自适应加权混合集成学习的雷达工作模式识别方法

为提高在现代战场中的生存能力,机载多功能雷达呈现出信号样式复杂、参数高度捷变、开关机无规律和辐射时间减少等特点,给基于传统方法的雷达工作模式识别带来了一定的挑战。参考多功能雷达常见工作模式典型特征参数生成的样本数据,基于水波中心扩散(water wave center diffusion,WWCD)算法优化多个模型参数,采用自适应加权策略提高多个模型集成学习算法性能,开展多功能雷达工作模式识别。实验分别使用遗传算法、粒子群优化算法、差分进化算法和WWCD算法优化单模型参数,使用软投票、硬投票、自适应加权等不同集成学习策略进行工作模式识别。结果表明,所提算法相较于传统算法具有较高的准确率。此外,还研究测试了该算法在小样本条件下识别雷达工作模式的性能,验证了该算法的可行性和较高的识别效率。

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。

动态可重构在雷达工作模式切换中的应用

现代雷达要求雷达信号处理机中的电路系统具有信号处理能力强、体积小、工作模式灵活多样等特点,而当前雷达工作模式切换方式无法满足这种要求.为此,利用FPGA的动态可重构技术,提出了一种动态可重构的雷达工作模式切换方法,并以SOPC方式进行系统实现.实现结果表明,该切换方法与其他三种方法相比,减小了设备硬件资源,提高了切换的实时性,满足了雷达信号处理的需要.

雷达工作模式识别的PSO-DPNN方法

针对参数交叠严重环境下的雷达工作模式识别问题,提出一种基于粒子群优化算法(PSO)的离散过程神经网络(process neural network, DPNN)的识别方法。方法依据整个雷达信号脉冲序列的时序变化规律进行识别,首先对雷达信号句法建模并提取雷达短语作为工作模式的特征描述,然后运用PSO有监督训练合适的DPNN网络结构,最后运用训练完成的DPNN识别未知雷达短语的工作模式。对比仿真结果表明,信号参数测量误差10%时识别率为97%,较传统识别方法提高30%,方法在参数交叠严重的情况下的工作模式识别率和抗误差性能提升明显。

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。

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。

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PDW重构的智能机载雷达工作模式识别算法

针对脉冲丢失对机载雷达工作模式识别准确率影响较大的问题,提出了一种基于脉冲描述字(PDW)重构的智能机载雷达工作模式识别算法。首先根据到达时间(TOA)的一阶差分序列提取到达时间差(DTOA)频繁项;其次,根据频繁项获得雷达真实的脉冲重复间隔(PRI)以及PRI变化规律;再次,计算不同PRI情况下的脉冲数完成PDW重构,最后将重构后的PDW送入搭建好的时间卷积网络(TCN)识别机载雷达工作模式,该方法能够挖掘PDW序列中的时间关联性,可以更好地获取PDW序列的特征。通过仿真实验,该方法在脉冲丢失率小于70%的情况下,对于雷达工作模式的识别准确率能够达到95%以上。

雷达不同工作模式下跟踪任务的信息需求分析

雷达采用不同工作模式跟踪目标是有差异的。给出了跟踪任务信息需求的分析方法,并在计算由传感器量测带来信息增量的基础上,重点对边跟踪边扫描和跟踪加扫描两种模式对跟踪效果的影响进行了研究。实验结果分析了这两种工作模式下雷达量测间隔与跟踪任务信息需求之间的关系。从结论可分析出,与间隙量测方式相比,持续量测可以带来较为理想的跟踪效果,且信息需求能在较短的时间内予以满足。

机载预警雷达牵引模式的IRST探测效能分析

机载预警雷达牵引红外搜索跟踪系统(IRST)探测是同平台多传感器协同的一种重要工作模式。为定量评估该模式对IRST探测效能的影响,以IRST探测概率作为评估指标,建立多个瞬时视场下的成功牵引概率数学模型,计算在不同雷达工作模式下满足一定成功牵引概率的IRST搜索视场范围,推导IRST的探测概率与作用距离、脉冲积累之间的关系式。仿真结果表明,在保证成功牵引概率为0.99的前提下,雷达在高精度测量模式下的牵引效果最佳,使IRST的搜索区域缩小为原来的1/180,时间节约效率为99.4%,加快了对目标的截获过程。节余的时间可用来对目标进行脉冲积累,当积累2个脉冲时,在其最大作用距离处所对应的探测概率由无积累时的0.5提升到0.985 3,从而显著提升其探测效能。

基于ICW-RCM的辐射源组合威胁评估

针对传统辐射源威胁评估方法难以直观地给出目标威胁程度以及在实时性、复杂性上的不足,在雷达图法(radar chart method,RCM)的基础上,提出基于改进组合赋权(improved combination weighting,ICW)-RCM的辐射源组合威胁评估算法。组合威胁评估将辐射源威胁等级粗排序和精细排序相结合,根据雷达指标计算雷达工作模式,对辐射源威胁等级进行粗排序,并降低威胁程度低的辐射源任务优先级;基于ICW-RCM,对相同雷达工作模式的辐射源精细化排序,并结合粗排序结果,得到最终的辐射源威胁评估结果。实验仿真与分析表明,该算法具有较好的正确性与有效性,与传统组合赋权雷达图法相比算法复杂度较低、实时性较高、结果更加形象直观。