CN111444790B - 一种对多功能雷达工作模式序列的脉冲级智能识别方法 - Google Patents
一种对多功能雷达工作模式序列的脉冲级智能识别方法 Download PDFInfo
- Publication number
- CN111444790B CN111444790B CN202010175160.5A CN202010175160A CN111444790B CN 111444790 B CN111444790 B CN 111444790B CN 202010175160 A CN202010175160 A CN 202010175160A CN 111444790 B CN111444790 B CN 111444790B
- Authority
- CN
- China
- Prior art keywords
- pulse
- sequence
- data set
- working mode
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种对多功能雷达工作模式序列的脉冲级智能识别方法,可以对所含模式个数可变、模式长度可变、非理想情况未知的复杂多功能雷达工作模式脉冲序列,实现已训练工作模式的脉冲级自动识别和标注;利用深度网络的自动特征学习表征能力,能够有效提取模式内部和模式间的时间序列特征,进而在极端非理想条件下也能够有效实现模式序列识别;模式识别结果可以标注到脉冲级别,一方面能够给出脉冲流中各个雷达工作模式的转换边界,另一方面也可以给脉冲序列更精细地分析和处理提供了条件;另外,本发明给出的脉冲级别模式序列识别方法,可以在已知模式识别过程中同时将输入模式序列中的虚假脉冲标注为单独类别。
Description
技术领域
本发明涉及雷达电子侦察技术领域,具体涉及一种对多功能雷达工作模式序列的脉冲级智能识别方法。
背景技术
多功能雷达是具有多种动态变化工作模式的复杂传感器,被广泛应用于监视和目标跟踪领域。多功能雷达可以同时执行多个任务,具有捷变的波束调度能力、复杂的信号调制样式、程控的工作模式编排。上述不同的系统功能具体反映到信号层面,电子侦察系统接收的雷达脉冲流信号序列中包含的雷达工作模式数量未知,每个模式的脉内和脉间调制样式可以不同,每个工作模式的持续时间也可能不同。多功能雷达的这些动态特性给传统的电子侦察与对抗系统带来了极大的挑战。基于对接收脉冲序列的分析,实现多功能雷达工作模式的快速准确识别,是电子侦察研究领域中的一个热点和难点问题。
现有多功能雷达工作模式识别方法主要是利用自然语言处理中的随机文法来建模雷达信号产生流程,从句法分析理论的角度来剖析雷达行为信息。具体实现过程包括两个步骤。首先根据接收到的雷达脉冲序列进行雷达字提取,利用如隐马尔科夫模型或者模板匹配方法进行识别,得到脉冲序列对应的雷达字序列。然后针对雷达字序列,利用预测状态表示算法或者自动机将雷达字序列转换成对应的雷达工作模式。上述实现方法假设每个样本中仅存在一个雷达字类别或者一个雷达工作模式类别。
实际系统中,侦察接收机接收到的是连续不断的多功能雷达脉冲信号序列。传统方法实现所需的序列样本仅包含一个模式的前提条件,在面对复杂电磁环境中的非合作多功能雷达目标时很难满足。另一方面,传统方法所用模型都依赖于理想数据的先验,真实系统接收到的脉冲序列往往会受到参数测量误差、脉冲信号缺失、虚假脉冲干扰等三种典型非理想因素的影响,也使得传统方法对多功能雷达工作模式的识别能力大打折扣。
深度学习模型是一种拥有多个非线性映射层的神经网络模型,能够对输入序列进行逐层抽象并提取特征,挖掘出更深层次的潜在规律,且对噪声等有很强的鲁棒性。在深度学习中,循环神经网络(Recurrent Neural Network,RNN) 不需要过多先验与假设,直接从可用数据中学习,能够有效处理时序数据,往往能够取得比隐马尔科夫、模板匹配等传统方法更好的效果。
发明内容
本发明提出一种对多功能雷达工作模式序列的脉冲级智能识别方法,可以对受到三种典型非理想因素影响的输入脉冲序列中的每一个脉冲样本给出对应的雷达工作模式标签,从而自动识别输入序列中所含的各个工作模式及其转换边界,并且可将虚假脉冲标注为未知模式。
一种对多功能雷达工作模式序列的识别方法,包括如下步骤:
S1、生成用于模型训练的序列样本数据集合,包括:
S11、产生工作模式片段数据集D1:
每个样本仅含一个工作模式类别,每个样本中包含多个脉冲,每个脉冲由多维脉冲描述字参数PDW表征;将数据集D1中第i个样本表示为:其中,n为样本包含的脉冲数目,pj=(p1,p2,…,pM)T为表征第j个脉冲M个脉冲描述字参数PDW;j=1,2,…,n;
S12、模拟产生多功能雷达工作模式符号序列数据集D2:
根据多功能雷达的工作模式,先设置描述不同工作模式的工作模式符号,然后根据雷达可能的工作模式先后顺序,产生多个工作模式符号序列,构成数据集D2;
S13、针对数据集D2中的每个样本,随机抽取数据集D1中对应工作模式类别的一个样本,替换数据集D2中样本的各个工作模式符号,一个样本的工作模式符号替换完成后,得到工作模式脉冲序列数据集D3的一个样本;将数据集D2 中的所有样本替换完成后,得到工作模式脉冲序列数据集D3;
S14、然后对脉冲序列数据集D3中的每个样本,根据每个脉冲对应的工作模式类别,产生标注到每个脉冲的工作模式标签序列数据集D4;
S2、构建并训练层次化序列到序列长短时记忆网络HSSLSTM;HSSLSTM包括两层双向LSTM,分别为脉冲bi-LSTM层和工作模式bi-LSTM层,具体为:
式中,L表示数据集D3中每个样本所包含的脉冲数目,pt表示样本中第t 个脉冲;
S3、对输入的待测复杂雷达脉冲序列,整理成数据集D1中样本的格式,输入到层次化序列到序列长短时记忆网络HSSLSTM中,得到工作模式识别结果。
较佳的,在对层次化序列到序列长短时记忆网络HSSLSTM进行训练过程中,对于一个标签序列为Y=(y1,y2,…,yL)的输入脉冲序列,HSSLSTM输出对应的网络类别概率序列定义对输入脉冲序列的序列损失函数为:
添加正则化分项,并且在整个数据集D上最小化损失函数,结果如下。
其中Ei是在第i个输入脉冲序列上的序列损失函数,N是数据集D中的脉冲序列样本数目,ω是权重,λ是正则化系数。
进一步的,步骤S1中得到数据集D3后,对其进行归一化处理,则各样本中每个脉冲的第m个脉冲描述字参数PDW的归一化结果为:
其中,am是数据集D3中第m维参数序列, LB={LB1,LB2,…,LBM},UB={UB1,UB2,…UBM}分别是M维参数序列的M个固定阈值下限与上限;m=1,2,…,M。
较佳的,对于输入的待测复杂雷达脉冲序列,先进行所述的归一化处理后,再输入到网络进行识别。
较佳的,步骤S1中得到数据集D3后,对其添加测量噪声,具体为:
针对数据集D3,对每个样本添加均值为0,方差为σ=[σ1,σ2,…,σM]的高斯白噪声,其中σm表示第m个PDW参数的噪声方差;σ的取值范围人为设定,然后对每个样本,按照均匀分布在σ的取值范围内选取该样本对应的方差。
较佳的,步骤S1中得到数据集D3后,按照设定的虚假脉冲比例ρspurious,在数据集D3中生成虚假脉冲;并在数据集D4中对应的标签序列中将虚假脉冲加上对应的标签。
较佳的,步骤S1中得到数据集D3后,按照设定的缺失脉冲比例ρmiss对数据集D3的脉冲进行丢弃;并在数据集D4中将对应的丢弃脉冲的标签序列删除。
较佳的,步骤S1中得到数据集D3后,考虑多个非理想条件的混合情况下,分别设置各个不同非理想条件的取值范围,然后对各个样本,按均匀分布从各个非理想条件对应的取值范围中产生该样本对应的非理想条件参数;然后对D3 和D4中每个样本按对应的非理想条件参数进行处理。
本发明的有益效果:
本发明提出了一种对多功能雷达工作模式序列的脉冲级智能识别方法,可以对所含模式个数可变、模式长度可变、非理想情况未知的复杂多功能雷达工作模式脉冲序列,实现已训练工作模式的脉冲级自动识别和标注。本方法利用深度网络的自动特征学习表征能力,能够有效提取模式内部和模式间的时间序列特征,进而在极端非理想条件下也能够有效实现模式序列识别。本方法的模式识别结果可以标注到脉冲级别,一方面能够给出脉冲流中各个雷达工作模式的转换边界,另一方面也可以给脉冲序列更精细地分析和处理提供了条件;另外,本发明给出的脉冲级别模式序列识别方法,可以在已知模式识别过程中同时将输入模式序列中的虚假脉冲标注为单独类别。综上,本发明给出的多功能雷达工作模式精细化识别方法,可以为后续的多功能雷达系统行为的辨识和推理提供技术手段支持。
附图说明
图1为本发明实现雷达工作模式脉冲级识别的功能图。
图2为本发明实现雷达工作模式脉冲级识别的方法流程图。
图3为本发明构建的序列数据准备流程图。
图4为本发明构建的层次化序列到序列长短时记忆网络结构图。
图5为典型多功能雷达典型工作模式示例图。
图6为多功能雷达典型工作模式参数取值示例图。
图7为实施例中采用的典型待测试复杂长雷达脉冲序列。
图8为实施例中得到的雷达工作模式脉冲级识别结果图。
具体实施方式
本发明提供了一种对多功能雷达工作模式的脉冲级识别方法。
一种对多功能雷达工作模式的脉冲级识别方法,包括如下步骤:
S1、首先利用录取数据或者模拟数据生成用于模型训练的序列样本数据集合,该序列数据准备过程分为三步。
S11、根据相应的领域专家知识,清洗提取或者模拟产生仅含单一工作模式类别的工作模式片段数据集D1。片段数据集中每个序列样本仅含一个工作模式类别,该样本中每个脉冲由多维脉冲描述字参数(PDW)表征。如为数据集D1中第i个样本,n为该样本包含的脉冲数目,pj=(p1,p2,…,pM)T为该样本中的第j,j=1,2,…,n,每个脉冲由M个PDW参数表征;
S12、根据相应的领域专家知识,模拟产生雷达工作模式符号序列数据集D2。雷达工作模式符号序列数据集D2中的序列样本用于描述有序出现、各不相同、多个雷达信号序列对应的工作模式类别标识序列。如,对K个类别工作模式的识别任务,雷达工作模式符号序列中每个样本包含K个符号,这K个符号来自K个工作模式,即每个符号所属的工作模式类别都不相同。以符号序列数据集中一个样本S=“A,B,C,D,E”为例,该样本包含5个类别的符号,表示具有该特定顺序的工作模式符号序列,符号序列数据集用于后续数据集D3,D4的生成;
S13、基于上述步骤产生的工作模式片段数据集D1和雷达工作模式符号序列数据集D2,生成可用于网络具体训练的工作模式脉冲序列PDW数据集D3和对应的标签序列数据集D4。对符号序列数据集D2中的每个样本,将符号序列替换成片段数据集D1中对应类别的脉冲PDW参数片段样本,得到工作模式脉冲序列数据集D3,然后对脉冲序列数据集D3中的每个样本,根据每个脉冲对应的工作模式类别,产生标注到每个脉冲的工作模式标签序列数据集D4。以符号序列数据集中一个S=“A,B,C,D,E”为例,根据该符号序列样本,在数据集D1中分别在五个类别的样本中随机抽取工作模式片段样本,每个类别一个样本,共五个样本Pi,i=1,2,…,5,然后按照S中的顺序将这五个片段样本拼接起来,构成一个具有特定顺序和工作模式类别的样本P=(P1,P2,P3,P4,P5),作为D3中的一个脉冲序列样本。然后,对P,根据其对应的S和Pi的长度(即Pi包含的脉冲数目),进行脉冲级别的工作模式类别标注,将“A,B,C,D,E”五个工作模式标记到P的每一个脉冲上;
S2、为了适应存在各种非理想情况的复杂多功能雷达工作模式脉冲序列的识别,需要在D3中考虑这些非理想情况。主要有三类非理想情况,测量噪声,虚假脉冲,缺失脉冲。测量噪声表示在脉冲侦察接收和脉冲PDW参数测量过程中,由于环境,接收机内部噪声等带来的PDW参数测量误差。虚假脉冲往往是由于环境和分选算法的非理想,导致不属于该雷达的脉冲被混杂在该雷达的脉冲序列中。缺失脉冲则是指属于该雷达的脉冲由于非理想导致丢失的情况。
S21、如果仅考虑单一非理想条件,以测量噪声为例,则仅需在D3中,对每个样本添加均值为0,方差为σi=[σ1,σ2,…,σM],i=1,2,…,N的高斯白噪声,其中σm,m=1,2,…,M表示第m个PDW参数的噪声方差,σ的取值范围人为设定,然后对每个样本,按均匀分布在σ的取值范围内选取该样本对应的σ。以PRI参数为例,其噪声方差的取值范围为[0us,2us],则对每个样本,先按均匀分布在[0us,2us]中选定该样本对应的噪声方差,然后对该样本的PRI参数按均值方差添加上对应的高斯白噪声。然后将添加了非理想条件的训练数据集通过归一化后训练HSSLSTM。虚假脉冲,缺失脉冲这两种非理想条件分别对应虚假脉冲比例ρspurious和缺失脉冲比例ρmiss这两个参数,表示一个脉冲序列样本中含有多少比例的虚假或者缺失脉冲。需要注意的是,对缺失脉冲而言,在对D3中样本按ρmiss丢弃脉冲后,需要在D4中对应的标签序列中将这些丢弃的脉冲的标签也丢弃。对虚假脉冲而言,在对D3中样本按ρspurious产生虚假脉冲后,需要在D4 中对应的标签序列中将这些添加的虚假脉冲加上对应的标签,即把这些虚假脉冲标记为新类,第(K+1)th个类别。
S22、如果考虑多个非理想条件的混合情况,同单一非理想条件类似,分别设置各个不同非理想条件的取值范围,然后对各个样本,按均匀分布从各个非理想条件对应的取值范围中产生该样本对应的非理想条件参数。然后对D3和D4 中每个样本按对应的非理想条件参数进行处理。这样就形成了考虑多个非理想条件混合情况的数据集D3和D4;
S3、对S2产生的脉冲序列数据集D3进行固定阈值的序列归一化处理,公式如下:
其中,am是输入雷达脉冲的第m,m=1,2,…,M维参数序列, LB={LB1,LB2,…LBM},UB={UB1,UB2,…UBM}分别是M维参数序列的固定阈值下限与上限。然后将脉冲序列数据集D3通过上式进行序列归一化;
S4、归一化后的脉冲序列数据集D3与对应的标签序列数据集D4共同组成训练数据集D={(Pi,Yi)|1≤i≤N},其中N为序列样本数目,Pi=(P1,P2,…,PJ) 为第i个序列样本,Pj=(p1,p2,…,pL),1≤j≤J为该序列样本中的第j个片段,且在训练数据集中J=K。每个片段包含lj个脉冲,因此Pi含有个脉冲,每个脉冲p=(p1,p2 ,…,pM)T由M个脉冲参数描述,因此 Yi=(y1,y2,…,yL)是第i个脉冲序列样本对应的标签序列;
S5、构建并训练HSSLSTM。HSSLSTM包括两层双向LSTM(bi-LSTM),分别为脉冲bi-LSTM层和工作模式bi-LSTM层。脉冲bi-LSTM层用于提取不同工作模式类别的内部特征,工作模式bi-LSTM层用于提取不同工作模式类别之间的序列特征。
式中,L表示一个序列样本所包含的脉冲数目,pt表示第t个脉冲;
上式的LSTM表示LSTM函数,由下面的几个公式表示:
ft=σ(Wfpt+Rfht-1+bf)
it=σ(Wipt+Riht-1+bi)
at=tanh(Wapt+Raht-1+ba)
ot=σ(Wopt+Roht-1+bo)
ct=ct-1×ft+at×it
ht=tanh(ct)×ot
其中,ft,it,ot为遗忘门,输入门,输出门,at为输入,Wf,Wi,Wa,Wo为对应的权重矩阵,Rf,Ri,Ra,Ro为对应的循环权重,bf,bi,ba,bo为对应的偏置项,σ和tanh分别为sigmoid和双曲正切激活函数。拼接上述前向和后向的隐藏层,得到脉冲bi-LSTM层的隐藏层H=[Hf,Hb]。
S52、根据脉冲bi-LSTM层的隐藏层H=[Hf,Hb],计算工作模式bi-LSTM 层的隐藏层变量。计算过程与S51类似,所用公式如下:
S44、为了避免过拟合,添加正则化分项,并且在整个数据集D上最小化损失函数,结果如下。
其中Ei是在第i个输入脉冲序列Pi上的序列损失函数,N是数据集D中的脉冲序列样本数目,ω是权重,λ是正则化系数。
S6、对多参数矢量组成的待测复杂雷达脉冲序列,将其进行固定阈值序列归一化后,输入步骤S4中训练好的HSSLSTM网络,即可得到脉冲级别标注的工作模式识别结果。该待测复杂雷达脉冲序列要求和训练数据一样的格式,即待测序列中的每个脉冲由和训练数据中相同的M维PDW参数表示。对不同的测试脉冲序列,其包含的雷达工作模式数据可以在1到K之间变化,每个模式包含的脉冲数目也可以变化,也可以存在各种不同的非理想情况。
实施例:
给出由脉冲重复间隔(PRI)、射频载波频率(RF)和脉冲宽度(PW)等三个典型参数调制样式定义的典型多功能雷达的五种工作模式如图5所示,对应各个工作模式调制类型的参数取值如图6所示。
具体的脉冲级识别方法如下:
S1、利用录取数据或者模拟数据生成用于模型训练的序列样本数据集合,序列训练数据的准备分为三步。
S11、基于专家知识,清洗提取或者模拟产生仅含单一工作模式类别的工作模式片段数据集D1;
S12、基于专家知识,模拟产生雷达工作模式符号序列数据集D2;
S13、基于产生的雷达工作模式符号序列数据集D2和工作模式片段数据集 D1,产生工作模式脉冲序列数据集D3和对应的标签序列数据集D4;
S2、按需求在D3和D4中设置非理想条件;
S3、对S2产生的脉冲序列数据集D3进行固定阈值的序列归一化处理,其中三维参数脉冲重复间隔,载频和脉宽对应的阈值上限和下限分别为 {200us,9200MHz,50us}和{100us,9000MHz,1us};
S4、D3归一化后的脉冲序列数据集与对应的标签序列数据集D4共同组成训练数据集D={(Pi,Yi)|1≤i≤N};
S5、接下来我们利用训练数据集D训练HSSLSTM,其网络结构如图4所示,HSSLSTM计算过程分为4步;
S51、计算脉冲bi-LSTM层隐藏层权重H=[Hf,Hb];
S6、对如图7所示待测试的复杂长雷达脉冲序列,将其进行固定阈值序列归一化后,通过步骤S4训练得到的HSSLSTM网络,得到脉冲级别标注的工作模式识别结果输出如图8所示,基于识别结果可以得到每个脉冲的工作模式类别信息以及得到脉冲序列中的模式转换边界,同时添加的非理想条件:虚假脉冲,也被识别了出来,标记为类别“0”。
综上所述,以上仅为本发明基于所选定的三个参数定义的五个雷达工作模式的实施示例而已,并非用于限定本发明的保护范围。基于多维脉冲参数组合和参数调制类型定义多功能雷达工作模式、基于固定阈值归一化后单一模式序列拼接生成训练样本、对虚假脉冲的处理方法、基于序列到序列的多层LSTM模型的识别网络是本发明的核心要点。凡在本发明上述设计原则和实现要点之内,经过相应修改、替换、改进等操作形成的多功能雷达工作模式序列脉冲级自动识别方法,均应包含在本发明的保护范围之内。
Claims (8)
1.一种对多功能雷达工作模式序列的脉冲级智能识别方法,其特征在于,包括如下步骤:
S1、生成用于模型训练的序列样本数据集合,包括:
S11、产生工作模式片段数据集D1:
每个样本仅含一个工作模式类别,每个样本中包含多个脉冲,每个脉冲由多维脉冲描述字参数PDW表征;将数据集D1中第i个样本表示为: 其中,n为样本包含的脉冲数目,M为脉冲描述字参数PDW的个数,pj=(p1,p2,…,pM)T为表征第j个脉冲的M个脉冲描述字参数PDW;j=1,2,…,n;
S12、模拟产生多功能雷达工作模式符号序列数据集D2:
根据多功能雷达的工作模式,先设置描述不同工作模式的工作模式符号,然后根据雷达可能的工作模式先后顺序,产生多个工作模式符号序列,构成数据集D2;
S13、针对数据集D2中的每个样本,随机抽取数据集D1中对应工作模式类别的一个样本,替换数据集D2中样本的各个工作模式符号,一个样本的工作模式符号替换完成后,得到工作模式脉冲序列数据集D3的一个样本;将数据集D2中的所有样本替换完成后,得到工作模式脉冲序列数据集D3;
S14、然后对脉冲序列数据集D3中的每个样本,根据每个脉冲对应的工作模式类别,产生标注到每个脉冲的工作模式标签序列数据集D4;
S2、构建并训练层次化序列到序列长短时记忆网络HSSLSTM;HSSLSTM包括两层双向LSTM,分别为脉冲bi-LSTM层和工作模式bi-LSTM层,具体为:
式中,L表示数据集D3中每个样本所包含的脉冲数目,pt表示样本中第t个脉冲;
S3、对输入的待测复杂雷达脉冲序列,整理成数据集D1中样本的格式,输入到层次化序列到序列长短时记忆网络HSSLSTM中,得到工作模式识别结果。
4.如权利要求3所述的一种对多功能雷达工作模式序列的脉冲级智能识别方法,其特征在于,对于输入的待测复杂雷达脉冲序列,先进行所述的归一化处理后,再输入到网络进行识别。
5.如权利要求1所述的一种对多功能雷达工作模式序列的脉冲级智能识别方法,其特征在于,步骤S1中得到数据集D3后,对其添加测量噪声,具体为:
针对数据集D3,对每个样本添加均值为0,方差为σ=[σ1,σ2,…,σM]的高斯白噪声,其中σm表示第m个PDW参数的噪声方差;σ的取值范围人为设定,然后对每个样本,按照均匀分布在σ的取值范围内选取该样本对应的方差。
6.如权利要求1所述的一种对多功能雷达工作模式序列的脉冲级智能识别方法,其特征在于,步骤S1中得到数据集D3后,按照设定的虚假脉冲比例ρspurious,在数据集D3中生成虚假脉冲;并在数据集D4中对应的标签序列中将虚假脉冲加上对应的标签。
7.如权利要求1所述的一种对多功能雷达工作模式序列的脉冲级智能识别方法,其特征在于,步骤S1中得到数据集D3后,按照设定的缺失脉冲比例ρmiss对数据集D3的脉冲进行丢弃;并在数据集D4中将对应的丢弃脉冲的标签序列删除。
8.如权利要求1所述的一种对多功能雷达工作模式序列的脉冲级智能识别方法,其特征在于,步骤S1中得到数据集D3后,考虑多个非理想条件的混合情况下,分别设置各个不同非理想条件的取值范围,然后对各个样本,按均匀分布从各个非理想条件对应的取值范围中产生该样本对应的非理想条件参数;然后对D3和D4中每个样本按对应的非理想条件参数进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175160.5A CN111444790B (zh) | 2020-03-13 | 2020-03-13 | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175160.5A CN111444790B (zh) | 2020-03-13 | 2020-03-13 | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444790A CN111444790A (zh) | 2020-07-24 |
CN111444790B true CN111444790B (zh) | 2022-07-01 |
Family
ID=71648866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010175160.5A Active CN111444790B (zh) | 2020-03-13 | 2020-03-13 | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444790B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881987A (zh) * | 2021-02-06 | 2021-06-01 | 西安晟昕科技发展有限公司 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
CN113128584B (zh) * | 2021-04-15 | 2022-11-11 | 北京理工大学 | 一种多功能雷达脉冲序列的模式级无监督分选方法 |
CN113406588B (zh) * | 2021-05-14 | 2022-11-11 | 北京理工大学 | 对认知雷达信号的联合调制类型识别和参数估计方法 |
CN113255751B (zh) * | 2021-05-17 | 2022-11-11 | 北京理工大学 | 一种基于时间序列分割的多功能雷达状态序列聚类方法 |
CN113406574B (zh) * | 2021-05-17 | 2022-11-11 | 北京理工大学 | 一种对多功能雷达工作模式序列的在线聚类方法 |
CN114492583B (zh) * | 2021-12-28 | 2022-12-20 | 中国电子科技集团公司第二十九研究所 | 一种基于lstm的雷达搜索模式识别方法 |
CN114997326B (zh) * | 2022-06-20 | 2024-06-04 | 电子科技大学 | 一种基于多特征融合的机载雷达工作模式识别方法 |
CN116243252B (zh) * | 2023-03-14 | 2023-09-19 | 电子科技大学 | 一种基于lstm的多功能雷达工作模式预测方法 |
CN116432703B (zh) * | 2023-06-12 | 2023-08-29 | 成都大学 | 基于复合神经网络模型的脉冲高度估计方法、系统及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239670A (zh) * | 2018-08-29 | 2019-01-18 | 杭州电子科技大学 | 基于结构嵌入和深度神经网络的雷达hrrp识别方法 |
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
CN110276441A (zh) * | 2019-05-20 | 2019-09-24 | 成都理工大学 | 一种基于深度学习的梯形重叠核脉冲估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10890921B2 (en) * | 2018-05-31 | 2021-01-12 | Carla R. Gillett | Robot and drone array |
-
2020
- 2020-03-13 CN CN202010175160.5A patent/CN111444790B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239670A (zh) * | 2018-08-29 | 2019-01-18 | 杭州电子科技大学 | 基于结构嵌入和深度神经网络的雷达hrrp识别方法 |
CN110133599A (zh) * | 2019-01-08 | 2019-08-16 | 西安电子科技大学 | 基于长短时记忆模型的智能雷达辐射源信号分类方法 |
CN110276441A (zh) * | 2019-05-20 | 2019-09-24 | 成都理工大学 | 一种基于深度学习的梯形重叠核脉冲估计方法 |
Non-Patent Citations (2)
Title |
---|
"One Size Does Not Fit All:Multi-Scale, Cascaded RNNs for Radar Classification";Roy D;《arXiv》;20191006;第1-11页 * |
"深度学习在雷达中的研究综述";王俊;《雷达学报》;20180831;第1-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111444790A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444790B (zh) | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 | |
CN108509935B (zh) | 一种基于随机森林算法的雷达工作模式识别方法 | |
Cain et al. | Convolutional neural networks for radar emitter classification | |
US5838816A (en) | Pattern recognition system providing automated techniques for training classifiers for non stationary elements | |
CN113406588B (zh) | 对认知雷达信号的联合调制类型识别和参数估计方法 | |
Mottier et al. | Deinterleaving and clustering unknown radar pulses | |
CN113759323B (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN116643246A (zh) | 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法 | |
Kirichenko et al. | Machine learning classification of multifractional Brownian motion realizations | |
Apfeld et al. | The value of memory: Markov chain versus long short-term memory for electronic intelligence | |
CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
CN112990125B (zh) | 一种辐射源雷达属于目标平台的判别方法 | |
Zhang et al. | A novel multi-target track initiation method based on convolution neural network | |
CN111062322B (zh) | 基于支持向量机svm的相控阵雷达行为识别方法 | |
CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
Chen et al. | Function recognition of multi-function radar via cnn-gru neural network | |
CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN113406574B (zh) | 一种对多功能雷达工作模式序列的在线聚类方法 | |
CN116068520A (zh) | 一种基于Transformer的认知雷达联合调制识别与参数估计方法 | |
CN113255751B (zh) | 一种基于时间序列分割的多功能雷达状态序列聚类方法 | |
Guo et al. | Deinterleaving of radar pulse based on implicit feature | |
Apfeld | Machine learning for electronic intelligence | |
CN117992760B (zh) | 一种基于认知图谱的电磁环境监测任务规划方法 | |
CN116520252B (zh) | 一种空中目标智能识别方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |