一种面向开放环境的制造技术

本发明专利技术涉及一种面向开放环境的

【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
。
王春升等人在文献“面向开集场景的辐射源个体识别”中，提出了基于
PN
‑
SE
原型网络模型来处理开集识别问题
。
该方法一定程度上能够实现对已有工作模式的识别和未知模式的拒判，但它主要基于卷积神经网络，对于处理具有时序特性的
PDW
参数效果不佳
。
[0004]Hong
‑
Ming Yang
等人在文献“Convolutional prototype network for open set recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 44(5): 2358
‑
2370”中提出了卷积原型网络（
Convolutional Prototype Network, CPN
）来处理开集识别问题
。
王春升等人在文献“面向开集场景的辐射源个体识别
[J]. 西安交通大学学报
, 2022”中提出了
PN
‑
SE
原型网络模型来处理开集识别问题
。
[0005]以上开集识别方法大多基于卷积神经网络，而该网络对于具有时序特性的
PDW
参数难以捕获其序列变化等高维特征，且存在感受野小的问题，导致上述开集识别方法的识别准确率与拒判能力较低，将上述识别方法应用在侦察机时会导致对侦察机的识别准确率降低
。

技术实现思路

[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种面向开放环境的
MFR
工作模式识别方法
。
本专利技术要解决的技术问题通过以下技术方案实现：本专利技术提供了一种面向开放环境的
MFR
工作模式识别方法，包括：步骤1：获取待测
MFR
的
PDW
参数，对
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，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，并行注意力
‑
时序特征感知神经网络用于对归一化
PDW
参数进行特征提取，得到对应
PDW
参数的特征向量，分类器对特征向量进行分类，得到
MFR
工作模式识别结果
。
[0007]与现有技术相比，本专利技术的有益效果在于：
1. 本专利技术的面向开放环境的
MFR
工作模式识别方法，利用设计的并行注意力
‑
时序特征感知网络感受野更大，能够更好的处理具有时序特性的
PDW
参数，使得工作模式识别网络的识别准确率更高，并且拒判能力更强，将其应用在侦察机，可以提高侦察机的识别准确率
。
[0008]2. 本专利技术的面向开放环境的
MFR
工作模式识别方法，利用联合损失函数在训练过程中使得工作模式识别网络更关注于难以训练的样本，从而提高了网络的识别准确率
。
[0009]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的
、
特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下
。
附图说明
[0010]图1是本专利技术实施例提供的一种面向开放环境的
MFR
工作模式识别方法的示意图；图2是本专利技术实施例提供的一种并行注意力
‑
时序特征感知神经网络的结构示意图；图3是本专利技术实施例提供的一种工作模式识别网络的训练和测试的实现框架图
。
具体实施方式
[0011]为了进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本专利技术提出的一种面向开放环境的
MFR
工作模式识别方法进行详细说明
。
[0012]有关本专利技术的前述及其他
技术实现思路

、
特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现
。
通过具体实施方式的说明，可对本专利技术为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本专利技术的技术方案加以限制
。
[0013]请参见图1，图1是本专利技术实施例提供的一种面向开放环境的
MFR
工作模式识别方法的示意图，如图所示，本实施例的面向开放环境的
MFR
工作模式识别方法，包括：步骤1：获取待测雷达的
PDW
参数，对
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；在本实施例中，待测雷达的
PDW
参数包括载频
、PRI、
带宽
、
幅度和脉宽五种参数，对每一种参数均进行最大最小归一化处理，其中本文档来自技高网...

【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：