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。

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。

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。