[发明专利]基于预测状态表示模型的多功能雷达信号预测方法

说明书

【技术领域】

本发明属于多功能雷达领域，具体涉及到多功能雷达信号预测技术，更进一步来说是针对截获的多功能雷达脉冲序列提出了一种基于预测状态表示模型的多功能雷达信号预测方法。

【背景技术】

多功能雷达(MFR)作为一种具有多模式、多任务和高度智能化的感知系统，展现出极强的灵活性和自适应能力，同时也给战场电磁环境侦察和电子战带来了巨大挑战。目前自适应雷达对抗技术大多针对雷达的即时信号做出响应，但这一方式存在明显的滞后性。由于对抗措施仅依据雷达的历史状态或行为来决策，因而当面对波形极其灵活和复杂的MFR时，并不能达到最佳的对抗效果。只有对MFR信号进行准确预测，才能够对雷达的行为有所预判，提前采取针对性的对抗措施，从而更加有效地实现自适应的雷达对抗。MFR信号的预测对于实现自适应雷达对抗十分关键，但鉴于MFR信号的复杂性，。本发明将随机动态系统建模方法引入对雷达信号的分析，结合MFR信号的多层级结构，利用经过预训练的预测状态表示(PSR)模型，尝试对MFR信号进行预测。结合MFR信号的具体特征，对应构建了MFR的PSR模型，研究了低先验信息条件下对MFR工作模式概率分布的估计方法，提出了MFR信号多步预测方法，并通过仿真实验对本发明方法的有效性予以验证。

【发明内容】

本发明的目的在于提供一种基于预测状态表示模型的多功能雷达信号预测方法，利用PSR模型实现MFR信号预测。

为了达到上述目的，本发明基于预测状态表示模型的多功能雷达信号预测方法，步骤如下：

步骤一：建立MFR的PSR模型；

非受控系统的PSR模型可表示为一个四元组<O,h,e,p(e|h)>：

O为观测空间，一个包含所有观测值的有限离散集合，一个观测o∈O；为经历，指从初始时刻开始并止于当前时刻的观测序列，h＝o₁o₂…o_t；e为事件，指在经历之后的观测序列，e＝o_t+1o_t+2…。对于线性PSR模型，若所有事件的概率均可由一组事件概率的线性组合表示，则称这组事件为核心事件，Q＝{q₁,q₂,…,q_|Q|}；p(e|h)为给定经历h条件下事件e发生的概率。

下面将MFR雷达字序列用PSR模型表示：

设全部雷达字的有限集为W，每个雷达短语由n个雷达字串联而成，那么t时刻的观测o_t为一个n个雷达字的短序列，观测空间O＝Wⁿ。事件e为当前时刻的观测o_t，核心事件集Q为该工作模式下的雷达短语集合。设寄存器位数为m，则记忆为经历h中所有长度不大于m的后缀的集合。

因此，在经历h条件下发生事件e的概率p(e|h)为：

p(e|h)＝p(e＝o_t|h＝o₁o₂…o_t-1) (1)

核心事件Q＝{q₁,q₂,…,q_|Q|}的概率分布为：

p(Q|h)＝[p(q₁|h),p(q₂|h),…,p(q_|Q||h)]^T (2)

根据Q的定义，任何观测发生的概率均可由p(Q|h)的线性组合来表示，故存在m_o使得

p(o|h)＝p^T(Q|h)m_o (3)

令当得到新的观测o后，p(Q|h)将更新为：

上面出现的条件概率所表示的意义有所不同：h与l均属于经历，o和q均为事件，当“|”两侧为同一类符号时，条件概率表示观测概率，如p(l|h)和p(o|q)，反之则表示转移概率，如p(q|h)。

步骤二：进行PSR模型训练；

首先利用字符串处理工具对训练雷达字序列S进行预处理；计算噪声阈值并滤除噪声；寻找线性无关向量，最终提取出核心事件集Q和界标集L。

步骤三：MFR工作模式后验概率分布估计；