CN114492583B - 一种基于lstm的雷达搜索模式识别方法 - Google Patents

一种基于lstm的雷达搜索模式识别方法 Download PDF

Info

Publication number
CN114492583B
CN114492583B CN202111623972.2A CN202111623972A CN114492583B CN 114492583 B CN114492583 B CN 114492583B CN 202111623972 A CN202111623972 A CN 202111623972A CN 114492583 B CN114492583 B CN 114492583B
Authority
CN
China
Prior art keywords
radar
lstm network
pdw
multifunctional
lstm
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
Application number
CN202111623972.2A
Other languages
English (en)
Other versions
CN114492583A (zh
Inventor
杨双懋
李�昊
张朔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202111623972.2A priority Critical patent/CN114492583B/zh
Publication of CN114492583A publication Critical patent/CN114492583A/zh
Application granted granted Critical
Publication of CN114492583B publication Critical patent/CN114492583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于LSTM的雷达搜索模式识别方法，包括：S1：仿真生成两部雷达侦察站对一部多功能雷达的各类搜索模式下时域雷达脉冲描述字PDW序列；S2：把两部雷达侦察站分选的PDW序列按照预设的时间长度融合构建出数据集，将数据集划分为训练样本和测试样本，每个样本设置有标签值；S3：构建LSTM网络，并初始化所述LSTM网络；S4：根据训练样本，对LSTM网络进行训练，得到多功能雷达搜索模式识别模型；S5：将步骤S2得到的测试样本输入步骤S4得到的多功能雷达搜索模式识别模型，完成多功能雷达搜索模式识别模型的性能检验；S6：将需要识别的两部雷达侦察站的PDW序列，输入经步骤S5验证通过的多功能雷达搜索模式识别模型，实现多功能雷达搜索模式的识别判断。

Description

一种基于LSTM的雷达搜索模式识别方法
技术领域
本发明属于雷达侦察技术领域，尤其涉及针对多功能雷达的搜索模式识别方法。
背景技术
随着相控阵、数字阵等技术的发展，雷达系统可轻易实现灵活的波束指向、波形捷变及波形调制，并具备执行搜索、跟踪、制导等多种功能。针对这些多功能雷达的工作模式进行识别是当前雷达侦察系统面临的关键功能，具体是指在对截获的雷达信号进行处理后，根据通过人工智能手段、机器学习算法，提取信号特征并构建模型，估计出雷达的工作模式，并推理其所属平台可能的行为意图，从而提高雷达侦察系统的智能感知能力，其水平高低直接决定了后续决策的有效性。
现有文献把多功能雷达的工作模式主要划分为：搜索、单目标跟踪、多目标跟踪、边跟踪边搜索、跟踪加搜索、制导等典型方式。目前主流的识别方法大多采用有监督学习框架下的匹配分类算法，充分利用先验知识提高识别的准确率，例如林龙等人在其发表的论文“基于系统聚类的雷达工作模式识别方法及仿真”中通过聚类和K-S检验来判断侦察到的雷达信号与特定样本集分布是否相同来识别雷达的典型搜索和跟踪工作模式；也有在无监督学习框架下的识别算法根据数据集本身的特点挖掘其内在的规律信息，其中基于序列比对、包络分析和预测状态描述模型的算法具有较高的工程参考价值，例如刘俊江在其发表的论文“机载火控雷达工作模式识别”中通过分析机载火控雷达各种工作状态的数据特点，提出了一种具有工程意义的包络分析法来识别机载火控雷达的典型工作模式。
现有技术主要是针对多功能火控雷达的多种典型跟踪模式进行识别，目前对雷达搜索模式进行精细化识别的研究非常欠缺。与此同时，随着多功能雷达的出现，其搜索模式可被细分为粗扫描模式、精扫描模式和扇区扫描模式等多种模式，所以亟需一种基于LSTM的雷达搜索模式识别方法，以实现对多功能雷达搜索模式的精细化识别，提高雷达侦察系统工作模式识别的准确率。
发明内容
本发明的目的在于，为克服现有技术缺陷，基于两部雷达侦察站接收的雷达脉冲描述字(PDW)进行处理，提出了一种基于LSTM的雷达搜索模式识别方法，通过简单、高效、快速的手段完成对多功能雷达多种搜索模式的识别。
本发明目的通过下述技术方案来实现：
一种基于LSTM的雷达搜索模式识别方法，所示雷达搜索模式识别方法包括如下步骤：
S1：仿真生成两部雷达侦察站对一部多功能雷达的各类搜索模式下时域雷达脉冲描述字PDW序列，其中，两部雷达侦察站分别记为m和n；
S2：把两部雷达侦察站分选的PDW序列按照预设的时间长度融合构建出数据集，将所述数据集划分为训练样本和测试样本，每个样本均设置有标签值；
S3：构建LSTM网络，并初始化所述LSTM网络；
S4：根据所述训练样本，对所述LSTM网络进行训练，得到多功能雷达搜索模式识别模型；
S5：将步骤S2得到的测试样本输入步骤S4得到的多功能雷达搜索模式识别模型，完成多功能雷达搜索模式识别模型的性能检验；
S6：将需要识别的两部雷达侦察站的PDW序列，输入经步骤S5验证通过的多功能雷达搜索模式识别模型，实现多功能雷达搜索模式的识别判断。
根据一个优选的实施方式，步骤S1中，生成PDW序列时，两部雷达侦察站按照统一的同步时钟对PDW序列进行存储记录。
根据一个优选的实施方式，步骤S1中，PDW序列包括频率RF、脉宽PW、方位DOA、重复间隔PRI和幅度PA构成的五维参数；即是，PDW序列中某向量
Figure BDA0003438393720000021
包括(rfi,pwi,doai,prii,pai)五个分量。例如，雷达侦察站m记录的PDW序列形如：
Figure BDA0003438393720000022
其中向量
Figure BDA0003438393720000023
包括(rfmi,pwmi,doami,primi,pami)五个分量。
根据一个优选的实施方式，步骤S2中，两部雷达侦察站m和n进行融合时，选取PDW中的重复间隔PRI和幅度PA参与融合构建数据集，形成数据集如下：
Figure BDA0003438393720000024
根据一个优选的实施方式，步骤S2中，按照预设的时间长度把数据集进行切分，构成各个样本，且每个样本均设置有标签值；对数据集切分形成的样本按照8:2的比例分为训练样本和测试样本。
根据一个优选的实施方式，步骤S3中，构建的LSTM网络包括若干各输入层、隐藏层和输出层结构，所述隐藏层采用LSTM的细胞单元，所述细胞单元具有依次连接的输入门、遗忘门以及输出门结构；且对LSTM网络进行初始化包括：设置输入层、输出层和隐藏层数，设置初始学习速率和最大迭代次数。
根据一个优选的实施方式，步骤S4中，对LSTM网络进行训练的方法包括如下步骤：
步骤S41：根据训练样本进行一次迭代将一组训练样本输入LSTM网络的输入门，计算输入门的激活值it以及t时刻细胞单元的状态候选值
Figure BDA0003438393720000031
其中，输入门的激活函数和状态候选函数如下：
it＝σ(XtWxt+ht-1Whi+bi)
Figure BDA0003438393720000033
其中，Xt表示细胞单元在t时刻的输入，ht-1表示输入门在t-1时刻的输入值，σ表示sigmoid激活函数，其计算公式为：
Figure BDA0003438393720000034
tanh表示双曲正切激活函数的公式为：
Figure BDA0003438393720000035
Wxt，Whi分别表示输入门激活函数的权值，bi表示输入门激活函数的偏置，Wxc，Whc分别表示输入门状态候选函数的权值，bc表示输入门状态候选函数的偏置。
步骤S42：计算细胞单元需要丢弃或保存的信息，遗忘门根据输入门的激活值it以及t时刻细胞单元的状态候选值
Figure BDA0003438393720000036
计算得到新的状态值ct。计算公式如下：
Figure BDA0003438393720000037
ft＝σ(XtWxf+ht-1Whf+bf)
其中，
Figure BDA0003438393720000039
表示按元素相乘，ct表示新的状态值，ft表示遗忘门的激活值，Wxf，Whf分别表示遗忘门激活函数的权值，bf表示遗忘门激活函数的偏置。
步骤S43：根据新的状态值ct，计算t时刻输出门的激活值ot以及输出值ht。计算公式如下：
ot＝σ(XtWxo+ht-1Who+bo)
Figure BDA0003438393720000038
其中，Wxo，Who分别表示输出门激活函数的控制权值，bo表示输出门激活函数的偏置。
步骤S44：对输出值ht和训练样本的标签值，计算LSTM网络的损失函数；若迭代次数小于最大迭代次数时，更新LSTM网络的权值与偏置，并令迭代次数加1，重复进行步骤S41-S44，直到迭代次数大于等于最大迭代次数时，则停止迭代，得到多功能雷达搜索模式识别模型。
根据一个优选的实施方式，步骤S5具体包括：把测试样本输入多功能雷达搜索模式识别模型，在输出层计算测试样本属于某一类搜索模式的概率，并选择概率最大的一个作为当前样本的输出类别，最后与实际信号的标签进行比较获得当前LSTM网络的性能；当获得的当前LSTM网络的性能不符预设要求时，则调整参数重复步骤S4进行LSTM网络的训练，直至获得LSTM网络的性能满足预设要求，则验证通过所述多功能雷达搜索模式识别模型。
例如，可采用Softmax分类方法在输出层计算测试样本属于某一类搜索模式的概率。利用Softmax分类的计算公式如下：
yt＝softmax(ot)
Figure BDA0003438393720000041
根据一个优选的实施方式，步骤S6具体包括，将需要识别的两部雷达侦察站的PDW序列按照步骤S2方法融合为待识别的样本，输入经步骤S5验证通过的多功能雷达搜索模式识别模型，得到输出搜索模式的标签。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合，均为本发明所要保护的技术方案，在此不做穷举。
本发明的有益效果：本发明提出的基于LSTM网络的雷达搜索模式识别方法能够针对多功能雷达的搜索模式进行精细化识别，填补了传统雷达工作模式识别技术主要针对跟踪模式的空白技术领域。同时主要借助于现有雷达侦察站输出的分选信号进行融合和网络训练，样本简单而且数据复杂程度较小。
附图说明
图1是本发明基于LSTM的雷达搜索模式识别方法的主要流程示意图；
图2是本发明侦察站和多功能雷达的仿真部署位置示意图；
图3是LSTM的细胞单元的结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
另外，本发明要指出的是，本发明中，如未特别写出具体涉及的结构、连接关系、位置关系、动力来源关系等，则本发明涉及的结构、连接关系、位置关系、动力来源关系等均为本领域技术人员在现有技术的基础上，可以不经过创造性劳动可以得知的。
具体地如下：
表1雷达R的波形参数设置
Figure BDA0003438393720000051
参考图1所示，本发明公开了一种基于LSTM的雷达搜索模式识别方法。包括：
步骤1)：仿真生成两部雷达侦察站对一部多功能雷达的多类搜索模式下时域雷达脉冲描述字(PDW)序列。
如图2所示的场景中，雷达坐标为(440,300)，侦察站m的坐标为(100，150)，侦察站n的坐标为(100，340)(单位：Km)。雷达的发射功率为几MW，三种工作模式的波形参数按照表1进行设置。侦察站侦察天线都指向雷达，且波束宽度为较宽，接收灵敏度也较大。
按照上述实例的参数模拟生成两部雷达侦察站截获分选出的时域PDW序列，且两部雷达侦察站按照统一的同步时钟对PDW序列进行存储记录。
步骤2)：把两部侦察站分选的PDW序列按照一定的时间长度融合构建出数据集，将所述数据集划分为训练样本和测试样本，每个样本均设置有标签值。
具体地，在本实施例中，多功能雷达多类搜索模式包括：粗扫描模式、精扫描模式和扇区扫描模式，也就是有3类雷达搜索模式的侦察信号。每类搜索模式记录大约时长为5000s的侦察数据，然后根据前述方法融合两个侦察站的PDW，生成约500个信号样本数据，每个信号样本大约10s长度，每个样本是一个二维矩阵，行数是4，代表两个侦察站分别记录的pri和pa；而列数和搜索类型和扫描周期有关，扫描周期较大的模式下其每个样本的列数最少，表示侦察站单位时间内记录的PDW较少。最后再给每个样本添加其搜索模式的类别。
步骤3)：构建LSTM网络，并初始化所述LSTM网络。
初始化LSTM网络包括：设置初始学习速率为0.001，输入层为4，输出层为3，隐藏层单元数为100，最大迭代次数为100轮。
步骤4)：根据所述训练样本，对所述LSTM网络进行训练，得到多功能雷达搜索模式识别模型。
在利用样本进行训练时，将样本数据随机打乱以降低过拟合，基于训练过程中正确率和损失值变化情况，看出大约30轮迭代后，正确率趋于稳定。
步骤5)：将所述测试样本输入所述多功能雷达搜索模式识别模型，以检验所述多功能雷达搜索模式识别模型的性能；
把测试样本输入上个步骤获得的多功能雷达搜索模式识别模型，采用Softmax分类方法在输出层计算测试样本属于某一类搜索模式的概率，选择概率最大的一个作为当前样本的输出类别，最后与实际信号样本的标签进行比较获得当前LSTM网络的性能。如果性能不佳，则可以调整参数(样本的时间长度、隐藏单元个数、最大迭代次数等)，重复步骤4进行LSTM网络的训练。
步骤6)：将需要识别的两部雷达侦察站的PDW序列输入所述多功能雷达搜索模式识别模型，实现多功能雷达搜索模式的识别判断。
在步骤6中，将需要识别的两部雷达侦察站的PDW序列按照步骤2方法融合为待识别的样本，输入步骤5中最终获得多功能雷达搜索模式识别模型，得到待识别的样本对应的输出搜索模式的标签。
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。

Claims (9)

1.一种基于LSTM的雷达搜索模式识别方法，其特征在于，所示雷达搜索模式识别方法包括如下步骤：
S1：仿真生成两部雷达侦察站对一部多功能雷达的各类搜索模式下时域雷达脉冲描述字PDW序列，其中，两部雷达侦察站分别记为m和n；
S2：把两部雷达侦察站分选的PDW序列按照预设的时间长度融合构建出数据集，将所述数据集划分为训练样本和测试样本，每个样本均设置有标签值；
S3：构建LSTM网络，并初始化所述LSTM网络；
S4：根据所述训练样本，对所述LSTM网络进行训练，得到多功能雷达搜索模式识别模型；
S5：将步骤S2得到的测试样本输入步骤S4得到的多功能雷达搜索模式识别模型，完成多功能雷达搜索模式识别模型的性能检验；
S6：将需要识别的两部雷达侦察站的PDW序列，输入经步骤S5验证通过的多功能雷达搜索模式识别模型，实现多功能雷达搜索模式的识别判断。
2.如权利要求1所述的雷达搜索模式识别方法，其特征在于，步骤S1中，生成PDW序列时，两部雷达侦察站按照统一的同步时钟对PDW序列进行存储记录。
3.如权利要求2所述的雷达搜索模式识别方法，其特征在于，步骤S1中，PDW序列包括频率RF、脉宽PW、方位DOA、重复间隔PRI和幅度PA构成的五维参数；即是，PDW序列中某向量
Figure FDA0003438393710000011
包括(rfi,pwi,doai,prii,pai)五个分量。
4.如权利要求1所述的雷达搜索模式识别方法，其特征在于，步骤S2中，两部雷达侦察站m和n进行融合时，选取PDW中的重复间隔PRI和幅度PA参与融合构建数据集，形成数据集如下：
Figure FDA0003438393710000012
5.如权利要求4所述的雷达搜索模式识别方法，其特征在于，步骤S2中，按照预设的时间长度把数据集进行切分，构成各个样本，且每个样本均设置有标签值；
对数据集切分形成的样本按照8:2的比例分为训练样本和测试样本。
6.如权利要求1所述的雷达搜索模式识别方法，其特征在于，步骤S3中，构建的LSTM网络包括若干各输入层、隐藏层和输出层结构，所述隐藏层采用LSTM的细胞单元，所述细胞单元具有依次连接的输入门、遗忘门以及输出门结构；
且对LSTM网络进行初始化包括：设置输入层、输出层和隐藏层数，设置初始学习速率和最大迭代次数。
7.如权利要求6所述的雷达搜索模式识别方法，其特征在于，步骤S4中，对LSTM网络进行训练的方法包括如下步骤：
S41：根据训练样本进行一次迭代将一组训练样本输入LSTM网络的输入门，计算输入门的激活值it以及t时刻细胞单元的状态候选值
Figure FDA0003438393710000021
S42：计算细胞单元需要丢弃或保存的信息，遗忘门根据输入门的激活值it以及t时刻细胞单元的状态候选值
Figure FDA0003438393710000022
计算得到新的状态值ct；
S43：根据新的状态值ct，计算t时刻输出门的激活值ot以及输出值ht；
S44：对输出值ht和训练样本的标签值，计算LSTM网络的损失函数；若迭代次数小于最大迭代次数时，更新LSTM网络的权值与偏置，并令迭代次数加1，重复进行步骤S41-S44，直到迭代次数大于等于最大迭代次数时，则停止迭代，得到多功能雷达搜索模式识别模型。
8.如权利要求7所述的雷达搜索模式识别方法，其特征在于，步骤S5具体包括：
把测试样本输入多功能雷达搜索模式识别模型，在输出层计算测试样本属于某一类搜索模式的概率，并选择概率最大的一个作为当前样本的输出类别，最后与实际信号的标签进行比较获得当前LSTM网络的性能；
当获得的当前LSTM网络的性能不符预设要求时，则调整参数重复步骤S4进行LSTM网络的训练，直至获得LSTM网络的性能满足预设要求，则验证通过所述多功能雷达搜索模式识别模型。
9.如权利要求8所述的雷达搜索模式识别方法，其特征在于，步骤S6具体包括，将需要识别的两部雷达侦察站的PDW序列按照步骤S2方法融合为待识别的样本，输入经步骤S5验证通过的多功能雷达搜索模式识别模型，得到输出搜索模式的标签。
CN202111623972.2A 2021-12-28 2021-12-28 一种基于lstm的雷达搜索模式识别方法 Active CN114492583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111623972.2A CN114492583B (zh) 2021-12-28 2021-12-28 一种基于lstm的雷达搜索模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111623972.2A CN114492583B (zh) 2021-12-28 2021-12-28 一种基于lstm的雷达搜索模式识别方法

Publications (2)

Publication Number Publication Date
CN114492583A CN114492583A (zh) 2022-05-13
CN114492583B true CN114492583B (zh) 2022-12-20

Family

ID=81496654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111623972.2A Active CN114492583B (zh) 2021-12-28 2021-12-28 一种基于lstm的雷达搜索模式识别方法

Country Status (1)

Country Link
CN (1) CN114492583B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117907962B (zh) * 2024-01-22 2024-10-08 中国人民解放军国防科技大学 雷达字切割方法、装置及系统和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444790B (zh) * 2020-03-13 2022-07-01 北京理工大学 一种对多功能雷达工作模式序列的脉冲级智能识别方法
CN111638488B (zh) * 2020-04-10 2023-05-30 西安电子科技大学 一种基于lstm网络的雷达干扰信号识别方法
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

Also Published As

Publication number Publication date
CN114492583A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Li et al. Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM
CN114492583B (zh) 一种基于lstm的雷达搜索模式识别方法
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
CN108051781A (zh) 一种基于dbn模型的雷达信号工作模式识别方法
CN112949383B (zh) 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法
Akter et al. RF-based UAV surveillance system: A sequential convolution neural networks approach
CN109753874A (zh) 一种基于机器学习的低慢小雷达目标分类方法
Guo et al. A novel radar signals sorting method-based trajectory features
CN115166678A (zh) 复杂场景雷达辐射源脉冲信号分选与认知对抗系统
Ayub et al. Multiple acoustic source localization using deep data association
CN111062322B (zh) 基于支持向量机svm的相控阵雷达行为识别方法
CN116361685A (zh) 一种基于集成学习与雷达短语的雷达工作模式识别方法
Ohno et al. Efficient SOM-based ATR method for SAR imagery with azimuth angular variations
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备
CN114814776B (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
Feng Towards self-supervised learning for multi-function radar behavior state detection and recognition
CN115097437B (zh) 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法
Ma et al. Radar working mode recognition based on hierarchical feature representation and clustering
Zhang et al. An Incremental Recognition Method for MFR Working Modes Based on Deep Feature Extension in Dynamic Observation Scenarios
CN114296067A (zh) 基于lstm模型的脉冲多普勒雷达低慢小目标识别方法
Petrov et al. Identification of radar signals using neural network classifier with low-discrepancy optimisation
CN113313191A (zh) 一种基于无监督学习的分布式孔径交互智能评估方法
Jiang et al. Classification and model reconstruction method of non‐cooperative multifunctional radar waveform unit
Guo et al. Deinterleaving of radar pulse based on implicit feature
CN112115768A (zh) 一种面向复杂电磁环境的雷达辐射源识别方法

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