一種雷達工作模式識別方法
【專利摘要】本發明公開了一種雷達工作模式識別方法，該方法包括以下主要步驟：(1)建立因素集；(2)構造評判集；(3)支持向量機分類器參數的確定。
【專利說明】
一種雷達工作模式識別方法
技術領域
[0001] 本發明是一種雷達工作模式識別方法，用于提高對雷達工作模式的識別準確率。
【背景技術】
[0002] 雷達工作模式識別是雷達輻射源識別中的一項重要內容，它以脈沖流分類后屬于 同一部雷達的脈沖串為處理對象，用于識別雷達輻射源當前所采用的工作模式、技戰術用 途等內容。
[0003] 目前對雷達工作模式的識別通常基于常規五大參數展開，即到達角（D0A)、載頻 (RF)、到達時間（Τ0Α)、脈寬(PW)和脈幅(PA)。在此基礎之上，本發明將二次參數脈沖重復頻 率(PRF)和數據率(DR)納入識別當中，并增加對支持向量機分類器參數的評判和選擇環節， 以獲得理想的識別準確率。
【發明內容】
[0004] (1)建立因素集；
[0005] (2)構造評判集；
[0006] (3)支持向量機分類器參數的確定。
【附圖說明】
[0007] 附圖1是本發明的流程圖。參照附圖1，本發明的流程由建立因素集、構造評判集和 支持向量機分類器參數的確定3個部分組成。其中1用于確立識別雷達工作模式的參數;2用 于給出待識別的信號可能的工作模式類別;3用于懲罰系數的確定和核函數的選擇。
【具體實施方式】
[0008] 實施本發明的原理如下:對于分選后的雷達信號，利用PDW中的到達時間數據計算 二次參數，即脈沖重復周期和數據率;將row中的載頻、脈寬與脈沖重復周期、數據率進行組 合，得到參數集;之后選擇合適的核函數、模型參數和多分類方案對SVM進行訓練，利用訓練 后的SVM對雷達輻射源信號進行識別。
[0009] (1)建立因素集
[0010] 因素集是支持向量機分類器的輸入，由工作模式識別利用的特征參數構成，主要 包括四個參數，即載頻(RF)、脈寬(PW)、脈沖重復頻率(PDF)和數據率(DR)。
[0011] (2)構造評判集
[0012] 評判集是支持向量機分類器的輸出，反映的是最終識別結果，對應的是待識別的 信號可能的工作模式類別。
[0013] (3)支持向量機分類器參數的確定
[0014] 1)懲罰系數的確定
[0015]
，決定著對錯分樣本的懲罰程度，其確定 至關重要，有文獻圍繞懲罰系數對SVM識別效果的影響展開了深入的研究，本發明參考其研 究成果，利用SVM作為分類器進行工作模式識別時，取懲罰系數C為2。
[0016] 2)核函數的選擇
[0017] SVM能夠對非線性樣本進行分類，原理在于其利用核函數將樣本從不可分的低維 空間映射到可分的高維空間，這樣就將非線性不可分問題轉換為線性可分問題。
[0018]常用的核函數有：
[0019] a.線性核函數(Linear)
[0020] Κ(χ，χ'）=χ·χ' （1)該核函數是多項式核的一種特例。
[0021 ] b.多項式核函數(Polynomial，簡稱Poly)
[0022] K(x，x，）= (v(x.x，）+c)p (2)
[0023] 該核函數參數多，計算復雜，式(2)中，v-般取1，根據c和p取值的不同，可以得到 除線性核之外該核函數的其余特殊形式，如
[0024] 齊次多項式核函數:κ(χ，χ'）= (χ · χ'）ρ，即c = 0，peR+;
[0025] 非齊次多項式核函數:K(x，x'）= ((x · x'）+c)p，SPc，peR+
[0026] c.高斯核函數(Gauss)
[0027] K(x，x，）=exp(-x_x，I I/2δ2) (3)
[0028] 該核函數不需要先驗知識，核函數參數δ控制核函數的性能，該函數也叫徑向基 (RBF)核函數。
[0029] d.多層感知器核函數(Sigmoid)
[0030] K(x，x，）=tanh[v(x · X，）+c] (4)
[0031] 式(4)中，v，c>0。使用該核函數時SVM相當于包含一個多層感知器。
[0032] 下面結合實例說明一下整個發明的優勢。
[0033]設經過長期偵測，先驗數據庫中已掌握的雷達型號有A、B、C、D。模擬產生分選后雷 達信號全脈沖數據序列，對不同型號雷達的不同工作模式分別產生1000組樣本，其中500組 樣本用于訓練，500組樣本用于測試，信號參數范圍如表1所示。
[0034] 表1雷達參數范圍
[0037]對于仿真產生的全脈沖數據，首先進行二次參數計算，提取信號的脈沖重復頻率 和數據率，然后將載頻、脈寬、重頻、數據率四個特征參數進行自由組合，組成特征向量，并 分別利用BP神經網絡、PNN神經網絡和支持向量機三種分類器進行工作模式識別實驗。其 中，BP神經網絡的最大迭代次數設為500、訓練目標誤差設為0.0001。
[0038]將載頻、脈寬、重頻、數據率四個特征參數進行自由組合，分別組成一維、二維、三 維、四維特征向量，用于標識多個雷達在不同工作模式下的雷達信號，選用BP神經網絡、PNN 神經網絡和SVM作為模式識別的分類器，對表1所示的4種雷達的9個工作模式進行綜合識 另IJ，得到的識別結果如表2所示。
[0039] 表2不同特征參數條件下的工作模式綜合識別結果（％ )
[0040]
[0041]實驗結果充分說明了本發明的優勢，選擇四維特征向量基于SVM可以獲得理想的 雷達工作模式識別準確率。
【主權項】
1. 一種雷達工作模式識別方法，其特征在于包括以下主要技術措施： (1) 建立因素集 因素集是支持向量機分類器的輸入，由工作模式識別利用的特征參數構成，主要包括 四個參數，即載頻(RF)、脈寬(PW)、脈沖重復頻率(PDF)和數據率(DR) (2) 構造評判集 評判集是支持向量機分類器的輸出，反映的是最終識別結果，對應的是待識別的信號 可能的工作模式類別 (3) 支持向量機分類器參數的確定 具體包括懲罰系數的確定和核函數的選擇。
【文檔編號】G01S7/40GK106093899SQ201610729293
【公開日】2016年11月9日
【申請日】2016年8月25日
【發明人】趙國林, 韓俊, 馮明月, 胡喬林, 石子言
【申請人】趙國林