本技术介绍了一种利用深度学习网络,特别是卷积神经网络(CNN),来提取雷达跟踪信号包络的方法。该方法通过分析深度学习过程中的梯度反馈,增强了信号识别的准确性,提高了雷达侦察信息处理的效率。
背景技术
目前国内的雷达辐射源相关识别内容中,主要集中在雷达辐射源型号、体制、工作状态和个体等方面,工作状态的识别方法中有一种常用的方法是基于雷达字、雷达短语等句法模式的识别。
Visnevski等人将多功能雷达信号序列视为形式语言理论中的字符串,运用NSE-CFG对多功能雷达建模。Latombe等研究了雷达文法产生式概率的快速估计方法;Wang等人利用Markov调制的随机上下文无关文法(Stochastic CFG,SCFG)对多功能雷达进行句法建模。Wang和Krishnamurthy等人利用随机上下文无关文法来捕获多功能雷达的动态特征。代鹂鹏等人利用SCFG对多功能雷达信号产生机制进行建模,利用EM算法估计文法产生式概率,并采用Viterbi方法对多功能雷达的工作状态进行估计。
以上估计过程中将雷达信号序列划分为雷达字、雷达短语、雷达句子等,可以在识别雷达工作状态的过程中,采用的Viterbi算法进行反演雷达状态序列搜跟的隶属度。以上的方法对雷达参数的参数先验知识、规律性和我方侦察接收的完整性等有较高的要求,而实际上雷达对我方平台的瞬时工作状态是搜索还是跟踪应该取决于雷达扫描波束的调度,是反映在脉冲幅度(PA)序列中的,以上方法都未排除对雷达参数值的影响。
实现思路