[發明專利]一種基于DBN模型的雷達信號工作模式識別方法

在審

• 申請號: 201710722264.1
• 申請日: 2017-08-22
• 公開（公告）號: CN108051781A
• 公開（公告）日: 2018-05-18
• 發明（設計）人: 郭立民;張艷蘋;陳濤
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01S7/02
• 分類號: G01S7/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于DBN模型的雷達信號工作模式識別方法，屬于雷達信號處理領域。包括以下步驟：通過對雷達信號時頻域參數分析，選取合適特征；對輸入特征進行歸一化處理；將歸一化后的各特征加入DBN網絡訓練，仿真分析識別效果。本發明從雷達工作在不同的工作方式、實現不同的功能時，其發射的脈沖信號存在特有的變化規律的角度出發，選取合適的時頻域變化參數特征加入深信度網絡(DBN)網絡以完成雷達信號不同工作模式的分類識別。DBN作為深度學習的重要模型，具備無監督學習和有監督學習學習的優點，可自動發掘數據所蘊含的規律。仿真證明，基于DBN模型的模式識別可有效識別出雷達的多種工作類型，對電子對抗情報分析工作具有重要意義。

技術領域

本發明屬于雷達信號處理領域，具體涉及一種基于DBN模型的雷達信號工作模式識別方法。

背景技術

隨著電磁環境的復雜化以及現代新體制雷達的應用，一部雷達往往具有多種工作模式，發射信號的波形也越來越復雜多變。且在電子情報系統的偵察范圍內存在多部雷達，各雷達的特征參數可能發生嚴重重疊，難以形成有效的聚類，因此需要挖掘更多的特征以及更強大的模型用于分類識別。

雷達輻射源信號的特征參數取決于戰術用途的選擇，工作在不同工作模式下的雷達信號參數有著不同的變化規律和特點，因此可以從雷達信號時頻參數變化特點的角度對雷達行為進行分析。深度學習具有優異的自主學習能力，已經在語音、圖像識別領域取得了較好的成績。將深度學習方法應用到雷達信號工作模式識別上，通過對有辨識度的特征進行訓練，可以判別當前雷達工作狀態。

目前，國內外學者在對多功能雷達工作模式識別方面進行了一定的研究。2011年，電子信息控制重點實驗室針對有源相控陣雷達多種工作模式的特點，提出了一種機載雷達工作模式識別的方法。2012年，西安電子科技大學的陳凱在D-S證據理論融合方法的基礎上，分析了相控陣雷達狀態和信號波形，并提出了利用特征函數識別相控陣雷達狀態的方法。2015年，孟祥豪等人利用多功能雷達工作模式的轉換規律和脈沖本身的時頻域變化參數規律，提出了一種樣本體系的成形規律描述技術，該描述方法可以準確的描述雷達脈沖成形規律和模式轉換規律，在有漏脈沖和干擾脈沖的情況下依然能夠提取其脈沖信號。2016年，空軍工程大學的王星提出了一種在多平臺協同背景下基于D-S證據理論的雷達工作模式特征層融合識別算法。該算法通過對多平臺偵收的同一參數數據進行多平臺參數內融合后進行參數間融合獲得合成信任度，再依據工作模式判定規則識別雷達工作模式，較好解決了單平臺雷達模式識別的不確定性。

發明內容

本發明的目的在于提供解決了單平臺雷達模式識別不確定性的一種基于DBN模型的雷達信號工作模式識別方法。

本發明的目的通過如下技術方案來實現：

一種基于DBN模型的雷達信號工作模式識別方法，包括以下步驟：

1.一種基于DBN模型的雷達信號工作模式識別方法，其特征在于，包括以下步驟：

(1)特征選取，通過對雷達信號時頻域參數分析，選取合適特征；

(2)對輸入特征進行歸一化處理；

(3)將歸一化后的各特征加入DBN網絡訓練，仿真分析識別效果；

特別地，

步驟(1)中選取的特征具體為：

載頻、PRI、脈寬、發射帶寬、占空比、脈沖壓縮比、最大非模糊速度、總模糊度、距離分辨率及調制類型十個特征，

(1.1)載頻：未調制的無線電、雷達、載波通信或其他發射機產生的頻率，即一個特定頻率的無線電波，超高頻波段(UHF)多為遠程警戒雷達，用于監視宇宙飛船、洲際導彈等目標，L波段是地面遠程對空警戒雷達的首選頻段，頻率處于該波段的雷達能夠得到較好的目標檢測性能；