基于神经网络的多功能雷达行为辨识方法

方 旖, 毕大平, 潘继飞,2, 陈秋菊,2

(1.国防科技大学电子对抗学院，合肥，230037； 2.国防科技大学电子对抗信息处理实验室，合肥，230037)

大数据分析技术与人工智能技术的发展为雷达对抗带来了革命性影响。相控阵、软件化等技术的应用大大提升了多功能雷达系统(Multi-Function Radar, MFR)的智能化程度。MFR必须具备及时准确地感知与辨识雷达状态动态变化的能力，才能引导对抗装备敏捷地决策出最优的对抗策略，进而实施认知对抗。面对波束、体制与信号形式均能自适应捷变的多功能雷达目标辐射源的情况，传统的“精度”驱动的对抗侦察手段显然难以适应。行为识别需要获取足够多、足够全面的数据样本，构造可用于深度学习的数据集，并且基于“数据”驱动的智能分析辨识手段，才能使其性能远高于传统方法。

在雷达行为辨识问题的研究中，Visnevski等人首先引入句法模式识别理论，分析多功能雷达工作模式的活动规律[1]。在此基础上，引入多功能雷达各状态的概率分布[2]，在雷达字提取中出现插入、缺失及替换情况下，完成对雷达工作模式的识别。将多层次模型同时应用到脉冲组数据和行为模式上[3-4]，可以描述脉冲参数与行为模式的各个层次之间的联系。但是各层次建模过程中的门限值难以设定，容易受到噪声干扰。传统的识别方法通常利用构建相干处理周期(CPI)矩阵，并将矩阵与先前搭建的雷达数据库进行关联[5]。此方法原理简单，但受设定的门限值影响较大，只能划分参数特征区别明显的脉冲序列，并且需要在已知上一级行为状态的情况下，才能完整进行识别分析。……