[发明专利]一种对多功能雷达工作模式序列的脉冲级智能识别方法

说明书

本发明公开了一种对多功能雷达工作模式序列的脉冲级智能识别方法，可以对所含模式个数可变、模式长度可变、非理想情况未知的复杂多功能雷达工作模式脉冲序列，实现已训练工作模式的脉冲级自动识别和标注；利用深度网络的自动特征学习表征能力，能够有效提取模式内部和模式间的时间序列特征，进而在极端非理想条件下也能够有效实现模式序列识别；模式识别结果可以标注到脉冲级别，一方面能够给出脉冲流中各个雷达工作模式的转换边界，另一方面也可以给脉冲序列更精细地分析和处理提供了条件；另外，本发明给出的脉冲级别模式序列识别方法，可以在已知模式识别过程中同时将输入模式序列中的虚假脉冲标注为单独类别。

技术领域

本发明涉及雷达电子侦察技术领域，具体涉及一种对多功能雷达工作模式序列的脉冲级智能识别方法。

背景技术

多功能雷达是具有多种动态变化工作模式的复杂传感器，被广泛应用于监视和目标跟踪领域。多功能雷达可以同时执行多个任务，具有捷变的波束调度能力、复杂的信号调制样式、程控的工作模式编排。上述不同的系统功能具体反映到信号层面，电子侦察系统接收的雷达脉冲流信号序列中包含的雷达工作模式数量未知，每个模式的脉内和脉间调制样式可以不同，每个工作模式的持续时间也可能不同。多功能雷达的这些动态特性给传统的电子侦察与对抗系统带来了极大的挑战。基于对接收脉冲序列的分析，实现多功能雷达工作模式的快速准确识别，是电子侦察研究领域中的一个热点和难点问题。

现有多功能雷达工作模式识别方法主要是利用自然语言处理中的随机文法来建模雷达信号产生流程，从句法分析理论的角度来剖析雷达行为信息。具体实现过程包括两个步骤。首先根据接收到的雷达脉冲序列进行雷达字提取，利用如隐马尔科夫模型或者模板匹配方法进行识别，得到脉冲序列对应的雷达字序列。然后针对雷达字序列，利用预测状态表示算法或者自动机将雷达字序列转换成对应的雷达工作模式。上述实现方法假设每个样本中仅存在一个雷达字类别或者一个雷达工作模式类别。

实际系统中，侦察接收机接收到的是连续不断的多功能雷达脉冲信号序列。传统方法实现所需的序列样本仅包含一个模式的前提条件，在面对复杂电磁环境中的非合作多功能雷达目标时很难满足。另一方面，传统方法所用模型都依赖于理想数据的先验，真实系统接收到的脉冲序列往往会受到参数测量误差、脉冲信号缺失、虚假脉冲干扰等三种典型非理想因素的影响，也使得传统方法对多功能雷达工作模式的识别能力大打折扣。

深度学习模型是一种拥有多个非线性映射层的神经网络模型，能够对输入序列进行逐层抽象并提取特征，挖掘出更深层次的潜在规律，且对噪声等有很强的鲁棒性。在深度学习中，循环神经网络(Recurrent Neural Network,RNN) 不需要过多先验与假设，直接从可用数据中学习，能够有效处理时序数据，往往能够取得比隐马尔科夫、模板匹配等传统方法更好的效果。

发明内容

本发明提出一种对多功能雷达工作模式序列的脉冲级智能识别方法，可以对受到三种典型非理想因素影响的输入脉冲序列中的每一个脉冲样本给出对应的雷达工作模式标签，从而自动识别输入序列中所含的各个工作模式及其转换边界，并且可将虚假脉冲标注为未知模式。

一种对多功能雷达工作模式序列的识别方法，包括如下步骤：

S1、生成用于模型训练的序列样本数据集合，包括：

S11、产生工作模式片段数据集D1：

每个样本仅含一个工作模式类别，每个样本中包含多个脉冲，每个脉冲由多维脉冲描述字参数PDW表征；将数据集D1中第i个样本表示为：其中，n为样本包含的脉冲数目,p_j＝(p₁，p₂，…，p_M)^T为表征第j个脉冲M个脉冲描述字参数PDW；j＝1，2，…，n；

S12、模拟产生多功能雷达工作模式符号序列数据集D2：