一种基于DS论据的雷达工作模式识别方法及系统技术方案

本发明专利技术公开了雷达模式识别领域的一种基于DS论据的雷达工作模式识别方法及系统，包括：采集实时雷达工作模式数据并输入至预先训练好的雷达工作模式识别模型获得判决结果；所述雷达工作模式识别模型的训练过程包括：获取仿真雷达工作模式数据，将仿真雷达工作模式数据建立训练数据集合，所述仿真雷达工作模式数据设有真实分类标签；利用所述训练数据集合训练雷达工作模式识别模型；基于训练判决结果和真实分类标签计算平均正确识别率，根据平均正确识别率对SVM分类器模组的参数进行调优，重复迭代获得识别准确率大于设定阈值A的雷达工作模式识别模型；本发明专利技术能够同时对六种典型的雷达工作模式进行识别，并且提高识别准确率。并且提高识别准确率。并且提高识别准确率。

【技术实现步骤摘要】
一种基于DS论据的雷达工作模式识别方法及系统


[0001]本专利技术属于雷达模式识别领域，具体涉及基于DS论据的雷达工作模式识别方法及系统。

技术介绍

[0002]实现对雷达工作模式的判别是电子对抗领域进行战场态势感知、威胁等级评定和干扰资源管控的重要前提。随着雷达信号处理技术的发展，机载火控雷达能够根据技战术需求采用不同的工作模式，其变化规律具有不确定性，信号样式繁多，特征参数捷变特性强。尤其是在使用过程中功能边界模糊化、信号样式交叠化，为雷达工作模式判定带来了新的挑战。
[0003]在已有的研究中，有从设计角度对空空模式下雷达信号特点进行了分析和仿真，但不能根据侦收信号逆向判定出工作模式，所以现在工业生产中急需针对多种雷达工作模式的识别方法。

技术实现思路

[0004]本专利技术提供了一种基于DS论据的雷达工作模式识别方法及系统，对六种典型的雷达工作模式进行识别，并且提高识别准确率。
[0005]为达到上述目的，本专利技术所采用的技术方案是：
[0006]本专利技术第一方面提供了一种基于DS论据的雷达工作模式识别方法，包括：
[0007]采集实时雷达工作模式数据并输入至预先训练好的雷达工作模式识别模型获得实时判决结果；
[0008]所述雷达工作模式识别模型的训练过程包括：
[0009]获取仿真雷达工作模式数据，将仿真雷达工作模式数据建立训练数据集合，所述仿真雷达工作模式数据设有真实分类标签；利用所述训练数据集合训练雷达工作模式识别模型；
[0010]获取仿真雷达工作模式数据的特征，根据仿真雷达工作模式数据的特征构建图像矩阵，提取图像矩阵的HOG特征；
[0011]将HOG特征输入至SVM分类器模组，获得初步训练识别结果；将SVM分类器模组的局部可信度预期和后验概率结合构建基本概率赋值函数，计算初步训练识别结果的基本概率赋值BPA
l
；所述SVM分类器模组包括线性核SVM1分类器、多项式核SVM2分类器和高斯核SVM3分类器；
[0012]根据基本概率赋值BPA
l
选择初步训练识别结果作为训练判决结果；基于训练判决结果和真实分类标签计算平均正确识别率，根据平均正确识别率对SVM分类器模组的参数进行调优，重复迭代获得识别准确率大于设定阈值A的雷达工作模式识别模型。
[0013]优选的，获取仿真雷达工作模式数据的特征的方法包括：
[0014]仿真雷达工作模式数据包括6种雷达工作模式的脉冲串；6种雷达工作模式为VS雷
达工作模式、RWS雷达工作模式、TWS雷达工作模式、TAS雷达工作模式、STT雷达工作模式和MTT雷达工作模式，获取脉冲串的脉冲重复周期、脉冲宽度、数据率和脉内调制样式特征并记为仿真雷达工作模式数据的特征。
[0015]优选的，根据辐射源信号的信号特征构建图像矩阵的方法包括：
[0016]在每种雷达工作模式下由仿真雷达工作模式数据中提取10组脉冲串，所述脉冲串包含750个脉冲，将所述脉冲串中每15个连续脉冲的脉冲重复周期、脉冲宽度、数据率和脉内调制样式特征建构建为图像矩阵。
[0017]优选的，提取图像矩阵的HOG特征的方法包括：
[0018]计算图像矩阵中每个像素位置的水平方向梯度值和竖直方向梯度，表达公式为：
[0019]G
x
(α，β)＝H(α+1，β)
‑
H(α
‑
1，β)
[0020]G
y
(α，β)＝H(α，β+1)
‑
H(α，β
‑
1)
[0021]其中，G
x
(α，β)表示为所述图像矩阵中像素点(α，β)处的水平方向梯度，G
y
(α，β)表示为图像矩阵中像素点(α，β)处的垂直方向梯度；H(α，β)表示图像矩阵中像素点(α，β)处的像素值；H(α+1，β)表示图像矩阵中像素点(α+1，β)处的像素值；H(α
‑
1，β)表示图像矩阵中像素点(α
‑
1，β)处的像素值；H(α，β+1)表示图像矩阵中像素点(α，β+1)处的像素值；H(α，β
‑
1)表示图像矩阵中像素点(α，β
‑
1)处的像素值；
[0022]计算像素点(α，β)处的梯度幅值和梯度方向，表达公式为：
[0023][0024][0025]公式中，G(α，β)表示为像素点(α，β)处的梯度幅值；θ(α，β)表示为像素点(α，β)处的梯度方向；
[0026]基于图像矩阵各像素点的梯度幅值和梯度方向构建方向梯度直方图，所述方向梯度直方图记为HOG特征。
[0027]优选的，将SVM分类器模组的局部可信度预期和后验概率结合构建基本概率赋值函数，表达公式为：
[0028]m
l
(ω
i
)＝P
l
×
PC
l
(ω
i
)
[0029]公式中，m
l
(ω
i
)为第l种分类器输出HOG特征样本属于ω
i
类训练判决结果的基本概率赋值BPA
l
，PC
l
(ω
i
)为第l种分类器输出HOG特征样本属于ω
i
类训练判决结果的局部可信度预期，P
il
为第l种分类器输出HOG特征样本属于ω
i
类训练判决结果的后验概率。
[0030]优选的，第l种分类器输出训练判决结果的后验概率的计算方法包括：
[0031]使用sigmod函数作为连接函数，将第l种分类器输出的训练判决结果映射到[0，1]之间，表达公式为：
[0032][0033]P
il
＝P
l
(y
i
＝1|x
i
)
[0034]其中，x
h
表示为第h个HOG特征样本，y
h
表示为第h个HOG特征的样本真实分类标签；f
表示线性核SVM1分类器、多项式核SVM2分类器或高斯核SVM3分类器的标准输出；A和B表示为设定参数；
[0035]通过求解训练集最小负对数似然值F(z)得到参数A和参数B，表达公式为：
[0036][0037][0038]其中，z是参数A和B的集合，N为HOG特征的样本数量；N
+
是y
h
＝1的样本数量，N
‑
是y
h
＝
‑
1的样本数量。
[0039]优选的，第l种分类器输出HOG特征样本属于ω
i
类训练判决结果的局部可信度预期的方法包括：
[0040]根据第l种分类器输出HOG特征样本属于ω
i
类训练判决结果构建混淆矩阵，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DS论据的雷达工作模式识别方法，其特征在于，包括：采集实时雷达工作模式数据并输入至预先训练好的雷达工作模式识别模型获得实时判决结果；所述雷达工作模式识别模型的训练过程包括：获取仿真雷达工作模式数据，将仿真雷达工作模式数据建立训练数据集合，所述仿真雷达工作模式数据设有真实分类标签；利用所述训练数据集合训练雷达工作模式识别模型；获取仿真雷达工作模式数据的特征，根据仿真雷达工作模式数据的特征构建图像矩阵，提取图像矩阵的HOG特征；将HOG特征输入至SVM分类器模组，获得初步训练识别结果；将SVM分类器模组的局部可信度预期和后验概率结合构建基本概率赋值函数，计算初步训练识别结果的基本概率赋值BPA
l
；所述SVM分类器模组包括线性核SVM1分类器、多项式核SVM2分类器和高斯核SVM3分类器；根据基本概率赋值BPA
l
选择初步训练识别结果作为训练判决结果；基于训练判决结果和真实分类标签计算平均正确识别率，根据平均正确识别率对SVM分类器模组的参数进行调优，重复迭代获得识别准确率大于设定阈值A的雷达工作模式识别模型。2.根据权利要求1所述的基于DS论据的雷达工作模式识别方法，其特征在于，获取仿真雷达工作模式数据的特征的方法包括：仿真雷达工作模式数据包括6种雷达工作模式的脉冲串；6种雷达工作模式为VS雷达工作模式、RWS雷达工作模式、TWS雷达工作模式、TAS雷达工作模式、STT雷达工作模式和MTT雷达工作模式，获取脉冲串的脉冲重复周期、脉冲宽度、数据率和脉内调制样式特征并记为仿真雷达工作模式数据的特征。3.根据权利要求2所述的基于DS论据的雷达工作模式识别方法，其特征在于，根据仿真雷达工作模式数据的特征构建图像矩阵的方法包括：在每种雷达工作模式下由仿真雷达工作模式数据中提取10组脉冲串，所述脉冲串包含750个脉冲，将所述脉冲串中每15个连续脉冲的脉冲重复周期、脉冲宽度、数据率和脉内调制样式特征建构建为图像矩阵。4.根据权利要求1所述的基于DS论据的雷达工作模式识别方法，其特征在于，提取图像矩阵的HOG特征的方法包括：计算图像矩阵中每个像素位置的水平方向梯度值和竖直方向梯度，表达公式为：G
x
(α，β)＝H(α+1，β)
‑
H(α
‑
1，β)G
y
(α，β)＝H(α，β+1)
‑
H(α，β
‑
1)其中，G
x
(α，β)表示为所述图像矩阵中像素点(α，β)处的水平方向梯度，G
y
(α，β)表示为图像矩阵中像素点(α，β)处的垂直方向梯度；H(α，β)表示图像矩阵中像素点(α，β)处的像素值；H(α+1，β)表示图像矩阵中像素点(α+1，β)处的像素值；H(α
‑
1，β)表示图像矩阵中像素点(α
‑
1，β)处的像素值；H(α，β+1)表示图像矩阵中像素点(α，β+1)处的像素值；H(α，β
‑
1)表示图像矩阵中像素点(α，β
‑
1)处的像素值；计算像素点(α，β)处的梯度幅值和梯度方向，表达公式为：
公式中，G(α，β)表示为像素点(α，β)处的梯度幅值；θ(α，β)表示为像素点(α，β)处的梯度方向；基于图像矩阵各像素点的梯度幅值和梯度方向构建方向梯度直方图，所述方向梯度直方图记为HOG特征。5.根据权利要求1所述的基于DS论据的雷达工作模式识别方法，其特征在于，将SVM分类器模组的局部可信度预期和后验概率结合构建基本概率赋值函数，表达公式为：m
l
(ω
i
)＝P
l
×
PC
l
(ω
i
)公式中，m
l
(ω
i
)为第l种分类器输出HOG特征的样本属于ω
i
类训练判决结果的基本概率赋值BPA
l
，PC
l
...

【专利技术属性】
技术研发人员：时艳玲，贾邦玲，曾宪进，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：