一种基于平滑图信号的多功能雷达工作模式识别方法技术

本发明专利技术涉及电子侦察技术领域，尤其涉及一种基于平滑图信号的多功能雷达工作模式识别方法，首先利用自组织映射算法的聚类结果以平滑图信号的方式表征全局信号样本，由于自组织映射算法聚类结果不仅能直接体现簇间拓扑关系，还能反映样本空间分布状况，且相邻簇在样本空间内也相邻，因此根据簇邻居关系生成的图信号具有平滑性，通过先将全局样本生成一个平滑图信号，解决工作模式样本不平衡问题；然后采用图注意力网络对上述图信号进行节点级数据融合与分类，完成监督数据不足情况下的多功能雷达工作模式识别任务。能雷达工作模式识别任务。能雷达工作模式识别任务。

【技术实现步骤摘要】
一种基于平滑图信号的多功能雷达工作模式识别方法


[0001]本专利技术涉及电子侦察
，尤其涉及一种基于平滑图信号的多功能雷达工作模式识别方法。

技术介绍

[0002]多功能雷达(Multi
‑
Function Radar,MFR)因其具有多工作模式、智能程度高、可靠性强等优点被广泛应用于电子战，给雷达侦察和对抗带来巨大挑战。MFR信号被截获概率较低，因此在短时间内可截获信号样本较少；不对MFR施加一定对抗压力，其某些工作模式可能会被隐藏。而雷达工作模式作为判断雷达系统威胁等级的重要依据，是电子攻防决策的基础。
[0003]现有的MFR工作模式识别方法主要包括基于句法模型的方法、基于数据融合的方法、基于深度学习的方法等。基于句法模型的方法根据雷达工作模式转移的文法类型，通过构造相应的自动机实现对工作模式分类，该方法理论性较强，但它是一种正向建模过程，难以应用于非合作方。基于数据融合的方法先计算待测信号对于某一工作模式的隶属度，然后将多个平台或不同时刻的识别结果进行融合，最终确定待测信号属于何种工作模式，该方法虽然能取得较好识别效果，但需取得充分的MFR信号先验信息。基于深度学习的方法通过对脉冲特征、脉组结构进行分析实现MFR工作模式识别，但训练深度学习模型所需的监督数据不易获得，除大规模监督数据难以获取外，由于截获的MFR常用模式(如搜索)和不常用模式(如跟踪)样本数相差较大，样本集通常存在工作模式样本不平衡现象。

技术实现思路

[0004]本专利技术的目的在于提供一种基于平滑图信号的多功能雷达工作模式识别方法，能够对改善现有的多功能雷达工作模式识别任务中存在的监督数据少与工作模式样本不平衡的技术问题。
[0005]为实现上述目的，本专利技术提供了一种基于平滑图信号的多功能雷达工作模式识别方法，包括下列步骤：
[0006]数据预处理；
[0007]利用SOM算法对全局信号样本进行聚类；
[0008]通过SOM的聚类结果生成平滑图信号；
[0009]将所述平滑图信号进行节点分类。
[0010]其中，在数据预处理的过程中通过均值与标准差对数据进行标准化处理。
[0011]其中，在利用SOM算法对全局信号样本进行聚类的过程中，首先计算输入信号样本与各簇中心的距离，具体采用欧氏距离计算距离，与之距离最小的簇为优胜簇，然后调整优胜簇及其邻居簇的中心，最终完成对数据集拓扑映射。
[0012]其中，通过SOM的聚类结果生成平滑图信号的过程中，基于簇内样本全连接与相邻簇间样本部分连接的条件下，每次迭代时选择一个簇为主簇，将主簇所含样本集的样本作
全连接处理，直至所有簇都曾被设为主簇。
[0013]其中，在将所述平滑图信号进行节点分类的过程中，将所述平滑图信号的所有节点的特征向量输入图注意力网络，所述图注意力网络输出层通过对多头注意力取平均值得到样本所属工作模式。
[0014]本专利技术提供了一种基于平滑图信号的多功能雷达工作模式识别方法，首先利用自组织映射算法的聚类结果以平滑图信号的方式表征全局信号样本，由于自组织映射算法聚类结果不仅能直接体现簇间拓扑关系，还能反映样本空间分布状况，且相邻簇在样本空间内也相邻，因此根据簇邻居关系生成的图信号具有平滑性，通过先将全局样本生成一个平滑图信号，解决工作模式样本不平衡问题；然后采用图注意力网络对上述图信号进行节点级数据融合与分类，完成监督数据不足情况下的多功能雷达工作模式识别任务。
附图说明
[0015]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本专利技术的一种基于平滑图信号的多功能雷达工作模式识别方法的流程示意图。
[0017]图2是本专利技术的具体实施例的对抗场景示意图。
[0018]图3是本专利技术的具体实施例在四个不同噪声场景下的识别结果随监督数据个数的变化曲线图。
具体实施方式
[0019]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0020]请参阅图1至图3，本专利技术提出了一种基于平滑图信号的多功能雷达工作模式识别方法，包括下列步骤：
[0021]S1：数据预处理；
[0022]S2：利用SOM算法对全局信号样本进行聚类；
[0023]S3：通过SOM的聚类结果生成平滑图信号；
[0024]S4：将所述平滑图信号进行节点分类。
[0025]具体地，在数据预处理的过程中对数据进行标准化处理，
[0026][0027]其中mean(
·
)和std(
·
)分别为均值与标准差。
[0028]在利用SOM算法对全局信号样本进行聚类的过程中，首先计算输入信号样本与各簇中心的距离，与之距离最小的簇为优胜簇，然后调整优胜簇及其邻居簇的中心，最终完成
对数据集拓扑映射。
[0029]SOM如算法1所示。
[0030][0031][0032]其中表示以簇u,v(第u行第v列)为中心的邻域函数
[0033][0034]其中σ为邻域因子，表示簇u,v与i,j的欧氏距离。该算法时间复杂度约为O(EN
x
rc)，其中N
x
为输入数据数目。
[0035]通过SOM的聚类结果生成平滑图信号，由于拓扑上相邻的簇在样本空间中也相邻，所以簇与簇之间的过渡是平滑的。因此本专利技术基于两方面，即簇内样本全连接、相邻簇间样本部分连接，给出一种基于SOM的平滑图信号生成算法。算法过程如下：
[0036](i)选择一个簇为主簇，分别初始化主簇、邻居簇的连接比例为r
main
、r
vice
，邻接矩阵为维度为N
x
的单位矩阵。
[0037](ii)令主簇所含样本集的索引为其中num
main
为该簇内样本数目。然后将这些样本作全连接处理，即邻接矩阵中对应项置1，A(idx
main
,idx
main
)＝1。
[0038](iii)分别计算各邻居簇所含样本与主簇中心的距离，取其中距离最小的若干个样本的索引其中N
n
为邻居簇数目，num
i
为第i个邻居簇所含样本数目，
·
为向上取整。
[0039](iv)从idx
vice
中选取一个值，令其为i
v
，在主簇中随机取num
main
×
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于平滑图信号的多功能雷达工作模式识别方法，其特征在于，包括下列步骤：数据预处理；利用SOM算法对全局信号样本进行聚类；通过SOM的聚类结果生成平滑图信号；将所述平滑图信号进行节点分类。2.如权利要求1所述的基于平滑图信号的多功能雷达工作模式识别方法，其特征在于，在数据预处理的过程中通过均值与标准差对数据进行标准化处理。3.如权利要求1所述的基于平滑图信号的多功能雷达工作模式识别方法，其特征在于，在利用SOM算法对全局信号样本进行聚类的过程中，首先计算输入信号样本与各簇中心的距离，具体采用欧氏距离计算距离，与之距离最小的簇为优胜簇，然后调整优胜簇...

【专利技术属性】
技术研发人员：周陬，罗健，费文浩，王若楠，仇洪冰，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：