雷达辐射源及工作状态识别

发布时间：2020-09-12 09:32

　　随着信息革命尤其是电子计算机领域的飞速发展,电子战已成为现代高科技战争中的核心。而近年来,机器学习和人工智能技术在各领域的成功应用,使其在电子战装备和技术中得到了越来越多的研究,尤其是雷达对抗领域。雷达对抗主要分为雷达电子侦察和雷达电子对抗。其中雷达电子侦察是对敌方的雷达辐射源信号进行侦测和截获来得到其相关战术和技术特征参数等信息,为战场态势评估、对敌攻击提供技术信息支持。而雷达干扰是在侦察的基础上根据战场态势对敌方雷达电子设备和系统进行干扰使其丧失或降低使用效能。本文主要研究了雷达电子侦察中的未知雷达辐射源识别和雷达工作状态识别问题,以及雷达电子对抗中的雷达干扰决策问题。首先,针对未知雷达辐射源识别问题提出了一种基于多源迁移学习的未知雷达辐射源识别方法,该方法将迁移学习与多任务学习相结合。先分析了雷达辐射源参数调制方式和工作模式对识别雷达辐射源型号的作用和意义。然后用基于多源局部投影分数的异常检测方法判别待测样本数据属于已知数据还是未知数据。最后,以辐射源脉冲数据的调制特征和工作模式作为属性特征,通过联合多个已知雷达辐射源数据,基于迁移学习和多任务学习相结合的多源迁移学习方法建立未知雷达辐射源识别模型,对未知雷达辐射源进行识别。其次,针对雷达工作状态识别问题提出了一种基于特征融合的雷达工作状态识别方法。首先介绍了雷达脉冲数据层级结构,提出一种新的“雷达字”定义及提取方法,并对脉幅数据的变化规律进行了简单分析。然后基于深度学习中CNN网络的卷积层和池化层对雷达不同工作状态下的脉幅序列数据提取出隐藏特征,基于RNN网络提取“雷达字”序列中的时序深度特征,将两种网络得到的特征进行展开、融合,通过连接Softmax分类器对工作状态进行识别分类。最后,针对雷达干扰决策问题提出了基于Q-Learning算法的雷达联合干扰决策方法。首先对雷达干扰问题分析建模,分析雷达工作状态与其威胁等级的关系,雷达干扰决策中的干扰样式和干扰功率,以及雷达干扰效能评估问题。然后将强化学习中Q-Learning算法应用到雷达干扰决策中,将干扰样式和干扰功率作为联合干扰动作,而实施干扰后雷达威胁等级的变化作为计算奖励值的依据,建立雷达联合干扰决策模型,最后通过改进Q值更新公式中学习率以加快模型的收敛速度及减少震荡,得到最佳的干扰策略。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN957.51;TN974
【部分图文】：

流程图,雷达辐射源识别,流程

图 3.1 未知雷达辐射源识别流程基于局部投影分数的未知类别雷达辐射源判断对于待测的雷达辐射源样本数据，如果不对其进行是属于已知还判别，而直接对其进行训练学习分类模型比较困难。判别待测样本是来自源域还是目标域，可以将其看成一种离群Detection）问题，异常检测的方法主要有：基于距离和基于密度的异等[36]。基于距离和基于密度的异常值检测方法的基本假设是它们利用来确定观测值是否异常值，观测邻域越稀疏，观测异常的可能性越高射源脉冲数据来说，对其中的 RF、PRI、PW 三个参数提取各自的调以及本身的参数值，特征的个数有 24 维并且特征值多以 0、1 形式存通过降维加快运算及提高鲁棒性。基于上述问题，本章使用一种基于局部投影分数（Local Projec的离群点检测方法[37]来判别待测样本属于源域还是目标域。首先求得中的邻域，然后通过低秩近似（Low-Rank Approximation）方法去除

序列,脉冲描述字,工作状态,雷达

雷达工作状态由一个或多个 CPI 组成。图4.2 为某工作状态下雷达脉冲数据随时间变化的特性。w2w3w1w4w5脉冲序列雷达字P2P3P1P雷达短语4(a) (b)A B C D Ew1

网络结构图,网络结构,前馈神经网络,循环神经网络

图 4.3 CNN 网络结构（2）循环神经网络前馈神经网络结构及深度前馈神经网络中，其网络连接只存在于相邻地层与层，而同一层的神经元节点之间没有连接，这就导致虽然在图像分类和目标识别等有着出色的表现，但对序列数据（存在时间关联性）是无法有效地提取它们之间体逻辑特征。循环神经网络（Recurrent Neural Networks, RNN）不同于前馈神经网络，通过自反馈的神经元来实现定向循环[52]，可以处理任意长度（有时序联系）的序列，更好地提取出序列数据中高维度信息整体特征，在自然语言处理、时间序列分析音识别等领域得到了广泛应用。为了更好地理解 RNN 网络的结构和原理，将 RNN 网络按照时间展开后得到4。其中，左侧为原始的 RNN 网络结构，右侧为展开后的 RNN 网络，t 表示当前点。

【相似文献】