[发明专利]一种融合先验知识的小样本雷达工作模式分类方法

说明书

本发明公开了一种融合先验知识的小样本雷达工作模式分类方法，包括获取各雷达工作模式下的脉冲数据，根据脉冲数据生成伪图片样本；将生成的伪图片样本输入原型网络进行分类训练，得到每一类的类中心向量；利用先验知识构建知识向量和标签，输入中心网络进行训练，得到每一类的预中心向量；构建损失函数，将损失函数反向传播以更新融合先验知识的原型网络的网络参数，得到最优原型网络；利用最优原型网络对待识别的脉冲数据进行雷达工作模式识别分类。本发明通过结合雷达各工作模式下脉冲参数的变化规律作为先验知识经过中心网络映射为预中心向量后加入原型网络的损失函数并进行反向传播，提高了小样本情况下雷达工作模式分类的准确率。

技术领域

本发明涉及雷达信号识别技术领域，具体涉及一种融合先验知识的小样本雷达工作模式分类方法。

背景技术

识别雷达信号作为雷达对抗系统中的一个重要环节，在电子侦察中发挥着不可比拟的作用。识别雷达信号包括首先识别对方的雷达辐射源型号及进一步地识别出其属于该型号下的多种工作模式的哪种类别，即雷达工作模式的分类，才能对对方的行为意图加以预测并及时进行干扰。然而在实际情况中，接收到对方的雷达信号的脉冲样本数可能是极少的，这使得我们在对雷达工作模式进行分类时面临许多困难。

雷达工作模式的分类是指以脉冲流为同一部雷达的脉冲串为处理对象，通过对此脉冲串参数的分析处理，来完成对当前雷达辐射源的多种工作模式的分类，以便后续做出更加合理的防御及干扰决策。目前对雷达的工作模式的分类主要分为基于载波频率、脉冲到达角、脉冲到达时间、脉冲重复间隔等多维特征参数的基于参数的雷达工作模式分类方法，和新出现的基于句法的雷达工作模式分类方法。本发明所采用的是基于参数的雷达工作模式分类方法。

由于传统的雷达工作模式分类方法无论是基于参数的模式分类方法或是基于句法的模式分类方法，对脉冲串的处理途径可以分为基于机器学习，如经典的SVM算法；或基于深度学习，如卷积神经网络等深度神经网络。以上方法均是以具有大量的训练样本为前提，难以满足小样本雷达辐射源的工作模式分类任务，所以如何完成小样本情况下的雷达工作模式识分类并提高识别准确率具有重大意义。

发明内容

针对现有技术中的上述不足，本发明提供了一种融合先验知识的小样本雷达工作模式分类方法，以实现在雷达脉冲样本数量很少的情况下，完成雷达工作模式分类的任务，并通过融合先验知识的技术手段提高分类准确率。

为了达到上述发明目的，本发明采用的技术方案为：

一种融合先验知识的小样本雷达工作模式分类方法，包括以下步骤：

S1、获取各雷达工作模式下的脉冲数据，根据脉冲数据生成伪图片样本；

S2、将步骤S1生成的伪图片样本输入原型网络进行分类训练，得到每一类的类中心向量；

S3、将各雷达工作模式下的脉冲变化规律作为先验知识构建知识向量，并将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签，输入中心网络进行训练，得到每一类的预中心向量；

S4、根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数，将损失函数反向传播以更新融合先验知识的原型网络的网络参数，得到最优原型网络；

S5、利用最优原型网络对待识别的脉冲数据进行雷达工作模式识别分类。

进一步地，所述步骤S1具体包括以下分步骤：

S11、获取多个雷达不同工作模式下的脉冲数据，分别提取脉冲到达时间、脉冲载频和脉冲宽度参数；

S12、将每相邻两个脉冲数据的脉冲到达时间参数作差，得到脉冲间隔频率参数；

S13、将每种雷达工作模式下的脉冲间隔频率、脉冲载频和脉冲宽度参数作为三维特征，并根据每连续的设定个数的脉冲数据生成伪图片样本。