CN115061103A - 基于编码器-解码器的多功能雷达功能识别方法 - Google Patents

基于编码器-解码器的多功能雷达功能识别方法 Download PDF

Info

Publication number
CN115061103A
CN115061103A CN202210640849.XA CN202210640849A CN115061103A CN 115061103 A CN115061103 A CN 115061103A CN 202210640849 A CN202210640849 A CN 202210640849A CN 115061103 A CN115061103 A CN 115061103A
Authority
CN
China
Prior art keywords
multifunctional radar
training
pulse
decoder
encoder
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.)
Granted
Application number
CN202210640849.XA
Other languages
English (en)
Other versions
CN115061103B (zh
Inventor
余显祥
陈泓宇
冯康桉
易伟
黄宇轩
孔令讲
张立东
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210640849.XA priority Critical patent/CN115061103B/zh
Publication of CN115061103A publication Critical patent/CN115061103A/zh
Application granted granted Critical
Publication of CN115061103B publication Critical patent/CN115061103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/40—Means for monitoring or calibrating
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于编码器‑解码器结构的多功能雷达功能识别方法，首先构建多功能雷达功能的训练和测试数据集，随后对多功能雷达功能的训练数据集和测试数据集进行预处理，将多功能雷达功能脉冲序列的脉冲重复频率和脉冲宽度量化后分别转换成词向量矩阵；构建编码器‑解码器模型，利用两个1D‑CNN网络作为编码器部分，利用GRU网络作为解码器部分；接着，数据预处理后的训练集数据对编码器‑解码器模型进行训练；最后，利用训练结束的模型实现对多功能雷达功能的准确识别。本发明的方法训练完成后的编码器‑解码器模型能够适应电磁环境的变化，在恶劣的非理想电磁环境下仍能通过多功能雷达功能脉冲序列完成对功能的准确识别。

Description

基于编码器-解码器的多功能雷达功能识别方法
技术领域
本发明属于雷达技术领域，具体涉及一种基于编码器-解码器的多功能雷达功能识别法。
背景技术
多功能雷达是指能够灵活执行各种任务的大型传感器系统，它能够基于先进的资源管理软件，利用灵活捷变的波形执行多个自适应的任务，因此在电子对抗领域得到了广泛的运用。在电子对抗领域，对执行任务的非我方多功能雷达行为识别具有重要意义，准确识别多功能雷达的行为，能够为我方在电子对抗中提供重要情报，引导电子对抗装备做出最优的对抗策略。多功能雷达在当前时刻所执行的功能是多功能雷达行为的具体体现，由于多功能雷达行为的多变性，波形参数的捷变性和调制方式的复杂性，我方利用截获的多功能雷达信号对其进行功识别存在着巨大的挑战。
多功能雷达功能高于工作模式层级，是指特定的工作模式在时序上的固定组合。多功能雷达的一种功能是指在时序上顺序地执行指定的若干种工作模式。相较工作模式而言，功能从更高层级反映了多功能雷达的行为，并提供更多的信息引导电子对抗装备作出对抗决策。总体而言，多功能雷达的功能识别急需研究。目前，国内外主要的研究聚焦于多功能雷达的工作模式识别，对多功能雷达功能识别的研究处于空白阶段。
“X.S.Xu,D.P.Bi,and J.F.Pan，Method for functional state recognition ofmultifunction radars based on recurrent neural networks，IET Radar,Sonar&Navigation,vol.15,no.7,pp.724–732,2021”提出了一种基于层级句法模型的GRU网络的多功能雷达的功能状态识别方法，该方法能在非理想电磁环境下对水星雷达的状态进行准确识别，但由于多功能雷达数据保密性等原因，该方法所使用的句法模型只在水星多功能雷达上得到验证，对其他多功能雷达的功能状态识别效果存疑。
“Y.J.Li,M.T.Zhu,Y.H.Ma,et al.,“Work modes recognition and boundaryidentification of MFR pulse sequences with a hierarchical seq2seq LSTM,”IETRadar,Sonar&Navigation,vol.14,no.9,pp.1343–1353,2020”提出了一种基于多层级的seq2seq LSTM模型的多功能雷达脉冲序列的工作模式识别方法，该方法将截获的多功能雷达脉冲序列作为输入，通过多层级模型学习截获脉冲间的时序关系和切换关系，输出每一个截获脉冲的工作模式标签。该方法能够识别每个脉冲的工作模式标签，并能识别工作模式间的切换边界，为多功能雷达的功能识别提供了思路，但该方法需要计算每一个脉冲的标签，模型的计算消耗较大，且该方法也只局限于工作模式及其切换点的识别。
以上方法都是对多功能雷达状态或是工作模式的识别方法研究，并没有针对多功能雷达的功能识别提出针对性的方法。
发明内容
本发明的目的是针对背景技术存在的问题，研究设计一种基于编码器-解码器的多功能雷达功能识别方法。
本发明的解决方案是：首先，构建多功能雷达功能的训练和测试数据集，随后对多功能雷达功能的训练数据集和测试数据集进行预处理，将多功能雷达功能脉冲序列的脉冲重复频率(PRF)和脉冲宽度(PW)量化后分别转换成词向量矩阵；构建编码器-解码器模型，利用两个1D-CNN网络作为编码器部分，利用GRU网络作为解码器部分；接着，数据预处理后的训练集数据对编码器-解码器模型进行训练；最后，利用训练结束的模型实现对多功能雷达功能的准确识别。
本发明的具体技术方案为：一种基于编码器-解码器的多功能雷达功能识别方法，包括如下步骤：
S1：训练数据集和测试数据集的构建，
根据不同的功能产生多功能雷达功能脉冲序列
Figure BDA0003683982450000025
其中，
Figure BDA0003683982450000021
Ppr和Ppw分别表示该多功能雷达脉冲序列的PRF序列和PW序列，
Figure BDA0003683982450000022
和
Figure BDA0003683982450000023
分别表示多功能雷达脉冲序列中第t个脉冲的PRF和PW，T表示矩阵的转置运算，进而生成多功能雷达功能脉冲序列样本D＝[P,y]，其中，y表示多功能雷达脉冲序列对应功能标签；
对上述过程进行若干次蒙特卡洛仿真，在理想电磁环境情况下产生足够大样本的训练数据集；测试数据集也根据上述过程进行若干次蒙特卡洛仿真，在非理想电磁环境下产生测试数据集；
S2：脉冲序列中的信号参数预处理：
对训练集和测试集中的PRF和PW分别设置上界Hpr和Hpw，并将每一个脉冲的PRF和PW量化为dpr和dpw，根据量化后的数据，将每一个脉冲的PRF和PW转换成独热向量vpr和vpw；词嵌入矩阵Mpr和Mpw分别将脉冲的PRF和PW的独热向量vpr和vpw转换成对应的词向量epr和epw；
多功能雷达功能脉冲序列样本中的每一个脉冲重复上述步骤，得到多功能雷达功能脉冲序列样本的PRF和PW的词向量矩阵，分别记为：
Figure BDA0003683982450000024
和
Figure BDA0003683982450000031
其中，
Figure BDA0003683982450000032
和
Figure BDA0003683982450000033
分别表示该脉冲序列中第t个脉冲的PRF和PW对应的词向量，n表示截获脉冲序列中的脉冲数；
S3：编码器-解码器模型的构建，
所述编码器-解码器结构是基于两个1D-CNN网络和一个GRU网络，编码器部分是由两个1D-CNN网络组成，每个1D-CNN网络都具有相同的结构和平行处理的结构，并且输入和输出具有相同的数据结构；每个1D-CNN网络共有3个卷积层，第一层到第三层的卷积核个数分别为64,128,256，对应的卷积核长度分别为10,5,2；解码器部分是由GRU网络组成，两个1D-CNN网络分别输出PRF和PW的高维特征Fpr和Fpw，随后融合为特征Ffusion＝[Fpr,Fpw]作为解码器的输入，GRU网络共有256个神经元，最后一个神经元连接一个全连接层，全连接层后是softmax分类器输出多功能雷达功能标签，输出共有4个神经元，分别代表预警、火控、跟踪保持和目标确认功能；
S4：编码器-解码器模型的训练，
训练时，将步骤S2产生的训练数据集中的Epr和Epw分别批量地输入到编码器中对应的1D-CNN网络中，编码器-解码器模型计算得到该批次样本的识别功能标签，根据网络计算得到的标签和训练数据集中的标签，计算该模型在本批次数据上的损失值，并反向传播至模型中各个神经元，并不断修正各个神经元的权值w和偏置b，并进入下一轮训练，直至训练轮数或损失值达到预先设定的值；同时训练中使用Adam优化器，初始学习率为0.001；
S5：利用训练完成的编码器-解码器模型识别多功能雷达的功能：将步骤S2中生成的测试数据集输入到训练好的编码器-解码器中，通过前向传播得到多功能雷达的功能识别结果，并在测试集上计算多功能雷达功能的识别准确率。
需要说明的是，步骤S1中测试数据集中考虑的非理想电磁环境是指量测误差、漏脉冲、虚假脉冲和混合场景(同时包含测量误差、漏脉冲、虚假脉冲的情况)四种情况。非理想电磁环境可用数学公式描述。量测误差，用误差偏离水平EDL描述，漏脉冲和虚假脉冲分别用漏脉冲率RLP和虚假脉冲率RSP描述，混合场景用误差偏离水平EDL、漏脉冲率RLP和虚假脉冲率RSP同时描述。
本发明的有益效果：本发明的方法将仿真产生的多功能雷达功能脉冲序列的二维特征PRF和PW进行数据预处理，将其编码为词向量矩阵利于编码器-解码器结构进行学习；分别利用两个1D-CNN网络提取并编码脉冲的PRF和PW的高阶序列特征；然后将PRF和PW的高阶特征融合后输入GRU网络，学习输入序列的长期相关性和时间特征；训练完成后的编码器-解码器模型能够适应电磁环境的变化，在恶劣的非理想电磁环境下仍能通过多功能雷达功能脉冲序列完成对功能的准确识别。本发明的方法有效解决了多功能雷达执行功能的准确识别问题，在电子对抗领域中识别敌方多功能雷达行为具有重要意义。
附图说明
图1为本发明的多功能雷达功能识别算法处理流程图。
图2为本发明的编码器-解码器模型的结构示意图。
图3为本发明中方法在4种非理想电磁环境下的多功能雷达功能识别准确率。
图4为本发明方法分别对多功能雷达各功能的识别准确率。
具体实施方式
本发明主要采用计算机仿真的方法进行验证，所有的训练集和测试集数据都在Matlab-R2021a上产生，编码器-解码器框架的搭建和结论的正确性验证都在Pytorch框架下进行。下面结合附图对本发明作进一步详细描述。
本发明的方法首先对多功能雷达的功能进行定义，明确多功能雷达在一段时间内执行的多种工作模式构成了多功能雷达的功能；根据多功能雷达在不同工作模式下的脉冲重复频率(PRF)和脉冲宽度(PW)，构建多功能雷达功能的训练数据集和测试数据集；利用自然语言处理中的词嵌入技术对多功能雷达功能数据集进行数据预处理；将两个1D-CNN(一维CNN)网络作为编码器，一个GRU(门控循环单元)网络作为解码器，构建编码器-解码器模型；将数据预处理后的PRF和PW序列分别输入上述两个1D-CNN网络中进行编码，并将编码信息整合后输入GRU网络中解码，经过多轮次训练，以获取最佳的编码器-解码器模型；将数据预处理后的测试集的多功能雷达功能数据集输入到训练完毕的编码器-解码器模型，计算得到编码器-解码器模型识别的功能，同时计算多功能雷达功能的识别准确率。
具体流程如图1所示。多功能雷达的功能和其所包含的工作模式的关系如表1所示，每种工作模式的PRF和PW的参数范围和调制方式如表2所示：
表1
多功能雷达的功能 工作模式
预警 速度搜索模式→高重频搜索模式→中重频搜索模式
火控 距离分辨模式→单目标跟踪模式→多目标跟踪模式
跟踪保持 距离分辨模式→搜索加跟踪模式
目标确认 中重频搜索模式→目标捕获模式→距离分辨模式
表2
工作模式 PRF调制方式 PRF(Khz) PW调制方式 PW(us) 脉冲个数
速度搜索 固定 60 抖动 2 200
高重频搜索 参差 35/40/45 抖动 6 200
中重频搜索 参差 20/25/30 抖动 7 200
距离分辨 参差 15/20/25 固定 8 200
单目标跟踪 抖动 13 固定 3 100
多目标跟踪 抖动 5 固定 4 200
搜索加跟踪 驻留与参差 (8,10,13)*3 固定 3 300
目标捕获 抖动 12 固定 15 200
具体步骤如下：
步骤一：多功能雷达的功能仿真训练数据集和测试数据集的产生
训练数据集考虑理想电磁环境，即设定EDL＝0、RLP＝0、RSP＝0。每种功能共有600个训练样本，训练数据集中共含有2400个样本。随后，设定测试数据集在四种非理想电磁环境下的条件。量测误差下共有11种场景，由误差偏离水平EDL以0.05的步长从0递增到0.5产生。在漏脉冲下共有10种场景，由漏脉冲率RLP以0.05的步长从0递增到0.45产生。在虚假脉冲下共有10种场景，由虚假脉冲率RSP以0.05的步长从0递增到0.45产生。在混合场景下共有9种场景，由误差偏离水平EDL、漏脉冲率RLP和虚假脉冲率RSP都以0.05的步长从0递增到0.4产生。数据集中误差偏离水平EDL的计算公式为：
Figure BDA0003683982450000051
其中，pm是脉冲的第m维参数在理想电磁环境下的值，本发明中m可为pr或pw。pm是脉冲的第m维参数在量测误差下的值。漏脉冲率RLP和虚假脉冲率RSP的计算公式为：
Figure BDA0003683982450000052
Figure BDA0003683982450000053
其中，N是多功能雷达功能脉冲序列中的总脉冲数，Nl是多功能雷达功能脉冲序列中的漏脉冲数，Ns是多功能雷达功能脉冲序列中的虚假脉冲数。
测试集的非理想电磁环境共有40种场景，每种场景中4种功能都含有25个测试集样本，测试数据集一共有4000个样本。
步骤二：训练数据集和测试数据集的数据预处理
训练数据集和测试数据集的每个样本脉冲序列的PRF和PW进行量化，PRF和PW的量化过程可以表示为：
dpr＝[ppr/spr],0≤dpr≤[Hpr/spr] (4)
dpw＝[ppw/spw],0≤dpw≤[Hpw/spw] (5)
其中，ppr和ppw是该脉冲的PRF和PW的真实值，spr和spw是PRF和PW的量化单位，[α]定义为不超过α的最大整数值。设定PRF和PW的上界分别为Hpr＝100Khz和Hpw＝25us，PRF和PW的量化单位分别设置为spr＝2Khz和spw＝1us。
根据PRF和PW的上界和量化单位，将多功能雷达功能脉冲序列样本中的每一个脉冲转换成独热向量。Hpr和spr以及Hpw和spw可以分别得到PRF和PW的独热向量空间维度，本发明中PRF的独热向量空间维度为50，PW的独热向量空间维度为25。dpr和dpw可以确定该脉冲的PRF和PW的独热向量vpr和vpw，并将独热向量vpr和vpw转换成对应的词向量epr和epw，并最终生成多功能雷达脉冲序列的词向量矩阵Epr和Epw。独热向量转换成对应词向量的数学公式如下：
epr＝vprMpr (6)
epw＝vpwMpw (7)
其中，
Figure BDA0003683982450000061
lpr和lpw分别是PRF和PW词向量的维度，Lpr和Lpw分别是PRF和PW独热向量的维度。
需要说明的是：训练时，在pytorch框架下预先指定词嵌入矩阵Mpr和Mpw的维度并随机初始化矩阵里的权值，然后通过不断的训练调整这两个矩阵里面的权值。
步骤三：编码器-解码器模型构建
构建两个1D-CNN网络构成的编码器和一个双向GRU网络构成的解码器。编码器中的两个1D-CNN分别提取并编码输入数据的信息，得到高维特征Fpr和Fpw，随后融合特征Ffusion＝[Fpr，Fpw]输入至GRU网络进行解码后输入至全连接层，最后再根据预警、火控、跟踪保持、目标确认四种多功能雷达功能构建4个输出神经元，确定编码器-解码器模型的学习率、迭代次数以及优化器等参数。本发明的编码器-解码器模型的结构示意图如图2所示。
步骤四：编码器-解码器模型训练
训练集数据预处理后的Epr和Epw分别输入到编码器的两个1D-CNN网络，随后编码器-解码器模型计算得到对应批次数据的功能识别标签，根据计算得到的功能识别标签和训练数据集中的标签，计算模型在本批次数据上的损失值，并反向传播至模型中各个神经元，并不断修正各个神经元的权值w和偏置b。随后进入下一轮次训练并继续重复上述步骤。直到模型的损失值和迭代轮次达到所设定的要求，停止训练，并保存训练结束的编码器-解码器模型。批次数据的损失值由交叉熵损失函数计算，可表达为：
Figure BDA0003683982450000071
其中，K是多功能雷达的功能类数，在本发明中K＝4，
Figure BDA0003683982450000072
是编码器-解码器模型所计算出的功能标签，yk是数据所对应标记的功能标签。ω2是L2正则化权重向量，λ是L2正则化因子，用于防止编码器-解码器模型在训练过程中过拟合。
步骤五：多功能雷达的功能识别
经过步骤二预处理后的测试数据输入到训练完成的编码器-解码器模型中，输出对应的多功能雷达的功能标签，并计算多功能雷达功能识别的识别准确率。多功能雷达的功能识别准确率由下式定义：
Figure BDA0003683982450000073
其中，Ntest是测试数据集中的数据总数，如果
Figure BDA0003683982450000074
(即编码器-解码器模型识别出的功能标签和该条数据所对应的功能标签相同)，则
Figure BDA0003683982450000075
否则就等于0。
最终得到的四种非理想电磁环境下的多功能雷达功能识别准确率如图3所示，多功能雷达各功能的识别准确率如图4所示。图3和图4中名为TC-GRU的方法即本发明提出的编码器-解码器模型方法。OC-GRU为对比方法，由1个1D-CNN网络和GRU网络组成；T-GRU也为对比方法，由2个GRU网络组成。从图3中可以看出，在四种非理想电磁环境下的所有场景中，所提出的编码器-解码器模型的多功能雷达功能识别准确率都显著高于两种对比方法，且在较高的EDL，RSP，RLP环境下，多功能雷达的功能仍能被准确识别。从图4可以看出，所提出的编码器-解码器模型对多功能雷达的每种功能都有较高的识别准确率，两种对比方法的识别准确率都有所降低。

Claims (1)

1.一种基于编码器-解码器的多功能雷达功能识别方法，包括如下步骤：
S1：训练数据集和测试数据集的构建，
根据不同的功能产生多功能雷达功能脉冲序列P＝[Ppr,Ppw]，其中，
Figure FDA0003683982440000011
Ppr和Ppw分别表示该多功能雷达脉冲序列的PRF序列和PW序列，
Figure FDA0003683982440000012
和
Figure FDA0003683982440000013
分别表示多功能雷达脉冲序列中第t个脉冲的PRF和PW，T表示矩阵的转置运算，进而生成多功能雷达功能脉冲序列样本D＝[P,y]，其中，y表示多功能雷达脉冲序列对应功能标签；
对上述过程进行若干次蒙特卡洛仿真，在理想电磁环境情况下产生足够大样本的训练数据集；测试数据集也根据上述过程进行若干次蒙特卡洛仿真，在非理想电磁环境下产生测试数据集；
S2：脉冲序列中的信号参数预处理：
对训练集和测试集中的PRF和PW分别设置上界Hpr和Hpw，并将每一个脉冲的PRF和PW量化为dpr和dpw，根据量化后的数据，将每一个脉冲的PRF和PW转换成独热向量vpr和vpw；词嵌入矩阵Mpr和Mpw分别将脉冲的PRF和PW的独热向量vpr和vpw转换成对应的词向量epr和epw；
多功能雷达功能脉冲序列样本中的每一个脉冲重复上述步骤，得到多功能雷达功能脉冲序列样本的PRF和PW的词向量矩阵，分别记为：
Figure FDA0003683982440000014
和
Figure FDA0003683982440000015
其中，
Figure FDA0003683982440000016
和
Figure FDA0003683982440000017
分别表示该脉冲序列中第t个脉冲的PRF和PW对应的词向量；
S3：编码器-解码器模型的构建，
所述编码器-解码器结构是基于两个1D-CNN网络和一个GRU网络，编码器部分是由两个1D-CNN网络组成，每个1D-CNN网络都具有相同的结构和平行处理的结构，并且输入和输出具有相同的数据结构；每个1D-CNN网络共有3个卷积层，第一层到第三层的卷积核个数分别为64,128,256，对应的卷积核长度分别为10,5,2；解码器部分是由GRU网络组成，两个1D-CNN网络分别输出PRF和PW的高维特征Fpr和Fpw，随后融合为特征Ffusion＝[Fpr,Fpw]作为解码器的输入，GRU网络共有256个神经元，最后一个神经元连接一个全连接层，全连接层后是softmax分类器输出多功能雷达功能标签，输出共有4个神经元，分别代表预警、火控、跟踪保持和目标确认功能；
S4：编码器-解码器模型的训练，
训练时，将步骤S2产生的训练数据集中的Epr和Epw分别批量地输入到编码器中对应的1D-CNN网络中，编码器-解码器模型计算得到该批次样本的识别功能标签，根据网络计算得到的标签和训练数据集中的标签，计算该模型在本批次数据上的损失值，并反向传播至模型中各个神经元，并不断修正各个神经元的权值w和偏置b，并进入下一轮训练，直至训练轮数或损失值达到预先设定的值；同时训练中使用Adam优化器，初始学习率为0.001；
S5：利用训练完成的编码器-解码器模型识别多功能雷达的功能：将步骤S2中生成的测试数据集输入到训练好的编码器-解码器中，通过前向传播得到多功能雷达的功能识别结果，并在测试集上计算多功能雷达功能的识别准确率。
CN202210640849.XA 2022-06-08 2022-06-08 基于编码器-解码器的多功能雷达功能识别方法 Active CN115061103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210640849.XA CN115061103B (zh) 2022-06-08 2022-06-08 基于编码器-解码器的多功能雷达功能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210640849.XA CN115061103B (zh) 2022-06-08 2022-06-08 基于编码器-解码器的多功能雷达功能识别方法

Publications (2)

Publication Number Publication Date
CN115061103A true CN115061103A (zh) 2022-09-16
CN115061103B CN115061103B (zh) 2024-08-20

Family

ID=83201331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210640849.XA Active CN115061103B (zh) 2022-06-08 2022-06-08 基于编码器-解码器的多功能雷达功能识别方法

Country Status (1)

Country Link
CN (1) CN115061103B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115951325A (zh) * 2023-03-15 2023-04-11 中国电子科技集团公司第十五研究所 基于BiGRU的多舰船目标跟踪方法、存储介质及产品
CN116243252A (zh) * 2023-03-14 2023-06-09 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
CN117233723A (zh) * 2023-11-14 2023-12-15 中国电子科技集团公司第二十九研究所 一种基于cnn类激活图的雷达跟踪包络提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190383904A1 (en) * 2018-06-13 2019-12-19 Metawave Corporation Autoencoder assisted radar for target identification
CN110954872A (zh) * 2019-12-17 2020-04-03 西安电子科技大学 基于多层感知机mlp的相控阵雷达工作模式识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190383904A1 (en) * 2018-06-13 2019-12-19 Metawave Corporation Autoencoder assisted radar for target identification
CN110954872A (zh) * 2019-12-17 2020-04-03 西安电子科技大学 基于多层感知机mlp的相控阵雷达工作模式识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGYU CHEN等: ""Function Recognition Of Multi-function Radar Via CNN-GRU Neural Network"", 《2022 23RD INTERNATIONAL RADAR SYMPOSIUM (IRS)》, 4 October 2022 (2022-10-04) *
陈泓宇: ""多功能雷达功能与性能参数反演技术研究"", 《中国优秀硕士学位论文全文数据库工程科技||辑》, 15 April 2024 (2024-04-15), pages 032 - 12 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243252A (zh) * 2023-03-14 2023-06-09 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
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
CN115951325A (zh) * 2023-03-15 2023-04-11 中国电子科技集团公司第十五研究所 基于BiGRU的多舰船目标跟踪方法、存储介质及产品
CN115951325B (zh) * 2023-03-15 2023-06-02 中国电子科技集团公司第十五研究所 基于BiGRU的多舰船目标跟踪方法、存储介质及产品
CN117233723A (zh) * 2023-11-14 2023-12-15 中国电子科技集团公司第二十九研究所 一种基于cnn类激活图的雷达跟踪包络提取方法
CN117233723B (zh) * 2023-11-14 2024-01-30 中国电子科技集团公司第二十九研究所 一种基于cnn类激活图的雷达跟踪包络提取方法

Also Published As

Publication number Publication date
CN115061103B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
CN115061103A (zh) 基于编码器-解码器的多功能雷达功能识别方法
Su et al. Deep directly-trained spiking neural networks for object detection
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
CN114201987B (zh) 一种基于自适应识别网络的有源干扰识别方法
CN112906828A (zh) 一种基于时域编码和脉冲神经网络的图像分类方法
KR102388215B1 (ko) 자기주의 기반 심층 신경망 모델을 이용한 약물-표적 상호작용 예측 장치 및 그 방법
CN110956309A (zh) 基于crf和lstm的流程活动预测方法
CN110276441A (zh) 一种基于深度学习的梯形重叠核脉冲估计方法
Jalalvand et al. Real-time and adaptive reservoir computing with application to profile prediction in fusion plasma
CN112558185A (zh) 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质
CN114757975A (zh) 基于transformer与图卷积网络的行人轨迹预测方法
López-Randulfe et al. Time-coded spiking fourier transform in neuromorphic hardware
CN118038236A (zh) 一种基于图学习的脉冲图神经网络触觉物体识别方法
CN115422977A (zh) 基于cnn-bls网络的雷达辐射源信号识别方法
CN115713112A (zh) 基于空间拓扑和身份聚合的目标域数据的多目标跟踪方法
CN107844834A (zh) 一种基于混合模型的非线性系统建模方法
CN111931412A (zh) 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法
Gao et al. Long-term Forecasting of Ocean Sound Speeds At Any Time Via Neural Ordinary Differential Equations
CN116520252B (zh) 一种空中目标智能识别方法与系统
CN107390180A (zh) 基于预测状态表示模型的多功能雷达信号预测方法
CN115302507B (zh) 数字孪生驱动的工业机器人拆解过程智能决策方法
EP3745383B1 (en) Method and system for generating radar reflection points
CN112949833B (zh) 一种概率计算神经元计算单元和构造方法
Li et al. SIT-Conversion: Transformer Spiking Neural Networks with Spiking-Softmax Function
CN117150363A (zh) 一种脉冲序列处理方法及相关装置

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