一种无需先验知识的雷达工作模式实时识别仪制造技术

本发明专利技术公开了一种无需先验知识的雷达工作模式实时识别仪，用于对雷达工作模式进行实时识别，由雷达目标检测仪、雷达信号采集表、数据库、雷达工作模式实时分类识别仪、分类结果显示仪等几部分构成。其中雷达工作模式实时分类识别仪，包括数据预处理模块、参数寻优模块、实时分类模块以及集成模块。本发明专利技术克服了现有雷达工作模式识别仪需要先验知识、无法实时识别雷达工作模式的缺陷，通过参数寻优模块实现无需先验知识的分类，并通过结合高敏捷性的实时分类模块和高鲁棒性的集成模块，实现了雷达工作模式的快速、高效且稳定的实时识别。

【技术实现步骤摘要】
一种无需先验知识的雷达工作模式实时识别仪
本专利技术涉及雷达工作模式识别领域，具体是一种无需先验知识的雷达工作模式实时识别仪。
技术介绍
随着科技的发展，航空航天信息化程度越来越高，自20世纪30年代电子对抗的诞生以来，电子对抗处于越来越重要的地位，电子对抗技术也得到较快发展。电子对抗利用雷达设备、无线电通信、电子制导等各类系统中的电磁信息进而获得航空航天主动权。电子对抗系统的常见功能有电子侦查、电子压制以及电子防御等，其中电子侦查是另外两个功能有效实施的必要前提。电子对抗系统通过区域监视确定周围电磁信号发射源的身份以及发射该信号的目的，以便进行威胁评估，并为后续的电子压制和电子防御提供支撑。其中雷达辐射源识别技术是电子侦查的核心技术之一。雷达辐射源识别技术通过提取雷达信号的某个特征或多个特征集来实现对信号类型的唯一识别，广泛用于电子对抗的各个领域，例如无线网络安全、无线电监视等。现代雷达往往具有多种功能，在电子对抗时，识别雷达的工作模式，进而掌握目标雷达动向、了解其指挥者的意图，对于后续电子对抗应对策略的制定具有重要意义。但是，当前的雷达工作模式识别仪，大都需要基于先验知识来实现对应识别算法的计算要求，且很难达到实时识别的速度要求。因此，现代电子对抗，对于新型的特别是无需先验知识的雷达工作模式识别仪的需求，就显得尤为迫切，具有极大的应用市场和应用价值。
技术实现思路
为了克服目前雷达工作模式识别仪需要先验知识、识别速度慢的以上不足，本专利技术的目的在于提供一种无需先验知识的实时雷达工作模式识别仪，相比原有识别仪识别速度慢、需要先验知识的不足，该新颖的识别仪实现了无需先验知识的快速、准确的实时雷达工作模式的识别，使得基于该识别仪的电子侦察能够精准快速地识别出目标雷达的工作模式。本专利技术解决其技术问题所采用的技术方案是：由雷达目标检测仪、雷达信号采集表、数据库、雷达工作模式实时分类识别仪、分类结果显示仪几部分构成。所述雷达目标检测仪负责检测是否有未知雷达出现，与雷达信号采集表相连；雷达信号采集表将雷达目标检测仪的数据进行采集，并存入与其相连的数据库中；数据库与雷达工作模式实时分类识别仪、分类结果显示仪依次连接，通过雷达工作模式数据实现模式分类识别。其中雷达工作模式实时分类识别仪，包括数据预处理模块、参数寻优模块、实时分类模块以及集成模块。其特征在于：所述数据预处理模块与参数寻优模块相连，将雷达工作模式信号数据作为输入，将经过处理后的输出信号数据作为参数寻优模块的输入；所述参数寻优模块与对应实时分类模块连接，训练寻优实现代替先验知识的搜索；各实时分类模块均和同一个集成模块相连，集成模块将各个实时分类模块的分类结果进行集成推理，输出最终结果，其中：数据预处理模块：其输入来自多功能相控阵雷达在采样频率为2MH下的300个采样点组成的时频数据为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标m表示第m次检测、n分别表示第n维变量，xmn表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{xm1，xm2，...xm300}。实时分类模块：基于相关向量机(RelevanceVectorMachines，RVM)算法，用于建立诊断系统，提高系统测试敏捷性。在相关向量机中，假设y符合高斯分布，将高斯核函数应用到y(x)，其中yc为y的估计值，κ为函数的宽度参数，可以得到似然估计函数：其中t＝(t1，t2...tN)T，w＝(w1，w2...wTN，w表示权重系数，t表示分类类别共N类，P表示概率结果、x为输入数据、y为输出数据，下标i表示第i个数据，上标T表示矩阵的转置。在相关向量机中，权值w可以通过极大似然估计来确定，但是为了防止过拟合，通过高斯先验概率分布来约束参数：其中，α是N+1维超参数，该值的引入导致了系统的稀疏性；wi表示当前维度的权值，表示第i维度的超参数的倒数。根据先验概率和贝叶斯定理，应用拉普拉斯原理计算出近似的后验概率：(1)由于p(w|t，α)∝p(t|w)p(w|α)，对当前固定的α值求出最大可能的权值wMP，采用二阶牛顿法求得wMP；其中，yn＝σ{y(xn；w)}，A＝diag(α0，α1，...αN)；tn表示对应维度n的权重系数；(2)利用拉普拉斯方法，将对数后验概率进行二次逼近，将上式进行两次求导得到：其中，Φ＝[φ(x1)，φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵，并且φ(xi)＝[1，K(xx，x1)，K(xi，x2)，...，K(xi，xN)]T。B＝diag(β1，β2，..βN)是一个对角矩阵，并且βi＝σ{y(xi)}[1-σ(xi)]。对上式右边取负号再求逆矩阵，即可得到协方差矩阵∑。(3)利用wMP和∑，对超参数α进行更新，更新公式如下：其中，为更新后的ai；最终，可以得到后验协方差为：∑＝(ΦTBΦ+A)-1wMP＝∑ΦTBt(7)其中∑是后验协方差；相关向量机通过引入贝叶斯框架使得系统更加具有稀疏性；该系统的泛化性能较好，推理时间极短，能够很好的使用于实时雷达工作模式识别任务。参数寻优模块：通过基于引力搜索算法的参数寻优策略，优化实时分类模块中涉及到的高斯核函数中的超参数κ，实现各个分类模块的全局最优，其具体实现步骤如下：所述改进引力搜索算法优化模块用于采用改进引力搜索算法对相关向量机模块的核参数κ进行优化，实现具体步骤如下：(1)算法初始化，随机初始化所有粒子，每个粒子代表问题的一个候选解；在一个D维的搜索空间中，假设有NP个粒子，定义第i个粒子的位置为设定迭代结束条件，即最大迭代次数itermax；(2)在某t时刻，定义第j个粒子作用在第i个粒子上的引力大小为：其中，Maj(t)和Mpi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量，Rij(t)是第i个粒子和第j个粒子之间的欧氏距离，ε是一个很小的常量，G(t)是在t时刻的引力常数：其中，α是下降系数，G0是初始引力常数，itermax是最大迭代次数；(3)粒子的惯性质量依据其适应度值的大小来计算，惯性质量越大表明它越接近最优值，同时意味着该粒子的吸引力越大，但其移动速度却越慢；假设引力质量与惯性质量相等，粒子的质量可以通过适当的运算规则去更新，更新算法如下所示：Mai＝Mpi＝Mii＝Mi，i＝1，2，...，NP(11)其中，fiti(t)代表在t时刻第i个粒子的适应度值的大小；Mi(t)是第i个粒子的惯性质量；mi表示第i个粒子的绝对质量，mj表示第j个粒子的绝对质量；Mii表示第i个粒子的自身引力质量。对求解最小值问题，be本文档来自技高网...

【技术保护点】
1.一种无需先验知识的实时雷达工作模式识别仪，其特征在于，由雷达目标检测仪、雷达信号采集表、数据库、雷达工作模式实时分类识别仪、分类结果显示仪几部分构成。所述雷达目标检测仪负责检测是否有未知雷达出现，与雷达信号采集表相连；雷达信号采集表将雷达目标检测仪的数据进行采集，并存入与其相连的数据库中；数据库与雷达工作模式实时分类识别仪、分类结果显示仪依次连接，通过雷达工作模式数据实现模式分类识别。其中雷达工作模式实时分类识别仪，包括数据预处理模块、参数寻优模块、实时分类模块以及集成模块。其特征在于：所述数据预处理模块与参数寻优模块相连，将雷达工作模式信号数据作为输入，将经过处理后的输出信号数据作为参数寻优模块的输入；所述参数寻优模块与对应实时分类模块连接，训练寻优实现代替先验知识的搜索；各实时分类模块均和同一个集成模块相连，集成模块将各个实时分类模块的分类结果进行集成推理，输出最终结果。/n

【技术特征摘要】
1.一种无需先验知识的实时雷达工作模式识别仪，其特征在于，由雷达目标检测仪、雷达信号采集表、数据库、雷达工作模式实时分类识别仪、分类结果显示仪几部分构成。所述雷达目标检测仪负责检测是否有未知雷达出现，与雷达信号采集表相连；雷达信号采集表将雷达目标检测仪的数据进行采集，并存入与其相连的数据库中；数据库与雷达工作模式实时分类识别仪、分类结果显示仪依次连接，通过雷达工作模式数据实现模式分类识别。其中雷达工作模式实时分类识别仪，包括数据预处理模块、参数寻优模块、实时分类模块以及集成模块。其特征在于：所述数据预处理模块与参数寻优模块相连，将雷达工作模式信号数据作为输入，将经过处理后的输出信号数据作为参数寻优模块的输入；所述参数寻优模块与对应实时分类模块连接，训练寻优实现代替先验知识的搜索；各实时分类模块均和同一个集成模块相连，集成模块将各个实时分类模块的分类结果进行集成推理，输出最终结果。


2.根据权利要求1所述无需先验知识的实时雷达工作模式识别仪，其特征在于，所述数据预处理模块的输入来自多功能相控阵雷达经过2MH的采样频率后由300个采样点组成的时频数据为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：



其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标m表示第m次检测、n分别表示第n维变量，xmn表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{xm1,xm2,...xm300}。


3.根据权利要求1所述无需先验知识的实时雷达工作模式识别仪，其特征在于，所述实时分类模块基于相关向量机(RelevanceVectorMachines，RVM)算法，用于建立诊断系统，提高系统测试敏捷性；
在相关向量机中，采用高斯核函数其中yc为y的估计值，κ为高斯核函数的宽度参数，可以得到似然估计函数：



其中t＝(t1,t2...tN)T，w＝(w1,w2...wTN)，w表示权重系数，t表示分类类别共N类，P表示概率结果、x为输入数据、y为输出数据，下标i表示第i个数据，上标T表示矩阵转置；
在相关向量机中，权值w可以通过极大似然估计来确定，但是为了防止过拟合，通过高斯先验概率分布来约束参数：



其中，α是N+1维超参数，该值的引入导致了系统的稀疏性；wi表示当前维度的权值，表示第i维度的超参数的倒数；
根据先验概率和贝叶斯定理，应用拉普拉斯原理计算出近似的后验概率：
(1)由于p(w|t,α)∝p(t|w)p(w|α)，对当前固定的α值求出最大可能的权值wMP，采用二阶牛顿法求得wMP；



其中，yn＝σ{y(xn；w)}，A＝diag(α0,α1,...αN)；tn表示对应维度n的权重系数；
(2)利用拉普拉斯方法，将对数后验概率进行二次逼近，将上式进行两次求导得到：



其中，Φ＝[φ(x1),φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵，并且φ(xi)＝[1,K(xi,x1),K(xi,x2),...,K(xi,xN)]T。B＝diag(β1,β2,..βN)是一个对角矩阵，并且βi＝σ{y(xi)}[1-σ(xi)]。对上式右边取负号再求逆矩阵，即可得到协方差矩阵Σ。
(3)利用wMP和∑，对超参数α进行更新，更新公式如下：



其中，γi≡1-αi∑ii；为更新后的ai；
最终，可以得到后验协方差∑为：
∑＝(ΦTBΦ+A)-1wMP＝∑ΦTBt(7)
∑相关向量机通过引入贝叶斯框架使得系统更加具有稀疏性；该系统的泛化性能较好，推理时间极短，能够很好的使用于实时雷达工作模式识别任务。


4.根据权利要求1所述无需先验知识的实时雷达工作模式识别仪，其特征在于，所述参数寻优模块，通过基于引力搜索算法的参数寻优策略，优化实时分类模块中涉及到的高斯...

【专利技术属性】
技术研发人员：刘兴高，陈欣杰，王文海，唐莽，苏建忠，袁健全，张泽银，曾德国，任桢，孔玉，张志猛，陈歆炜，张正辉，徐传刚，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33