一种对多功能雷达工作模式序列的脉冲级智能识别方法技术

本发明专利技术公开了一种对多功能雷达工作模式序列的脉冲级智能识别方法，可以对所含模式个数可变、模式长度可变、非理想情况未知的复杂多功能雷达工作模式脉冲序列，实现已训练工作模式的脉冲级自动识别和标注；利用深度网络的自动特征学习表征能力，能够有效提取模式内部和模式间的时间序列特征，进而在极端非理想条件下也能够有效实现模式序列识别；模式识别结果可以标注到脉冲级别，一方面能够给出脉冲流中各个雷达工作模式的转换边界，另一方面也可以给脉冲序列更精细地分析和处理提供了条件；另外，本发明专利技术给出的脉冲级别模式序列识别方法，可以在已知模式识别过程中同时将输入模式序列中的虚假脉冲标注为单独类别。

【技术实现步骤摘要】
一种对多功能雷达工作模式序列的脉冲级智能识别方法
本专利技术涉及雷达电子侦察
，具体涉及一种对多功能雷达工作模式序列的脉冲级智能识别方法。
技术介绍
多功能雷达是具有多种动态变化工作模式的复杂传感器，被广泛应用于监视和目标跟踪领域。多功能雷达可以同时执行多个任务，具有捷变的波束调度能力、复杂的信号调制样式、程控的工作模式编排。上述不同的系统功能具体反映到信号层面，电子侦察系统接收的雷达脉冲流信号序列中包含的雷达工作模式数量未知，每个模式的脉内和脉间调制样式可以不同，每个工作模式的持续时间也可能不同。多功能雷达的这些动态特性给传统的电子侦察与对抗系统带来了极大的挑战。基于对接收脉冲序列的分析，实现多功能雷达工作模式的快速准确识别，是电子侦察研究领域中的一个热点和难点问题。现有多功能雷达工作模式识别方法主要是利用自然语言处理中的随机文法来建模雷达信号产生流程，从句法分析理论的角度来剖析雷达行为信息。具体实现过程包括两个步骤。首先根据接收到的雷达脉冲序列进行雷达字提取，利用如隐马尔科夫模型或者模板匹配方法进行识别，得到脉冲序列对应的雷达本文档来自技高网...

【技术保护点】
1.一种对多功能雷达工作模式序列的识别方法，其特征在于，包括如下步骤：/nS1、生成用于模型训练的序列样本数据集合，包括：/nS11、产生工作模式片段数据集D1：/n每个样本仅含一个工作模式类别，每个样本中包含多个脉冲，每个脉冲由多维脉冲描述字参数PDW表征；将数据集D1中第i个样本表示为：

【技术特征摘要】
1.一种对多功能雷达工作模式序列的识别方法，其特征在于，包括如下步骤：
S1、生成用于模型训练的序列样本数据集合，包括：
S11、产生工作模式片段数据集D1：
每个样本仅含一个工作模式类别，每个样本中包含多个脉冲，每个脉冲由多维脉冲描述字参数PDW表征；将数据集D1中第i个样本表示为：其中，n为样本包含的脉冲数目,pj＝(p1,p2,…,pM)T为表征第j个脉冲M个脉冲描述字参数PDW；j＝1,2,…,n；
S12、模拟产生多功能雷达工作模式符号序列数据集D2：
根据多功能雷达的工作模式，先设置描述不同工作模式的工作模式符号，然后根据雷达可能的工作模式先后顺序，产生多个工作模式符号序列，构成数据集D2；
S13、针对数据集D2中的每个样本，随机抽取数据集D1中对应工作模式类别的一个样本，替换数据集D2中样本的各个工作模式符号，一个样本的工作模式符号替换完成后，得到工作模式脉冲序列数据集D3的一个样本；将数据集D2中的所有样本替换完成后，得到工作模式脉冲序列数据集D3；
S14、然后对脉冲序列数据集D3中的每个样本，根据每个脉冲对应的工作模式类别，产生标注到每个脉冲的工作模式标签序列数据集D4；
S2、构建并训练层次化序列到序列长短时记忆网络HSSLSTM；HSSLSTM包括两层双向LSTM，分别为脉冲bi-LSTM层和工作模式bi-LSTM层，具体为：
S21、计算脉冲bi-LSTM层的前向隐藏层和后向隐藏层其中：






式中，L表示数据集D3中每个样本所包含的脉冲数目，pt表示样本中第t个脉冲；
S22、根据脉冲bi-LSTM层的隐藏层H＝[Hf,Hb]，计算工作模式bi-LSTM层的前向隐藏层和后向隐藏层其中，前向隐藏层中第t个元素为：



式中，
后向隐藏层中第t个元素为：



S23、根据工作模式bi-LSTM层的向量计算输出矢量：



其中将每个时刻的输出ot,通过softmax层，得到输出工作模式类别的概率分布序列：其中是HSSLSTM对时刻t的脉冲的输出类别概率序列；
S3、对输入的待测复杂雷达脉冲序列，整理成数据集D1中样本的格式，输入到层次化序列到序列长短时记忆网络HSSLSTM中，得到工作模式识别结果。


2.如权利要求1所述的一种对多功能雷达工作模式序列的识别方法，其特征在于，在对层次化序列到序列长短时记忆网络HSSL...

【专利技术属性】
技术研发人员：李云杰，朱梦韬，李岩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11