一种基于多特征融合的机载雷达工作模式识别方法技术

本发明专利技术公开一种基于多特征融合的机载雷达工作模式识别方法，应用于雷达对抗领域，针对机载雷达工作模式的波形参数重叠，特别是在低信噪比情况下，工作模式识别准确率较低这一问题，本发明专利技术首先选择有利于完成工作模式识别任务的可区分性参数；然后，采用“字

【技术实现步骤摘要】
一种基于多特征融合的机载雷达工作模式识别方法


[0001]本专利技术属于雷达对抗领域，特别涉及一种机载雷达工作模式识别技术。

技术介绍

[0002]机载雷达空对空工作模式主要有边搜索边测距(RWS)、边搜索边跟踪(TWS)、搜索加跟踪(TAS)、单目标跟踪(STT)、速度搜索(VS)等。根据信号样式划分，各模式又有不同的子模式，对应于不同的战术任务和威胁等级。在空战中如何快速准确地识别雷达的工作模式，评估其威胁程度，已成为精确干扰的前提。因此，机载雷达工作模式识别在电子对抗中具有重要意义。
[0003]雷达工作模式识别是指通过侦察系统侦察得到的参数对当前雷达所处的工作模式和其信号样式进行识别。目前针对机载雷达工作模式识别的研究大多数都是基于脉冲数据特征，包括脉冲序列的载频(RF)、脉宽(PW)、重频(PRF)、相参处理间隔(CPI)、脉冲幅度(PA)、数据率(DR)等。主要依据是同一工作模式上述参数基本保持固定，故可以通过分析区分工作模式。
[0004]文献“Q.Yang,J.Gu and P.Wei,Recognition of operation modes of airborne fire control radar using amplitude rearrangement.Journal of Xidian University,vol.48,pp.42
‑
48,2021.”分析了所截获雷达信号的PA时序特征，提出了一种基于盲识别的幅度重排算法，准确地识别了TAS和STT模式，无需任何先验知识。但是该方法无法有效识别同为搜索状态的工作模式，例如RWS和VS模式。
[0005]文献“W.Wang and Y.Wang,A parameter
‑
optimized SLSTSVM method for working modes recognition of airborne fire control radar.2020IEEE 4th Information Technology,Networking,Electronic and Automation Control Conference(ITNEC),Chongqing,2020,vol.1,pp.948
‑
953.”分析了雷达信号的多维度特征，提出了一种基于改进的最小二乘半监督支持向量机(SLS
‑
TSVM)的识别框架，但其不明确的边界判断可能导致不正确的分类。
[0006]文献“X.Hui,B.Wu,P.Li,C.Hou,and Z.Wang,Highly contaminated work mode identification of phased array radar using deep learning method.2020IEEE International Geoscience and Remote Sensing Symposium(IGARSS),2020,pp.2759
‑
2762.”利用平滑度差异、背光信息和脉冲重复频率变化规律等特征，通过深度学习方法,识别了机载相控阵雷达的七种常见工作模式，但其深度网络结构太简单，无法识别具有复杂波形组合的多种工作模式。
[0007]如上所述，大量研究都集中在分类器结构的设计上，弱化了原始信号的重要基本特征以及脉冲串的序贯信息，然而这些却是识别参数提取的关键，也是实现工作模式识别的前提。而且现有方法很少考虑噪声以及重叠参数对工作模式识别性能的影响，导致在实际战场环境中的识别性能不够理想。

技术实现思路

[0008]为解决上述技术问题，本专利技术提出一种基于多特征融合的机载雷达工作模式识别方法，融合原始信号脉内时序特点与脉间参数变化规律，采用“字
‑
短语”分层结构，完成工作模式的时序表征建模，建立脉冲流级深度识别框架，自动提取细微高级特征，在注意力机制下实现对具有重叠参数且受噪声污染的机载雷达工作模式识别。
[0009]本专利技术采用的技术方案为：一种基于多特征融合的机载雷达工作模式识别方法，包括：
[0010]S1、选择有利于完成工作模式识别任务且具备区分性的雷达参数；
[0011]S2、根据步骤S2选择的雷达参数，构建雷达工作模式的特征矩阵；
[0012]S3、采用主成分分析方法对步骤S2构建的特征矩阵进行预处理，融合得到新的特征矩阵；
[0013]S4、构建机载雷达工作模式深度识别网络；
[0014]S5、将步骤S3得到的新的特征矩阵作为步骤S4所构建的深度识别网络的输入，对深度识别网络进行训练；
[0015]S6、根据训练完成的深度识别网络进行机载雷达工作模式识别。
[0016]本专利技术的有益效果：本专利技术的一种基于多特征融合深度网络的机载雷达工作模式识别方法，选择有利于完成工作模式识别任务且具备区分性的雷达参数，融合原始信号脉内时序特点与脉间参数变化规律，采用“字
‑
短语”分层结构，完成工作模式的时序表征建模；引入脉冲流级深度识别框架，设计嵌入式注意力软阈值化模块，构建机载雷达工作模式深度识别网络，自动提取高级细节特征，消除与任务无关的噪声信息；在参数交叠和噪声污染情况下，实现机载雷达工作模式准确识别。
附图说明
[0017]图1为本专利技术实施例提供的方案流程图；
[0018]图2为本专利技术实施例提供的主干网络ConvNet的结构图；
[0019]图3为本专利技术实施例提供的嵌入式RS模块的结构图；
[0020]图4为本专利技术实施例提供的注意力机制的结构图；
[0021]图5为本专利技术实施例提供的多特征融合深度网络的整体架构图；
[0022]图6为本专利技术实施例提供的识别准确率随信噪比变化曲线；
[0023]图7为本专利技术实施例提供的信噪比为0dB时的归一化混淆矩阵。
具体实施方式
[0024]为便于本领域技术人员理解本专利技术的
技术实现思路
，首先对以下术语进行解释，然后结合附图对本
技术实现思路
进一步阐释。
[0025]术语：多特征融合
[0026]多特征融合指的是在给定不同属性的特征时，利用特征之间的互补性，融合特征之间的优点，进而提高模型的性能。
[0027]附图1为本专利技术的方案流程图，包括：
[0028]S1、分析侦察系统侦收的信号参数对工作模式识别的作用，选择有利于完成工作
模式识别任务且具备区分性的雷达参数，具体为：
[0029]步骤S1中侦察系统可以侦收原始雷达信号及其脉冲描述字(Pulse Description Word,PDW)参数，PDW和脉内调制(Intra
‑
Pulse Modulation,IPM)都是描述雷达特性的常见参数。在PDW参数中，载频(Radio Frequency,RF)影响探测距离，脉宽(Pulse Width,PW)决定距离分辨率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合的机载雷达工作模式识别方法，其特征在于，包括：S1、选择有利于完成工作模式识别任务且具备区分性的雷达参数；S2、根据步骤S2选择的雷达参数，构建雷达工作模式的特征矩阵；S3、采用主成分分析方法对步骤S2构建的特征矩阵进行预处理，融合得到新的特征矩阵；S4、构建机载雷达工作模式深度识别网络；S5、将步骤S3得到的新的特征矩阵作为步骤S4所构建的深度识别网络的输入，对深度识别网络进行训练；S6、根据训练完成的深度识别网络进行机载雷达工作模式识别。2.根据权利要求1所述的一种基于多特征融合的机载雷达工作模式识别方法，其特征在于，步骤S1所述的雷达参数包括：载频、脉宽、脉冲重复间隔、脉冲幅度、中频采样信号。3.根据权利要求2所述的一种基于多特征融合的机载雷达工作模式识别方法，其特征在于，步骤S2具体为：载频记载RF、脉宽记为PW、脉冲重复间隔记为PRI、脉冲幅度记为PA、中频采样信号记为ISS；将雷达字记为[PW,PRI,RF,PA]
T
，将原始雷达信号的脉内变化规律ISS拼接在雷达字上，构成扩展雷达字ERW＝[PW,PRI,RF,PA,ISS]
T
；假设第i种工作模式的一个多组顺序相干处理间隔中包含L个相干处理间隔组，则此工作模式的扩展雷达短语可以表示为ERP
i
＝[ERW1,ERW2,
…
,ERW
L
]，ERP
i
的矩阵形...

【专利技术属性】
技术研发人员：霍伟博，张寅，张玉婕，史新杰，张翠，黄钰林，杨建宇，裴季方，杨海光，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：