一种结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法技术

本发明专利技术公开了一种结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，包括采集敌方雷达的威胁信号并进行预处理；将预处理后的威胁信号表示为脉冲描述字PWD列表；构建稀疏自编码器，采用稀疏自编码器提取所述脉冲描述字PWD列表的非线性特征；构建改进LSTM网络层，采用改进LSTM网络层对稀疏自编码器输出的非线性特征的时序关系进行建模得到时序关系特征；构建全连接分类层，根据改进LSTM网络层输出的时序关系特征输出针对敌方雷达的威胁信号的干扰技术种类。本发明专利技术能够自动提取敌方雷达信号脉冲描述字的非线性特征，学习其随时间演进的时序依赖关系，实现从特征提取到类型识别的端到端的建模。端到端的建模。端到端的建模。

【技术实现步骤摘要】
一种结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法


[0001]本申请属于电子战中的雷达信号干扰预测领域，具体涉及一种结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法。

技术介绍

[0002]在电子战中，雷达干扰是一种常见的电子对抗手段，可以用来攻击敌方雷达或避免被敌方攻击。其基本原理是，干扰器通过向敌方雷达发射干扰电磁波以达到干扰其雷达接收信号的效果。由于干扰的效果取决于接收到的雷达信号的特性，因此必须采用对威胁信号有效的干扰技术。当侦察到对方雷达的威胁信号时，需要选定相应的干扰技术以进行电子对抗。
[0003]传统的干扰方法会预先构建一个数据库，存储不同的信号类型以及对应的干扰方法，当检测到敌方雷达的威胁信号时，根据其信号类型在数据库中检索到对应的干扰方法以进行电子对抗。尽管此类方法简单易用，但当威胁信号稍作变化或接收到新的雷达信号时，便无法在库中检索到对应的条目，也就无法提供合适的干扰技术。雷达信号一般以脉冲描述字列表的形式来描述，其中的脉冲间隔和辐射频率都是根据时间来调制的，而且雷达信号有多种不同的调制类型，因此抓住雷达信号内的时序特性将对干扰技术的选用起到重要的作用。

技术实现思路

[0004]本申请的目的在于一种结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，能够自动提取敌方雷达信号脉冲描述字的非线性特征，学习其随时间演进的时序依赖关系，实现从特征提取到类型识别的端到端的建模。
[0005]为实现上述目的，本申请所采取的技术方案为：
[0006]一种结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，所述结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，包括：
[0007]步骤1、采集敌方雷达的威胁信号并进行预处理；
[0008]步骤2、将预处理后的威胁信号表示为脉冲描述字PWD列表；
[0009]步骤3、构建稀疏自编码器，采用稀疏自编码器提取所述脉冲描述字PWD列表的非线性特征；
[0010]步骤4、构建改进LSTM网络层，采用改进LSTM网络层对稀疏自编码器输出的非线性特征的时序关系进行建模得到时序关系特征，包括：
[0011]步骤41、构建改进LSTM网络层为两层结构，每层对应一个LSTM隐藏单元，所述LSTM隐藏单元内含遗忘门、输入门和输出门，在LSTM隐藏单元中将遗忘门与上一单元状态之间建立连接，并将遗忘门与输入门进行关联；
[0012]步骤42、取时序建模的时序长度为w，基于时序长度w采用构建的改进LSTM网络层对输入的非线性特征输出时序关系特征；
[0013]步骤5、构建全连接分类层，根据改进LSTM网络层输出的时序关系特征输出针对敌方雷达的威胁信号的干扰技术种类，所述全连接分类层包括一个或多个依次连接的全连接神经网络。
[0014]以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
[0015]作为优选，所述预处理包括若采集的敌方雷达的威胁信号为模拟信号，则将模拟信号转换为数字信号。
[0016]作为优选，所述将预处理后的威胁信号表示为脉冲描述字PWD列表，包括：
[0017]对于一个脉冲设定五个属性，分别为PW、PRI、RF、AOA、AMP，由这五个属性组成脉冲描述字PWD，即：
[0018]PWD＝<PW,PRI,RF,AOA,AMP>
[0019]其中，PW表示脉冲宽度，PRI表示脉冲重复间隔，RF表示辐射频率，AOA表示攻击角度，AMP表示信号幅度；
[0020]则一个具有n个脉冲的威胁信号对应的脉冲描述字PWD列表为：
[0021][X1＝(p1,i1,f1,a1,m1),
…
,X
k
＝(p
k
,i
k
,f
k
,a
k
,m
k
),
…
,X
n
＝(p
n
,i
n
,f
n
,a
n
,m
n
)][0022]其中，1≤k≤n，且p
k
为第k个脉冲的脉冲宽度，i
k
为第k个脉冲的脉冲重复间隔，f
k
为第k个脉冲的辐射频率，a
k
为第k个脉冲的攻击角度，m
k
为第k个脉冲的信号幅度。
[0023]作为优选，所述稀疏自编码器为输入层和输出层具有相同神经元个数的单隐层前馈神经网络，并且所述稀疏自编码器呈对称结构。
[0024]作为优选，所述采用稀疏自编码器提取所述脉冲描述字PWD列表的非线性特征，包括：
[0025]设定滑动窗口的宽度为w，将所述脉冲描述字PWD列表通过滑动窗口分割为长度相同的信号X
(w,5)
；
[0026]将信号X
(w,5)
输入稀疏自编码器，稀疏自编码器的隐含层通过编码对信号X
(w,5)
进行非线性特征提取，然后通过解码对提取的非线性特征进行还原，并根据隐含层的神经元个数z输出最终的非线性特征H
(w,z)
。
[0027]作为优选，所述LSTM隐藏单元中遗忘门的表达式为：
[0028]f
t
＝σ(W
f
*[C
t
‑1,h
t
‑1,x
t
]+b
f
)
[0029]式中，f
t
为t时刻的遗忘门，σ为Sigmoid神经网络层，C
t
‑1为t
‑
1时刻的单元状态，即上一单元状态，h
t
‑1为t
‑
1时刻的隐层输出，即上一单元隐层输出，x
t
为t时刻的输入，W
f
和b
f
为遗忘门的相关系数；
[0030]所述LSTM隐藏单元中本单元状态的表达式为：
[0031][0032]式中，C
t
为t时刻的单元状态，即本单元状态，为tanh层创建的新的候选值向量；
[0033]所述LSTM隐藏单元中输出门的表达式为：
[0034]o
t
＝σ(W
o
*[h
t
‑1,x
t
]+b
o
)
[0035]式中，o
t
为t时刻的输出门，W
o
和b
o
为输出门的相关系数；
[0036]所述LSTM隐藏单元中隐层输出的表达式为：
[0037]h
t
＝o...

【技术保护点】

【技术特征摘要】
1.一种结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，其特征在于，所述结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，包括：步骤1、采集敌方雷达的威胁信号并进行预处理；步骤2、将预处理后的威胁信号表示为脉冲描述字PWD列表；步骤3、构建稀疏自编码器，采用稀疏自编码器提取所述脉冲描述字PWD列表的非线性特征；步骤4、构建改进LSTM网络层，采用改进LSTM网络层对稀疏自编码器输出的非线性特征的时序关系进行建模得到时序关系特征，包括：步骤41、构建改进LSTM网络层为两层结构，每层对应一个LSTM隐藏单元，所述LSTM隐藏单元内含遗忘门、输入门和输出门，在LSTM隐藏单元中将遗忘门与上一单元状态之间建立连接，并将遗忘门与输入门进行关联；步骤42、取时序建模的时序长度为w，基于时序长度w采用构建的改进LSTM网络层对输入的非线性特征输出时序关系特征；步骤5、构建全连接分类层，根据改进LSTM网络层输出的时序关系特征输出针对敌方雷达的威胁信号的干扰技术种类，所述全连接分类层包括一个或多个依次连接的全连接神经网络。2.如权利要求1所述的结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，其特征在于，所述预处理包括若采集的敌方雷达的威胁信号为模拟信号，则将模拟信号转换为数字信号。3.如权利要求1所述的结合稀疏自编码器和改进LSTM的雷达信号干扰预测方法，其特征在于，所述将预处理后的威胁信号表示为脉冲描述字PWD列表，包括：对于一个脉冲设定五个属性，分别为PW、PRI、RF、AOA、AMP，由这五个属性组成脉冲描述字PWD，即：PWD＝<PW,PRI,RF,AOA,AMP>其中，PW表示脉冲宽度，PRI表示脉冲重复间隔，RF表示辐射频率，AOA表示攻击角度，AMP表示信号幅度；则一个具有n个脉冲的威胁信号对应的脉冲描述字PWD列表为：[X1＝(p1,i1,f1,a1,m1),
…
,X
k
＝(p
k
,i
k
,f
k
,a
k
,m
k
),
…
,X
n
＝(p
n
,i
n
,f
n
,a
n
,m
n
)]其中，1≤k≤n，且p
k
为第k个脉冲的脉冲宽度，i
k
为第k个脉冲的脉冲重复间隔，f
k
为第k个脉冲的辐射频率，a
k
为第k个脉冲的攻击角度，m

【专利技术属性】
技术研发人员：瞿崇晓，范长军，周明政，杨绪峰，刘硕，徐海龙，
申请(专利权)人：中国电子科技集团公司第五十二研究所，
类型：发明
国别省市：