CN116243252B - 一种基于lstm的多功能雷达工作模式预测方法 - Google Patents
一种基于lstm的多功能雷达工作模式预测方法 Download PDFInfo
- Publication number
- CN116243252B CN116243252B CN202310239143.7A CN202310239143A CN116243252B CN 116243252 B CN116243252 B CN 116243252B CN 202310239143 A CN202310239143 A CN 202310239143A CN 116243252 B CN116243252 B CN 116243252B
- Authority
- CN
- China
- Prior art keywords
- radar
- pulse
- working mode
- multifunctional
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于LSTM的多功能雷达工作模式预测方法,首先通过训练后的LSTM网络将不同工作模式下的多功能雷达脉冲组识别为雷达任务序列,利用任务之间的转换关系进行序列修正,将任务序列转化为标签,并清除LSTM的训练参数,将修正后的任务序列标签以及对应的工作模式送入LSTM网络中重新进行训练,最后根据模型的输出结果,结合输入的雷达任务序列长度对多功能雷达工作模式预测准确率进行评估。本发明的方法通过输入一段时间内多功能雷达任务序列,基于LSTM网络的长短期记忆功能和时序学习能力,在工作模式调度周期结束之前预测出此时多功能雷达所执行工作模式,主要用于电子侦察领域对对抗方雷达行为的预测,提升电子干扰效率和获取电子侦察的主动权。
Description
技术领域
本发明属于电子侦察技术领域,具体涉及一种基于LSTM的多功能雷达工作模式预测方法。
背景技术
电子侦察中的主要任务之一是截获对抗方的电磁信息,分析得出对抗方的部署和行动企图等有价值的情报,随着相控阵雷达的发展,多功能雷达能够执行多种灵活和自适应的任务,进一步形成不同的工作模式。雷达工作模式是判断雷达当前威胁度的一个重要依据,如果我们能够提前获得对抗方此时所执行的工作模式,就能够根据对方的行动意图调整战略,从而获得电子侦察中的主动权,基于LSTM的多功能雷达工作模式预测在此背景下提出。
LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。在多功能雷达的任务识别过程中,由于不同任务所对应的脉冲数据长度不同,针对该问题,LSTM能够在训练期间,将训练数据拆分成小批量,并对输入的数据进行填充,使它们具有相同的长度,所以在面向长度不同而维度相同的输入数据时,LSTM网络能够很好地胜任识别的任务;此外,在实际的侦察场景中,由于任务调度周期和波位编排导致的扫描空域波束分配数目过多,导致某些工作模式对应的任务组合数量较多,此时LSTM同样能筛选出序列中真正表征工作模式的任务。
从现有工作看,针对多功能雷达工作模式预测方法研究很少。目前,对多功能雷达工作模式的分析,普遍侧重于区分不同威胁等级的工作模式,文献“Multi-Function RadarWork Mode Recognition Based on Encoder-Decoder Model,IGARSS 2022-2022IEEEInter-national Geoscience and Remote Sensing Symposium,Kuala Lumpur,Malaysia,Jul.2022,pp.1189-1192”提出了一种使用门控循环单元(GRU)网络的编码器-解码器模型,以较少的先验知识实现脉冲组级的工作模式识别,但没有考虑脉冲组级的幅度信息。文献“Airborne fire control radar working pattern recognition,ElectronicMeasurement Technique,no.2,pp.131-133,2016”考虑脉幅的影响,提出了一种通过雷达扫描包络特性区分工作模式的方法,但没有考虑相控阵雷达与现有雷达扫描方式的区别。文献“Work modes recognition and boundary identification of MFR pulsesequences with a hierarchical seq2seq LSTM",IET Radar Sonar&Navigation,vol.14,no.9,pp.1343-1353,Jul.2020”使用分层seq2seq LSTM模型识别多功能雷达脉冲序列不受句法模型的限制,并取得了令人满意的性能,但是对每个脉冲进行识别非常耗时,无法适用于工作模式的预测。文献“多功能雷达工作状态识别与行为预测研究.电子科技大学,2021”利用隐马尔可夫模型和Baum-Welch算法对雷达行为进行预测,但是其多功能雷达信号层次化模型并不适用于所有多功能雷达,具有局限性。现有的研究很少聚焦于多功能雷达行为预测,包括工作模式的预测,以至于难以对对抗方的多功能雷达行为意图做出提前部署,因此研究基于多功能雷达层次化模型的多功能雷达工作模式预测方法具有重要的价值。
发明内容
为解决上述问题,本发明提出了一种基于LSTM的多功能雷达工作模式预测方法,首先对多功能雷达的脉冲组数据进行处理,通过预先训练好的LSTM神经网络将其识别成雷达任务序列,并且进行序列修正,然后将修正后固定长度的雷达任务序列送入重新训练的LSTM网络进行工作模式的预测。
本发明采用的技术方案为:一种基于LSTM的多功能雷达工作模式预测方法,具体步骤如下:
步骤S1、生成多功能雷达脉冲组数据;
在Matlab环境下根据此时执行的雷达任务产生n组脉冲数据;将不同雷达工作模式下产生的脉冲数据集利用标签区分。
设置脉冲特征参数:脉冲载频CF,脉冲宽度PW,脉冲重复间隔PRI,脉冲带宽BW,脉冲幅度PA,雷达的峰值发射功率Pt,雷达发射天线增益Gt,侦察接收天线增益Gr,侦测设备与目标雷达之间的距离R,信号传输损耗L。
则每个脉冲对应的脉冲幅度计算式如下:
其中,表示雷达天线方向性图函数,θ、/>分别表示脉冲到达方向的俯仰角和方位角。
步骤S2、多功能雷达任务识别模型训练;
基于步骤S1产生一批多功能雷达脉冲数据,根据设定值产生量测误差下的脉冲载频、脉冲宽度、脉冲重复间隔和脉冲带宽,把所有脉冲数据根据需求设定的比例设置训练集和测试集,最后送入LSTM神经网络中进行模型训练,根据测试集的准确度对网络权重进行调整,直到模型损失值达到要求。
步骤S3、多功能雷达任务序列识别;
通过仿真设定好的具体仿真场景下的多功能雷达脉冲数据,将其送入训练好的网络模型进行测试,网络模型输出结果为雷达任务标签,将输出的雷达任务标签利用雷达任务转移关系来进行修正,将修正后的雷达任务序列标签储存在Mat文件中。
步骤S4、多功能雷达工作模式预测模型训练;
在Matlab环境下设置好仿真场景,仿真时间设置为m,根据此时执行的雷达任务产生长度为l的任务序列,将不同雷达工作模式下产生的雷达任务利用标签区分;将LSTM的网络权重全部清零,输入不同雷达工作模式对应的任务序列重新进行模型训练,根据测试集的准确度来对网络权重进行调整,直到模型损失值达到要求。
步骤S5、多功能雷达工作模式预测;
将步骤S3中储存在Mat文件中的雷达任务序列按照不同的长度送入步骤S4训练好的网络模型进行测试,网络模型输出结果为雷达工作模式标签,根据标签就可以得到多功能雷达工作模式预测结果,计算雷达工作模式的预测结果正确率acc,计算公式如下:
其中,all代表雷达工作模式标签的数量,right代表雷达工作模式预测输出的标签与实际工作模式相同的数量。
本发明的有益效果:本发明的方法首先通过训练后的LSTM网络将不同工作模式下的多功能雷达脉冲组识别为雷达任务序列,利用任务之间的转换关系进行序列修正,将任务序列转化为标签,并清除LSTM的训练参数,将修正后的任务序列标签以及对应的工作模式送入LSTM网络中重新进行训练,最后根据模型的输出结果,结合输入的雷达任务序列长度对多功能雷达工作模式预测准确率进行评估。本发明的方法通过输入一段时间内多功能雷达任务序列,基于LSTM网络的长短期记忆功能和时序学习能力,在工作模式调度周期结束之前预测出此时多功能雷达所执行工作模式,主要用于电子侦察领域对对抗方雷达行为的预测,提升电子干扰效率和获取电子侦察的主动权。
附图说明
图1为本发明的一种基于LSTM的多功能雷达工作模式预测方法的流程图。
图2为本发明实施例中多功能雷达任务特征参数数据示意图。
图3为本发明实施例中多功能雷达脉冲数据产生场景示意图。
图4为本发明实施例中多功能雷达的任务转换关系示意图。
具体实施方式
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在Matlab平台上验证正确。下面结合附图和实施例对本发明作进一步的描述。
如图1所示,本发明的一种基于LSTM的多功能雷达工作模式预测方法流程图,具体步骤如下:
步骤S1、生成多功能雷达脉冲组数据;
利用Matlab产生n组多功能雷达脉冲数据;将不同雷达工作模式下产生的脉冲数据集利用标签区分,如图2所示。
其中,多功能雷达工作模式包括:VS(速度搜索)、TWS(边搜索边跟踪)、TAS(搜索加跟踪)、MTT(多目标跟踪)、STT(单目标跟踪);雷达任务包括:Search(常规搜索)、Search-High(高重频搜索)、Search-Middle(中重频搜索)、Confirm(确认)、Track(跟踪)、LoseTrack(失跟)。
设置脉冲特征参数:脉冲载频CF=3GHz,脉冲宽度PW,脉冲重复间隔PRI,脉冲带宽BW根据图2中的数据来设置。除此之外,令雷达的峰值发射功率Pt=4×107W,雷达发射天线增益Gt=1dB,侦察接收天线增益Gr=1dB,将侦测设备与目标雷达之间的距离固定为R=100km,信号传输损耗L=1dB。脉冲到达方向的俯仰角和方位角θ、被实时记录在Cell文件中,由此脉冲幅度PA可通过式(1)计算得出。
步骤S2、多功能雷达任务识别模型训练;
基于步骤S1产生7000组脉冲数据,各个任务对应的脉冲数据数量在范围[400,500]之间随机产生。脉冲参数在设定值附近有2%的量测误差,其余多功能雷达的参数则固定,将所有脉冲数据按照8:2的比例设置训练集和测试集。
模型采用动态学习率,随着损失值的减小网络学习率随之降低,能够使模型拟合结果更加平稳准确,最后送入LSTM网络中进行模型训练,网络会根据测试集的准确度来对网络权重进行调整,迭代次数设置为50。
步骤S3、多功能雷达任务序列识别;
在Matlab环境下根据图3的仿真场景,将一个波束驻留时间设置为2ms,一个多功能雷达事件调度周期设置为50ms。侦察责任空域的覆盖范围方位角设置为(-45°~45°),俯仰角设置为(-60°~60°),目标设置为4个。
其中,多功能雷达、侦察机、目标在直角系内的坐标和速度信息如表1所示。将仿真时间设置为20s,将仿真产生的脉冲数据集合送入训练好的网络模型进行测试,将网络模型输出的任务标签利用图4中的雷达任务转移关系来进行修正,使得两个相邻的雷达任务具有转移关系,之后将修正后的雷达任务序列标签储存在Mat文件中。
表1
坐标(km) | 速度(m/s) | |
多功能雷达 | (0,0,0) | (0,0,0) |
侦察机 | (60,5,60) | (150,0,150) |
目标1 | (60,5,75) | (140,0,140) |
目标2 | (75,5,-60) | (150,0,-150) |
目标3 | (80,5,60) | (120,0,120) |
目标4 | (60,5,-60) | (150,0,-150) |
步骤S4、多功能雷达工作模式预测模型训练;
在Matlab环境下根据图3和表1的仿真环境,除了仿真时间之外其余参数和步骤S3的设置相同。将训练集的仿真时间设置为100s,测试集设置为20s,分别收集各自仿真时间内所执行过的所有雷达任务,根据图2将任务赋予标签,在雷达工作模式切换之前,将该雷达工作模式下的所有任务序列整合成一个样本,并赋予工作模式的标签,训练集总共174个样本,测试集37个。
将LSTM的网络权重全部清零,输入不同雷达工作模式对应的任务序列重新进行模型训练,模型采用动态学习率,随着损失值的减小网络学习率随之降低,能够使模型拟合结果更加平稳准确,网络会根据测试集的准确度来对网络权重进行调整,迭代次数设置为200。
步骤S5、多功能雷达工作模式预测;
将步骤S3中储存在Mat文件中的雷达任务序列集合按照不同的长度送入步骤S4训练好的网络模型中进行测试,不同工作模式下的任务序列集合输入的长度分别设置为15、20、25、30、35、40、45、50,网络模型输出结果为雷达工作模式标签,根据标签就可以得到多功能雷达工作模式预测结果,计算雷达工作模式的预测结果正确率,计算公式如式(2)。
表2为预测结果正确率,单位是%。
表2
输入长度 | 15 | 20 | 25 | 30 | 35 | 40 | 45 | 50 |
acc | 81.5 | 85.6 | 89.2 | 92.4 | 95.1 | 95.1 | 96.3 | 96.3 |
观察表2中数据可以发现,预测正确率会随着输入的任务序列长度增加而提高,总体预测结果与实际工作模式基本相同,则可以认为该方法对多功能雷达工作模式预测是有效的、可行的,验证了本发明的正确性和有效性。
综上,本发明的方法主要用于在电子侦察领域对对抗方雷达行为进行预测,以提升电子干扰的效率和获取电子侦察中的主动权,能够提取不同多功能雷达工作模式下任务的特征和时序关系,并且利用不同长度的任务序列来提前预测多功能雷达的工作模式。本发明的方法通过输入一段时间内多功能雷达的任务序列,基于LSTM网络的长短期记忆功能和时序学习能力,能够在工作模式调度周期结束之前预测出此时多功能雷达所执行的工作模式。由于工作模式下的任务序列能达到几百上千个,通过上述的方法只需要输入几十个任务序列就能得到较好的预测结果。
本领域的普通技术人员应当意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (1)
1.一种基于LSTM的多功能雷达工作模式预测方法,具体步骤如下:
步骤S1、生成多功能雷达脉冲组数据;
在Matlab环境下根据此时执行的雷达任务产生n组脉冲数据;将不同雷达工作模式下产生的脉冲数据集利用标签区分;
设置脉冲特征参数:脉冲载频CF,脉冲宽度PW,脉冲重复间隔PRI,脉冲带宽BW,脉冲幅度PA,雷达的峰值发射功率Pt,雷达发射天线增益Gt,侦察接收天线增益Gr,侦测设备与目标雷达之间的距离R,信号传输损耗L;
则每个脉冲对应的脉冲幅度计算式如下:
其中,表示雷达天线方向性图函数,θ、/>分别表示脉冲到达方向的俯仰角和方位角;
步骤S2、多功能雷达任务识别模型训练;
基于步骤S1产生一批多功能雷达脉冲数据,根据设定值产生量测误差下的脉冲载频、脉冲宽度、脉冲重复间隔和脉冲带宽,把所有脉冲数据根据需求设定的比例设置训练集和测试集,最后送入LSTM神经网络中进行模型训练,根据测试集的准确度对网络权重进行调整,直到模型损失值达到要求;
步骤S3、多功能雷达任务序列识别;
通过仿真设定好的具体仿真场景下的多功能雷达脉冲数据,将其送入训练好的网络模型进行测试,网络模型输出结果为雷达任务标签,将输出的雷达任务标签利用雷达任务转移关系来进行修正,将修正后的雷达任务序列标签储存在Mat文件中;
步骤S4、多功能雷达工作模式预测模型训练;
在Matlab环境下设置好仿真场景,仿真时间设置为m,根据此时执行的雷达任务产生长度为l的任务序列,将不同雷达工作模式下产生的雷达任务利用标签区分;将LSTM的网络权重全部清零,输入不同雷达工作模式对应的任务序列重新进行模型训练,根据测试集的准确度来对网络权重进行调整,直到模型损失值达到要求;
步骤S5、多功能雷达工作模式预测;
将步骤S3中储存在Mat文件中的雷达任务序列按照不同的长度送入步骤S4训练好的网络模型进行测试,网络模型输出结果为雷达工作模式标签,根据标签就可以得到多功能雷达工作模式预测结果,计算雷达工作模式的预测结果正确率acc,计算公式如下:
其中,all代表雷达工作模式标签的数量,right代表雷达工作模式预测输出的标签与实际工作模式相同的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239143.7A CN116243252B (zh) | 2023-03-14 | 2023-03-14 | 一种基于lstm的多功能雷达工作模式预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239143.7A CN116243252B (zh) | 2023-03-14 | 2023-03-14 | 一种基于lstm的多功能雷达工作模式预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116243252A CN116243252A (zh) | 2023-06-09 |
CN116243252B true CN116243252B (zh) | 2023-09-19 |
Family
ID=86634913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310239143.7A Active CN116243252B (zh) | 2023-03-14 | 2023-03-14 | 一种基于lstm的多功能雷达工作模式预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116243252B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780290A (zh) * | 2019-11-01 | 2020-02-11 | 西安电子科技大学 | 基于lstm网络的多机动目标跟踪方法 |
CN111444790A (zh) * | 2020-03-13 | 2020-07-24 | 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 |
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 |
CN113158886A (zh) * | 2021-04-19 | 2021-07-23 | 中国人民解放军63892部队 | 一种基于深度强化学习的波形捷变雷达辐射源识别方法 |
CN113406588A (zh) * | 2021-05-14 | 2021-09-17 | 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 |
CN114492583A (zh) * | 2021-12-28 | 2022-05-13 | 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 |
CN114527434A (zh) * | 2022-02-11 | 2022-05-24 | 西安电子科技大学 | 基于卷积神经网络的雷达干扰效果评估方法 |
CN115061103A (zh) * | 2022-06-08 | 2022-09-16 | 电子科技大学 | 基于编码器-解码器的多功能雷达功能识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020256692A1 (en) * | 2019-06-17 | 2020-12-24 | Google Llc | Mobile device-based radar system for applying different power modes to a multi-mode interface |
US11581936B2 (en) * | 2021-03-03 | 2023-02-14 | Samsung Electronics Co., Ltd. | Method and apparatus for beam management in antenna array sharing radar and communication systems |
-
2023
- 2023-03-14 CN CN202310239143.7A patent/CN116243252B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780290A (zh) * | 2019-11-01 | 2020-02-11 | 西安电子科技大学 | 基于lstm网络的多机动目标跟踪方法 |
CN111444790A (zh) * | 2020-03-13 | 2020-07-24 | 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 |
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 |
CN113158886A (zh) * | 2021-04-19 | 2021-07-23 | 中国人民解放军63892部队 | 一种基于深度强化学习的波形捷变雷达辐射源识别方法 |
CN113406588A (zh) * | 2021-05-14 | 2021-09-17 | 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 |
CN114492583A (zh) * | 2021-12-28 | 2022-05-13 | 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 |
CN114527434A (zh) * | 2022-02-11 | 2022-05-24 | 西安电子科技大学 | 基于卷积神经网络的雷达干扰效果评估方法 |
CN115061103A (zh) * | 2022-06-08 | 2022-09-16 | 电子科技大学 | 基于编码器-解码器的多功能雷达功能识别方法 |
Non-Patent Citations (5)
Title |
---|
Multi-Function Radar Work Mode Recognition Based on Encoder-Decoder Model;H. Chen, K. Feng, Y. Kong, L. Zhang, X. Yu and W. Yi;《IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium》;1189-1192 * |
Yunjie Li, Mengtao Zhu, Yihao Ma, Jian Yang.Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM.《IET RADAR,SONAR & NAVIGATION》.2022,1343-1353. * |
小样本多功能相控阵雷达工作模式分析与智能识别方法研究;季皓;《中国优秀硕士学位论文全文数据库 信息科技辑》;1-75 * |
崔国龙 ; 余显祥.认知智能雷达抗干扰技术综述与展望 .《雷达学报》.2022,974-1002. * |
机载相控阵雷达工作模式识别与行为意图预测技术研究;惠晓龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;1-95 * |
Also Published As
Publication number | Publication date |
---|---|
CN116243252A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018478B (zh) | 航管自适应变周期扫描方法 | |
Yi et al. | Reinforcement learning-based joint adaptive frequency hopping and pulse-width allocation for radar anti-jamming | |
Shi et al. | Joint transmitter selection and resource management strategy based on low probability of intercept optimization for distributed radar networks | |
CN105807275A (zh) | 基于部分杂波先验知识的mimo-ofdm-stap稳健波形设计 | |
CN108572353B (zh) | 一种低截获雷达的脉冲时间序列规划方法 | |
Zhang et al. | Performance analysis of deep reinforcement learning-based intelligent cooperative jamming method confronting multi-functional networked radar | |
CN109283497A (zh) | 双基地fda-mimo雷达距离欺骗干扰识别方法 | |
CN115567353A (zh) | 一种面向雷达组网系统的干扰多波束调度和干扰功率联合优化方法 | |
CN114609597A (zh) | 针对无人机集群侦探融合的干侵一体化雷达波形设计方法 | |
CN116243252B (zh) | 一种基于lstm的多功能雷达工作模式预测方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN113359131A (zh) | 一种sar低截获射频隐身系统及其设计方法 | |
CN112180331A (zh) | 一种自适应射频掩护脉冲频点策略调度方法 | |
CN108896970A (zh) | 一种基于多元矢量合成技术的雷达干扰方法 | |
CN115236601A (zh) | 基于“放大镜”波束的微弱目标搜索方法 | |
Goodman | Closed-loop radar with adaptively matched waveforms | |
Hui et al. | Highly contaminated work mode identification of phased array radar using deep learning method | |
De Maio et al. | Cognitive radar signal processing | |
Dou et al. | Signal classification against repeat radar jammers with optimized MIMO radar waveforms | |
Gogineni et al. | Modeling and Simulation of Cognitive Radars | |
Labbé | Cognitive Radars (CRs) Could Improve Target Engagement Success Rate | |
Johnson et al. | Adaptive beamsteering cognitive radar with integrated search-and-track of swarm targets | |
CN111175738B (zh) | 一种基于多模型隶属控制的相控阵雷达目标快速建航方法 | |
Cheng et al. | Deep Reinforcement Learning-Based Jamming Against Multiple Frequency Agile Radars | |
CN114384476B (zh) | 一种基于干扰策略引导的自适应干扰信号生成方法 |
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 |