(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(22)申請日2025.01.02(43)申請公布日2025.02.07地址100073北京市豐臺區(qū)麗澤路24號院1事務(wù)所(普通合伙)11738專利代理師張毅群GO6F123/02(2023.0(56)對比文件審查員王寧權(quán)利要求書4頁說明書15頁附圖2頁無線信號和熱成像多模態(tài)協(xié)同探測與定向本發(fā)明提供無線信號和熱成像多模態(tài)協(xié)同高目標探測精度和干擾效率，降低誤警率，增強將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集，對所述多源數(shù)據(jù)集的無線信號數(shù)據(jù)通過小波變換進行特征分解并提取目標特征信息，對紅外熱成像數(shù)據(jù)進行目標分割與特征提取，獲得目標的多模態(tài)特征數(shù)據(jù)構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征；將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略，將所述智能千擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號21.無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾方法，其特征在于，包括：將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集，對所述多源數(shù)據(jù)集的無線信號數(shù)據(jù)通過小波變換進行特征分解并提取目標特征信息，對紅外熱成像數(shù)據(jù)進行目標分割與特征提取，獲得目標的多模態(tài)特征數(shù)據(jù)；構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征；將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息；基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略，將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集的步驟包括：基于時間窗口的滑動對齊算法對無線信號數(shù)據(jù)和紅外熱成像數(shù)據(jù)進行時域?qū)R，通過計算相鄰數(shù)據(jù)幀的時間戳差值確定同一時刻的無線信號數(shù)據(jù)和紅外熱成像數(shù)據(jù)，生成時間對齊標簽；對所述無線信號數(shù)據(jù)進行空間特征提取，利用天線陣列流形特性構(gòu)建信號協(xié)方差矩陣，對所述信號協(xié)方差矩陣進行特征分解得到信號子空間，基于多重信號分類算法估計信號到達角得到無線信號空間特征向量；對所述紅外熱成像數(shù)據(jù)進行空間特征提取，采用目標檢測神經(jīng)網(wǎng)絡(luò)提取目標邊界框坐標，計算目標在圖像平面的方位角和俯仰角，基于相機標定參數(shù)進行角度換算得到紅外熱成像空間特征向量；基于所述時間對齊標簽、所述無線信號空間特征向量和所述紅外熱成像空間特征向量進行空間配準，建立以天線陣列中心為原點的球坐標系統(tǒng)，將所述無線信號空間特征向量和所述紅外熱成像空間特征向量轉(zhuǎn)換至所述球坐標系統(tǒng)，計算無線信號空間特征向量和紅外熱成像空間特征向量的方位角差值和俯仰角差值，當所述方位角差值和俯仰角差值小于預(yù)設(shè)角度閾值時完成配準，得到時空對齊的特征對；計算無線信號的信噪比值，評估紅外熱成像目標檢測概率值，將所述信噪比值大于信噪比閾值且所述紅外熱成像目標檢測概率值大于目標檢測閾值的時空對齊的特征對組成多源數(shù)據(jù)集。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征的步驟包括：將所述多模態(tài)特征數(shù)據(jù)分別執(zhí)行多尺度分解得到物理層特征、表征層特征和語義層特征，所述物理層特征包括空間位置和方位信息，所述表征層特征包括信號質(zhì)量和梯度信息，所述語義層特征包括頻譜和深度特征信息；3構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，所述多模態(tài)特征融合網(wǎng)絡(luò)包含特征投影模塊和特征約束模塊，其中所述特征投影模塊包括無線信號特征投影單元和紅外圖像特征投影單元，將所述多模態(tài)特征數(shù)據(jù)分別輸入對應(yīng)的特征投影單元進行特征空間映射，計算映射后特征的相似度矩陣，基于所述相似度矩陣生成跨模態(tài)特征權(quán)重；所述特征約束模塊在物理層引入空間變換網(wǎng)絡(luò)計算空間一致性約束，在表征層引入時序平滑因子計算時序連續(xù)性約束，在語義層通過對抗學習計算狀態(tài)一致性約束，基于所述跨模態(tài)特征權(quán)重整合空間一致性約束、時序連續(xù)性約束和狀態(tài)一致性約束生成初始融合特征；采用注意力機制對所述初始融合特征中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配，所述注意力機制包含長程特征提取分支和短程特征提取分支，所述長程特征提取分支捕獲目標運動的全局依賴關(guān)系，所述短程特征提取分支捕獲目標狀態(tài)的局部特征，基于長程特征和短程特征的統(tǒng)計量計算自適應(yīng)權(quán)重，基于所述自適應(yīng)權(quán)重得到加權(quán)特征；將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)，所述遞歸神經(jīng)網(wǎng)絡(luò)包括特征編碼模塊和時序解碼模塊，通過所述特征編碼模塊對輸入特征進行編碼，采用所述時序解碼模塊提取時序依賴關(guān)系得到時序特征，對時序特征進行加權(quán)融合，輸出目標時序特征。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息的步驟包括：將目標時序特征輸入共享編碼器提取通用特征表示，所述共享編碼器采用任務(wù)特定解碼器分別針對位置坐標估計、運動狀態(tài)判別和行為模式識別進行特征解碼；對所述通用特征表示進行時空特征增強，在時間維度采用自注意力機制計算時序特征依賴關(guān)系生成時序注意力權(quán)重，在空間維度引入空間注意力模塊捕獲局部空間相關(guān)性，得到增強特征；將所述增強特征輸入多尺度特征金字塔網(wǎng)絡(luò)，通過殘差連接結(jié)構(gòu)融合不同尺度特征，采用級聯(lián)回歸方式優(yōu)化位置預(yù)測，輸出目標的實時位置坐標信息；采用時序卷積網(wǎng)絡(luò)提取目標速度和加速度特征，將所述速度和加速度特征以及連續(xù)時間段內(nèi)的實時位置坐標信息輸入雙向門控循環(huán)單元網(wǎng)絡(luò)，通過多層感知機識別目標的運動狀態(tài)信息；基于實時位置坐標信息和運動狀態(tài)信息構(gòu)建時序圖結(jié)構(gòu)，圖結(jié)構(gòu)的節(jié)點表示目標時刻狀態(tài)，邊表示狀態(tài)時序轉(zhuǎn)換關(guān)系，采用時序圖卷積網(wǎng)絡(luò)提取圖結(jié)構(gòu)中的行為特征，通過圖池化和全連接層輸出目標的行為模式信息。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略的步驟包括：基于所述目標的位置坐標、運動狀態(tài)與行為模式信息，構(gòu)建包括空間活動范圍指標、運動特性指標和行為特征指標的多維度評估指標；構(gòu)建目標狀態(tài)評估模型，將所述多維度評估指標映射為層次化馬爾可夫決策過程，狀態(tài)空間由所述多維度評估指標構(gòu)成，動作空間包括干擾策略類型和干擾參數(shù)配置，在頂層決策過程選擇干擾策略類型，在底層決策過程確定干擾參數(shù)配置；采用雙重Q網(wǎng)絡(luò)進行干擾策略學習，所述雙重Q網(wǎng)絡(luò)包括當前網(wǎng)絡(luò)和目標網(wǎng)絡(luò)，所述當前網(wǎng)絡(luò)評估狀態(tài)-動作值函數(shù)預(yù)測干擾策略收益，所述目標網(wǎng)絡(luò)生成目標Q值，通過經(jīng)驗回放機制存儲目標在決策過程中的狀態(tài)-動作轉(zhuǎn)換序列建立樣本池，基于時序差分誤差設(shè)置采樣權(quán)重進行樣本篩選；4基于所述狀態(tài)-動作值函數(shù)構(gòu)建分層探索機制，在干擾策略類型層面采用ε-貪心策略，在干擾參數(shù)配置層面引入高斯噪聲，根據(jù)所述多維度評估指標的統(tǒng)計方差動態(tài)調(diào)整探索概構(gòu)建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數(shù)，采用梯度投影法對所述初步干擾策略進行優(yōu)化得到最終的智能干擾策略；采用在線學習方式實時更新所述最終的智能干擾策略，基于所述多維度評估指標計算干擾策略執(zhí)行偏差，通過調(diào)整多目標獎勵函數(shù)的權(quán)重系數(shù)和網(wǎng)絡(luò)學習參數(shù)優(yōu)化智能干擾策6.根據(jù)權(quán)利要求5所述的方法，其特征在于，構(gòu)建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數(shù)，采用梯度投影法對所述初步干擾策略進行優(yōu)化得到最終的智能干擾策略的步驟包括：構(gòu)建包含干擾效果獎勵函數(shù)、資源消耗懲罰項和干擾隱蔽性獎勵函數(shù)的多目標獎勵函數(shù)，所述干擾效果獎勵函數(shù)基于干擾前后目標的空間活動范圍指標偏差量、運動特性指標偏差量和行為特征指標偏差量計算，所述資源消耗懲罰項基于干擾設(shè)備的發(fā)射功率和能量約束計算，所述干擾隱蔽性獎勵函數(shù)基于目標信號特征向量與干擾信號特征向量的歐氏距離和互信息計算；將所述多目標獎勵函數(shù)對初步干擾策略的參數(shù)求取獎勵梯度，基于所述獎勵梯度構(gòu)建拉格朗日函數(shù)，所述拉格朗日函數(shù)包含獎勵函數(shù)項和約束懲罰項，采用梯度投影法對所述初步干擾策略進行優(yōu)化，在每次迭代中首先計算拉格朗日函數(shù)對干擾策略參數(shù)的一階導數(shù)和二階導數(shù)，構(gòu)建二次近似模型，基于所述二次近似模型求解最優(yōu)下降方向，沿所述最優(yōu)下降方向更新干擾策略參數(shù)，將更新后的干擾策略參數(shù)投影到滿足發(fā)射功率和能量約束的參數(shù)空間；基于約束違反度動態(tài)調(diào)整優(yōu)化步長，所述約束違反度通過發(fā)射功率和能量約束的違反程度向量計算，所述優(yōu)化步長隨約束違反度的增大而衰減，通過迭代優(yōu)化得到最終的智能干擾策略。7.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號的步驟包括：將智能干擾策略的功率分配向量映射為子載波能量分配矩陣，基于所述子載波能量分配矩陣構(gòu)建正交子載波集，對所述正交子載波集進行能量加權(quán)和偽隨機相位調(diào)制得到干擾信號復包絡(luò)；基于所述干擾信號復包絡(luò)構(gòu)建空間相關(guān)矩陣，根據(jù)天線陣列的陣元間距和載波波長構(gòu)建陣列流形向量，結(jié)合所述空間相關(guān)矩陣和陣列流形向量建立包含波束指向約束項和空間相關(guān)矩陣項的權(quán)值優(yōu)化目標函數(shù)，求解所述權(quán)值優(yōu)化目標函數(shù)得到天線陣列權(quán)值向量的初對所述空間相關(guān)矩陣求逆得到反相關(guān)矩陣；采用遞歸最小二乘算法對所述天線陣列權(quán)值向量進行實時更新，基于天線陣列輸入向量和期望響應(yīng)信號計算誤差信號，根據(jù)所述誤差信號更新反相關(guān)矩陣，利用所述反相關(guān)矩陣對所述天線陣列權(quán)值向量進行動態(tài)優(yōu)化，實現(xiàn)干擾波束的方向角和俯仰角的自適應(yīng)調(diào)整。58.無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾系統(tǒng)，用于實現(xiàn)前述權(quán)利要求1-7中第一單元，用于將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集，對所述多源數(shù)據(jù)集的無線信號數(shù)據(jù)通過小波變換進行特征分解并提取目標特征信息，對紅外熱成像數(shù)據(jù)進行目標分割與特征提取，獲得目標的多模態(tài)特征數(shù)據(jù)；第二單元，用于構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征；將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息；第三單元，用于基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略，將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號。處理器；用于存儲處理器可執(zhí)行指令的存儲器；其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行權(quán)利要求1至7中任意一項所述的方法。10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至7中任意一項所述的方法。6技術(shù)領(lǐng)域[0001]本發(fā)明涉及電子對抗技術(shù)，尤其涉及無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾方法及系統(tǒng)。背景技術(shù)[0002]傳統(tǒng)的目標探測與干擾技術(shù)通常依賴于單一傳感器，例如雷達或紅外傳感器。雷達探測技術(shù)具有全天候工作能力和較遠探測距離的優(yōu)勢，但容易受到復雜電磁環(huán)境的干擾，并且難以識別目標的精細特征。紅外熱成像技術(shù)可以被動探測目標的熱輻射，具有良好的隱蔽性和抗干擾能力，但受環(huán)境溫度、天氣條件等因素影響較大，探測距離有限，且難以獲取目標的運動狀態(tài)信息。單獨使用這些技術(shù)都存在一定的局限性，難以滿足復雜環(huán)境下對目標進行精確探測和有效干擾的需求?，F(xiàn)有技術(shù)主要存在以下缺陷和不足：[0003]單模態(tài)探測信息量有限，難以適應(yīng)復雜環(huán)境：傳統(tǒng)的目標探測技術(shù)通常依賴于單雨霧天氣等，單模態(tài)探測的可靠性和精度都會下降。[0004]目標識別精度低，難以實現(xiàn)精細化干擾：現(xiàn)有的干擾技術(shù)大多基于目標的大致位置信息，難以對目標進行精細化識別和分類。這導致干擾效果不佳，甚至可能誤傷友方目標。[0005]干擾策略缺乏智能性和自適應(yīng)性：傳統(tǒng)的干擾策略通常是預(yù)先設(shè)定的，缺乏對目標行為模式和運動狀態(tài)的分析和預(yù)測能力。這使得干擾策略難以適應(yīng)目標的動態(tài)變化，容易被目標規(guī)避或反干擾。發(fā)明內(nèi)容[0006]本發(fā)明實施例提供無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。[0007]本發(fā)明實施例的第一方面，[0008]提供無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾方法，包括：[0009]將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集，對所述多源數(shù)據(jù)集的無線信號數(shù)據(jù)通過小波變換進行特征分解并提取目標特征信息，對紅外熱成像數(shù)據(jù)進行目標分割與特征提取，獲得目標的多模態(tài)特征數(shù)據(jù)；[0010]構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征；將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息；[0011]基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略，將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干7擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號。[0013]將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集的步驟包括：[0014]基于時間窗口的滑動對齊算法對無線信號數(shù)據(jù)和紅外熱成像數(shù)據(jù)進行時域?qū)R，通過計算相鄰數(shù)據(jù)幀的時間戳差值確定同一時刻的無線信號數(shù)據(jù)和紅外熱成像數(shù)據(jù)，生成時間對齊標簽；[0015]對所述無線信號數(shù)據(jù)進行空間特征提取，利用天線陣列流形特性構(gòu)建信號協(xié)方差矩陣，對所述信號協(xié)方差矩陣進行特征分解得到信號子空間，基于多重信號分類算法估計信號到達角得到無線信號空間特征向量；對所述紅外熱成像數(shù)據(jù)進行空間特征提取，采用目標檢測神經(jīng)網(wǎng)絡(luò)提取目標邊界框坐標，計算目標在圖像平面的方位角和俯仰角，基于相機標定參數(shù)進行角度換算得到紅外熱成像空間特征向量；[0016]基于所述時間對齊標簽、所述無線信號空間特征向量和所述紅外熱成像空間特征向量進行空間配準，建立以天線陣列中心為原點的球坐標系統(tǒng)，將所述無線信號空間特征向量和所述紅外熱成像空間特征向量轉(zhuǎn)換至所述球坐標系統(tǒng)，計算無線信號空間特征向量和紅外熱成像空間特征向量的方位角差值和俯仰角差值，當所述方位角差值和俯仰角差值小于預(yù)設(shè)角度閾值時完成配準，得到時空對齊的特征對；[0017]計算無線信號的信噪比值，評估紅外熱成像目標檢測概率值，將所述信噪比值大于信噪比閾值且所述紅外熱成像目標檢測概率值大于目標檢測閾值的時空對齊的特征對組成多源數(shù)據(jù)集。[0019]構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征的步驟包括：[0020]將所述多模態(tài)特征數(shù)據(jù)分別執(zhí)行多尺度分解得到物理層特征、表征層特征和語義層特征，所述物理層特征包括空間位置和方位信息，所述表征層特征包括信號質(zhì)量和梯度信息，所述語義層特征包括頻譜和深度特征信息；[0021]構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，所述多模態(tài)特征融合網(wǎng)絡(luò)包含特征投影模塊和特征約束模塊，其中所述特征投影模塊包括無線信號特征投影單元和紅外圖像特征投影單元，將所述多模態(tài)特征數(shù)據(jù)分別輸入對應(yīng)的特征投影單元進行特征空間映射，計算映射后特征的相似度矩陣，基于所述相似度矩陣生成跨模態(tài)特征權(quán)重；所述特征約束模塊在物理層引入空間變換網(wǎng)絡(luò)計算空間一致性約束，在表征層引入時序平滑因子計算時序連續(xù)性約束，在語義層通過對抗學習計算狀態(tài)一致性約束，基于所述跨模態(tài)特征權(quán)重整合空間一致性約束、時序連續(xù)性約束和狀態(tài)一致性約束生成初始融合特征；[0022]采用注意力機制對所述初始融合特征中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配，所述注意力機制包含長程特征提取分支和短程特征提取分支，所述長程特征提取分支捕獲目標運動的全局依賴關(guān)系，所述短程特征提取分支捕獲目標狀態(tài)的局部特征，基于長程特征和短程特征的統(tǒng)計量計算自適應(yīng)權(quán)重，基于所述自適應(yīng)權(quán)重得到加權(quán)特征；8[0023]將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)，所述遞歸神經(jīng)網(wǎng)絡(luò)包括特征編碼模塊和時序解碼模塊，通過所述特征編碼模塊對輸入特征進行編碼，采用所述時序解碼模塊提取時序依賴關(guān)系得到時序特征，對時序特征進行加權(quán)融合，輸出目標時序特征。[0024]在一種可選的實施方式中，[0025]將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息的步驟包括：[0026]將目標時序特征輸入共享編碼器提取通用特征表示，所述共享編碼器采用任務(wù)特定解碼器分別針對位置坐標估計、運動狀態(tài)判別和行為模式識別進行特征解碼；對所述通用特征表示進行時空特征增強，在時間維度采用自注意力機制計算時序特征依賴關(guān)系生成時序注意力權(quán)重，在空間維度引入空間注意力模塊捕獲局部空間相關(guān)性，得到增強特征；[0027]將所述增強特征輸入多尺度特征金字塔網(wǎng)絡(luò)，通過殘差連接結(jié)構(gòu)融合不同尺度特征，采用級聯(lián)回歸方式優(yōu)化位置預(yù)測，輸出目標的實時位置坐標信息；[0028]采用時序卷積網(wǎng)絡(luò)提取目標速度和加速度特征，將所述速度和加速度特征以及連續(xù)時間段內(nèi)的實時位置坐標信息輸入雙向門控循環(huán)單元網(wǎng)絡(luò)，通過多層感知機識別目標的運動狀態(tài)信息；[0029]基于實時位置坐標信息和運動狀態(tài)信息構(gòu)建時序圖結(jié)構(gòu)，圖結(jié)構(gòu)的節(jié)點表示目標時刻狀態(tài)，邊表示狀態(tài)時序轉(zhuǎn)換關(guān)系，采用時序圖卷積網(wǎng)絡(luò)提取圖結(jié)構(gòu)中的行為特征，通過圖池化和全連接層輸出目標的行為模式信息。[0031]基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略的步驟包括：[0032]基于所述目標的位置坐標、運動狀態(tài)與行為模式信息，構(gòu)建包括空間活動范圍指標、運動特性指標和行為特征指標的多維度評估指標；構(gòu)建目標狀態(tài)評估模型，將所述多維度評估指標映射為層次化馬爾可夫決策過程，狀態(tài)空間由所述多維度評估指標構(gòu)成，動作空間包括干擾策略類型和干擾參數(shù)配置，在頂層決策過程選擇干擾策略類型，在底層決策過程確定干擾參數(shù)配置；[0033]采用雙重Q網(wǎng)絡(luò)進行干擾策略學習，所述雙重Q網(wǎng)絡(luò)包括當前網(wǎng)絡(luò)和目標網(wǎng)絡(luò)，所述當前網(wǎng)絡(luò)評估狀態(tài)-動作值函數(shù)預(yù)測干擾策略收益，所述目標網(wǎng)絡(luò)生成目標Q值，通過經(jīng)驗回放機制存儲目標在決策過程中的狀態(tài)-動作轉(zhuǎn)換序列建立樣本池，基于時序差分誤差設(shè)置采樣權(quán)重進行樣本篩選；[0034]基于所述狀態(tài)-動作值函數(shù)構(gòu)建分層探索機制，在干擾策略類型層面采用ε-貪心策略，在干擾參數(shù)配置層面引入高斯噪聲，根據(jù)根據(jù)所述多維度評估指標的統(tǒng)計方差動態(tài)[0035]構(gòu)建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數(shù)，采用梯度投影法對所述初步干擾策略進行優(yōu)化得到最終的智能干擾策略；[0036]采用在線學習方式實時更新所述最終的智能干擾策略，基于所述多維度評估指標計算干擾策略執(zhí)行偏差，通過調(diào)整多目標獎勵函數(shù)的權(quán)重系數(shù)和網(wǎng)絡(luò)學習參數(shù)優(yōu)化智能干擾策略。9[0038]構(gòu)建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數(shù)，采用梯度投影法對所述初步干擾策略進行優(yōu)化得到最終的智能干擾策略的步驟包括：[0039]構(gòu)建包含干擾效果獎勵函數(shù)、資源消耗懲罰項和干擾隱蔽性獎勵函數(shù)的多目標獎勵函數(shù)，所述干擾效果獎勵函數(shù)基于干擾前后目標的空間活動范圍指標偏差量、運動特性指標偏差量和行為特征指標偏差量計算，所述資源消耗懲罰項基于干擾設(shè)備的發(fā)射功率和能量約束計算，所述干擾隱蔽性獎勵函數(shù)基于目標信號特征向量與干擾信號特征向量的歐氏距離和互信息計算；[0040]將所述多目標獎勵函數(shù)對初步干擾策略的參數(shù)求取獎勵梯度，基于所述獎勵梯度構(gòu)建拉格朗日函數(shù)，所述拉格朗日函數(shù)包含獎勵函數(shù)項和約束懲罰項，采用梯度投影法對所述初步干擾策略進行優(yōu)化，在每次迭代中首先計算拉格朗日函數(shù)對干擾策略參數(shù)的一階導數(shù)和二階導數(shù)，構(gòu)建二次近似模型，基于所述二次近似模型求解最優(yōu)下降方向，沿所述最優(yōu)下降方向更新干擾策略參數(shù)，將更新后的干擾策略參數(shù)投影到滿足發(fā)射功率和能量約束的參數(shù)空間；[0041]基于約束違反度動態(tài)調(diào)整優(yōu)化步長，所述約束違反度通過發(fā)射功率和能量約束的違反程度向量計算，所述優(yōu)化步長隨約束違反度的增大而衰減，通過迭代優(yōu)化得到最終的智能干擾策略。[0043]將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號的步驟包括：[0044]將智能干擾策略的功率分配向量映射為子載波能量分配矩陣，基于所述子載波能量分配矩陣構(gòu)建正交子載波集，對所述正交子載波集進行能量加權(quán)和偽隨機相位調(diào)制得到干擾信號復包絡(luò)；[0045]基于所述干擾信號復包絡(luò)構(gòu)建空間相關(guān)矩陣，根據(jù)天線陣列的陣元間距和載波波長構(gòu)建陣列流形向量，結(jié)合所述空間相關(guān)矩陣和陣列流形向量建立包含波束指向約束項和空間相關(guān)矩陣項的權(quán)值優(yōu)化目標函數(shù)，求解所述權(quán)值優(yōu)化目標函數(shù)得到天線陣列權(quán)值向量[0046]對所述空間相關(guān)矩陣求逆得到反相關(guān)矩陣；采用遞歸最小二乘算法對所述天線陣列權(quán)值向量進行實時更新，基于天線陣列輸入向量和期望響應(yīng)信號計算誤差信號，根據(jù)所述誤差信號更新反相關(guān)矩陣，利用所述反相關(guān)矩陣對所述天線陣列權(quán)值向量進行動態(tài)優(yōu)化，實現(xiàn)干擾波束的方向角和俯仰角的自適應(yīng)調(diào)整。[0047]本發(fā)明實施例的第二方面，[0048]提供無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾系統(tǒng)，包括：[0049]第一單元，用于將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集，對所述多源數(shù)據(jù)集的無線信號數(shù)據(jù)通過小波變換進行特征分解并提取目標特征信息，對紅外熱成像數(shù)據(jù)進行目標分割與特征提取，獲得目標的多模態(tài)特征數(shù)據(jù)；[0050]第二單元，用于構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征；將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息；[0051]第三單元，用于基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略，將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號。[0052]本發(fā)明實施例的第三方面，[0053]提供一種電子設(shè)備，包括：[0054]處理器；[0055]用于存儲處理器可執(zhí)行指令的存儲器；[0056]其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。[0057]本發(fā)明實施例的第四方面，[0058]提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。[0059]本發(fā)明融合無線信號和小波變換提取的目標特征信息與紅外熱成像的目標分割和特征提取結(jié)果，構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)。通過多模態(tài)信息融合和注意力機制，可以有效克服單一傳感器受環(huán)境因素影響的局限性，提高目標探測的精度和魯棒性，特別是在復雜環(huán)境下。[0060]本發(fā)明利用遞歸神經(jīng)網(wǎng)絡(luò)對目標時序特征進行建模，并通過多任務(wù)學習框架輸出目標的位置坐標、運動狀態(tài)和行為模式信息。這使得對目標狀態(tài)的感知更加全面和深入，不僅能夠獲取目標的位置信息，還能了解目標的運動趨勢和行為意圖。[0061]本發(fā)明基于目標狀態(tài)評估模型和強化學習算法，設(shè)計智能干擾策略，并通過自適應(yīng)波束形成技術(shù)對干擾波束進行動態(tài)調(diào)整。這種智能化的定向干擾方式可以根據(jù)目標的實時狀態(tài)調(diào)整干擾策略，提高干擾的有效性和針對性，降低干擾能量的消耗。附圖說明[0062]圖1為本發(fā)明實施例無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾方法的流程示意圖；[0063]圖2為本發(fā)明實施例無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾系統(tǒng)的結(jié)構(gòu)示意圖。具體實施方式[0064]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。[0065]下面以具體地實施例對本發(fā)明的技術(shù)方案進行詳細說明。下面這幾個具體的實施例可以相互結(jié)合，對于相同或相似的概念或過程可能在某些實施例不再贅述。[0066]圖1為本發(fā)明實施例無線信號和熱成像多模態(tài)協(xié)同探測與定向干擾方法的流程示11[0067]S1.將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集，對所述多源數(shù)據(jù)集的無線信號數(shù)據(jù)通過小波變換進行特征分解并提取目標特征信息，對紅外熱成像數(shù)據(jù)進行目標分割與特征提取，獲得目標的多模態(tài)特征數(shù)據(jù)；[0068]S2.構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征；將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息；[0069]S3.基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略，將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號。[0071]將無線信號接收天線陣列采集的無線信號數(shù)據(jù)與熱成像傳感器采集的紅外熱成像數(shù)據(jù)進行時域同步與空域配準，獲得時空對齊的多源數(shù)據(jù)集的步驟包括：[0072]基于時間窗口的滑動對齊算法對無線信號數(shù)據(jù)和紅外熱成像數(shù)據(jù)進行時域?qū)R，通過計算相鄰數(shù)據(jù)幀的時間戳差值確定同一時刻的無線信號數(shù)據(jù)和紅外熱成像數(shù)據(jù)，生成時間對齊標簽；[0073]對所述無線信號數(shù)據(jù)進行空間特征提取，利用天線陣列流形特性構(gòu)建信號協(xié)方差矩陣，對所述信號協(xié)方差矩陣進行特征分解得到信號子空間，基于多重信號分類算法估計信號到達角得到無線信號空間特征向量；對所述紅外熱成像數(shù)據(jù)進行空間特征提取，采用目標檢測神經(jīng)網(wǎng)絡(luò)提取目標邊界框坐標，計算目標在圖像平面的方位角和俯仰角，基于相機標定參數(shù)進行角度換算得到紅外熱成像空間特征向量；[0074]基于所述時間對齊標簽、所述無線信號空間特征向量和所述紅外熱成像空間特征向量進行空間配準，建立以天線陣列中心為原點的球坐標系統(tǒng)，將所述無線信號空間特征向量和所述紅外熱成像空間特征向量轉(zhuǎn)換至所述球坐標系統(tǒng)，計算無線信號空間特征向量和紅外熱成像空間特征向量的方位角差值和俯仰角差值，當所述方位角差值和俯仰角差值小于預(yù)設(shè)角度閾值時完成配準，得到時空對齊的特征對；[0075]計算無線信號的信噪比值，評估紅外熱成像目標檢測概率值，將所述信噪比值大于信噪比閾值且所述紅外熱成像目標檢測概率值大于目標檢測閾值的時空對齊的特征對組成多源數(shù)據(jù)集。[0076]示例性的，為了更有效地融合無線信號和紅外熱成像數(shù)據(jù)，本實施方式提供了一種精確的時空對齊方法，并以此構(gòu)建高質(zhì)量的多源數(shù)據(jù)集。[0077]首先，進行時間同步。采用基于時間窗口的滑動對齊算法。設(shè)定一個時間窗口，例如50毫秒。在無線信號數(shù)據(jù)流和紅外熱成像數(shù)據(jù)流中，分別提取時間戳信息。例如，無線信號數(shù)據(jù)流的時間戳為1000毫秒、1001毫秒、1002毫秒……,紅外熱成像數(shù)據(jù)流的時間戳為998毫秒、1003毫秒、1008毫秒…時間戳差值落在時間窗口內(nèi)的對應(yīng)數(shù)據(jù)幀。例如，以無線信號的1000毫秒數(shù)據(jù)幀為例，在紅外數(shù)據(jù)流中尋找時間戳差值在50毫秒以內(nèi)的數(shù)據(jù)幀。找到時間戳為998毫秒的紅外數(shù)據(jù)幀，其時間差為2毫秒，落在時間窗口內(nèi)。于是將無線信號1000毫秒數(shù)據(jù)幀和紅外熱成像998毫幀進行時間窗口滑動對齊，生成一系列時間對齊標簽。[0078]接下來，進行空間特征提取。對于無線信號，利用天線陣列的流形特性。首先信號協(xié)方差矩陣，反映信號能量在不同天線間的分布情況。然后對協(xié)方差矩陣進行特征分為15度，形成無線信號空間特征向量(30,15)。對于紅外熱成像數(shù)據(jù)，采用目標檢測神經(jīng)網(wǎng)心像素坐標為(100,200)。結(jié)合相機標定參數(shù)，例相機坐標系下的方位角和俯仰角。假設(shè)計算得到目標方位角為32度，俯仰角為12度，形成紅外熱成像空間特征向量(32,12)。[0079]然后，進行空間配準。以天線陣列中心為原點建立球坐標系。將無線信號空間特征向量(30,15)和紅外熱成像空間特征向量(32,12)轉(zhuǎn)換到球坐標系。計算兩個空間特征向量的方位角差值和俯仰角差值。例如方位角差值為32-30=2度，俯仰角差值為15-12=3度。預(yù)設(shè)角度閾值，例如5度。由于2度和3度都小于閾值5度，則認為這兩個特征向量完成配準，得到時空對齊的特征對(30,15)-(32,12)以及對應(yīng)的時間對齊標簽“1000-998”。[0080]最后，構(gòu)建多源數(shù)據(jù)集。計算無線信號的信噪比值，例如計算得到信噪比為10dB。評估紅外熱成像目標檢測概率值，例如YOLOv5網(wǎng)絡(luò)輸出的目標檢測概率為0.9。預(yù)設(shè)信噪比閾值，例如5dB,預(yù)設(shè)目標檢測閾值，例如0.8.由于10dB大于5dB,且0.9大于0.8,則將時空對齊的特征對(30,15)-(32,12)及其對應(yīng)的時間對齊標簽“1000-998”添加到多源數(shù)據(jù)集中。重復上述步驟，處理所有數(shù)據(jù)幀，最終得到完整的時空對齊的多源數(shù)據(jù)集。[0081]本發(fā)明通過精確的時空對齊，確保無線信號和紅外熱成像數(shù)據(jù)在時間和空間上的一致性，從而提高后續(xù)數(shù)據(jù)融合的精度和可靠性；結(jié)合無線信號的到達角信息和紅外熱成像的目標視覺信息，可以更全面地描述目標特征，增強目標識別和跟蹤能力；構(gòu)建的時空對齊的多源數(shù)據(jù)集可以應(yīng)用于更廣泛的場景，例如安防監(jiān)控、環(huán)境監(jiān)測、自動駕駛等領(lǐng)域，提升系統(tǒng)性能和智能化水平。[0083]構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，將所述多模態(tài)特征數(shù)據(jù)輸入所述多模態(tài)特征融合網(wǎng)絡(luò)，采用注意力機制對所述多模態(tài)特征數(shù)據(jù)中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配得到加權(quán)特征，將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)進行時序建模得到目標時序特征的步驟包括：[0084]將所述多模態(tài)特征數(shù)據(jù)分別執(zhí)行多尺度分解得到物理層特征、表征層特征和語義層特征，所述物理層特征包括空間位置和方位信息，所述表征層特征包括信號質(zhì)量和梯度信息，所述語義層特征包括頻譜和深度特征信息；[0085]構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)，所述多模態(tài)特征融合網(wǎng)絡(luò)包含特征投影模塊和特征約束模塊，其中所述特征投影模塊包括無線信號特征投影單元和紅外圖像特征投影單元，將所述多模態(tài)特征數(shù)據(jù)分別輸入對應(yīng)的特征投影單元進行特征空間映射，計算映射后特征的相似度矩陣，基于所述相似度矩陣生成跨模態(tài)特征權(quán)重；所述特征約束模塊在物理層引入空間變換網(wǎng)絡(luò)計算空間一致性約束，在表征層引入時序平滑因子計算時序連續(xù)性約束，在語義層通過對抗學習計算狀態(tài)一致性約束，基于所述跨模態(tài)特征權(quán)重整合空間一致性約束、時序連續(xù)性約束和狀態(tài)一致性約束生成初始融合特征；[0086]采用注意力機制對所述初始融合特征中的不同模態(tài)特征進行自適應(yīng)權(quán)重分配，所述注意力機制包含長程特征提取分支和短程特征提取分支，所述長程特征提取分支捕獲目標運動的全局依賴關(guān)系，所述短程特征提取分支捕獲目標狀態(tài)的局部特征，基于長程特征和短程特征的統(tǒng)計量計算自適應(yīng)權(quán)重，基于所述自適應(yīng)權(quán)重得到加權(quán)特征；[0087]將所述加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)，所述遞歸神經(jīng)網(wǎng)絡(luò)包括特征編碼模塊和時序解碼模塊，通過所述特征編碼模塊對輸入特征進行編碼，采用所述時序解碼模塊提取時序依賴關(guān)系得到時序特征，對時序特征進行加權(quán)融合，輸出目標時序特征。[0088]示例性的，首先，對多模態(tài)傳感器采集的數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)清洗、歸一化和格式轉(zhuǎn)換等操作。以無線信號和紅外圖像為例，無線信號數(shù)據(jù)可能包含接收信號強度指示(RSSI)、信道狀態(tài)信息(CSI)等，紅外圖像數(shù)據(jù)則為像素矩陣。這里，假設(shè)無線信號數(shù)據(jù)包含三個通道的RSSI值，紅外圖像數(shù)據(jù)為64x64像素的灰度圖像。預(yù)處理后，將無線信號數(shù)據(jù)轉(zhuǎn)換為時間序列，紅外圖像數(shù)據(jù)轉(zhuǎn)換為二維矩陣。[0089]接下來，對預(yù)處理后的多模態(tài)特征數(shù)據(jù)進行多尺度分解。將無線信號數(shù)據(jù)按照時間窗口進行劃分，提取每個窗口內(nèi)的統(tǒng)計特征(例如均值、方差、最大值、最小值等)作為物理層特征，反映信號的空間位置和方位信息。例如，可以通過計算不同接收器RSSI值的差異來估計信號源的方向。將相鄰時間窗口的特征變化量作為表征層特征，反映信號質(zhì)量和梯度信息。例如，RSSI值的快速變化可能指示信號遮擋或環(huán)境變化。將無線信號數(shù)據(jù)進行頻譜分析，提取頻域特征作為語義層特征，反映信號的頻譜信息。對于紅外圖像數(shù)據(jù)，將圖像中的像素位置信息作為物理層特征，將圖像的邊緣梯度信息作為表征層特征，將圖像經(jīng)過預(yù)訓練的深度卷積網(wǎng)絡(luò)提取的特征作為語義層特征，反映圖像的深度特征信息。[0090]然后，構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)。該網(wǎng)絡(luò)包含特征投影模塊和特征約束模塊。在特征投影模塊中，分別使用無線信號特征投影單元和紅外圖像特征投影單元將多模態(tài)特征數(shù)據(jù)映射到共同的特征空間。例如，可以使用多層感知機(MLP)進行特征投影。計算映射后特征的相似度矩陣，例如使用余弦相似度?；谙嗨贫染仃嚿煽缒B(tài)特征權(quán)重，例如使用softmax函數(shù)將相似度轉(zhuǎn)換為權(quán)重。在特征約束模塊中，在物理層引入空間變換網(wǎng)絡(luò)計算空間一致性約束。例如，可以根據(jù)無線信號的空間位置信息對紅外圖像進行空間對齊。在表征層引入時序平滑因子計算時序連續(xù)性約束。例如，可以使用指數(shù)加權(quán)移動平均對特征進行平滑。在語義層通過對抗學習計算狀態(tài)一致性約束。例如，可以使用生成對抗網(wǎng)絡(luò)(GAN)來學習跨模態(tài)特征的共同表示?；诳缒B(tài)特征權(quán)重整合空間一致性約束、時序連續(xù)性約束和狀態(tài)一致性約束生成初始融合特征。[0091]之后，采用注意力機制對初始融合特征進行自適應(yīng)權(quán)重分配。該機制包含長程特征提取分支和短程特征提取分支。長程特征提取分支使用例如長短期記憶網(wǎng)絡(luò)(LSTM)捕獲目標運動的全局依賴關(guān)系。短程特征提取分支使用例如卷積神經(jīng)網(wǎng)絡(luò)(CNN)捕獲目標狀態(tài)的局部特征?；陂L程特征和短程特征的統(tǒng)計量(例如均值和方差)計算自適應(yīng)權(quán)重，例如使用sigmoid函數(shù)將統(tǒng)計量轉(zhuǎn)換為權(quán)重?；谧赃m應(yīng)權(quán)重對初始融合特征進行加權(quán)，得到加權(quán)特征。[0092]最后，將加權(quán)特征輸入遞歸神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)包括特征編碼模塊和時序解碼模塊。特征編碼模塊使用例如循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)對輸入特征進行編碼。時序解碼模塊使用例如目標時序特征。[0093]本發(fā)明通過多尺度分解和跨模態(tài)特征融合，可以更全面地捕捉目標的特征信息，提高特征表示能力；通過特征約束和注意力機制，可以有效地抑制噪聲和干擾的影響，增強模型的魯棒性；通過時序建模和加權(quán)融合，可以更準確地提取目標的時序特征，提高識別精[0095]將所述目標時序特征輸入多任務(wù)學習框架，輸出目標的位置坐標、運動狀態(tài)與行為模式信息的步驟包括：[0096]將目標時序特征輸入共享編碼器提取通用特征表示，所述共享編碼器采用任務(wù)特定解碼器分別針對位置坐標估計、運動狀態(tài)判別和行為模式識別進行特征解碼；對所述通用特征表示進行時空特征增強，在時間維度采用自注意力機制計算時序特征依賴關(guān)系生成時序注意力權(quán)重，在空間維度引入空間注意力模塊捕獲局部空間相關(guān)性，得到增強特征；[0097]將所述增強特征輸入多尺度特征金字塔網(wǎng)絡(luò)，通過殘差連接結(jié)構(gòu)融合不同尺度特征，采用級聯(lián)回歸方式優(yōu)化位置預(yù)測，輸出目標的實時位置坐標信息；[0098]采用時序卷積網(wǎng)絡(luò)提取目標速度和加速度特征，將所述速度和加速度特征以及連續(xù)時間段內(nèi)的實時位置坐標信息輸入雙向門控循環(huán)單元網(wǎng)絡(luò)，通過多層感知機識別目標的運動狀態(tài)信息；[0099]基于實時位置坐標信息和運動狀態(tài)信息構(gòu)建時序圖結(jié)構(gòu)，圖結(jié)構(gòu)的節(jié)點表示目標時刻狀態(tài)，邊表示狀態(tài)時序轉(zhuǎn)換關(guān)系，采用時序圖卷積網(wǎng)絡(luò)提取圖結(jié)構(gòu)中的行為特征，通過圖池化和全連接層輸出目標的行為模式信息。[0100]示例性的，首先，將目標的時序特征輸入到一個共享編碼器中。這個共享編碼器可以是一個卷積神經(jīng)網(wǎng)絡(luò)，用于提取目標的通用特征表示。假設(shè)目標時序特征是一個長度為100的時間序列，每個時間步的特征維度為512.共享編碼器將這個100x512的特征序列轉(zhuǎn)換[0101]接著，對通用特征表示進行時空特征增強。在時間維度上，使用自注意力機制來捕捉時間步之間的依賴關(guān)系。具體來說，計算每個時間步與其他時間步的相似度，生成時序注于1x2048的特征向量，自注意力機制可能會更加關(guān)注某些特定的時間片段，從而增強這些片段的特征表示。在空間維度上，引入空間注意力模塊，來捕捉局部空間相關(guān)性。該模塊計算特征圖中每個位置與其他位置之間的相似度，并根據(jù)相似度對特征進行加權(quán)，得到空間維度上的增強特征。假設(shè)目標在圖像中的位置信息也包含在特征中，空間注意力模塊可以增強目標周圍區(qū)域的特征，而抑制無關(guān)區(qū)域的特征。[0102]然后，將增強后的特征輸入到一個多尺度特征金字塔網(wǎng)絡(luò)中。這個網(wǎng)絡(luò)可以是FPN(FeaturePyramidNetwork,特征金字塔網(wǎng)絡(luò)),通過殘差連接結(jié)構(gòu)融合不同尺度的特征。在不同尺度上進行位置預(yù)測，并采用級聯(lián)回歸的方式逐步優(yōu)化預(yù)測結(jié)果，最終輸出目標的實時位置坐標信息。例如，F(xiàn)PN可以分別在1/4、1/8和1/16分辨率的特征圖上進行位置預(yù)測，然后將這些預(yù)測結(jié)果融合，得到更精確的位置坐標。假設(shè)目標在圖像中的位置為(100,200),則該步驟輸出的目標位置坐標即為(100,200)。[0103]接下來，使用時序卷積網(wǎng)絡(luò)提取目標的速度和加速度特征。例如，可以使用一個包含多個一維卷積層和池化層的網(wǎng)絡(luò)來提取這些特征。將提取到的速度和加速度特征以及連續(xù)時間段內(nèi)的實時位置坐標信息輸入到一個雙向門控循環(huán)單元網(wǎng)絡(luò)(Bi-GRU)中。Bi-GRU可以學習目標運動的時序規(guī)律，并通過多層感知機識別目標的運動狀態(tài)信息，例如靜止、勻速運動、加速運動等。假設(shè)目標在一段時間內(nèi)勻速向右運動，則該步驟輸出的運動狀態(tài)信息即[0104]最后，基于實時位置坐標信息和運動狀態(tài)信息構(gòu)建時序圖結(jié)構(gòu)。圖結(jié)構(gòu)的節(jié)點表示目標在不同時刻的狀態(tài)，邊表示狀態(tài)之間的時序轉(zhuǎn)換關(guān)系。例如，可以將每個時間步的目標位置和運動狀態(tài)作為一個節(jié)點，并將相鄰時間步的節(jié)點連接起來形成一條邊。然后，使用時序圖卷積網(wǎng)絡(luò)(TGCN)來提取圖結(jié)構(gòu)中的行為特征。TGCN可以學習節(jié)點之間以及節(jié)點與邊之間的關(guān)系，從而捕捉目標行為的模式。通過圖池化操作將圖結(jié)構(gòu)轉(zhuǎn)換為固定大小的特征[0105]本發(fā)明通過多任務(wù)學習框架和時空特征增強，可以有效提高目標位置、運動狀態(tài)和行為模式預(yù)測的準確性。共享編碼器和多尺度特征金字塔網(wǎng)絡(luò)可以學習更豐富的特征表示，而自注意力機制和空間注意力模塊可以捕捉更細粒度的時空依賴關(guān)系，從而提高預(yù)測精度；多任務(wù)學習框架可以使模型學習到不同任務(wù)之間的共性特征，從而提高模型的泛化能力。即使在訓練數(shù)據(jù)不足的情況下，模型也可以更好地適應(yīng)新的場景和目標；可以同時學習目標的位置、運動狀態(tài)和行為模式，避免了單獨學習每個任務(wù)帶來的冗余計算和信息損失。通過共享編碼器和多層次的特征融合，可以有效地利用不同任務(wù)之間的相關(guān)性，提高學習效率和預(yù)測性能。[0107]基于所述目標的位置坐標、運動狀態(tài)與行為模式信息建立目標狀態(tài)評估模型，采用強化學習算法設(shè)計智能干擾策略的步驟包括：[0108]基于所述目標的位置坐標、運動狀態(tài)與行為模式信息，構(gòu)建包括空間活動范圍指標、運動特性指標和行為特征指標的多維度評估指標；構(gòu)建目標狀態(tài)評估模型，將所述多維度評估指標映射為層次化馬爾可夫決策過程，狀態(tài)空間由所述多維度評估指標構(gòu)成，動作空間包括干擾策略類型和干擾參數(shù)配置，在頂層決策過程選擇干擾策略類型，在底層決策過程確定干擾參數(shù)配置；[0109]采用雙重Q網(wǎng)絡(luò)進行干擾策略學習，所述雙重Q網(wǎng)絡(luò)包括當前網(wǎng)絡(luò)和目標網(wǎng)絡(luò)，所述當前網(wǎng)絡(luò)評估狀態(tài)-動作值函數(shù)預(yù)測干擾策略收益，所述目標網(wǎng)絡(luò)生成目標Q值，通過經(jīng)驗回放機制存儲目標在決策過程中的狀態(tài)-動作轉(zhuǎn)換序列建立樣本池，基于時序差分誤差設(shè)置采樣權(quán)重進行樣本篩選；[0110]基于所述狀態(tài)-動作值函數(shù)構(gòu)建分層探索機制，在干擾策略類型層面采用ε-貪心策略，在干擾參數(shù)配置層面引入高斯噪聲，根據(jù)根據(jù)所述多維度評估指標的統(tǒng)計方差動態(tài)[0111]構(gòu)建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數(shù)，采用梯度投影法對所述初步干擾策略進行優(yōu)化得到最終的智能干擾策略；[0112]采用在線學習方式實時更新所述最終的智能干擾策略，基于所述多維度評估指標計算干擾策略執(zhí)行偏差，通過調(diào)整多目標獎勵函數(shù)的權(quán)重系數(shù)和網(wǎng)絡(luò)學習參數(shù)優(yōu)化智能干擾策略。式可以包括停留時間、活動頻率、軌跡規(guī)律等。假設(shè)我們收集到一個目標一周內(nèi)的活動數(shù)據(jù)，包括每天不同時間段的位置坐標、移動速度和在不同區(qū)域的停留時間。[0114]接下來，基于收集到的信息，構(gòu)建多維度評估指標?？臻g活動范圍指標可以包括目標的活動區(qū)域面積、活動范圍的中心點坐標等。運動特性指標可以包括目標的平均速度、最大速度、加速度變化范圍等。行為特征指標可以包括目標在不同區(qū)域的停留時間比例、活動的規(guī)律性等。例如，根據(jù)目標一周的活動數(shù)據(jù)，計算出其活動區(qū)域面積為10平方公里，平均速度為每小時5公里，在A區(qū)域的停留時間占比為50%。[0115]然后，構(gòu)建目標狀態(tài)評估模型。將上述多維度評估指標映射為層次化馬爾可夫決策過程。狀態(tài)空間由多維度評估指標構(gòu)成，例如，一個狀態(tài)可以表示為{活動區(qū)域面積：10,數(shù)配置，例如確定引導的強度為3級，持續(xù)時間為1小時，作用范圍為目標當前位置周圍1公[0116]接下來，采用雙重Q網(wǎng)絡(luò)進行干擾策略學習。雙重Q網(wǎng)絡(luò)包括當前網(wǎng)絡(luò)和目標網(wǎng)絡(luò)。當前網(wǎng)絡(luò)評估狀態(tài)-動作值函數(shù)預(yù)測干擾策略收益。目標網(wǎng)絡(luò)生成目標Q值。通過經(jīng)驗回放機制存儲目標在決策過程中的狀態(tài)-動作轉(zhuǎn)換序列建立樣本池?；跁r序差分誤差設(shè)置采樣權(quán)重進行樣本篩選。例如，將目標在過去一周內(nèi)遇到的各種狀態(tài)、采取的干擾策略以及獲得的收益存儲到樣本池中，并根據(jù)收益的大小賦予不同的采樣權(quán)重。[0117]然后，基于狀態(tài)-動作值函數(shù)構(gòu)建分層探索機制。在干擾策略類型層面采用ε-貪心策略，例如，以一定的概率隨機選擇干擾策略類型。在干擾參數(shù)配置層面引入高斯噪聲，例如，在確定的干擾參數(shù)基礎(chǔ)上添加隨機噪聲。根據(jù)多維度評估指標的統(tǒng)計方差動態(tài)調(diào)整探終生成初步干擾策略。[0118]接下來，構(gòu)建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數(shù)。干擾效果可以衡量干擾策略對目標行為的影響程度。資源消耗可以衡量干擾策略所需的成本。干擾隱蔽性可以衡量干擾策略被目標察覺的概率。例如，假設(shè)一個干擾策略成功引導目標離開了特定區(qū)域，則干擾效果較高；如果該策略消耗了大量資源，則資源消耗較高；如果該策略不易被目標察覺，則干擾隱蔽性較高。采用梯度投影法對初步干擾策略進行優(yōu)化，得到最終的智能干擾策略。[0119]最后，采用在線學習方式實時更新最終的智能干擾策略?；诙嗑S度評估指標計算干擾策略執(zhí)行偏差。例如，比較目標的實際行為與預(yù)期行為的差異。通過調(diào)整多目標獎勵函數(shù)的權(quán)重系數(shù)和網(wǎng)絡(luò)學習參數(shù)優(yōu)化智能干擾策略。例如，如果發(fā)現(xiàn)干擾策略的隱蔽性不足，則增加隱蔽性在獎勵函數(shù)中的權(quán)重。[0120]本發(fā)明通過構(gòu)建多維度評估指標和層次化馬爾可夫決策過程，能夠更準確地評估目標狀態(tài)，并選擇更有效的干擾策略，從而提高干擾效率；通過優(yōu)化多目標獎勵函數(shù)，可以降低干擾策略的資源消耗，并在保證干擾效果的前提下，盡可能減少成本；分層探索機制和在線學習方式可以使干擾策略更加靈活和適應(yīng)性強，從而增強干擾的隱蔽性，降低被目標察覺的概率。[0122]構(gòu)建包含干擾效果、資源消耗和干擾隱蔽性的多目標獎勵函數(shù)，采用梯度投影法對所述初步干擾策略進行優(yōu)化得到最終的智能干擾策略的步驟包括：[0123]構(gòu)建包含干擾效果獎勵函數(shù)、資源消耗懲罰項和干擾隱蔽性獎勵函數(shù)的多目標獎勵函數(shù)，所述干擾效果獎勵函數(shù)基于干擾前后目標的空間活動范圍指標偏差量、運動特性指標偏差量和行為特征指標偏差量計算，所述資源消耗懲罰項基于干擾設(shè)備的發(fā)射功率和能量約束計算，所述干擾隱蔽性獎勵函數(shù)基于目標信號特征向量與干擾信號特征向量的歐氏距離和互信息計算；[0124]將所述多目標獎勵函數(shù)對初步干擾策略的參數(shù)求取獎勵梯度，基于所述獎勵梯度構(gòu)建拉格朗日函數(shù)，所述拉格朗日函數(shù)包含獎勵函數(shù)項和約束懲罰項，采用梯度投影法對所述初步干擾策略進行優(yōu)化，在每次迭代中首先計算拉格朗日函數(shù)對干擾策略參數(shù)的一階導數(shù)和二階導數(shù)，構(gòu)建二次近似模型，基于所述二次近似模型求解最優(yōu)下降方向，沿所述最優(yōu)下降方向更新干擾策略參數(shù)，將更新后的干擾策略參數(shù)投影到滿足發(fā)射功率和能量約束的參數(shù)空間；[0125]基于約束違反度動態(tài)調(diào)整優(yōu)化步長，所述約束違反度通過發(fā)射功率和能量約束的違反程度向量計算，所述優(yōu)化步長隨約束違反度的增大而衰減，通過迭代優(yōu)化得到最終的智能干擾策略。[0126]示例性的，首先，構(gòu)建多目標獎勵函數(shù)。該函數(shù)旨在綜合評估干擾策略的有效性，資源消耗和隱蔽性。干擾效果獎勵函數(shù)部分，通過比較干擾前后目標的空間活動范圍、運動特性和行為特征的變化來衡量干擾效果。例如，目標的活動范圍縮小、運動速度降低、行為模式改變等都表明干擾效果良好?？臻g活動范圍可以用目標活動區(qū)域的面積大小來量化，運動特性可以用目標的平均速度或加速度來表示，行為特征則可以通過目標行為模式的熵值來描述。假設(shè)干擾前目標的活動范圍為10平方公里，干擾后縮小到5平方公里，則可認為干擾效果較好。資源消耗懲罰項部分，考慮干擾設(shè)備的發(fā)射功率和能量約束。發(fā)射功率越率為50瓦時，懲罰項的值為5。干擾隱蔽性獎勵函數(shù)部分，通過計算目標信號特征向量與干擾信號特征向量的歐氏距離和互信息來衡量干擾的隱蔽性。歐氏距離越大，互信息越小，表明干擾信號與目標信號的差異越大，干擾越隱蔽。例如，歐氏距離為10,互信息為0.1時，干擾較為隱蔽；歐氏距離為1,互信息為0.9時，干擾則容易被察覺。[0127]接下來，利用梯度投影法優(yōu)化初步干擾策略。首先，根據(jù)多目標獎勵函數(shù)對初步干擾策略的參數(shù)計算獎勵梯度，該梯度指示了獎勵函數(shù)值增大的方向。然后，構(gòu)建包含獎勵函數(shù)項和約束懲罰項的拉格朗日函數(shù)。約束懲罰項用于限制干擾策略參數(shù)在允許的范圍內(nèi)，例如發(fā)射功率和能量約束。在每次迭代優(yōu)化中，先計算拉格朗日函數(shù)對干擾策略參數(shù)的一階導數(shù)和二階導數(shù)，構(gòu)建二次近似模型。一階導數(shù)表示函數(shù)值的變化率，二階導數(shù)表示變化率的變化率?；诙谓颇Ｐ?，求解最優(yōu)下降方向，該方向使得拉格朗日函數(shù)值下降最快。然后，沿著最優(yōu)下降方向更新干擾策略參數(shù)。最后，將更新后的干擾策略參數(shù)投影到滿足發(fā)射功率和能量約束的參數(shù)空間，確保干擾策略的可行性。例如，如果更新后的發(fā)射功率超過了最大限制，則將其調(diào)整到最大限制值。[0128]最后，基于約束違反度動態(tài)調(diào)整優(yōu)化步長。約束違反度通過發(fā)射功率和能量約束的違反程度向量計算，反映了當前干擾策略參數(shù)違反約束的程度。優(yōu)化步長隨約束違反度度更新參數(shù)，防止參數(shù)超出約束范圍。通過迭代優(yōu)化，最終得到滿足約束條件且使多目標獎勵函數(shù)值最大的智能干擾策略。[0129]本發(fā)明通過多目標獎勵函數(shù)的設(shè)計，綜合考慮了干擾效果、資源消耗和隱蔽性，能夠有效提升干擾效果，例如縮小目標活動范圍、降低目標運動速度、改變目標行為模式等；通過對發(fā)射功率和能量約束的考慮，能夠有效降低干擾過程中的資源消耗，例如減少發(fā)射功率和能量消耗；通過計算目標信號特征向量與干擾信號特征向量的歐氏距離和互信息，能夠增強干擾的隱蔽性，降低被目標察覺的概率。[0131]將所述智能干擾策略輸入到波形生成器生成對應(yīng)的干擾信號，采用自適應(yīng)波束形成算法對干擾波束的方向角、俯仰角進行動態(tài)調(diào)整，向目標發(fā)射干擾信號的步驟包括：[0132]將智能干擾策略的功率分配向量映射為子載波能量分配矩陣，基于所述子載波能量分配矩陣構(gòu)建正交子載波集，對所述正交子載波集進行能量加權(quán)和偽隨機相位調(diào)制得到干擾信號復包絡(luò)；[0133]基于所述干擾信號復包絡(luò)構(gòu)建空間相關(guān)矩陣，根據(jù)天線陣列的陣元間距和載波波長構(gòu)建陣列流形向量，結(jié)合所述空間相關(guān)矩陣和陣列流形向量建立包含波束指向約束項和空間相關(guān)矩陣項的權(quán)值優(yōu)化目標函數(shù)，求解所述權(quán)值優(yōu)化目標函數(shù)得到天線陣列權(quán)值向量的初始值；[0134]對所述空間相關(guān)矩陣求逆得到反相關(guān)矩陣；采用遞歸最小二乘算法對所述天線陣列權(quán)值向量進行實時更新，基于天線陣列輸入向量和期望響應(yīng)信號計算誤差信號，根據(jù)所述誤差信號更新反相關(guān)矩陣，利用所述反相關(guān)矩陣對所述天線陣列權(quán)值向量進行動態(tài)優(yōu)化，實現(xiàn)干擾波束的方向角和俯仰角的自適應(yīng)調(diào)整。[0135]示例性的，首先，將智能干擾策略轉(zhuǎn)化為可用于波形生成的信號。智能干擾策略通常以