一种基于GRUTCN网络的多功能雷达工作模式识别方法

本发明属于电子对抗，具体涉及一种基于grutcn网络的多功能雷达工作模式识别方法。

背景技术：

1、对截获的雷达信号进行分类，并判断其意图是认知电子战的基础。随着电子扫描和相控阵系统的发展，雷达可根据任务实时改变波束的指向以实现不同的目的，任务间的灵活搭配形成了工作模式。雷达工作模式识别是侦察方进行下一步动作的依据与准则，若侦察方能准确判别雷达方的工作模式，则可实时调整对抗策略从而取得电子对抗的主动权，grutcn网络的多功能雷达工作模式识别方法就此展开。

2、门控循环单元(gate recurrent unit，gru)网络，作为一种时间递归神经网络，其将lstm网络中的遗忘门和输入门组合在一起，通过使用同一个门控信息z在遗忘不重要信息的同时实现对重要信息的选择性记忆。在保留记忆能力的同时，提升了网络的训练效率。对比长短期记忆网络(lstm网络)，gru使用更少的参数实现了更快的收敛速度。针对序列识别，gru网络能够在训练期间将训练集拆分成一批一批小批量数据，并对输入数据进行填充，使其具有相同的长度，其可以充分提取输入数据中的特征信息。但gru网络存在梯度爆炸等问题。

3、tcn网络是时域卷积网络(temporal convolutional network)网络的简称，它由具有相同输入和输出长度的扩张的、因果的1d卷积层组成。其卷积仅对一个时间上的输入数据进行操作。

4、现有的关于多功能雷达工作模式识别方法取得了一定的进展。现有基于模板匹配或统计直方图分选的方法，对于信号参数固定的调制雷达识别效果较好。然而由于多功能雷达信号参数复杂且与任务、工作模式间的对应关系模糊，现有方法无法提取复杂的动态变化特征而收效甚微。针对多功能雷达而言，文献“hidden markov models for radarpulse train analysis in electronic warfare，proceedings.ieee internationalconference on acoustics，speech，and signal processing，2005”提出了一种基于句法模型的雷达信号表征方法。从“雷达字”、“雷达短语”、“雷达句子”等角度重构了雷达信号，用以表征mfr信号的复杂变化。雷达字代表有限个脉冲的固定排列，雷达短语为有限个雷达字的排列，表征为工作模式层。这一句法模型将抽象的雷达任务、工作模式、功能与截获到的信号相结合，用语言层次表征雷达信号层次，具备简洁易懂高效等特点，被广泛应用于多功能雷达工作模式识别的相关研究中。

5、之后，基于序列到一类(seq2one)的工作模式识别方法被提出，将脉冲序列作为输入，最终输出一个类标签。然而由于截获脉冲流的类间划分问题，使得seq2one方法难以为多类混合输入序列产生正确的分类。文献“work modes recognition and boundaryidentification of mfr pulse sequences with a hierarchical seq2seq lstm"，ietradar sonar&navigation，vol.14，no.9，pp.1343-1353，jul.2020”提出一种基于脉冲级的seq2seq方法，使用分层的lstm模型识别多功能雷达脉冲序列，但耗时严重且缺乏对工作模式的特征分析，使得数据集缺少理论支撑。

6、文献“multi-function radar work mode recognition based on encoder-decoder model，igarss 2022-2022ieeeinter-national geoscience and remotesensing symposium，kuala lumpur，malaysia，jul.2022，pp.1189-1192”提出一种编解码模型运用于雷达工作模式识别中并取得了不错的性能，但相应数据集较为简单，并没有说明数据的产生依据，同时相应模型时间资源花销大。由前可知，现有的研究大多聚焦于网络分析，缺少对数据集的分析等。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于grutcn网络的多功能雷达工作模式识别方法，能够在非理想情况下保持远高于其他现有网络的识别准确率。

2、本发明采用的技术方案为：一种基于grutcn网络的多功能雷达工作模式识别方法，具体步骤如下：

3、s1、分析机载相控阵雷达的工作模式特点，生成多功能雷达脉冲组数据，输入数据集生成程序并进行数据预处理，并将数据集划分为训练集和测试集；

4、s2、构建多功能雷达grutcn工作模式识别模型；

5、s3、将经过步骤s1预处理后的训练集数据输入模型进行训练；

6、s4、多功能雷达工作模式识别测试。

7、进一步地，所述步骤s1具体如下：

8、首先根据不同工作模式的特征参数，分别设置脉冲载频rf、以及侦察机与对抗方雷达载机距离r、侦察机速度va和雷达载机的速度vt、脉冲宽度、光速、工作模式组变组数。

9、然后生成各个工作模式数据：

10、各个工作模式下对应的pri值生成具体如下：

11、(1)中重频组变的工作模式下对应的pri值具体生成方式表达式如下：

12、

13、其中，rc表示相应中重频设计的最大清晰距离；ta表示中间变量，c＝2.9979×108m/s表示光速；τp表示发射脉宽；prik,prij表示所需要组变内各组的脉冲重复间隔，即第k组和第j组的脉冲重复间隔。k,j表示参数，指需要的重频组数；c1为奇数，c2为偶数。δj表示得到相应该组重频下目标可见度大于96％的小扰动。

14、(2)高重频组变工作模式下pri取值生成方式表达式如下：

15、

16、其中，pria，pri1，pri2表示相应生成的所需的三组高重频pri值；va和vt分别表示侦察机速度和雷达载机的速度；且脉冲载频rf组数和脉冲重复间隔pri组数相同，λ表示脉冲信号波长，ceil表示对具体数值进行向上取整，i表示中间变量。

17、各个工作模式下rf和pw的组变组数与pri的组变组数相同，具体取值为一定范围区间内的随机数。

18、在生成上述各个工作模式内的数据的基础上，依照一定的工作模式转移关系进行工作模式转移，生成对应的带有工作模式转移关系的工作模式数据。

19、接着将不同工作模式下产生的脉冲数据集利用工作模式标签进行区分不同工作模式。之后再对脉冲数据集进行数据填充，同时考虑真实电磁环境中相应的非理想条件对数据集的污染，提出一种侦收机截获脉冲序列模型，对填充后的数据集进行数据污染处理。

20、其中，实际侦收机截获的脉冲序列会受到的污染包括：测量噪声、脉冲丢失、虚假脉冲，则所述侦收机截获脉冲序列模型具体如下：

21、

22、其中，表示存在测量噪声、脉冲丢失、虚假脉冲等非理想情况下的表征工作模式的脉冲序列，而表示存在测量噪声的脉冲组，表示虚假脉冲组，l表示理想情况下工作模式脉冲序列的长度，ls表示相应的虚假脉冲的序列长度。表示丢失的脉冲，且同时叠加相应的测量噪声。

23、最后将经过数据污染处理后的数据集根据实际需求按照一定比例进行划分为相应的训练集和测试集，完成对数据集的预处理步骤。

24、进一步地，所述步骤s2具体如下：

25、将gru网络和tcn网络相结合，构建一种编码器解码器的网络模型，即多功能雷达grutcn工作模式识别模型，即采用基于双向双层的gru神经网络作为相应的编码器架构，根据双向gru提取工作模式脉冲输入序列的时序特征，并加以量化降维，形成对应的工作模式特征，在gru网络提取了数据的特征后，利用tcn网络构成的解码器将提取的特征解码成需要的输出。

26、进一步地，所述步骤s3具体如下：

27、将步骤s1生成的训练集数据输入所述模型中进行训练，根据训练集的准确度调整学习率、批大小，直到损失函数趋向稳定，模型收敛，完成模型训练；损失函数的表达式如下：

28、

29、其中，ntrain表示训练集中的样本个数，表示t时刻网络的输出，即t时刻网络判别的各个工作模式的可能概率；li表示第i个训练样本下的脉冲序列长度，st表示t时刻的真实的标签；λ表示对应正则化因子，ω2表示l2正则化权重向量。

30、进一步地，所述步骤s4具体如下：

31、将步骤s1生成的测试集数据送入训练好的模型，模型输出的结果为雷达工作模式可能性标签，根据标签计算对应的工作模式识别准确率，即可得到相应的脉冲级多功能雷达工作模式识别结果，完成多功能雷达工作模式识别测试。

32、其中，所述准确率计算公式如下：

33、

34、

35、其中，ntest表示测试集中的样本个数，表示网络输出的第t个脉冲的识别标签，yt表示其真实标签。li表示第i个测试样本下的脉冲序列长度。

36、本发明的有益效果：本发明公开了一种基于grutcn网络的多功能雷达工作模式识别方法，首先分析机载相控阵雷达的工作模式特点，生成多功能雷达脉冲组数据，输入数据集生成程序并进行数据预处理，并将数据集划分为训练集和测试集，然后构建多功能雷达grutcn工作模式识别模型，将经过预处理后的训练集数据输入模型进行训练，最后将测试集数据送入训练好的模型，完成多功能雷达工作模式识别测试。本发明的方法将gru和tcn相结合，提出一种基于gru-tcn的编码器解码器的网络模型，解决了现有工作模式识别方法对工作模式特征分析不全面且识别率不高的问题，能够在非理想情况下保持远高于其他现有网络的识别准确率，增强了鲁棒性。