System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于雷达信号处理,具体涉及一种基于长短期记忆神经网络的已知雷达信号预分选方法。
技术介绍
1、在复杂的电磁环境下,电子侦查接收机所接收的雷达信号脉冲流很稠密,因此需要对待分选雷达信号进行初筛和稀释,即预分选。经历预分选后,脉冲流由稠密变得稀疏,再进入主分选处理过程,即可得到分选结果。其中在预分选中,已知雷达信号的分选是将待分选脉冲流与雷达数据库信息进行特征参数的匹配,从而实现分离识别。传统的对已知雷达信号进行预分选主要是采取模板匹配法。但是如今雷达的各类工作模式和信号参数复杂多变,电子侦查接收机所接收和测量的脉冲流稠密且数据庞大,接收机限于自身精度原因和外界环境原因对雷达脉冲的接收可能存在一定的缺漏,同时某些新体制雷达所应用的技术也可能会加剧接收脉冲缺失问题。传统的模板匹配法已经无法应对多变的雷达信号参数,只能被动地通过增大容差来应对捷变、参差等参数变化形式。但是增大容差会使许多非目标雷达信号通过,造成分选错误。并且模板匹配法中的脉冲重复间隔校验检索手段也难以应对严重的脉冲缺失问题。
技术实现思路
1、本专利技术的目的在于解决现有技术中存在缺陷,克服已知雷达信号中参数的复杂变化和脉冲缺失的分选问题,且考虑脉冲的参数变化具有的时序相关性,提供一种基于长短期记忆神经网络的已知雷达信号预分选方法;
2、为了实现上述目的,本专利技术采用以下技术方案:一种基于长短期记忆神经网络的已知雷达信号预分选方法,包括:
3、步骤1:基于独热编码和嵌入矩阵映射,对输入特
4、步骤2:基于gru网络,对联合特征输入向量进行数据提取和训练,得到状态向量ht;
5、步骤3:通过全连接网络对状态向量ht进行处理,得到预分选结果。
6、进一步地,所述步骤1具体包括:
7、步骤1.1:设定特征参数的量化处理范围,特征参数通过与量化处理范围相比去除量纲单位,并且将不同特征参数之间相差极大的数值范围进行缩小统一,得到无量纲化的特征参数,然后对无量纲化的特征参数进行数字取整,实现初步的整数级编码,得到联合特征向量,其中,特征参数包括载频、脉宽和脉冲重复间隔;
8、步骤1.2:对联合特征向量进行独热编码,并采取嵌入矩阵映射,将稀疏的独热编码压缩为稠密编码特征向量;
9、步骤1.3:对稠密编码特征向量进行拼接,得到联合特征输入向量。
10、进一步地,所述无量纲化的特征参数进行数字取整的公式为:
11、
12、式中rf是指载频,pw是指脉宽,pri是指脉冲重复间隔。
13、进一步地,所述稠密编码特征向量的公式为:
14、epdwi=epdwi·pdwi
15、式中pdwi是对载频、脉宽、pri特征的指代,epdwi是稀疏编码特征向量的映射矩阵,epdwi是经过压缩处理后的较为稠密的编码特征向量。
16、进一步地,所述联合特征输入向量的公式为:
17、x=[epri,epw,erf]。
18、式中epri是载频经压缩处理后的稠密编码特征向量,epw是脉宽经压缩处理后的稠密编码特征向量,erf是脉冲重复间隔经压缩处理后的稠密编码特征向量。
19、进一步地,所述步骤2具体包括:
20、步骤2.1:使用一层的gru网络作为神经网络的隐藏层;
21、步骤2.2:将联合特征输入向量输入神经网络中gru网络,且通过gru网络对脉冲流前后时间各联合特征输入向量之间的关系进行提取分析和训练,得到状态向量ht。
22、进一步地,所述gru网络的模型为:
23、
24、式中,xt是t时刻的输入信息;ht-1是t-1时刻隐藏层的输出信息;wr是重置门的权重参数矩阵;wz是更新门的权重参数矩阵;w是隐藏层输出信息的权重参数矩阵;rt表示t时刻重置门控制信息;zt是t时刻更新门控制信息;h_rt是重置向量,表示重置控制信息对t-1的隐藏层输出进行重置操作;ht'是重置后的信息与输入向量进行拼接后输入tanh函数的值,表示候选隐藏层输出信息;ht表示更新的t时刻的隐藏层输出信息;σ是sigmod函数。
25、进一步地,所述步骤3具体包括:
26、步骤3.1:将gru输出状态向量ht作为全连接网络输入,输出已知雷达各型号分类的概率向量,根据已知雷达各型号分类的概率向量对雷达信号进行初步的分选,得到预分选结果,其中,已知雷达各型号分类的概率向量的公式为:
27、p=softmax(woht+bo)
28、p=[p1,p2,…,pn]
29、式中,wo是权重矩阵,bo是偏移权重向量,n代表总已知雷达信号的种类,对于任何一个以编码形式输入的雷达脉冲,全连接网络输出的是其属于各类雷达的概率,p中各概率的和为1;
30、步骤3.2:根据已知雷达各型号分类的概率向量设计了一个基于交叉熵原则的改进损失函数,以将网络预测值逼近真实值:
31、
32、式中,yi是真实的概率分布,pi是假设的概率分布,即前面求出的概率向量中的值;
33、步骤3.3:全连接网络基于步骤3.2中损失函数最小化目标不断地进行训练,并采取adam算法对损失函数进行优化。
34、有益效果:本专利技术克服了传统基于数据模板匹配方法难以应对捷变等调制参数的问题,既能应对脉冲缺失情况,又考虑脉冲的参数变化具有的时序相关性,且算法又具有稳健性。
本文档来自技高网...【技术保护点】
1.一种基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,包括:
2.根据权利要求1所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述步骤1具体包括:
3.根据权利要求2所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述无量纲化的特征参数进行数字取整的公式为:
4.根据权利要求2所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述稠密编码特征向量的公式为:
5.根据权利要求2所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述联合特征输入向量的公式为:
6.根据权利要求1所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述步骤2具体包括:
7.根据权利要求6所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述GRU网络的模型为:
8.根据权利要求1所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述步骤3具体包括:
【技术特征摘要】
1.一种基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,包括:
2.根据权利要求1所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述步骤1具体包括:
3.根据权利要求2所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述无量纲化的特征参数进行数字取整的公式为:
4.根据权利要求2所述基于长短期记忆神经网络的已知雷达信号预分选方法,其特征在于,所述稠密编码特征向量的公式为:
【专利技术属性】
技术研发人员:唐路,黄思硕,于子川,王开,唐旭升,张有明,
申请(专利权)人:东南大学,
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。