多功能雷达(Multi-function Radar,MFR)作为现代新体制雷达的主要代表之一,具有显著的智能性和灵活性等特点,传统的雷达工作模式识别方法难以适应现代MFR多变的信号波形和快速变化的工作模式,制约了对多功能雷达工作状态的分析和行为意图的推理。因此,研究新的MFR工作模式识别方法势在必行。本文分析了MFR工作模式的机理和不同工作模式脉冲参数的时序变化特点,首先提出基于小波变换的雷达状态切换点检测方法,对多工作模式组合的脉冲序列进行检测并将其切割为单一工作模式的脉冲序列片段,在此基础上结合时间序列分析和数据挖掘手段,提出基于熵值图的多功能雷达工作模式识别方法,以实现对MFR工作模式的有效识别。进一步地,针对雷达信号样本不足的问题,提出基于互信息最大化(Mutual Information Maximization,MIM)下多模态原型增强的小样本工作模式识别方法。本文的具体研究内容如下:1.针对传统工作模式识别方法受特定场景限制、难以适应MFR波形参数的快速捷变以及实验样本数据过于理想化等问题,首先提出基于小波变换的雷达状态切换点检测方法,对MFR脉冲序列进行状态切换点检测,并将其分割成单一的工作模式序列。然后从时间序列熵的角度出发,对雷达脉冲模式序列进行分析和研究,提出基于熵值图的多功能雷达工作模式识别方法。通过提取各脉间参数序列的近似熵、排列熵、样本熵和模糊熵构成熵值图,熵值图特征可以准确地反映雷达工作模式脉冲序列参数的变化规律和特点,最后结合卷积神经网络模型实现MFR工作模式识别。实验表明,在虚假脉冲率或漏脉冲率为25%时,不同工作模式之间切换点的检测正确率接近85%;工作模式识别正确率在虚假脉冲率为20%时接近85%,漏脉冲率为20%时为83.1%,参数误差为8%时接近84%,验证了本方法的有效性。2.考虑到实际战场环境中想要截获到大量的雷达信号样本数据十分困难,而常规识别方法在少量样本条件下难以正确反映MFR工作模式信号波形的变化规律和特点,提出了一种基于MIM下多模态原型增强的小样本工作模式识别方法。首先,通过对MFR工作模式脉冲序列进行语义知识编码和提取脉冲序列熵值图,获得“语义”模态和“视觉”模态样本。然后,提取语义知识向量和熵值图两个模态的高维嵌入特征,并引入MIM挖掘两个模态之间与任务相关的模态不变信息,过滤与任务无关的噪声信息。最后计算“视觉”原型并利用“语义”信息引导注意得到增强的类原型用于识别分类。仿真实验表明,所提方法相较两种对比方法,识别性能分别在不同虚假脉冲场景下平均提升了5%、2%,不同漏脉冲场景下平均提升了6%、2.5%,验证了该识别方法在小样本工作模式识别领域的有效性可靠性。
暂无评论