基于编码器-解码器的多功能雷达功能识别方法技术

本发明专利技术公开了一种基于编码器

【技术实现步骤摘要】
基于编码器
‑
解码器的多功能雷达功能识别方法


[0001]本专利技术属于雷达
，具体涉及一种基于编码器
‑
解码器的多功能雷达功能识别法。

技术介绍

[0002]多功能雷达是指能够灵活执行各种任务的大型传感器系统，它能够基于先进的资源管理软件，利用灵活捷变的波形执行多个自适应的任务，因此在电子对抗领域得到了广泛的运用。在电子对抗领域，对执行任务的非我方多功能雷达行为识别具有重要意义，准确识别多功能雷达的行为，能够为我方在电子对抗中提供重要情报，引导电子对抗装备做出最优的对抗策略。多功能雷达在当前时刻所执行的功能是多功能雷达行为的具体体现，由于多功能雷达行为的多变性，波形参数的捷变性和调制方式的复杂性，我方利用截获的多功能雷达信号对其进行功识别存在着巨大的挑战。
[0003]多功能雷达功能高于工作模式层级，是指特定的工作模式在时序上的固定组合。多功能雷达的一种功能是指在时序上顺序地执行指定的若干种工作模式。相较工作模式而言，功能从更高层级反映了多功能雷达的行为，并提供更多的信息引导电子对抗装备作出对抗决策。总体而言，多功能雷达的功能识别急需研究。目前，国内外主要的研究聚焦于多功能雷达的工作模式识别，对多功能雷达功能识别的研究处于空白阶段。
[0004]“X.S.Xu,D.P.Bi,and J.F.Pan，Method for functional state recognition of multifunction radars based on recurrent neural networks，IET Radar,Sonar&Navigation,vol.15,no.7,pp.724
–
732,2021”提出了一种基于层级句法模型的GRU网络的多功能雷达的功能状态识别方法，该方法能在非理想电磁环境下对水星雷达的状态进行准确识别，但由于多功能雷达数据保密性等原因，该方法所使用的句法模型只在水星多功能雷达上得到验证，对其他多功能雷达的功能状态识别效果存疑。
[0005]“Y.J.Li,M.T.Zhu,Y.H.Ma,et al.,“Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM,”IET Radar,Sonar&Navigation,vol.14,no.9,pp.1343
–
1353,2020”提出了一种基于多层级的seq2seq LSTM模型的多功能雷达脉冲序列的工作模式识别方法，该方法将截获的多功能雷达脉冲序列作为输入，通过多层级模型学习截获脉冲间的时序关系和切换关系，输出每一个截获脉冲的工作模式标签。该方法能够识别每个脉冲的工作模式标签，并能识别工作模式间的切换边界，为多功能雷达的功能识别提供了思路，但该方法需要计算每一个脉冲的标签，模型的计算消耗较大，且该方法也只局限于工作模式及其切换点的识别。
[0006]以上方法都是对多功能雷达状态或是工作模式的识别方法研究，并没有针对多功能雷达的功能识别提出针对性的方法。

技术实现思路

[0007]本专利技术的目的是针对
技术介绍
存在的问题，研究设计一种基于编码器
‑
解码器的
多功能雷达功能识别方法。
[0008]本专利技术的解决方案是：首先，构建多功能雷达功能的训练和测试数据集，随后对多功能雷达功能的训练数据集和测试数据集进行预处理，将多功能雷达功能脉冲序列的脉冲重复频率(PRF)和脉冲宽度(PW)量化后分别转换成词向量矩阵；构建编码器
‑
解码器模型，利用两个1D
‑
CNN网络作为编码器部分，利用GRU网络作为解码器部分；接着，数据预处理后的训练集数据对编码器
‑
解码器模型进行训练；最后，利用训练结束的模型实现对多功能雷达功能的准确识别。
[0009]本专利技术的具体技术方案为：一种基于编码器
‑
解码器的多功能雷达功能识别方法，包括如下步骤：
[0010]S1：训练数据集和测试数据集的构建，
[0011]根据不同的功能产生多功能雷达功能脉冲序列其中，P
pr
和P
pw
分别表示该多功能雷达脉冲序列的PRF序列和PW序列，和分别表示多功能雷达脉冲序列中第t个脉冲的PRF和PW，T表示矩阵的转置运算，进而生成多功能雷达功能脉冲序列样本D＝[P,y]，其中，y表示多功能雷达脉冲序列对应功能标签；
[0012]对上述过程进行若干次蒙特卡洛仿真，在理想电磁环境情况下产生足够大样本的训练数据集；测试数据集也根据上述过程进行若干次蒙特卡洛仿真，在非理想电磁环境下产生测试数据集；
[0013]S2：脉冲序列中的信号参数预处理：
[0014]对训练集和测试集中的PRF和PW分别设置上界H
pr
和H
pw
，并将每一个脉冲的PRF和PW量化为d
pr
和d
pw
，根据量化后的数据，将每一个脉冲的PRF和PW转换成独热向量v
pr
和v
pw
；词嵌入矩阵M
pr
和M
pw
分别将脉冲的PRF和PW的独热向量v
pr
和v
pw
转换成对应的词向量e
pr
和e
pw
；
[0015]多功能雷达功能脉冲序列样本中的每一个脉冲重复上述步骤，得到多功能雷达功能脉冲序列样本的PRF和PW的词向量矩阵，分别记为：和其中，和分别表示该脉冲序列中第t个脉冲的PRF和PW对应的词向量，n表示截获脉冲序列中的脉冲数；
[0016]S3：编码器
‑
解码器模型的构建，
[0017]所述编码器
‑
解码器结构是基于两个1D
‑
CNN网络和一个GRU网络，编码器部分是由两个1D
‑
CNN网络组成，每个1D
‑
CNN网络都具有相同的结构和平行处理的结构，并且输入和输出具有相同的数据结构；每个1D
‑
CNN网络共有3个卷积层，第一层到第三层的卷积核个数分别为64,128,256，对应的卷积核长度分别为10,5,2；解码器部分是由GRU网络组成，两个1D
‑
CNN网络分别输出PRF和PW的高维特征F
pr
和F
pw
，随后融合为特征F
fusion
＝[F
pr
,F
pw
]作为解码器的输入，GRU网络共有256个神经元，最后一个神经元连接一个全连接层，全连接层后是softmax分类器输出多功能雷达功能标签，输出共有4个神经元，分别代表预警、火控、跟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于编码器
‑
解码器的多功能雷达功能识别方法，包括如下步骤：S1：训练数据集和测试数据集的构建，根据不同的功能产生多功能雷达功能脉冲序列P＝[P
pr
,P
pw
]，其中，P
pr
和P
pw
分别表示该多功能雷达脉冲序列的PRF序列和PW序列，和分别表示多功能雷达脉冲序列中第t个脉冲的PRF和PW，T表示矩阵的转置运算，进而生成多功能雷达功能脉冲序列样本D＝[P,y]，其中，y表示多功能雷达脉冲序列对应功能标签；对上述过程进行若干次蒙特卡洛仿真，在理想电磁环境情况下产生足够大样本的训练数据集；测试数据集也根据上述过程进行若干次蒙特卡洛仿真，在非理想电磁环境下产生测试数据集；S2：脉冲序列中的信号参数预处理：对训练集和测试集中的PRF和PW分别设置上界H
pr
和H
pw
，并将每一个脉冲的PRF和PW量化为d
pr
和d
pw
，根据量化后的数据，将每一个脉冲的PRF和PW转换成独热向量v
pr
和v
pw
；词嵌入矩阵M
pr
和M
pw
分别将脉冲的PRF和PW的独热向量v
pr
和v
pw
转换成对应的词向量e
pr
和e
pw
；多功能雷达功能脉冲序列样本中的每一个脉冲重复上述步骤，得到多功能雷达功能脉冲序列样本的PRF和PW的词向量矩阵，分别记为：和其中，和分别表示该脉冲序列中第t个脉冲的PRF和PW对应的词向量；S3：编码器
‑
解码器模型的构建，所述编码器
‑
解码器结构是基于两个1D
‑
CNN网...

【专利技术属性】
技术研发人员：余显祥，陈泓宇，冯康桉，易伟，黄宇轩，孔令讲，张立东，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：