基于熵值图的多功能雷达工作模式识别

针对多功能雷达工作模式多样且信号波形复杂多变,导致常规工作模式识别方法性能不佳的问题,提出基于小波变换的多功能雷达工作状态切换点检测方法,将雷达脉冲序列进行分割,得到单一工作模式脉冲序列样本。其次,基于近似熵、样本熵、模糊熵和排列熵设计了新的熵值图特征,并结合卷积深度神经网络模型,实现了多功能雷达工作模式的智能识别。仿真结果表明,该算法在虚假脉冲率或漏脉冲率为25%时,切换点检测正确率达85%;工作模式识别正确率在虚假脉冲率、漏脉冲率为20%和参数误差为8%时,识别正确率均在83%以上,识别性能皆优于两种对比文献方法,验证了该算法的有效性和优越性。

基于CNN和D-S证据理论的多站协同多功能雷达工作模式识别方法

传统的多功能雷达工作模式识别方法主要利用单一电子侦察设备侦收的脉冲数据完成特征提取,其模型或算法的泛化能力不强。因此,提出基于卷积神经网络(Convolutional Neural Network,CNN)和D-S(Dempster-Shafer)证据理论的多站协同多功能雷达工作模式识别方法。首先,利用轻量级CNN模型对不同方位、不同俯仰下侦察截获分选的脉冲幅度/波形单元数据进行自适应特征提取。其次,利用多站协同侦察系统通过D-S证据理论融合多站协同下不同侦察站点的Softmax分类器的分类结果,实现在差侦察条件下对不同空间方向上的多功能雷达工作模式快速准确识别。仿真验证结果表明,该方法相比于单侦察站条件下具有更好的识别性能。

基于SOM聚类平滑图信号生成的MFR工作模式识别方法

针对无人机集群截获的信号样本难以直接融合分析,以及训练样本较少且工作模式样本不平衡条件下多功能雷达(MFR)工作模式识别精度低的问题,提出了一种基于自组织映射(SOM)聚类平滑图信号生成的MFR工作模式识别方法。首先,利用分布式SOM算法对截获的信号样本集进行聚类,提取样本之间的相似性;然后,依据聚类结果将信号样本集以平滑图信号的方式表征,建立同一工作模式下信号样本的关联;最后,采用图注意力网络对上述图信号进行图节点数据融合与分类,完成MFR工作模式识别。实验结果表明,在工作模式样本不平衡度约为10∶1,每种类别训练样本数为25时,该方法的识别准确率和F1指数相对现有方法分别提高了22.8%、22.34%,且能适用于存在一定噪声干扰的情况。

基于AHP的雷达辐射源工作模式识别方法

针对电子对抗系统中亟待解决的雷达辐射源作战意图反演难题,提出了一种基于层次分析法的雷达辐射源工作模式识别方法。首先,对辐射源特征中能够体现辐射源工作模式特性的特征进行了分析和选择;然后,引入层次分析法对待识别的特征进行综合评价;最后,基于综合评价的结果利用卷积神经网络(Convolutional Neural Network,CNN)分类器实现对雷达辐射源工作模式识别。试验结果表明,文中方法不仅可实现对单一雷达不同模式的识别,对不同雷达不同工作模式的识别也有较好的效果。

基于卷积神经网络的雷达工作模式识别

该文针对不同雷达工作模式的信号特征,提出一种基于卷积神经网络(convolutional neural network,CNN)的雷达工作模式识别方法。不同工作模式下的雷达信号的脉冲宽度、脉冲重复周期、脉内调制样式和数据率等特征均有所不同,所以该文利用这4个特征参数构建1个图像矩阵,再提取方向梯度直方图(Histogram of Oriented Gradient,HOG)的特征,送入CNN进行雷达工作模式识别。仿真结果表明,该识别方法有较高的识别准确率。

基于半监督学习聚类数据标注的多功能雷达工作模式识别

对多功能相控阵雷达工作模式准确识别可为电子对抗决策提供依据,具有重要研究意义。现有工作模式识别方法主要基于已知标签的训练集,而实际中先验信息匮乏,数据标签难以获知,极大影响了工作模式识别性能。为此,提出了一种在少量先验信息辅助下基于半监督学习聚类实现未知数据标注的工作模式识别方法。首先根据聚类算法的内部评价指标和外部评价指标对比分析AP聚类(affinity propagation clustering)、DBSCAN聚类(density-based spatial clustering of applications with noise)和模糊C均值聚类(fuzzy C-means clustering,FCM)3种典型聚类算法的性能,验证了AP聚类算法性能最优,并将其应用于对截获数据的数据标注中。然后利用卷积神经网络对雷达工作模式进行识别,并与已知标签训练集下的网络进行对比,验证了基于AP聚类算法进行数据标注的可行性,提升了相较传统识别网络的抗噪性,为后续多功能雷达行为认知提供了基础。

一种基于图卷积网络的雷达工作模式识别方法

在雷达工作模式识别中,通常难以获取大量已知类别的雷达信号样本以供算法模型训练。为此,提出一种基于图卷积网络的雷达工作模式识别方法。首先利用K近邻图算法,以图结构表征信号样本集,建立样本之间的关联;然后采用图卷积网络对该图信号进行半监督节点分类,完成在只有少量监督数据情况下的雷达工作模式识别。实验结果表明,所提出方法中对每种类别雷达信号设置15个监督数据(约占雷达信号总样本集的5%)时,识别准确率为98.23%。

基于复合赋权TOPSIS的雷达工作模式识别

针对雷达工作模式识别提出了一种基于复合赋权TOPSIS的识别方法。首先计算待识别脉冲串与备选工作模式参数的隶属度得到决策矩阵,并对其进行规范化;然后,采用层次分析法获得各识别指标的主观权值,用熵权法获得客观权值,再以线性组合的方式对主客观权值进行融合,得到复合权值,并用复合权值对规范化决策矩阵赋权。最后,利用TOPSIS多属性决策模型进行识别。仿真结果表明,基于复合赋权TOPSIS的雷达工作模式识别算法具有较高的识别正确率和可靠性,且在雷达参数测量存在误差的情况下优于SVM算法。

多功能雷达工作模式识别方法综述

阐述了多功能雷达工作模式识别的背景与意义,归纳了多功能雷达的典型工作模式。总结了目前国内外的识别方法,并结合工程应用中面临的问题对比分析了各类算法的优点与局限性,最后梳理出当了前多功能雷达工作模式识别领域面临的挑战和需要解决的若干问题。

利用幅度重排的机载火控雷达工作模式识别方法

快速、准确地识别机载火控雷达的工作模式,特别是含跟踪信号的高威胁工作模式,是夺取机载电子对抗主动权的关键环节。针对已有工作模式识别方法应用条件受限、工程化应用困难等问题,在分析各工作模式信号特点的基础上,提出了一种利用幅度重排的工作模式识别方法。该方法充分利用信号幅度分布特征识别跟踪信号,对信号按幅度大小进行重排,并进行一阶差分化处理,通过检测重排幅度差分的凹口区间,有效地识别出了包含高威胁跟踪信号的搜索加跟踪和单目标跟踪工作模式。仿真试验结果表明,所提方法对脉冲丢失和干扰不敏感,识别准确率较高,且计算简单、运算量小,便于工程化实现。

机载火控雷达工作模式识别

机载火控雷达是战斗机主要的火力引导单元,因此在机载电子战领域中,机载火控雷达就是最主要的对抗对象。其中识别机载火控雷达的工作模式则是电子战的工作重点和难点。本文分析了机载火控雷达的基本工作原理和波形特性,通过对机载火控雷达各种工作状态的数据分析,从工程意义上提出了基于机载火控雷达的工作模式识别和编队飞机识别的包络分析法。该方法通过暗室辐射实验验证,正确识别出了机载火控雷达的扫描、跟踪、SAM状态。实验证明该方法切实可行。

基于Bayes网络的机载多功能雷达工作模式识别

对雷达工作模式的识别是目标威胁评估的重要信息来源。现代多功能雷达信号波形复杂,给识别带来了极大的挑战。根据多功能雷达信号生成机理和波形构成的层次化特征提出了一种分层Bayes网络的多功能雷达工作模式识别方法,并给出了Bayes网络的基本结构。最后以机载多功能雷达空-空模式为例详细设计了Bayes网络,验证了所设计的Bayes网络的有效性和对参测数据不确定性的鲁邦性。

基于图像化特征的雷达信号个体识别与工作模式识别方法

为解决传统复杂雷达信号特征参数提取困难而无法有效进行个体识别和工作模式识别的问题,提出一种基于图像化特征的雷达信号个体识别与工作模式识别方法.首先,利用变换域特征提取将雷达时域信号映射到图像域;然后,通过协同训练来对雷达信号进行个体识别;最后,在个体识别的基础之上,采用图像化特征重构方法和图像分类技术完成对工作模式的识别.实验结果表明,13类个体识别中,利用ResNet和BiLSTM网络协同训练的识别准确率能到82%以上;4类工作模式识别中,利用ResNet网络的识别准确率能到95%以上.

一种面向多功能雷达搜索模式的识别算法

针对多功能雷达在多种搜索模式下波形参数趋同,传统的波形模板匹配识别误报率较高,无法有效辨识的问题,以承担预警监视的多功能机载雷达为典型,深入分析了该类雷达的三种搜索模式。利用融合后的多站侦察数据训练神经网络,并利用网络完成识别。仿真结果表明,所提出算法能够准确识别多功能雷达的三种搜索模式。

应用D-S证据理论的雷达工作模式特征层融合识别

日趋复杂的战场电磁环境对雷达工作模式识别提出了更高的要求,针对传统单平台工作模式识别方法的局限性,提出了一种在多平台协同背景下基于Dempster-Shafer(D-S)证据理论的雷达工作模式特征层融合识别算法。该算法运用隶属度函数获得基本信任赋值,根据Dempster合成规则,首先对多平台侦收的同一参数数据进行多平台参数内融合,然后进行参数间融合获得合成信任度,最后依据工作模式判定规则识别雷达工作模式。通过仿真实验,多平台融合识别算法的识别率较单平台识别方法平均提高了27%,实验结果说明融合识别方法有效地提高了识别性能。

基于脉冲序列语义的雷达工作模式分析

针对多功能雷达典型工作模式判定识别的问题,提出一种基于脉冲序列语义的雷达工作模式分析算法。首先,建立脉冲序列模型,提取表征序列的脉冲波形参数特征和重频模式特征;然后,受自然语言处理的启发,根据自注意力机制对序列整体语义进行特征编码;最后,采用监督学习方法,训练优化模型隐含层参数,提取序列语义特征向量实现序列工作模式的判定和识别。仿真试验结果表明,在序列数据完整的条件下,对雷达工作模式识别的准确率最高可达98.39%,在序列脉冲丢失率和脉冲错分率分别为25%的条件下,对序列工作模式的识别率分别可达87.55%和84.77%,算法对雷达工作模式识别具有较好性能。

多功能相控阵雷达行为辨识综述

多功能相控阵雷达是指具备相位控制阵列,能同时实现搜索、跟踪、制导等多种功能的雷达。随着雷达对抗的不断升级以及各国对于电子战的日益重视,作为获取多功能相控阵雷达信息的重要手段,其行为辨识技术的研究得到了进一步发展。结合目前多功能相控阵雷达行为辨识的背景与意义,对已有的不同多功能相控阵雷达信号模型进行梳理,对高密度、大噪声信号环境下的波形单元提取算法和基于深度学习的工作模式识别算法进行识别性能、适用场景等方面的系统性对比,并归纳了不同仿真数据集的实际应用情况,最后总结了该技术存在的问题并提出了未来展望。