一种基于集成学习与雷达短语的雷达工作模式识别方法技术

本发明专利技术涉及一种基于集成学习与雷达短语的雷达工作模式识别方法，包括：以脉冲描述字中的辐射频率、脉冲重复周期和脉冲宽度作为关键参数描述一组CPI数据，由多组顺序CPI数据组成一个雷达短语，对各雷达工作模式下的雷达信号脉冲组序列分别进行建模，得到对应的雷达短语矩阵，形成雷达短语库，并以雷达短语库作为样本库；将样本库作为训练集，对GBDT算法模型进行训练，GBDT算法模型为由多个分类回归树的弱学习器而集成的强学习器，训练后得到最终的强学习器；利用最终的强学习器识别雷达工作模式，获得雷达工作模式的分类结果。本发明专利技术有效提高了各种雷达工作模式下信号参数范围交叠下雷达工作模式的识别率，且具有良好的抗噪声性能。性能。性能。

【技术实现步骤摘要】
一种基于集成学习与雷达短语的雷达工作模式识别方法


[0001]本专利技术属于雷达电子对抗与人工智能
，具体涉及一种基于集成学习与雷达短语的雷达工作模式识别方法。

技术介绍

[0002]雷达工作模式识别是指依据侦察系统分选、去交叠去交错处理得到的敌方雷达辐射源信号参数，对当前雷达所处的工作模式进行识别的过程。对雷达工作模式识别方法的分析中一般将其分为以下两类：一是采用全脉冲数据中的一种或几种参数进行参数范围匹配完成识别；二是依据句法结构对雷达信号进行建模，再通过各类算法进行识别。目前针对机载雷达工作模式识别的研究很大程度上都是基于脉冲描述字(Pulse DescriptionWord，PDW)数据特征，包括脉冲序列的辐射频率(RF)、脉冲宽度(PW)、脉冲重复周期(PRI)、相参处理间隔(CPI)、数据率、脉冲幅度等。依据前五个数据特征进行识别主要靠的是同一工作模式下上述参数基本保持稳定；依据幅度的识别主要是因为各个工作模式在天线扫描上有不同的扫描方式，因此对于脉冲幅度规律的分析可以判别出工作模式。
[0003]基于句法结构的雷达模式识别方法对雷达信号参数变化的机理进行分析，用“雷达字”、“雷达短语”和“雷达句子”三级形式化描述了截获的多功能雷达信号不同的波形单元和信号样式，再将其与工作模式知识库进行匹配进而解决了识别问题，这种方法将截获雷达信号参数与雷达真实状态较好地对应起来。例如采用循环神经网络从带噪信号中提取雷达字，结合部分先验知识利用动态时间弯曲算法来识别脉冲时序片段对应的工作模式类别；或在三级匹配方法提取雷达字的基础上采用随机文法构建自动机对MFR工作模式识别的方法；或通过“字—短语”结构对雷达信号的句法建模，然后采用粒子群算法优化后的离散过程神经网络对提取的雷达短语进行识别，可获得较高的识别率；以及采用卷积神经网络提取脉幅隐藏特征，采用Softmax分类器对两个网络提取到的融合特征进行分类，实现了对雷达工作状态的识别。
[0004]由于包含有雷达数据的时序关系，因此“雷达字”与“雷达短语”比较适用于在各模式参数范围交叠、交错的复杂情况下进行工作模式识别，而基于幅度等脉冲描述字数据的雷达工作模式识别方法则需要对不同模式的数据变化规律进行分析然后再识别其工作模式。
[0005]近年来，随着人工智能技术和通信领域的不断发展，信号调制格式识别邻域取得了一定的成果，神经网络的兴起让图像处理、图像分类、信号识别等领域飞速发展，因为深度学习可以挖掘高纬度数据的潜在特征结构，同时需要领域知识较少，所以大大减少了对于信号进行处理和特征提取的时间。然而，传统的雷达工作模式识别方法均依据侦察得到的PDW参数进行分类识别，对于各模式参数范围交叠较大的情况适应性较差。

技术实现思路

[0006]为了解决传统的雷达工作模式识别方法均依据侦察得到的雷达PDW参数进行分类
识别，对于各模式参数范围交叠较大的情况适应性较差的问题，本专利技术提供了一种基于集成学习与雷达短语的雷达工作模式识别方法。
[0007]为解决上述问题，本专利技术采取如下的技术方案：
[0008]一种基于集成学习与雷达短语的雷达工作模式识别方法，包括以下步骤：
[0009]步骤一：以脉冲描述字中的辐射频率、脉冲重复周期和脉冲宽度作为关键参数描述一组CPI数据，由多组顺序CPI数据组成一个雷达短语，对各雷达工作模式下的雷达信号脉冲组序列分别进行建模，得到对应的雷达短语矩阵，形成雷达短语库，并以所述雷达短语库作为样本库；
[0010]步骤二：将所述样本库作为训练集，对GBDT算法模型进行训练，所述GBDT算法模型为由多个分类回归树的弱学习器而集成的强学习器，其训练过程包括以下步骤：
[0011](1)假设输入的训练数据集为{(x1,y1),(x2,y2),
…
,(x
m
,y
m
)}，最大迭代次数为T，其中m为训练数据集的样本个数；
[0012](2)初始化弱学习器：
[0013][0014]其中，f0(x)为初始弱学习器，y
i
为第i个训练数据的分类标签，c为初始弱学习器的区域输出值，L为对数似然损失函数，其表达式为：为多元GBDT分类类别数，K为分类类别总数，第k类概率p
k
(x)的计算公式为：
[0015](3)对于迭代轮数t＝1,2,
…
,T有：
[0016](3.1)对于样本i＝1,2,
…
,m，计算负梯度r
ti
：
[0017][0018](3.2)利用(x
i
,r
ti
)对CART回归树进行拟合，得到第t棵CART回归树对应的叶子节点区域R
tj
，j＝1,2,
…
,J，J为第t棵CART回归树的叶子节点区域的个数；
[0019](3.3)对叶子节点区域R
tj
计算最佳拟合值：
[0020][0021](3.4)更新强学习器：
[0022][0023]其中，x为输入训练样本，I(x∈R
tj
)为指示函数；
[0024](4)得到最终的强学习器F(x,w)：
[0025][0026]其中，w为算法模型参数；
[0027]步骤三：利用最终的强学习器识别雷达工作模式，获得雷达工作模式的分类结果。
[0028]本专利技术的有益效果是：本专利技术使用脉冲描述字中的辐射频率、脉冲重复周期和脉冲宽度作为关键参数来描述一组CPI数据，并由多组顺序CPI数据组成一个雷达短语，通过对各雷达工作模式下的雷达信号脉冲组序列进行建模后得到对应的雷达短语矩阵，将雷达短语作为输入，采用GBDT算法模型对雷达工作模式进行识别，有效提高了各种雷达工作模式下信号参数范围交叠下的雷达工作模式识别率，且具有良好的抗噪声性能，更加具有实际意义，并且通过仿真实验验证了本专利技术的有效性。
附图说明
[0029]图1为本专利技术实施例所述一种基于集成学习与雷达短语的雷达工作模式识别方法的流程图；
[0030]图2为本专利技术实施例中多组顺序CPI数据组成的雷达短语示意图；
[0031]图3是本专利技术仿真实验中GBDT算法学习曲线；
[0032]图4是本专利技术仿真实验中各类集成学习算法识别准确率对比；
[0033]图5是本专利技术仿真实验中不同类型算法下识别准确率对比；
[0034]图6是本专利技术仿真实验中不同训练样本识别准确率对比；
[0035]图7是本专利技术仿真实验中加入随机噪声误差后不同类型算法识别准确率对比。
具体实施方式
[0036]下面以具体实施例结合附图对本专利技术作进一步说明。
[0037]如图1所示，本专利技术实施例提供一种基于集成学习与雷达短语的雷达工作模式识别方法，该方法将包含雷达工作模式时序变化规律的雷达短语作为样本输入，采用GBDT算法来完成雷达工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习与雷达短语的雷达工作模式识别方法，其特征在于，包括以下步骤：步骤一：以脉冲描述字中的辐射频率、脉冲重复周期和脉冲宽度作为关键参数描述一组CPI数据，由多组顺序CPI数据组成一个雷达短语，对各雷达工作模式下的雷达信号脉冲组序列分别进行建模，得到对应的雷达短语矩阵，形成雷达短语库，并以所述雷达短语库作为样本库；步骤二：将所述样本库作为训练集，对GBDT算法模型进行训练，所述GBDT算法模型为由多个分类回归树的弱学习器而集成的强学习器，其训练过程包括以下步骤：(1)假设输入的训练数据集为{(x1,y1),(x2,y2),
…
,(x
m
,y
m
)}，最大迭代次数为T，其中m为训练数据集的样本个数；(2)初始化弱学习器：其中，f0(x)为初始弱学习器，y
i
为第i个训练数据的分类标签，c为初始弱学习器的区域输出值，L为对数似然损失函数，其表达式为：为多元GBD...

【专利技术属性】
技术研发人员：王美玲，吴宏超，邴雨晨，杨承志，许冰，王龙，周一鹏，易仁杰，王鸿超，吴焕欣，商犇，刘焕鹏，李吉民，石礼盟，曹鹏宇，陈泽盛，苏琮智，
申请(专利权)人：中国人民解放军空军航空大学，
类型：发明
国别省市：