【技术实现步骤摘要】
一种面向开放环境的MFR工作模式识别方法
[0001]本专利技术属于雷达工作模式识别
,具体涉及一种面向开放环境的
MFR
(
multifunction radar
,多功能雷达)工作模式识别方法
。
技术介绍
[0002]在复杂电磁环境下,侦察机在实际工作过程中不可避免的接收到已有数据库中未知的工作模式
。
而传统的基于参数范围匹配算法以及深度神经网络算法均是针对封闭集构建的模型,不具有未知类拒判能力,导致其泛化能力和实用性受到很大的影响
。
[0003]当前,张双图等人在文献“雷达功能判断方法研究及软件设计”中,提出了以雷达波形作为媒介,通过参数范围与雷达波形间的对应关系先判定脉冲列的波形属性,进而再判定其工作模式
。
该方法一定程度上解决了推断结果的模糊性问题,但存在着面对复杂调制的多功能雷达识别效果差的问题
。Chen H Y
等人在文献“Function Recognition of Multi
‑
function Radar Via CNN
‑
GRU Neural Network”中,提出了基于
CNN
‑
GRU
网络的多功能相控阵雷达工作模式识别方法
。
该方法一定程度上提高了对于调制复杂的多功能相控阵雷达工作模式识别的精度,但它只能识别已有的工作模式,当面对未知模式时,将会错分到已有的工作模式中
。 ...
【技术保护点】
【技术特征摘要】
1.
一种面向开放环境的
MFR
工作模式识别方法,其特征在于,包括:步骤1:获取待测
MFR
的
PDW
参数,对所述
PDW
参数的每一维分别进行最大最小归一化处理,得到归一化
PDW
参数;步骤2:将所述归一化
PDW
参数,输入至训练完成的工作模式识别网络中,得到
MFR
工作模式识别结果;其中,所述工作模式识别网络包括并行注意力
‑
时序特征感知神经网络和分类器,所述并行注意力
‑
时序特征感知神经网络用于对所述归一化
PDW
参数进行特征提取,得到对应
PDW
参数的特征向量,所述分类器对所述特征向量进行分类,得到
MFR
工作模式识别结果
。2.
根据权利要求1所述的面向开放环境的
MFR
工作模式识别方法,其特征在于,所述并行注意力
‑
时序特征感知神经网络,包括:第一线性层
、
激活函数层
、
位置编码层
、
多个编码器模块
、DANet
模块和第二线性层,其中,所述归一化
PDW
参数依次经过所述第一线性层和所述激活函数层后得到非线性变换特征,所述位置编码层对所述非线性变换特征添加位置信息,所述多个编码器模块对添加位置信息的非线性变换特征依次进行特征提取,得到对应
PDW
参数的特征矩阵,所述
DANet
模块提取得到所述特征矩阵的通道
‑
位置特征,所述通道
‑
位置特征经过所述第二线性层得到对应
PDW
参数的特征向量
。3.
根据权利要求2所述的面向开放环境的
MFR
工作模式识别方法,其特征在于,所述多个编码器模块的结构相同,均包括:第一规范化层
、
多头注意力层
、
第一
Dropout
层
、
第二规范化层
、
第一空洞卷积层
、
第一
ReLU
激活层
、
第二
Dropout
层
、
第二空洞卷积层
、
第二
ReLU
激活层
、
第三
Dropout
层
、
第三空洞卷积层
、
第三
ReLU
激活层和第四
Dropout
层,其中,所述第一规范化层
、
所述多头注意力层和所述第一
Dropout
层依次连接;所述第一
Dropout
层的输出与所述第一规范化层的输入相加后作为所述第二规范化层的输入;所述第二规范化层
、
所述第一空洞卷积层
、
所述第一
ReLU
激活层
、
所述第二
Dropout
层
、
所述第二空洞卷积层
、
所述第二
ReLU
激活层
、
所述第三
Dropout
层
、
所述第三空洞卷积层
、
所述第三
ReLU
激活层和所述第四
Dropout
层依次连接;所述第二规范化层的输入与所述第四
Dropout
层的输出相加后作为所述编码器模块的输出
。4.
根据权利要求2所述的面向开放环境的
MFR
工作模式识别方法,其特征在于,所述
DANet
模块包括位置注意力模块和通道注意力模块,其中,所述位置注意力模块对输入的特征矩阵进行位置特...
【专利技术属性】
技术研发人员:周峰,田甜,徐超,王力,石晓然,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。