扰策述误差信号更新反相关矩阵，利用所述反相关矩阵对所述天线阵列权值向量进行动态优重分配得到加权特征，将所述加权特征输入递归神经网络进行时序建模得到目标时序特[0017]本发明融合无线信号和小波变换提取的目标特征信息与红外热成像的目标分割[0020]图1为本发明实施例无线信号和热成像多模态协同探测与定向干扰方法的流程示图2为本发明实施例无线信号和热成像多模态协同探测与定向干扰系统的结构示[0023]图1为本发明实施例无线信号和热成像多模态协同探测与定向干扰方法的流程示S1.将无线信号接收天线阵列采集的无线信号数据与热成像传感器采集的红外热S2.构建多模态特征融合网络，将所述多模态特征数据输入所述多模态特征融合将无线信号接收天线阵列采集的无线信号数据与热成像传感器采集的红外热成基于时间窗口的滑动对齐算法对无线信号数据和红外热成像数据进行时域对齐，机标定参数进行角度换算得到红外热成像空间于信噪比阈值且所述红外热成像目标检测概率值大于目标检测阈值的时空对齐的特征对构建多模态特征融合网络，将所述多模态特征数据输入所述多模态特征融合网语义层通过对抗学习计算状态一致性约束，基于所述跨模态特征权重整合空间一致性约[0037]本发明通过多尺度分解和跨模态特征融合，可以更全面（FeaturePyramidNetwork，特征金字塔网络通过残差连接结构融合不同尺度的特征。在不同尺度上进行位置预测，并采用级联回归的方式逐步优化预测结果，最终输出目标的然后将这些预测结果融合，得到更精确的位置坐标。假设目标在图像中的位置为(100，基于所述状态动作值函数构建分层探索机制，在干扰策略类型层面采用ε贪心对所述初步干扰策略进行优化得到最终的智能干扰策模式改变等都表明干扰效果良好。空间活动范围可以用目标活动区域的面积大小来量化，数项和约束惩罚项的拉格朗日函数。约束惩罚项用于限制干扰策略参数在允许的范围内，功率和能量消耗；通过计算目标信号特征向量与干扰信号特征向量的欧氏距离和互信息，述误差信号更新反相关矩阵，利用所述反相关矩阵对所述天线阵列权值向量进行动态优[0064]图2为本发明实施例无线信号和热成像多模态