CN112924951B - 一种多功能雷达辐射源智能识别方法 - Google Patents
一种多功能雷达辐射源智能识别方法 Download PDFInfo
- Publication number
- CN112924951B CN112924951B CN202110160272.8A CN202110160272A CN112924951B CN 112924951 B CN112924951 B CN 112924951B CN 202110160272 A CN202110160272 A CN 202110160272A CN 112924951 B CN112924951 B CN 112924951B
- Authority
- CN
- China
- Prior art keywords
- state
- radar
- sequence
- mode
- multifunctional
- 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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
Abstract
本发明公开了一种多功能雷达辐射源智能识别方法,包括:S1、通过侦察系统获取具有N种工作模式的目标雷达脉冲信号序列,经脉冲分选、预处理和雷达字匹配后得到雷达字序列,将一定数目的雷达字划分为一组作为多功能雷达的一个工作状态,并将雷达状态符号化,得到多功能雷达侦察时间内的状态序列;S2、对多功能雷达辐射源的行为模式提取;S3、基于提取的行为模式对多功能雷达进行下一时刻的状态预测,通过多步预测实现状态序列的扩充,得到状态扩充序列;S4、将状态扩充序列作为样本数据输入深度神经网络进行训练,实现多功能雷达辐射源的识别。本发明满足同等识别率下大大缩短侦收时间。
Description
技术领域
本发明属于雷达侦察领域,具体涉及一种多功能雷达辐射源智能识别方法,可应用于电子侦察和电子对抗系统中。
背景技术
当今,现代信息科技领域的高速发展标志着电子战的全面开展,电子战已成为现代高科技战争的主战场。雷达辐射源识别作为电子侦察的重要环节之一,重心为提取信号中蕴含的特征规律作为辐射源个体识别的依据,进而收获目标辐射源的具体信息展开威胁评估和战术制定。随着电子技术水平发展,武器装备不断革新,对辐射源识别算法的要求更为苛刻。现有的辐射源个体识别大多基于雷达辐射源的指纹特征提取,该识别方法大多针对特定的雷达辐射源,普适性仍待进一步探索,且指纹特征的提取非常受限于环境条件,复杂电磁环境和噪声干扰会影响特征提取的精确度。
多功能雷达拥有庞大、稳定的信号库,工作时通过预设调度策略从库中选取不同参数组合、不同时序规则的脉冲组以实现不同功能。多功能雷达行为具有关联性、有序性和自适应等特性,且不同辐射源个体的行为模式在应对环境变化时因自适应任务调度策略而呈现独一性。因此,在信息层面,以多功能雷达在侦察时间段内的状态序列为研究对象,对个体的内在行为模式进行深入研究并应用于辐射源识别具有极高的实用价值。
发明内容
本发明目的在于针对侦收时间较短的情况下提高雷达辐射源识别系统性能,提出一种多功能雷达辐射源智能识别方法。
为实现上述发明目的,本发明采用如下技术方案:
一种多功能雷达辐射源智能识别方法,包括以下步骤:
S1、通过侦察系统获取具有N种工作状态(模式)的目标雷达脉冲信号序列,经脉冲分选、预处理和雷达字匹配后得到雷达字序列,将一定数目的雷达字划分为一组作为多功能雷达的一个工作状态,并将雷达状态符号化和数值化,以1至N的整数表示当前所处状态,以-1至1之间的随机小数代表状态估计误差,两者相加后得到多功能雷达侦察时间内的状态序列;
S2、对多功能雷达辐射源的行为模式提取,以多功能雷达工作时不同状态间切换的规律来表征辐射源个体的行为模式;假设雷达的工作状态空间为S={s1,s2,...,st-1,st},st代表t时刻雷达所处的工作状态,行为模式作为雷达工作状态切换规律的表现,采用状态概率转移矩阵A表示,其中,矩阵内元素aij为雷达从状态si切换至状态sj的概率,si,sj∈S;
S3、基于提取的行为模式对多功能雷达进行下一时刻的状态预测,通过多步预测实现状态序列的扩充,得到状态扩充序列;
S4、将状态扩充序列作为样本数据输入深度神经网络进行训练,实现多功能雷达辐射源的识别。
作为优选方案,所述步骤S2中,对多功能雷达辐射源的行为模式提取,包括以下步骤:
S21、采用改进的D-S信度马尔科夫模型对多功能雷达状态序列建模,结合D-S证据理论将具有N种工作模式的目标雷达状态集Θ映射至幂集2Θ上,Modei表示雷达的第i种工作模式:
Θ={Mode1,Mode2,...,ModeN}
假设只出现误判至相邻工作模式的情况,根据多功能雷达任务调度的切换准则和实际可发生的转移关系,构建包含N种单一焦元集和N-1种复合焦元集的新识别框架U,共划分为2N-1种状态区间:
U={{Mode1},{Mode1,Mode2},{Mode2},{Mode2,Mode3},{Mode3},...,{ModeN-1},{ModeN-1,ModeN}{ModeN}}
S22、假设雷达观测状态值序列为X(x1,x2,...,xn),n为观测时刻,建立时刻t所对应的信度指派函数向量mt={μt(1),μt(2),…,μt(i),…,μt(2N-1)},其中μt(i)为t时刻状态i的分配概率,1≤i≤2N-1且i∈U。将雷达状态值从离散转为连续状态值,得到t个时刻的基本概率分配矩阵M:
S23、通过t个时刻的基本概率分配矩阵M,利用以下计算公式:
计算得到该段时间内目标雷达在识别框架U下相应的状态转移概率矩阵P,即该雷达的行为模式为:
其中,矩阵元素pi,j代表雷达从工作状态i转移到状态j的概率。
作为优选方案,所述步骤S3中,多步预测,包括以下步骤:
S31、对于原始雷达观测状态值序列X(x1,x2,...,xn)确定扩充步长,当状态序列长度为n=m2时扩充至n′=(m+1)2,若n开方后得到非整数,则m向上取整;
S32、基于步骤S2中提取的行为模式预测得到下一时刻各状态概率值向量:
p=mn·Pn={p1,p1,2,p2,...,pN-1,N,pN}
其中,Pn表示对长度为n的状态序列提取得到的行为模式,p为各工作状态的概率。
通过概率分配算法将复合焦元集信度分配至单一焦元集上,得到:
p′={p′1,p′2,...,p′N-1,p′N}
最大概率值所对应的状态为下一时刻雷达最有可能处于的工作状态x′n+1,将该状态接至原始序列后,得到新的状态序列X′n+1(x1,x2,...,xn,x′n+1);
S33、对新的状态序列x′n+1进行行为模式提取得到Pn+1;重复步骤S32,通过mn+1·Pn+1进行未来状态预测得到x′n+2,接至序列x′n+1后得到X′n+2(x1,x2,…,xn,x′n+1,x′n+2),依次类推,直至样本序列长度扩充到n′,则该最新状态序列可表示为:
X′n′(x1,x2,…,xn,x′n+1,x′n+2,…,x′n′),n′≥n
作为优选方案,所述步骤S4,包括以下步骤:
S41、将步骤S3中得到的状态扩充序列保存为尺寸为(m+1,m+1)的图像,进行灰度化、归一化的数据预处理,得到多功能雷达辐射源个体的一个训练样本;
S42、构建深度神经网络,设置深度神经网络的网络参数;
S43、对多部辐射源进行数据采集,将训练样本输入设计的网络进行训练,实现多功能雷达辐射源的有效识别。
作为优选方案,所述深度神经网络为卷积神经网络(CNN)或循环神经网络(RNN)。
作为优选方案,所述深度神经网络的网络参数包括卷积核大小、网络深度、神经元数目、训练迭代次数。
与现有技术相比,本发明具有如下技术效果:
本发明的多功能雷达辐射源智能识别方法,针对较短侦察时间内雷达辐射源识别准确率不高的情况,通过提取雷达行为模式进行多步预测,对工作状态短序列进行扩充,再由设计的深度网络学习信息层面雷达状态切换的行为特性,可在短状态序列条件下得到同等识别性能。
附图说明
图1是本发明实施例的整体实现流程图;
图2是本发明实施例的多功能雷达实际工作任务调度流程图;
图3是本发明实施例的多功能雷达工作状态信度区间示意图;
图4是本发明实施例的基于行为模式的多功能雷达状态预测流程图;
图5是本发明实施例的多功能雷达多步预测流程图;
图6是本发明实施例的基于行为模式的多功能雷达未来时刻状态预测效果;
图7是本发明实施例的雷达状态序列扩充前后的样本数据示例:(a)原始未扩充状态序列;(b)原始未扩充序列的行为模式;(c)扩充后的状态序列;
图8是本发明实施例的状态序列扩充前后的雷达辐射源识别效果对比图。
具体实施方式
以下通过实施例对本发明的技术方案作进一步解释说明。
如图1所示,本发明实施例的多功能雷达辐射源智能识别方法,包括以下步骤:
S1、通过侦察系统获取具有N种工作模式的目标雷达脉冲信号序列,经脉冲分选、预处理和雷达字匹配后得到雷达字序列,将一定数目的雷达字划分为一组作为多功能雷达的一个工作状态,并将雷达状态符号化和数值化,以1至N的整数表示当前所处工作状态,以-1至1之间的随机小数代表系统误差,两者相加后得到多功能雷达侦察时间内的观测值序列。假设Mode1表示雷达处于第一种状态,其误差范围为[0,1]之间的随机小数,同理,ModeN表示雷达处于第N种工作状态,其误差范围为[-1,0]之间的随机小数,其余工作状态误差范围为[-1,1]之间的随机小数。
S2、对多功能雷达辐射源的行为模式提取,以多功能雷达工作时不同状态间切换的规律来表征辐射源个体的行为模式,假设雷达的工作状态空间为S={s1,s2,…,st-1,st},st代表t时刻雷达所处的工作状态,行为模式作为雷达工作状态切换规律的表现,采用状态概率转移矩阵A表示,其中,矩阵内元素aij为雷达从状态si切换至状态sj的概率,si,sj∈S;
具体步骤如下:
S21、首先基于改进的马尔科夫模型对多功能雷达状态序列进行建模,结合D-S证据理论将目标雷达状态集Θ映射至幂集2Θ上:
Θ={Mode1,Mode2,…,ModeN}
假设只出现误判至相邻工作状态的情况,根据多功能雷达任务调度的切换准则和实际工作时可发生的转移关系来构建包含N种单一焦元集和N-1种复合焦元集的新识别框架U,共划分为2N-1种状态区间:
U={{Mode1},{Mode1,Mode2},{Mode2},{Mode2,Mode3},{Mode3},…,{ModeN-1},{ModeN-1,ModeN}{ModeN}}
S22、假设雷达观测状态值序列为X(x1,x2,…,xn),n为观测时刻,建立时刻t所对应的信度指派函数向量mt={μt(1),μt(2),…,μt(i),…,μt(2N-1)},其中μt(i)为t时刻状态i的分配概率,1≤i≤2N-1且i∈U。得到t个时刻的基本概率分配矩阵M(Mass值矩阵),当具有N种工作模式时可得Mass值矩阵如下:
U中的各工作状态的取值范围如下:
其中,b为间隔,依据实际情况选取;m1至mN表示对应工作状态整数值。
其中,μt(ModeN)表示雷达在时刻t时处于状态ModeN的概率。
S23、通过t个时刻的基本概率分配矩阵M,利用以下计算公式:
计算得到该段时间内目标雷达在识别框架U下相应的状态转移概率矩阵P,可表示目标在时间t内的任务调度策略特性,即该多功能雷达辐射源的行为模式:
其中,矩阵元素pi,j代表雷达从工作状态i转移到状态j的概率。
S24、基于已知单一焦元集的基本概率分配函数确立概率分配Weight算子的权重,函数值越大说明其对应的单一焦元对预测值有更大的影响。如多功能雷达复合焦元集Modei,j表示该时刻雷达可能处于相邻的状态Modei或状态Modej,将复合焦元集Modei,j的信度分别分配给Modei和Modej,则Weight算子权重w=(wi,wj)T满足:
wi+wj=1
S3、基于提取的行为模式对多功能雷达进行下一时刻的状态预测,通过多步预测实现短状态序列的扩充,扩充序列由两部分组成,前一部分为真实侦收到的雷达观测状态,后一部分为基于前者提取的行为模式进行多步预测得到的雷达预测状态,具体步骤如下:
S31、对于原始状态序列X(x1,x2,…,xn)确定扩充步长,当状态序列长度为n=m2时扩充至n′=(m+1)2;若n开方后得到非整数,则m向上取整;
S32、基于S2中提取的行为模式Pn预测得到下一时刻各状态概率值向量:
p=mn·Pn={p1,p1,2,p2,…,pN-1,N,pN}
其中,Pn表示基于长度为n的状态序列提取的状态转移概率矩阵,p为各工作状态的概率。通过步骤S24中Weight算子将复合焦元集信度转换到单一焦元集上,得到:
p′={p′1,p′2,…,p′N-1,p′N}
最大概率值所对应的状态为下一时刻雷达最有可能处于的工作模式x′n+1,将该状态接至原始序列后,得到新的状态序列X′n+1(x1,x2,...,xn,x′n+1);
S33、继续对新序列x′n+1进行行为模式提取得到Pn+1。通过mn+1·Pn+1进行未来状态预测得到x′n+2,接至序列x′n+1后得到X′n+2(x1,x2,...,xn,x′n+1,x′n+2)。直至样本序列长度扩充到n′,则该最新状态序列可表示为:
X′n′(x1,x2,...,xn,x′n+1,x′n+2,...,x′n′),n′≥n
S4、将状态扩充序列作为样本数据输入深度神经网络进行训练,实现多功能雷达辐射源的识别,具体步骤如下:
S41、将步骤S3中得到的状态扩充序列保存为尺寸为(m+1,m+1)的图像,进行灰度化、归一化的数据预处理,得到该多功能雷达辐射源个体的一个训练样本;
S42、构建深度神经网络,如CNN、RNN等,设置卷积核大小、网络深度、神经元数目、训练迭代次数等参数;
S43、对多部辐射源进行数据采集,将训练样本输入设计的网络进行训练,实现多功能雷达辐射源的有效识别。
以具有5种工作模式为例进行说明:搜索(S)、捕获(Acq)、非自适应跟踪(NAT)、距离分辨(RR)、持续跟踪(TM)的多功能雷达为研究对象。如图2所示的实际工作模式转移关系,模拟在复杂电磁环境中雷达经历搜索、目标确认、捕获、处理距离模糊问题后转入持续跟踪并最终失跟目标的全过程,生成一定步长的雷达状态观测序列。
1、基于行为模式的多功能雷达未来状态预测仿真
(1)首先对各工作模式进行编码,利用随机小数模拟侦察系统在脉冲分选、雷达字匹配等环节中的误差,以整数和随机小数相加得到的数值来表示雷达状态的观测值,具体对应关系如下表所示:
表1多功能雷达状态编码对应关系
结合D-S证据理论,基于信度马尔科夫模型对多功能雷达状态观测值序列进行建模,将具有5种工作模式的多功能雷达状态集Θ映射至幂集上后重新划分状态区间,为符合雷达实际工作模式切换关系,则可从多功能雷达状态集Θ得到共有9种状态的新识别框架U:
Θ={S,Acq,NAT,RR,TM}
U={{S},{Acq},{NAT},{RR},{TM},{S,Acq},{Acq,NAT},{NAT,RR},{RR,TM}}
(2)本实例假设观测时长为n的雷达状态序列X(x1,x2,...,xn),根据如图3所示的信度区间建立时刻t所对应的信度指派函数向量mt(t=1,2,...,n),得到t个时刻的基本概率分配矩阵M(Mass值矩阵),其中,μt(i)为t时刻状态i的分配概率,i∈U:
(3)通过t个时刻的Mass值矩阵计算得到该段时间内目标雷达在识别框架U下相应的状态转移概率矩阵P,即该多功能雷达辐射源个体的行为模式,其中,元素pij代表雷达从工作状态i转移到状态j的概率,i,j∈{S,Acq,NAT,RR,TM},符号对应工作模式见表1。
(4)基于已知单一焦元集的基本概率分配函数确立概率分配Weight算子w=(w1,w2)T的权重,函数值越大说明其对应的单一焦元对预测值有更大的影响,比如多功能雷达复合焦元集{S,Acq}表示此时雷达可能处于搜索模式或捕获模式,通过概率分配算法将复合焦元集{S,Acq}的信度按权重比分配给单一焦元集{S}和{Acq}:
w=(wS,wAcq)T,wS+wAcq=1
其中,wS和wAcq表示搜索和捕获模式各占的权重,μt(S)和μt(Acq)表示时刻t时搜索和捕获模式的基本概率分配函数值。
(5)如图4所示的基于提取的行为模式P对多功能雷达进行下一时刻的状态预测,得到各状态概率值向量p:
p=mt·P
={pS,pS,Acq,pAcq,pAcq,NAT,pNAT,pNAT,RR,pRR,pTM,pRR,TM}
其中,mt为时刻t的信度指派函数向量,pS、pAcq、pNAT、pRR、pTM分别表示雷达在时刻t+1时处于Search、Acq、NAT、RR、TM的概率值,pS,Acq、pAcq,NAT、pNAT,RR、pRR,TM分别表示雷达在时刻t+1时处于对应两种状态其中一种的概率值。
此时的预测状态值还包含复合焦元的情况,应用步骤(4)中确立的Weight算子w将复合焦元信度分配至单一焦元子集上,得到:
p′={p′S,p′Acq,p′NAT,p′RR,p′TM}
最终转化为5种多功能雷达单一工作模式的预测概率向量,p′S、p′Acq、p′NAT、p′RR和p′TM分别表示下一时刻雷达最可能切换至的工作模式的概率值。
本实例仿真场景下,生成侦察步长为10到100的状态序列,每隔10步设置一个实验点,每个实验点进行5000次蒙特卡洛实验。基于行为模式的多功能雷达未来时刻状态预测结果如图6所示,可见雷达状态序列的长度对状态预测准确率也有一定影响。前期信号处理环节造成的状态识别误差在15%时,当状态序列长度低于30,预测准确率不足85%;当长度达到60以上,预测正确率接近90%并趋于稳定。同时该状态预测方法对前期误差不敏感,在50%误差情况下,仍能达到85%的预测正确率。
2、基于状态扩充序列的多功能雷达辐射源智能识别仿真
(1)假设原始雷达状态观测值序列为X(x1,x2,...,xn),首先确定需要扩充的步长,扩充序列由两部分组成,前一部分为真实侦收到的雷达观测状态,后一部分为基于前者提取的行为模式进行多步预测得到的雷达预测状态,当状态序列长度为n=m2时扩充至n′=(m+1)2,若n开方后得到非整数,则m向上取整;
(2)基于仿真1中的预测方法得到下一时刻雷达最有可能处于的工作模式x′n+1,将该状态接至原始序列后,得到新的状态序列X′n+1(x1,x2,...,xn,x′n+1);
(3)依据如图5所示的多步预测流程,继续对长度为n+1的新序列x′n+1进行行为模式提取得到Pn+1,再次进行未来状态预测得到x′n+2,接至序列x′n+1后得到X′n+2(x1,x2,...,xn,x′n+1,x′n+2),直至样本序列长度扩充到n′,则该最新状态序列可表示为:
X′n′(x1,x2,...,xn,x′n+1,x′n+2,...,x′n′),n′≥n
(4)将状态扩充序列作为样本数据输入深度神经网络进行训练,实现多功能雷达辐射源的识别,将S3中得到的状态扩充序列保存为尺寸为(m+1,m+1)的图像,进行灰度化、归一化的数据预处理,如图7(a)为步长25的原始短序列样本,(b)为原始短序列未扩充时的行为模式样本,(c)为基于行为模式扩充至步长36的状态序列样本。
本实例仿真场景下,分别产生3台任务调度策略有细微差别的同型号多功能雷达辐射源在步长为16、25、36、49、64,81下的状态序列,每种步长条件下,每台各生成1000个样本,共3000个样本。通过上述方法分别扩充至步长25、25、36、49、64、81、100,将状态扩充后的序列作为深度神经网络的输入。本实例以Stacked LSTM网络为例,使用3层LSTM层堆叠来提升对状态序列时序特征的表征能力,仿真结果如图8所示,相比直接输入雷达状态序列样本,本发明可在达到同等识别率下缩短侦察时间,提高雷达辐射源识别系统的性能。由于本文所描述方法针对多功能雷达状态间的转移规律,即在信息层面上提取行为模式,对于电磁环境造成的参数提取误差不敏感,对多功能雷达的型号和工作模式数目也无特定要求,具有更广泛的应用价值。
综上,仅为本发明基于具有5种工作模式的多功能雷达辐射源识别实例,并非限定本发明的保护范围。基于多功能雷达行为模式提取的多步预测、基于短状态序列扩充的雷达辐射源智能识别方法是本发明的核心技术内容,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辐射源智能识别方法,均应包含在本发明的保护范围之内。
Claims (5)
1.一种多功能雷达辐射源智能识别方法,其特征在于,包括以下步骤:
S1、通过侦察系统获取具有N种工作模式的目标雷达脉冲信号序列,经脉冲分选、预处理和雷达字匹配后得到雷达字序列,将一定数目的雷达字划分为一组作为多功能雷达的一个工作状态,并将雷达状态符号化和数值化,以1至N的整数表示当前所处状态,以-1至1之间的随机小数代表系统误差,两者相加后得到多功能雷达侦察时间内的状态序列;
S2、对多功能雷达辐射源的行为模式提取,以多功能雷达工作时不同状态间切换的规律来表征辐射源个体的行为模式;假设雷达的工作状态空间为S={s1,s2,...,st-1,st},st代表t时刻雷达所处的工作状态,行为模式作为雷达工作状态切换规律的表现,采用状态概率转移矩阵A表示,其中,矩阵内元素aij为雷达从状态si切换至状态sj的概率,si,sj∈S;
S3、基于提取的行为模式对多功能雷达进行下一时刻的状态预测,通过多步预测实现状态序列的扩充,得到状态扩充序列;
S4、将状态扩充序列作为样本数据输入深度神经网络进行训练,实现多功能雷达辐射源的识别;
所述步骤S2中,对多功能雷达辐射源的行为模式提取,包括以下步骤:
S21、采用改进的D-S信度马尔科夫模型对多功能雷达状态序列建模,结合D-S证据理论将具有N种工作模式的目标雷达状态集Θ映射至幂集2Θ上,Modei表示雷达的第i种工作模式:
Θ={Mode1,Mode2,...,ModeN}
假设只出现误判至相邻工作模式的情况,根据多功能雷达任务调度的切换准则和实际可发生的转移关系,构建包含N种单一焦元集和N-1种复合焦元集的新识别框架U,共划分为2N-1种状态区间:
U={{Mode1},{Mode1,Mode2},{Mode2},{Mode2,Mode3},{Mode3},...,{ModeN-1},{ModeN-1,ModeN}{ModeN}}
S22、假设雷达观测状态值序列为X(x1,x2,...,xn),n为观测时刻,建立时刻t所对应的信度指派函数向量mt={μt(1),μt(2),…,μt(i),…,μt(2N-1)},其中μt(i)为t时刻状态i的分配概率,1≤i≤2N-1且i∈U,将雷达状态值从离散转为连续状态值,得到t个时刻的基本概率分配矩阵M:
S23、通过t个时刻的基本概率分配矩阵M,利用以下计算公式:
计算得到该段时间内目标雷达在识别框架U下相应的状态转移概率矩阵P:
其中,矩阵元素pi,j代表雷达从工作状态i转移到状态j的概率。
2.根据权利要求1所述的一种多功能雷达辐射源智能识别方法,其特征在于,所述步骤S3中,多步预测,包括以下步骤:
S31、对于原始状态序列X(x1,x2,...,xn)确定扩充步长,当状态序列长度为n=m2时扩充至n′=(m+1)2,若n开方后得到非整数,则m向上取整;
S32、基于步骤S2中提取的行为模式Pn预测得到下一时刻各状态概率值向量,Pn表示对长度为n的状态序列提取得到的行为模式,p为各工作状态的概率:
p=mn·Pn={p1,p1,2,p2,...,pN-1,N,pN}
通过概率分配算法将复合焦元集信度分配至单一焦元集上,得到:
p′={p′1,p′2,...,p′N-1,p′N}
最大概率值所对应的状态为下一时刻雷达最有可能处于的工作模式x′n+1,将该状态接至原始序列后,得到新的状态序列X′n+1(x1,x2,...,xn,x′n+1);
S33、对新的状态序列x′n+1进行行为模式提取得到Pn+1;重复步骤S32,通过mn+1·Pn+1进行未来状态预测得到x′n+2,接至序列x′n+1后得到X′n+2(x1,x2,...,xn,x′n+1,x′n+2),依次类推,直至样本序列长度扩充到n′,则该最新状态序列可表示为:
X′n′(x1,x2,...,xn,x′n+1,x′n+2,...,x′n′),n′≥n。
3.根据权利要求2所述的一种多功能雷达辐射源智能识别方法,其特征在于,所述步骤S4,包括以下步骤:
S41、将步骤S3中得到的状态扩充序列保存为尺寸为(m+1,m+1)的图像,进行灰度化、归一化的数据预处理,得到多功能雷达辐射源个体的一个训练样本;
S42、构建深度神经网络,设置深度神经网络的网络参数;
S43、对多个辐射源进行数据采集,将训练样本输入设计的网络进行训练,实现多功能雷达辐射源的有效识别。
4.根据权利要求3所述的一种多功能雷达辐射源智能识别方法,其特征在于,所述深度神经网络为卷积神经网络CNN或循环神经网络RNN。
5.根据权利要求3所述的一种多功能雷达辐射源智能识别方法,其特征在于,所述深度神经网络的网络参数包括卷积核大小、网络深度、神经元数目、训练迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110160272.8A CN112924951B (zh) | 2021-02-05 | 2021-02-05 | 一种多功能雷达辐射源智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110160272.8A CN112924951B (zh) | 2021-02-05 | 2021-02-05 | 一种多功能雷达辐射源智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112924951A CN112924951A (zh) | 2021-06-08 |
CN112924951B true CN112924951B (zh) | 2022-09-09 |
Family
ID=76170736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110160272.8A Active CN112924951B (zh) | 2021-02-05 | 2021-02-05 | 一种多功能雷达辐射源智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924951B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114924234B (zh) * | 2022-07-21 | 2022-10-21 | 中国人民解放军国防科技大学 | 一种基于区域对比度的雷达辐射源目标信号检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10091717B2 (en) * | 2013-11-14 | 2018-10-02 | Nokia Technologies Oy | Enabling coexistence between wireless networks and radar systems |
CN107390189A (zh) * | 2017-07-18 | 2017-11-24 | 中国人民解放军国防科学技术大学 | 低先验信息条件下的多功能雷达行为辨识与快速预测方法 |
CN110109059B (zh) * | 2019-03-27 | 2023-04-07 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号识别方法 |
CN110632572B (zh) * | 2019-09-30 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于无意调相特性的雷达辐射源个体识别方法及装置 |
CN112036239B (zh) * | 2020-07-27 | 2024-02-06 | 西安电子科技大学 | 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 |
CN111913156B (zh) * | 2020-08-05 | 2022-06-24 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112308008B (zh) * | 2020-11-12 | 2022-05-17 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
-
2021
- 2021-02-05 CN CN202110160272.8A patent/CN112924951B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112924951A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858390B (zh) | 基于端到端时空图学习神经网络的人体骨架行为识别方法 | |
Tang et al. | Manifold regularized dynamic network pruning | |
CN103471591B (zh) | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联方法 | |
Zhao et al. | Deep learning for risk detection and trajectory tracking at construction sites | |
Sommer et al. | Towards probabilistic verification of machine unlearning | |
Kong et al. | YOLO-G: A lightweight network model for improving the performance of military targets detection | |
Wang et al. | Research and experiment of radar signal support vector clustering sorting based on feature extraction and feature selection | |
CN113743509B (zh) | 一种基于不完全信息的在线作战意图识别方法及装置 | |
CN112924951B (zh) | 一种多功能雷达辐射源智能识别方法 | |
Huang et al. | Deep hybrid neural network and improved differential neuroevolution for chaotic time series prediction | |
CN111985414B (zh) | 一种关节点位置确定方法及装置 | |
Wang et al. | An entropy-awareness meta-learning method for sar open-set atr | |
Liu et al. | FOX-NAS: Fast, on-device and explainable neural architecture search | |
CN114371474A (zh) | 基于卷积降噪自编码器的雷达信号智能分选方法及系统 | |
Arasaratnam et al. | Tracking the mode of operation of multi-function radars | |
Liu et al. | Reducing algorithm complexity for computing an aggregate uncertainty measure | |
Gao et al. | A novel distributed fault diagnosis scheme toward open-set scenarios based on extreme value theory | |
Zhang et al. | Learning to multi-target tracking in dense clutter environment with JPDA-recurrent neural networks | |
Qiao et al. | Gesture-ProxylessNAS: A lightweight network for mid-air gesture recognition based on UWB radar | |
Liang et al. | Nearest-neighbour joint probabilistic data association filter based on random finite set | |
Sykora et al. | Artificial Neural Networks in Educational Process | |
Allam Jr et al. | Paying attention to astronomical transients: introducing the time-series transformer for photometric classification | |
Zhang et al. | An Incremental Recognition Method for MFR Working Modes Based on Deep Feature Extension in Dynamic Observation Scenarios | |
Krulikovskyi et al. | Methods for multidimensional patterns recognition in Hamming space | |
Shanzun | Improved Hough transform algorithm for radar detection |
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 |