【技术实现步骤摘要】
本专利技术涉及信号处理，特别涉及雷达，具体是指一种基于增量学习融合网络的多功能雷达行为辨识方法及装置。
技术介绍
1、多功能雷达是基于相控阵技术发展而来的新体制雷达，利用相控阵技术的波束指向捷变特性，能够以更快的速度探测更远的距离、实现更多的战术功能。多功能雷达具备多目标、高速率、抗干扰、高可靠等特性，可以同时执行搜索、跟踪、控制、引导等不同类型的战术任务，相比于传统体制雷达具有明显的技术优势。
2、在现代战争中，多功能雷达越来越广泛地部署在各类作战平台上，其多变的信号样式和极高的数据率，极大的增加了电磁环境的复杂性，给雷达侦察和对抗带来了愈发严峻的挑战。传统的雷达行为辨识方法通过信号层面对雷达脉冲进行表征，不仅有巨大的数据处理负担，而且难以反映多功能雷达行为的整体特性，限制了辨识准确率的进一步提升。因此通过对截获信号进行预处理，从行为层面建立模型、挖掘运行规律、识别当前行为状态，就显得尤为重要。
技术实现思路
1、本专利技术的目的是克服上述现有技术中的缺陷，提供一种可以提高多功能雷达行为辨识准确率的方法及装置，从而为电子对抗策略的制定提供必要依据。
2、为了实现上述目的，本专利技术的基于增量学习融合网络的多功能雷达行为辨识方法包括以下步骤：
3、(1)下变频处理模块利用正交解调技术，将侦收到的雷达脉冲数字中频信号转换为零中频信号，作为后续预处理模块的输入；
4、(2)预处理模块对前述的中频信号进行处理，先检测脉冲信号是否存在，再通过
5、(3)特征提取模块主要包括1dcnn网络以及gru网络，以及多维特征拼接网络和增量分类网络，其中，1dcnn网络经过多层卷积、池化操作后可以得到脉冲串长序列的局部深度特征，而gru网络隐藏层可以输出得到的全局时序特征，多维特征拼接网络将前述两个并联网络所提取出的多维特征进行拼接处理，再经过丢弃层和全局最大平均池化层，最后通过增量分类网络完成辨识，通过训练集对特征提取模块进行初始化训练，得到训练模型及其固化参数；
6、(4)根据新增的多功能雷达行为种类制作仿真数据集，对原有的融合网络进行增量学习，实现对新增雷达行为种类的增量辨识；
7、(5)将前述的脉冲串长序列通过上述训练模型，识别输出模块通过全连接操作，利用softmax和分类层完成多功能雷达工作模式的辨识，并输出辨识结果。
8、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(1)具体为：
9、所述的下变频处理模块将输入的雷达脉冲数字中频信号分别与余弦信号以及正弦信号进行混频，再通过低通滤波器滤除高频分量，得到i、q两路正交信号。
10、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(2)包括以下步骤：
11、(21)预处理模块中的脉冲检测环节采用双门限信号检测算法对信号频谱进行检测，若检测到信号存在，则执行参数测量算法，提取雷达脉冲的载频(cf)、脉冲幅值(pa)、脉冲宽度(pw)、到达时间(toa)、脉冲重复间隔(pri)等参数；
12、(22)序列封装环节将多维参数的测量结果按照规定顺序打包整理为脉冲描述字；
13、(23)序列分割环节将输入的一系列脉冲描述字分割为规定大小的脉冲串长序列，作为特征提取模块的输入。
14、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(21)的双门限检测算法包括以下步骤：
15、(a1)设定上、下门限因子；
16、(a2)根据输入信号频谱数据的基底，获取初始门限值；
17、(a3)采用递归法实时更新上、下门限值；
18、(a4)搜索频谱数据序列，若连续出现h个点大于上门限值，则认为脉冲存在；
19、(a5)继续搜索频谱数据序列，若连续h个点小于下门限值，则认为脉冲结束。
20、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(22)具体为：
21、使用含有脉冲自身信息的cf、pa、pri、pw作为特征参数，将第n个脉冲的描述字表示为p(n)＝[cfn,pan,prin,pwn]。
22、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(23)具体为：
23、取50个脉冲描述字作为一个脉冲串，第m个脉冲串长序列可以表示为
24、group(m)＝{p(m1),p(m2),p(m3),...,p(m50)}
25、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(3)包括以下步骤：
26、(31)设定需要识别的多功能雷达行为样式，并设计制作训练仿真数据集样本以及测试仿真数据集样本；
27、(32)根据雷达行为样式类别数和训练集样本数，调整1dcnn网络和gru网络的参数规模，使其相互匹配；
28、(33)将所制作的训练集和测试集输入到特征提取模块中的深度学习融合网络中去，设定好网络超参数，通过梯度下降法对网络中的权重参数进行调整，并最终得到训练模型；
29、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(31)中制作训练和测试仿真数据集样本，具体是指：根据目标雷达的基本配置，通过设置不同的载频、脉冲重复间隔、脉冲宽度、波位编排数、波位驻留数、发射功率、半功率波束宽度、信号带宽等参数，利用多功能雷达“脉冲串-脉冲串组-雷达行为”的三层次结构表征模型，对多功能雷达的不同行为进行建模仿真，制作训练仿真数据集和测试仿真数据集，其样本数比例分别为70％和30％；
30、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(32)中调整1dcnn网络和gru网络的参数规模，具体是指，调整1dcnn网络的卷积层、池化层的层数，以及卷积核的尺寸和个数，调整gru网络中的gru层数以及隐元数，使得融合网络在不显著影响辨识性能的条件下，提高网络的整体效率；
31、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(33)中的网络超参数具体为：学习率、学习率下降速度、批数量、训练周期、损失函数、正则化参数等影响网络训练的参数；训练模型具体为：训练集经过二级深度学习融合网络的训练后，确定的网络中所有权重参数的已训练网络。
32、该基于增量学习融合网络的多功能雷达行为辨识方法中，所述的步骤(4)包括以下步骤：
33、(41)根据新增的多功能雷达行为样式，设计制作训练仿真数据集样本以及测试仿真数据集样本；
34、(42)设定好增量分类网络的超参数，将所制作的新增雷达行为样式的训练集和测试集本文档来自技高网...
【技术保护点】
1.一种基于增量学习融合网络的多功能雷达行为辨识方法，其特征在于，所述的方法包括以下步骤：
2.根据权利要求1所述的基于增量学习融合网络的多功能雷达行为辨识方法中，其特征在于，所述的步骤(1)具体为：
3.根据权利要求1所述的基于增量学习融合网络的多功能雷达行为辨识方法中，其特征在于，所述的步骤(2)包括以下步骤：
4.根据权利要求3所述的基于增量学习融合网络的多功能雷达行为辨识方法，所述的步骤(21)的双门限检测算法包括以下步骤：
5.根据权利要求1所述的基于增量学习融合网络的多功能雷达行为辨识方法中，其特征在于，所述的步骤(3)包括以下步骤：
6.根据权利要求5所述的基于增量学习融合网络的多功能雷达行为辨识方法中，其特征在于，
7.根据权利要求1所述的基于增量学习融合网络的多功能雷达行为辨识方法中，其特征在于，所述的步骤(4)包括以下步骤：
8.本专利技术还提供了一种用以实现上述方法的多功能雷达行为辨识装置，用于执行权利要求1所述的基于增量学习融合网络的多功能雷达行为辨识方法，该装置包括：p>...
【技术特征摘要】
1.一种基于增量学习融合网络的多功能雷达行为辨识方法，其特征在于，所述的方法包括以下步骤：
2.根据权利要求1所述的基于增量学习融合网络的多功能雷达行为辨识方法中，其特征在于，所述的步骤(1)具体为：
3.根据权利要求1所述的基于增量学习融合网络的多功能雷达行为辨识方法中，其特征在于，所述的步骤(2)包括以下步骤：
4.根据权利要求3所述的基于增量学习融合网络的多功能雷达行为辨识方法，所述的步骤(21)的双门限检测算法包括以下步骤：
5.根据...
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。