CN117347961A - 基于贝叶斯学习的雷达功能属性识别方法 - Google Patents
基于贝叶斯学习的雷达功能属性识别方法 Download PDFInfo
- Publication number
- CN117347961A CN117347961A CN202311641211.9A CN202311641211A CN117347961A CN 117347961 A CN117347961 A CN 117347961A CN 202311641211 A CN202311641211 A CN 202311641211A CN 117347961 A CN117347961 A CN 117347961A
- Authority
- CN
- China
- Prior art keywords
- envelope
- radar
- pulse
- time
- bayesian learning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006870 function Effects 0.000 title claims abstract description 31
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 29
- 230000005855 radiation Effects 0.000 claims abstract description 17
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000003930 cognitive ability Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- 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
- G01S7/38—Jamming means, e.g. producing false echoes
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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贝叶斯学习的雷达功能属性识别方法，属于电子对抗信息处理领域，包括步骤：对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；然后对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征，然后采用贝叶斯学习分类方法对包络序列进行功能属性识别。本发明提升了电子对抗设备在面对未知型号雷达目标时对敌方雷达威胁程度的认知能力。
Description
技术领域
本发明涉及电子对抗信息处理领域，更为具体的，涉及一种基于贝叶斯学习的雷达功能属性识别方法。
背景技术
从公开出版的文献上查阅，目前国内外的主要研究内容是对雷达型号进行识别，现有文献中提到的雷达辐射源属性识别只是基于雷达属性的型号识别研究。现有技术中，2017年谌夏提出了基于概念信息融合的舰载雷达功能识别，但文中并未明确指出识别的哪些功能以及具体实现方案。本领域人员亟待解决雷达功能属性识别这一技术问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于贝叶斯学习的雷达功能属性识别方法，面向未知雷达，在无法识别型号的情况下尽可能地提取雷达信息来判断当前威胁，为态势生成提供输入，且对硬件的算力需求小，能快速嵌入工程样机并迭代验证，可识别地面预警、地面火控、机载预警和机载火控雷达属性，提升电子对抗设备在面对未知型号雷达目标时对敌方雷达威胁程度的认知能力。
本发明的目的是通过以下方案实现的：
一种基于贝叶斯学习的雷达功能属性识别方法，包括以下步骤：
对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与所述TOA之间的关系，提取专家描述特征，采用贝叶斯学习分类方法对包络序列进行功能属性识别。
进一步地，所述对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征，采用贝叶斯学习分类方法对包络序列进行功能属性识别，具体包括如下子步骤：
S1，数据准备：分选雷达辐射源信号；
S2，包络分割：根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；
S3，特征提取：对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征；
S4，序列功能属性识别：采用贝叶斯学习分类方法对包络序列进行功能属性识别。
进一步地，在步骤S1中，所述分选雷达辐射源信号，具体应用的数据是电子战平台侦收的雷达脉冲信号分离成单个雷达辐射源的信号序列，至少包含RF、PA、PRI、PW和TOA五个维度的参数，且将从当前时刻往前设定时间范围内的信号作为输入信号序列。
进一步地，在步骤S2中，所述根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络，包括如下设定步骤：在实战环境下，考虑地面雷达扫描特性来设定相邻两个脉冲间隔时间超过第一设定时间则认为是新的一个包络开始；以及，如果分割出的包络持续时间少于第二设定时间或者包络内脉冲数量不超过设定数量则抛弃，且单个包络持续时间不超过第三设定时间；所述第一设定时间、第二设定时间和第三设定时间根据工程经验确定。
进一步地，在步骤S3中，所述对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征，具体包括如下子步骤：
将信号序列分割为个包络，对分割出的第/>个包络，设共有/>个脉冲，且/>，第/>个脉冲的参数TOA、PA、PRI、PW和RF分别用/>，/>，/>，/>和/>表示，则分别提取以下专家特征：
1）RF的均值与极差：
RF极差：
（1）
RF均值：
（2）
2）PRI的均值与极差：
PRI极差：
（3）
PRI均值：
（4）
3）PW均值与极差：
PW极差：
（5）
PRI均值：
（6）
4）搜索包络驻留均值与方差：
如果一个包络幅度极差超过设定数值则认为是搜索包络，其驻留时间为：
（7）
表示第j个脉冲的到达时间；
驻留均值：
表示第k个包络的驻留时间；
驻留方差：
5）搜索包络回访均值与方差：
当序列中至少有两个搜索包络时，设第个和第/>个搜索包络分别是序列中的第和/>个包络，那么两个包络中的PA峰值索引分别为/>，/>，其中，/>表示第j个脉冲的脉冲幅度，则回访时间记为：
驻留均值：
表示第k个包络的回访时间；
驻留方差：
；
M是正整数。
进一步地，在步骤S4中，所述采用贝叶斯学习分类方法对包络序列进行功能属性识别，具体包括：
特征提取提出的10维特征向量，包括/>,
，这10个特征中的第/>个记为/>；将功能用途分为4种，分别是地面预警、地面火控、机载预警和机载火控，对应的标签/>；
设10个特征都是独立同分布的，且所有类中第/>个特征的均值、标准差分别为，训练集中/>类的数量为/>；
然后，分别按照如下公式计算在观察特征条件下属于/>分类的后验概率：
其中，表示特征/>出现的先验概率；
其中：
其中，表示训练集中/>类的数量；
分别计算出后验概率，然后通过softmax方式进行归一化得到概率：
即得到最终分类结果。
进一步地，所述设定时间范围内的信号具体为从当前时刻往前4秒内的信号。
进一步地，所述第一设定时间设为30ms，所述第二设定时间设为3ms，所述第三设定时间设为1.5s。
进一步地，所述设定数量为3个。
进一步地，在所述搜索包络驻留均值与方差中的所述设定数值为20dB。
本发明的有益效果包括：
本发明面向未知雷达，在无法识别型号的情况下尽可能地提取雷达信息来判断当前威胁，为态势生成提供输入。
本发明方法对硬件的算力需求小，能快速嵌入工程样机并迭代验证，可识别地面预警、地面火控、机载预警、机载火控雷达属性，面对未知雷达时，结合多个维度，例如扫描体制、功能属性等信息，为掌握当前对抗态势提供有力支撑，提升了电子对抗设备在面对未知型号雷达目标时对敌方雷达威胁程度的认知能力。
本发明提供了一种对雷达功能属性的识别新方法。仿真验证表明，应用本发明方法可以对雷达分属于地面预警、地面火控、机载预警和机载火控的正确识别率达到90%以上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为机载雷达扫描包络；
图2为地面雷达扫描包络；
图3为本发明实施例流程图；
图4为本发明实施例中的四类功能属性识别正确率混淆矩阵。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
鉴于背景中的现状，本发明构思提出一种基于贝叶斯学习的雷达功能属性识别方法，识别的雷达功能属性主要指的是地面预警、地面火控、机载预警和机载火控雷达四种功能属性。面对未知雷达时，在无法识别型号的情况下尽可能地提取雷达信息，结合多个维度，例如扫描体制、功能属性等信息，判断当前威胁，为态势生成提供输入，从而为掌握当前对抗态势提供有力支撑。其中创新点之一在于对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间（TOA）间隔把信号序列分割为不同的包络，然后对每一个包络利用脉冲幅度（PA）、频率（RF）维度、脉冲重复间隔（PRI）、脉宽（PW）与TOA之间的关系提取专家描述特征，采用贝叶斯学习分类方法，对包络序列进行功能属性识别。具体包括如下步骤：
步骤1：数据准备
本发明方法应用的数据是电子战平台侦收的雷达脉冲信号分离成单个雷达辐射源的信号序列，至少包含RF、PA、PRI、PW和TOA五个维度的参数，从当前时刻往前4秒内的信号作为输入信号序列。
步骤2：包络分割
实战环境下，考虑到地面雷达扫描特性，设定相邻两个脉冲间隔时间超过30ms则认为是新的一个包络开始。另外，如果分割出的包络持续时间少于3ms或者包络内脉冲数量不超过3个则抛弃，且单个包络持续时间不超过1.5s。
步骤3：特征提取
信号序列分割共有个包络，对分割出的第/>个包络，假设共有/>个脉冲（/>），第/>个脉冲的参数TOA、PA、PRI、PW和RF分别用/>，/>，/>，/>和/>表示，提取以下专家特征。
1）RF均值与极差
RF的极差
（1）
RF均值
（2）
2）PRI均值与极差
PRI的极差
（3）
PRI均值
（4）
3）PW均值与极差
根PRI的极差
（5）
PRI均值
（6）
4）搜索包络驻留均值与方差
如果一个包络幅度极差超过20dB则简单地认为是搜索包络，其驻留时间为
（7）
驻留均值
驻留方差
5）搜索包络回访均值与方差
幅当序列中至少有两个搜索包络时，假设第个和第/>个搜索包络分别是序列中的第/>和/>个包络，那么两个包络中的PA峰值索引分别为/>，，则回访时间记为
驻留均值
驻留方差
步骤4：序列功能属性识别
特征提取提出的10维特征向量，包括/>，
，10个特征中的第/>个记为/>。功能用途分为4种分别是地面预警、地面火控、机载预警和机载火控，对应的标签。我们假设这10个特征都是独立同分布的，且所有/>类中第/>个特征的均值、标准差分别为/>，训练集中/>类的数量为。于是分别计算在观察特征/>条件下属于/>分类的后验概率为：
其中
（采用了拉普拉斯修正）
分别计算出后验概率，然后通过softmax方式进行归一化得到概率
也就是最终分类结果。
图1为机载雷达扫描包络，图2为地面雷达扫描包络，其波形分析即为本发明方案特征提取依据。本发明实施例的线下训练和线上识别工作流程如图3所示。基于仿真数据，验证了对四类功能属性的识别效果，其混淆矩阵如图4所示。
结合图3进一步说明本发明的具体实施过程，整个实施过程分为训练和测试两部分，训练阶段需要对所有样本进行特征提取并计算先验概率，测试阶段对新侦收数据的雷达功能属性进行识别。
（1）训练阶段
利用训练数据对先验概率进行训练，具体步骤如下：
1）包络分割。对于给定的脉冲序列，按照脉冲TOA间隔把脉冲序列分割成多个包络；
2）特征提取。对于分割出的包络序列，提取以上提到的10维特征，根据数据来源型号生成对应分类标签；
3）先验概率计算。计算各个类的基于拉普拉斯修正的类别先验概率，计算10个维度特征分别的均值和标准差；
4）将配置的如包络分割门限、序列时长等门限超参数和先验概率等样本统计参数，加载导入电子战设备的数据库。
（2）测试阶段
将新侦收的数据定义为测试数据，识别任务是用电子战数据库中贝叶斯统计模型对测试数据的雷达功能属性进行识别。具体步骤如下：
1）加载超参数和模型数据库；
2）包络分割。将测试数据中的雷达信号序列按照超参数门限分出识别信号序列，然后分割为包络序列；
3）特征提取。按照设定特征提取方式对包络序列提取特征；
4）识别。利用加载的统计参数与先验概率计算在当前特征下各个类别的后验概率，归一化生成置信度，并输出识别结果。
需要说明的是，在本发明权利要求书中所限定的保护范围内，以下实施例均可以从上述具体实施方式中，例如公开的技术原理，公开的技术特征或隐含公开的技术特征等，以合乎逻辑的任何方式进行组合和/或扩展、替换。
实施例1
一种基于贝叶斯学习的雷达功能属性识别方法，包括以下步骤：
对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与所述TOA之间的关系，提取专家描述特征，采用贝叶斯学习分类方法对包络序列进行功能属性识别。
实施例2
在实施例1的基础上，所述对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征，采用贝叶斯学习分类方法对包络序列进行功能属性识别，具体包括如下子步骤：
S1，数据准备：分选雷达辐射源信号；
S2，包络分割：根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；
S3，特征提取：对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征；
S4，序列功能属性识别：采用贝叶斯学习分类方法对包络序列进行功能属性识别。
实施例3
在实施例2的基础上，在步骤S1中，所述分选雷达辐射源信号，具体应用的数据是电子战平台侦收的雷达脉冲信号分离成单个雷达辐射源的信号序列，至少包含RF、PA、PRI、PW和TOA五个维度的参数，且将从当前时刻往前设定时间范围内的信号作为输入信号序列。
实施例4
在实施例2的基础上，在步骤S2中，所述根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络，包括如下设定步骤：在实战环境下，考虑地面雷达扫描特性来设定相邻两个脉冲间隔时间超过第一设定时间则认为是新的一个包络开始；以及，如果分割出的包络持续时间少于第二设定时间或者包络内脉冲数量不超过设定数量则抛弃，且单个包络持续时间不超过第三设定时间；所述第一设定时间、第二设定时间和第三设定时间根据工程经验确定。
实施例5
在实施例2的基础上，在步骤S3中，所述对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征，具体包括如下子步骤：
将信号序列分割为个包络，对分割出的第/>个包络，设共有/>个脉冲，且/>，第/>个脉冲的参数TOA、PA、PRI、PW和RF分别用/>，/>，/>，/>和/>表示，则分别提取以下专家特征：
1）RF的均值与极差：
RF极差：
（1）
RF均值：
（2）
2）PRI的均值与极差：
PRI极差：
（3）
PRI均值：
（4）
3）PW均值与极差：
PW极差：
（5）
PRI均值：
（6）
4）搜索包络驻留均值与方差：
如果一个包络幅度极差超过设定数值则认为是搜索包络，其驻留时间为：
（7）
表示第j个脉冲的到达时间；
驻留均值：
表示第k个包络的驻留时间；
驻留方差：
5）搜索包络回访均值与方差：
当序列中至少有两个搜索包络时，设第个和第/>个搜索包络分别是序列中的第/>和/>个包络，那么两个包络中的PA峰值索引分别为/>，/>，其中，/>表示第j个脉冲的脉冲幅度，则回访时间记为：
驻留均值：
表示第k个包络的回访时间；
驻留方差：
；
M是正整数。
实施例6
在实施例5的基础上，在步骤S4中，所述采用贝叶斯学习分类方法对包络序列进行功能属性识别，具体包括：
特征提取提出的10维特征向量，包括/>,
，这10个特征中的第/>个记为/>；将功能用途分为4种，分别是地面预警、地面火控、机载预警和机载火控，对应的标签/>；
设10个特征都是独立同分布的，且所有类中第/>个特征的均值、标准差分别为，训练集中/>类的数量为/>；
然后，分别按照如下公式计算在观察特征条件下属于/>分类的后验概率：
其中，表示特征/>出现的先验概率；
其中：
/>
其中，表示训练集中/>类的数量；
分别计算出后验概率，然后通过softmax方式进行归一化得到概率：
即得到最终分类结果。
实施例7
在实施例3的基础上，，所述设定时间范围内的信号具体为从当前时刻往前4秒内的信号。
实施例8
在实施例4的基础上，所述第一设定时间设为30ms，所述第二设定时间设为3ms，所述第三设定时间设为1.5s。
实施例9
在实施例4的基础上，所述设定数量为3个。
实施例10
在实施例5的基础上，在所述搜索包络驻留均值与方差中的所述设定数值为20dB。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本发明实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本发明实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于贝叶斯学习的雷达功能属性识别方法，其特征在于，包括以下步骤：
对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与所述TOA之间的关系，提取专家描述特征，采用贝叶斯学习分类方法对包络序列进行功能属性识别。
2.根据权利要求1所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，所述对分选完成后的雷达辐射源信号，根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征，采用贝叶斯学习分类方法对包络序列进行功能属性识别，具体包括如下子步骤：
S1，数据准备：分选雷达辐射源信号；
S2，包络分割：根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络；
S3，特征提取：对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征；
S4，序列功能属性识别：采用贝叶斯学习分类方法对包络序列进行功能属性识别。
3.根据权利要求2所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，在步骤S1中，所述分选雷达辐射源信号，具体应用的数据是电子战平台侦收的雷达脉冲信号分离成单个雷达辐射源的信号序列，至少包含RF、PA、PRI、PW和TOA五个维度的参数，且将从当前时刻往前设定时间范围内的信号作为输入信号序列。
4.根据权利要求2所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，在步骤S2中，所述根据相邻脉冲的到达时间TOA间隔把信号序列分割为不同的包络，包括如下设定步骤：在实战环境下，考虑地面雷达扫描特性来设定相邻两个脉冲间隔时间超过第一设定时间则认为是新的一个包络开始；以及，如果分割出的包络持续时间少于第二设定时间或者包络内脉冲数量不超过设定数量则抛弃，且单个包络持续时间不超过第三设定时间；所述第一设定时间、第二设定时间和第三设定时间根据工程经验确定。
5.根据权利要求2所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，在步骤S3中，所述对每一个包络利用脉冲幅度PA、频率RF维度、脉冲重复间隔PRI、脉宽PW与TOA之间的关系，提取专家描述特征，具体包括如下子步骤：
将信号序列分割为个包络，对分割出的第/>个包络，设共有/>个脉冲，且/>，第/>个脉冲的参数TOA、PA、PRI、PW和RF分别用/>，/>，/>，/>和/>表示，则分别提取以下专家特征：
1）RF的均值与极差：
RF极差：
（1）
RF均值：
（2）
2）PRI的均值与极差：
PRI极差：
（3）
PRI均值：
（4）
3）PW均值与极差：
PW极差：
（5）
PRI均值：
（6）
4）搜索包络驻留均值与方差：
如果一个包络幅度极差超过设定数值则认为是搜索包络，其驻留时间为：
（7）
表示第j个脉冲的到达时间；
驻留均值：
表示第k个包络的驻留时间；
驻留方差：
5）搜索包络回访均值与方差：
当序列中至少有两个搜索包络时，设第个和第/>个搜索包络分别是序列中的第和/>个包络，那么两个包络中的PA峰值索引分别为/>，/>，其中，/>表示第j个脉冲的脉冲幅度，则回访时间记为：
驻留均值：
表示第k个包络的回访时间；
驻留方差：
；
M是正整数。
6.根据权利要求5所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，在步骤S4中，所述采用贝叶斯学习分类方法对包络序列进行功能属性识别，具体包括：
特征提取提出的10维特征向量，包括/>,
，这10个特征中的第/>个记为；将功能用途分为4种，分别是地面预警、地面火控、机载预警和机载火控，对应的标签；
设10个特征都是独立同分布的，且所有类中第/>个特征的均值、标准差分别为，训练集中/>类的数量为/>；
然后，分别按照如下公式计算在观察特征条件下属于/>分类的后验概率：
其中，表示特征/>出现的先验概率；
其中：
其中，表示训练集中/>类的数量；
分别计算出后验概率，然后通过softmax方式进行归一化得到概率：
即得到最终分类结果。
7.根据权利要求3所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，所述设定时间范围内的信号具体为从当前时刻往前4秒内的信号。
8.根据权利要求4所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，所述第一设定时间设为30ms，所述第二设定时间设为3ms，所述第三设定时间设为1.5s。
9.根据权利要求4所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，所述设定数量为3个。
10.根据权利要求5所述的基于贝叶斯学习的雷达功能属性识别方法，其特征在于，在所述搜索包络驻留均值与方差中的所述设定数值为20dB。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311641211.9A CN117347961B (zh) | 2023-12-04 | 2023-12-04 | 基于贝叶斯学习的雷达功能属性识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311641211.9A CN117347961B (zh) | 2023-12-04 | 2023-12-04 | 基于贝叶斯学习的雷达功能属性识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117347961A true CN117347961A (zh) | 2024-01-05 |
| CN117347961B CN117347961B (zh) | 2024-02-13 |
Family
ID=89363502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311641211.9A Active CN117347961B (zh) | 2023-12-04 | 2023-12-04 | 基于贝叶斯学习的雷达功能属性识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117347961B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5610609A (en) * | 1995-11-08 | 1997-03-11 | Litton Systems, Inc. | Passive doppler emitter classification and ranging system utilizing a time-frequency constant |
| CN107656245A (zh) * | 2017-08-22 | 2018-02-02 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
| CN110110738A (zh) * | 2019-03-20 | 2019-08-09 | 西安电子科技大学 | 一种基于多特征融合的雷达辐射源识别方法 |
| CN110187321A (zh) * | 2019-05-30 | 2019-08-30 | 电子科技大学 | 基于深度学习的复杂环境下雷达辐射源特征参数提取方法 |
| CN111812591A (zh) * | 2020-06-16 | 2020-10-23 | 南京航空航天大学 | 一种基于贝叶斯估计的目标检测方法 |
| CN116029379A (zh) * | 2022-12-31 | 2023-04-28 | 中国电子科技集团公司信息科学研究院 | 空中目标意图识别模型构建方法 |
-
2023
- 2023-12-04 CN CN202311641211.9A patent/CN117347961B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5610609A (en) * | 1995-11-08 | 1997-03-11 | Litton Systems, Inc. | Passive doppler emitter classification and ranging system utilizing a time-frequency constant |
| CN107656245A (zh) * | 2017-08-22 | 2018-02-02 | 哈尔滨工程大学 | 一种将信息融合应用到雷达信号分选中的方法 |
| CN110110738A (zh) * | 2019-03-20 | 2019-08-09 | 西安电子科技大学 | 一种基于多特征融合的雷达辐射源识别方法 |
| CN110187321A (zh) * | 2019-05-30 | 2019-08-30 | 电子科技大学 | 基于深度学习的复杂环境下雷达辐射源特征参数提取方法 |
| CN111812591A (zh) * | 2020-06-16 | 2020-10-23 | 南京航空航天大学 | 一种基于贝叶斯估计的目标检测方法 |
| CN116029379A (zh) * | 2022-12-31 | 2023-04-28 | 中国电子科技集团公司信息科学研究院 | 空中目标意图识别模型构建方法 |
Non-Patent Citations (6)
| Title |
|---|
| "基于贝叶斯网络分类器的雷达辐射源识别方法", 《火力与指挥控制》, no. 02, pages 36 - 39 * |
| ANTON V. KVASNOV: "Methodology of classification and recognition of the radar emission sources based on Bayesian programming", 《IET RADAR, SONAR & NAVIGATION, 2020》, pages 1175 - 1182 * |
| ZHILING XIAO: "Radar Emitter Identification Based on Naive Bayesian Algorithm", 《2020 IEEE 5TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》, pages 1242 - 1244 * |
| 孙寒星: "雷达辐射源识别专家系统中推理机的开发与研究", 《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》, no. 04, pages 140 - 32 * |
| 朱英凯: "基于模式识别技术的雷达辐射源分类识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 04, pages 136 - 412 * |
| 熊敬伟: "雷达工作模式识别方法综述", 《现代雷达》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117347961B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104007431B (zh) | 基于dpLVSVM模型的雷达HRRP的目标识别方法 | |
| Cain et al. | Convolutional neural networks for radar emitter classification | |
| US11150327B1 (en) | System and method for synthetic aperture radar target recognition using multi-layer, recurrent spiking neuromorphic networks | |
| CN107830996B (zh) | 一种飞行器舵面系统故障诊断方法 | |
| CN110907908B (zh) | 基于包络分析的导航雷达信号分选方法 | |
| CN106250848A (zh) | 一种基于多模型融合的单类水声目标识别方法 | |
| CN112329930B (zh) | 基于代理模型的对抗样本生成方法和装置 | |
| CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
| Arafiyah et al. | Classification of Dengue Haemorrhagic Fever (DHF) using SVM, naive bayes and random forest | |
| CN107358252A (zh) | 一种无人机分类方法及装置 | |
| Zhou et al. | A novel radar signal recognition method based on a deep restricted Boltzmann machine | |
| CN111242179B (zh) | 一种基于cfs_kl的贝叶斯加权方法 | |
| Shoohi et al. | DCGAN for Handling Imbalanced Malaria Dataset based on Over-Sampling Technique and using CNN. | |
| CN117347961B (zh) | 基于贝叶斯学习的雷达功能属性识别方法 | |
| CN106203520B (zh) | 基于深度相关向量机的sar图像分类方法 | |
| Safaei et al. | Open-set automatic target recognition | |
| Ackerman et al. | Machine learning model drift detection via weak data slices | |
| Ru et al. | An experimental study on secondary radar transponder UMOP characteristics | |
| CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
| Lin et al. | Comparison of time of arrival vs. multiple parameter based radar pulse train deinterleavers | |
| Chairi et al. | Sample selection based active learning for imbalanced data | |
| Nie et al. | Intrusion detection based on nonsymmetric sparse autoencoder | |
| CN112800082A (zh) | 一种基于置信规则库推理的空中目标识别方法 | |
| Notkin et al. | Classification of Ground Moving Radar Targets with RBF Neural Networks. | |
| CN117290747B (zh) | 基于眼动数据的飞行状态监测方法、存储介质及电子设备 |
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 |