一种雷达工作模式识别方法
【专利摘要】本发明公开了一种雷达工作模式识别方法，该方法包括以下主要步骤：(1)建立因素集；(2)构造评判集；(3)支持向量机分类器参数的确定。
【专利说明】
一种雷达工作模式识别方法
技术领域
[0001] 本发明是一种雷达工作模式识别方法，用于提高对雷达工作模式的识别准确率。
【背景技术】
[0002] 雷达工作模式识别是雷达辐射源识别中的一项重要内容，它以脉冲流分类后属于 同一部雷达的脉冲串为处理对象，用于识别雷达辐射源当前所采用的工作模式、技战术用 途等内容。
[0003] 目前对雷达工作模式的识别通常基于常规五大参数展开，即到达角（D0A)、载频 (RF)、到达时间（Τ0Α)、脉宽(PW)和脉幅(PA)。在此基础之上，本发明将二次参数脉冲重复频 率(PRF)和数据率(DR)纳入识别当中，并增加对支持向量机分类器参数的评判和选择环节， 以获得理想的识别准确率。
【发明内容】
[0004] (1)建立因素集；
[0005] (2)构造评判集；
[0006] (3)支持向量机分类器参数的确定。
【附图说明】
[0007] 附图1是本发明的流程图。参照附图1，本发明的流程由建立因素集、构造评判集和 支持向量机分类器参数的确定3个部分组成。其中1用于确立识别雷达工作模式的参数;2用 于给出待识别的信号可能的工作模式类别;3用于惩罚系数的确定和核函数的选择。
【具体实施方式】
[0008] 实施本发明的原理如下:对于分选后的雷达信号，利用PDW中的到达时间数据计算 二次参数，即脉冲重复周期和数据率;将row中的载频、脉宽与脉冲重复周期、数据率进行组 合，得到参数集;之后选择合适的核函数、模型参数和多分类方案对SVM进行训练，利用训练 后的SVM对雷达辐射源信号进行识别。
[0009] (1)建立因素集
[0010] 因素集是支持向量机分类器的输入，由工作模式识别利用的特征参数构成，主要 包括四个参数，即载频(RF)、脉宽(PW)、脉冲重复频率(PDF)和数据率(DR)。
[0011] (2)构造评判集
[0012] 评判集是支持向量机分类器的输出，反映的是最终识别结果，对应的是待识别的 信号可能的工作模式类别。
[0013] (3)支持向量机分类器参数的确定
[0014] 1)惩罚系数的确定
[0015]
，决定着对错分样本的惩罚程度，其确定 至关重要，有文献围绕惩罚系数对SVM识别效果的影响展开了深入的研究，本发明参考其研 究成果，利用SVM作为分类器进行工作模式识别时，取惩罚系数C为2。
[0016] 2)核函数的选择
[0017] SVM能够对非线性样本进行分类，原理在于其利用核函数将样本从不可分的低维 空间映射到可分的高维空间，这样就将非线性不可分问题转换为线性可分问题。
[0018]常用的核函数有：
[0019] a.线性核函数(Linear)
[0020] Κ(χ，χ'）=χ·χ' （1)该核函数是多项式核的一种特例。
[0021 ] b.多项式核函数(Polynomial，简称Poly)
[0022] K(x，x，）= (v(x.x，）+c)p (2)
[0023] 该核函数参数多，计算复杂，式(2)中，v-般取1，根据c和p取值的不同，可以得到 除线性核之外该核函数的其余特殊形式，如
[0024] 齐次多项式核函数:κ(χ，χ'）= (χ · χ'）ρ，即c = 0，peR+;
[0025] 非齐次多项式核函数:K(x，x'）= ((x · x'）+c)p，SPc，peR+
[0026] c.高斯核函数(Gauss)
[0027] K(x，x，）=exp(-x_x，I I/2δ2) (3)
[0028] 该核函数不需要先验知识，核函数参数δ控制核函数的性能，该函数也叫径向基 (RBF)核函数。
[0029] d.多层感知器核函数(Sigmoid)
[0030] K(x，x，）=tanh[v(x · X，）+c] (4)
[0031] 式(4)中，v，c>0。使用该核函数时SVM相当于包含一个多层感知器。
[0032] 下面结合实例说明一下整个发明的优势。
[0033]设经过长期侦测，先验数据库中已掌握的雷达型号有A、B、C、D。模拟产生分选后雷 达信号全脉冲数据序列，对不同型号雷达的不同工作模式分别产生1000组样本，其中500组 样本用于训练，500组样本用于测试，信号参数范围如表1所示。
[0034] 表1雷达参数范围
[0037]对于仿真产生的全脉冲数据，首先进行二次参数计算，提取信号的脉冲重复频率 和数据率，然后将载频、脉宽、重频、数据率四个特征参数进行自由组合，组成特征向量，并 分别利用BP神经网络、PNN神经网络和支持向量机三种分类器进行工作模式识别实验。其 中，BP神经网络的最大迭代次数设为500、训练目标误差设为0.0001。
[0038]将载频、脉宽、重频、数据率四个特征参数进行自由组合，分别组成一维、二维、三 维、四维特征向量，用于标识多个雷达在不同工作模式下的雷达信号，选用BP神经网络、PNN 神经网络和SVM作为模式识别的分类器，对表1所示的4种雷达的9个工作模式进行综合识 另IJ，得到的识别结果如表2所示。
[0039] 表2不同特征参数条件下的工作模式综合识别结果（％ )
[0040]
[0041]实验结果充分说明了本发明的优势，选择四维特征向量基于SVM可以获得理想的 雷达工作模式识别准确率。
【主权项】
1. 一种雷达工作模式识别方法，其特征在于包括以下主要技术措施： (1) 建立因素集 因素集是支持向量机分类器的输入，由工作模式识别利用的特征参数构成，主要包括 四个参数，即载频(RF)、脉宽(PW)、脉冲重复频率(PDF)和数据率(DR) (2) 构造评判集 评判集是支持向量机分类器的输出，反映的是最终识别结果，对应的是待识别的信号 可能的工作模式类别 (3) 支持向量机分类器参数的确定 具体包括惩罚系数的确定和核函数的选择。
【文档编号】G01S7/40GK106093899SQ201610729293
【公开日】2016年11月9日
【申请日】2016年8月25日
【发明人】赵国林, 韩俊, 冯明月, 胡乔林, 石子言
【申请人】赵国林