[0051] 以下通过实施例对本发明的技术方案作进一步解释说明。
[0052] 如图1所示，本发明实施例的多功能雷达辐射源智能识别方法，包括以下步骤：
[0053] S1、通过侦察系统获取具有N种工作模式的目标雷达脉冲信号序列，经脉冲分选、预处理和雷达字匹配后得到雷达字序列，将一定数目的雷达字划分为一组作为多功能雷达的一个工作状态，并将雷达状态符号化和数值化，以1至N的整数表示当前所处工作状态，以‑1至1之间的随机小数代表系统误差，两者相加后得到多功能雷达侦察时间内的观测值序列。假设Mode1表示雷达处于第一种状态，其误差范围为[0,1]之间的随机小数，同理，ModeN表示雷达处于第N种工作状态，其误差范围为[‑1,0]之间的随机小数，其余工作状态误差范围为[‑1,1]之间的随机小数。
[0054] S2、对多功能雷达辐射源的行为模式提取，以多功能雷达工作时不同状态间切换的规律来表征辐射源个体的行为模式，假设雷达的工作状态空间为S＝{s1,s2,…,st‑1,st}，st代表t时刻雷达所处的工作状态，行为模式作为雷达工作状态切换规律的表现，采用状态概率转移矩阵A表示，其中，矩阵内元素aij为雷达从状态si切换至状态sj的概率，si,sj∈S；
[0055]
[0056] 具体步骤如下：
[0057] S21、首先基于改进的马尔科夫模型对多功能雷达状态序列进行建模，结合D‑S证Θ据理论将目标雷达状态集Θ映射至幂集2 上：
[0058] Θ＝{Mode1,Mode2,…,ModeN}
[0059]
[0060] 假设只出现误判至相邻工作状态的情况，根据多功能雷达任务调度的切换准则和实际工作时可发生的转移关系来构建包含N种单一焦元集和N‑1种复合焦元集的新识别框架U，共划分为2N‑1种状态区间：
[0061] U＝{{Mode1},{Mode1,Mode2}，{Mode2},{Mode2,Mode3},{Mode3},…,{ModeN‑1}，{ModeN‑1,ModeN}{ModeN}}
[0062] S22、假设雷达观测状态值序列为X(x1,x2,…,xn)，n为观测时刻，建立时刻t所对应的信度指派函数向量mt＝{μt(1),μt(2),…,μt(i),…,μt(2N‑1)}，其中μt(i)为t时刻状态i的分配概率，1≤i≤2N‑1且i∈U。得到t个时刻的基本概率分配矩阵M(Mass值矩阵)，当具有N种工作模式时可得Mass值矩阵如下：
[0063]
[0064] U中的各工作状态的取值范围如下：
[0065]
[0066] 其中，b为间隔，依据实际情况选取；m1至mN表示对应工作状态整数值。
[0067]
[0068]
[0069]
[0070]
[0071]
[0072]
[0073] 其中，μt(ModeN)表示雷达在时刻t时处于状态ModeN的概率。
[0074] S23、通过t个时刻的基本概率分配矩阵M，利用以下计算公式：
[0075]
[0076] 计算得到该段时间内目标雷达在识别框架U下相应的状态转移概率矩阵P，可表示目标在时间t内的任务调度策略特性，即该多功能雷达辐射源的行为模式：
[0077]
[0078] 其中，矩阵元素pi,j代表雷达从工作状态i转移到状态j的概率。
[0079] S24、基于已知单一焦元集的基本概率分配函数确立概率分配Weight算子的权重，函数值越大说明其对应的单一焦元对预测值有更大的影响。如多功能雷达复合焦元集Modei,j表示该时刻雷达可能处于相邻的状态Modei或状态Modej，将复合焦元集Modei,j的信T度分别分配给Modei和Modej，则Weight算子权重w＝(wi,wj) 满足：
[0080] wi+wj＝1
[0081]
[0082] S3、基于提取的行为模式对多功能雷达进行下一时刻的状态预测，通过多步预测实现短状态序列的扩充，扩充序列由两部分组成，前一部分为真实侦收到的雷达观测状态，后一部分为基于前者提取的行为模式进行多步预测得到的雷达预测状态，具体步骤如下：
[0083] S31、对于原始状态序列X(x1,x2,…,xn)确定扩充步长，当状态序列长度为n＝m2时2
扩充至n′＝(m+1) ；若n开方后得到非整数，则m向上取整；
[0084] S32、基于S2中提取的行为模式Pn预测得到下一时刻各状态概率值向量：
[0085] p＝mn·Pn＝{p1,p1,2,p2,…,pN‑1,N,pN}
[0086] 其中，Pn表示基于长度为n的状态序列提取的状态转移概率矩阵，p为各工作状态的概率。通过步骤S24中Weight算子将复合焦元集信度转换到单一焦元集上，得到：
[0087] p′＝{p′1,p′2,…,p′N‑1,p′N}
[0088] 最大概率值所对应的状态为下一时刻雷达最有可能处于的工作模式x′n+1，将该状态接至原始序列后，得到新的状态序列X′n+1(x1,x2,...,xn,x′n+1)；
[0089] S33、继续对新序列x′n+1进行行为模式提取得到Pn+1。通过mn+1·Pn+1进行未来状态预测得到x′n+2，接至序列x′n+1后得到X′n+2(x1,x2,...,xn,x′n+1,x′n+2)。直至样本序列长度扩充到n′，则该最新状态序列可表示为：
[0090] X′n′(x1,x2,...,xn,x′n+1,x′n+2,...,x′n′),n′≥n
[0091] S4、将状态扩充序列作为样本数据输入深度神经网络进行训练，实现多功能雷达辐射源的识别，具体步骤如下：
[0092] S41、将步骤S3中得到的状态扩充序列保存为尺寸为(m+1,m+1)的图像，进行灰度化、归一化的数据预处理，得到该多功能雷达辐射源个体的一个训练样本；
[0093] S42、构建深度神经网络，如CNN、RNN等，设置卷积核大小、网络深度、神经元数目、训练迭代次数等参数；
[0094] S43、对多部辐射源进行数据采集，将训练样本输入设计的网络进行训练，实现多功能雷达辐射源的有效识别。
[0095] 以具有5种工作模式为例进行说明：搜索(S)、捕获(Acq)、非自适应跟踪(NAT)、距离分辨(RR)、持续跟踪(TM)的多功能雷达为研究对象。如图2所示的实际工作模式转移关系，模拟在复杂电磁环境中雷达经历搜索、目标确认、捕获、处理距离模糊问题后转入持续跟踪并最终失跟目标的全过程，生成一定步长的雷达状态观测序列。
[0096] 1、基于行为模式的多功能雷达未来状态预测仿真
[0097] (1)首先对各工作模式进行编码，利用随机小数模拟侦察系统在脉冲分选、雷达字匹配等环节中的误差，以整数和随机小数相加得到的数值来表示雷达状态的观测值，具体对应关系如下表所示：
[0098] 表1多功能雷达状态编码对应关系
[0099]
[0100] 结合D‑S证据理论，基于信度马尔科夫模型对多功能雷达状态观测值序列进行建模，将具有5种工作模式的多功能雷达状态集Θ映射至幂集上后重新划分状态区间，为符合雷达实际工作模式切换关系，则可从多功能雷达状态集Θ得到共有9种状态的新识别框架U：
[0101] Θ＝{S,Acq,NAT,RR,TM}
[0102] U＝{{S},{Acq},{NAT},{RR},{TM},{S,Acq}，{Acq,NAT},{NAT,RR},{RR,TM}}[0103] (2)本实例假设观测时长为n的雷达状态序列X(x1,x2,...,xn)，根据如图3所示的信度区间建立时刻t所对应的信度指派函数向量mt(t＝1,2,...,n)，得到t个时刻的基本概率分配矩阵M(Mass值矩阵)，其中，μt(i)为t时刻状态i的分配概率，i∈U：
[0104]
[0105] (3)通过t个时刻的Mass值矩阵计算得到该段时间内目标雷达在识别框架U下相应的状态转移概率矩阵P，即该多功能雷达辐射源个体的行为模式，其中，元素pij代表雷达从工作状态i转移到状态j的概率，i,j∈{S,Acq,NAT,RR,TM}，符号对应工作模式见表1。
[0106]
[0107]
[0108] (4)基于已知单一焦元集的基本概率分配函数确立概率分配Weight算子w＝(w1,Tw2) 的权重，函数值越大说明其对应的单一焦元对预测值有更大的影响，比如多功能雷达复合焦元集{S,Acq}表示此时雷达可能处于搜索模式或捕获模式，通过概率分配算法将复合焦元集{S,Acq}的信度按权重比分配给单一焦元集{S}和{Acq}：
[0109] w＝(wS,wAcq)T,wS+wAcq＝1
[0110]
[0111] 其中，wS和wAcq表示搜索和捕获模式各占的权重，μt(S)和μt(Acq)表示时刻t时搜索和捕获模式的基本概率分配函数值。
[0112] (5)如图4所示的基于提取的行为模式P对多功能雷达进行下一时刻的状态预测，得到各状态概率值向量p：
[0113] p＝mt·P
[0114] ＝{pS,pS,Acq,pAcq,pAcq,NAT,pNAT,pNAT,RR,pRR,pTM,pRR,TM}
[0115] 其中，mt为时刻t的信度指派函数向量，pS、pAcq、pNAT、pRR、pTM分别表示雷达在时刻t+1时处于Search、Acq、NAT、RR、TM的概率值，pS,Acq、pAcq,NAT、pNAT,RR、pRR,TM分别表示雷达在时刻t+1时处于对应两种状态其中一种的概率值。
[0116] 此时的预测状态值还包含复合焦元的情况，应用步骤(4)中确立的Weight算子w将复合焦元信度分配至单一焦元子集上，得到：
[0117] p′＝{p′S,p′Acq,p′NAT,p′RR,p′TM}
[0118] 最终转化为5种多功能雷达单一工作模式的预测概率向量，p′S、p′Acq、p′NAT、p′RR和p′TM分别表示下一时刻雷达最可能切换至的工作模式的概率值。
[0119] 本实例仿真场景下，生成侦察步长为10到100的状态序列，每隔10步设置一个实验点，每个实验点进行5000次蒙特卡洛实验。基于行为模式的多功能雷达未来时刻状态预测结果如图6所示，可见雷达状态序列的长度对状态预测准确率也有一定影响。前期信号处理环节造成的状态识别误差在15％时，当状态序列长度低于30，预测准确率不足85％；当长度达到60以上，预测正确率接近90％并趋于稳定。同时该状态预测方法对前期误差不敏感，在50％误差情况下，仍能达到85％的预测正确率。
[0120] 2、基于状态扩充序列的多功能雷达辐射源智能识别仿真
[0121] (1)假设原始雷达状态观测值序列为X(x1,x2,...,xn)，首先确定需要扩充的步长，扩充序列由两部分组成，前一部分为真实侦收到的雷达观测状态，后一部分为基于前者提2
取的行为模式进行多步预测得到的雷达预测状态，当状态序列长度为n＝m 时扩充至n′＝
2
(m+1) ，若n开方后得到非整数，则m向上取整；
[0122] (2)基于仿真1中的预测方法得到下一时刻雷达最有可能处于的工作模式x′n+1，将该状态接至原始序列后，得到新的状态序列X′n+1(x1,x2,...,xn,x′n+1)；
[0123] (3)依据如图5所示的多步预测流程，继续对长度为n+1的新序列x′n+1进行行为模式提取得到Pn+1，再次进行未来状态预测得到x′n+2，接至序列x′n+1后得到X′n+2(x1,x2,...,xn,x′n+1,x′n+2)，直至样本序列长度扩充到n′，则该最新状态序列可表示为：
[0124] X′n′(x1,x2,...,xn,x′n+1,x′n+2,...,x′n′),n′≥n
[0125] (4)将状态扩充序列作为样本数据输入深度神经网络进行训练，实现多功能雷达辐射源的识别，将S3中得到的状态扩充序列保存为尺寸为(m+1,m+1)的图像，进行灰度化、归一化的数据预处理，如图7(a)为步长25的原始短序列样本，(b)为原始短序列未扩充时的行为模式样本，(c)为基于行为模式扩充至步长36的状态序列样本。
[0126] 本实例仿真场景下，分别产生3台任务调度策略有细微差别的同型号多功能雷达辐射源在步长为16、25、36、49、64，81下的状态序列，每种步长条件下，每台各生成1000个样本，共3000个样本。通过上述方法分别扩充至步长25、25、36、49、64、81、100，将状态扩充后的序列作为深度神经网络的输入。本实例以Stacked LSTM网络为例，使用3层LSTM层堆叠来提升对状态序列时序特征的表征能力，仿真结果如图8所示，相比直接输入雷达状态序列样本，本发明可在达到同等识别率下缩短侦察时间，提高雷达辐射源识别系统的性能。由于本文所描述方法针对多功能雷达状态间的转移规律，即在信息层面上提取行为模式，对于电磁环境造成的参数提取误差不敏感，对多功能雷达的型号和工作模式数目也无特定要求，具有更广泛的应用价值。
[0127] 综上，仅为本发明基于具有5种工作模式的多功能雷达辐射源识别实例，并非限定本发明的保护范围。基于多功能雷达行为模式提取的多步预测、基于短状态序列扩充的雷达辐射源智能识别方法是本发明的核心技术内容，凡在本发明上述设计原则和实现要点之内，经过相应修改、替换、改进等操作形成的多功能雷达辐射源智能识别方法，均应包含在本发明的保护范围之内。
