基于知识原型网络的小样本多功能雷达工作模式识别

doi:10.12263/DZXB.20210932

电子学报 ›› 2022, Vol. 50 ›› Issue (6): 1344-1350.DOI: 10.12263/DZXB.20210932

所属专题：电磁频谱智能+

基于知识原型网络的小样本多功能雷达工作模式识别

利强¹^,², 张伟¹^,³, 金秋园¹, 姚欣¹

^1.电子科技大学信息与通信工程学院，四川成都 611731
^2.鹏城实验室，广东深圳 518055
^3.电子信息控制重点实验室，四川成都 610036

收稿日期:2021-07-16 修回日期:2021-12-29 出版日期:2022-06-25
- 作者简介:
- 利强男，1982年出生，四川成都人.副教授，博士生导师.分别于2005年、2008年在电子科技大学获得学士和硕士学位，2012年在香港中文大学获得博士学位.主要研究方向为无线通信优化算法、电磁频谱智能感知等.E-mail: lq@uestc.edu.cn
  张伟男，1985年出生，山东泰安人.高级工程师，博士研究生.主要研究方向为非合作信号与信息处理、电子对抗等.
  金秋园女，1996年出生，辽宁大连人.2018年在天津科技大学获得学士学位，2021年在电子科技大学获得硕士学位.主要研究方向为小样本条件下的雷达模式识别. E-mail: 948653552@qq.com
  姚欣男，1998年出生，湖北黄冈人.2019年在湖南大学获得学士学位，目前在电子科技大学攻读硕士学位.主要研究方向为雷达认知干扰决策.
- 基金资助:
- 国家自然科学基金 (62171110)

Multi-Function Radar Working Mode Recognition with Few Samples Based on Knowledge Embedded Prototype Network

LI Qiang¹^,², ZHANG Wei¹^,³, JIN Qiu-yuan¹, YAO Xin¹

^1.School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan 611731, China
^2.Peng Cheng Laboratory, Shenzhen, Guangdong 518055, China
^3.Science and Technology on Electronic Information Control Laboratory, Chengdu, Sichuan 610036, China

Received:2021-07-16 Revised:2021-12-29 Online:2022-06-25 Published:2022-06-25
- Supported by:
- National Natural Science Foundation of China (62171110)

摘要/Abstract

摘要：

在认知电子战中，对多功能雷达工作模式的识别是至关重要的一个环节.在实际中，由于多功能雷达工作模式的多样性、隐藏性，能侦收到的不同工作模式脉冲样本数可能较少.因此，如何在少量样本条件下，准确识别多功能雷达的工作模式，对雷达对抗具有重要意义.针对此问题，本文提出了一种将模式先验知识与原型网络相融合的识别方法.该方法的核心是将雷达工作模式先验知识进行编码映射，并融入原型网络训练，实现知识在网络模型中的内嵌，以在少量训练样本条件下获得更好的识别性能.仿真结果表明，融入了先验知识的原型网络与不使用先验知识的原型网络、SVM分类器相比，识别准确率分别提升了2.9%和10.5%.

关键词: 小样本, 雷达模式识别, 原型网络, 先验知识融合

Abstract:

Multifunctional radar working mode recognition is important for cognitive electronic warfare. In practical applications, due to the diversity and concealment of multifunctional radar operating modes, the intercepted pulses for different operating modes is limited. Therefore, using only limited intercepted pulse records to accurately recognize the modes of the radar is a challenging but important task for radar countermeasures. To address the above problem, this paper proposes a novel recognition method by integrating the prior knowledge with the prototype network. The core of this method is to encode and embed the prior knowledge into prototype network training to obtain better recognition performance with few training samples. The simulation results show that compared with prototype networks and SVM that do not use prior knowledge, the recognition accuracy of the prototype network with prior knowledge is increased by 2.9% and 10.5%, respectively.

Key words: few samples, radar working modes recognition, prototype network, prior knowledge embedding

中图分类号:

TP911.7

利强, 张伟, 金秋园, 姚欣. 基于知识原型网络的小样本多功能雷达工作模式识别[J]. 电子学报, 2022, 50(6): 1344-1350.

LI Qiang, ZHANG Wei, JIN Qiu-yuan, YAO Xin. Multi-Function Radar Working Mode Recognition with Few Samples Based on Knowledge Embedded Prototype Network[J]. Acta Electronica Sinica, 2022, 50(6): 1344-1350.

图/表 12

参考文献 15

1	LIY J, ZHUM T, MAY H, et al. Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM[J]. IET Radar, Sonar & Navigation, 2020, 14(9): 1343-1353.
2	王玉冰, 程嗣怡, 周一鹏, 等. 基于DS证据理论的机载火控雷达空空工作模式判定[J]. 现代雷达, 2017, 39(5): 79-84.
	WANGY B, CHENGS Y, ZHOUY P, et al. Air-to-air operation modes recognition of airborne fire control radar based on DS evidence theory[J]. Modern Radar, 2017, 39(5): 79-84. (in Chinese)
3	董晓璇, 程嗣怡, 周一鹏, 等. 基于时域模糊决策融合的雷达工作模式识别方法[J]. 空军工程大学学报(自然科学版), 2018, 19(6): 59-65.
	DONGX X, CHENGS Y, ZHOUY P, et al. A recognition method of radar operation modes based on time-domain fuzzy decision fusion[J]. Journal of Air Force Engineering University(Natural Science Edition), 2018, 19(6): 59-65. (in Chinese)
4	陈维高, 贾鑫, 朱卫纲, 等. 基于HMM的雷达状态转移估计方法[J]. 北京航空航天大学学报, 2017, 43(10): 2171-2180.
	CHENW G, JIAX, ZHUW G, et al. Radar state transfer estimation method based on HMM[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(10): 2171-2180. (in Chinese)
5	刘海军. 雷达辐射源识别关键技术研究[D]. 长沙: 国防科学技术大学, 2010.
	LIUH J. Researches on Identification Key Technology for Radar Emitter[D]. Changsha: National University of Defense Technology, 2010. (in Chinese)
6	贠洁, 孙闽红, 官友廉. 基于雷达字建模的多功能雷达工作模式识别[J]. 杭州电子科技大学学报(自然科学版), 2020, 40(6): 19-25.
	YUNJ, SUNM H, GUANY L. Recognizing multi-function radar working mode based on radar word modeling[J]. Journal of Hangzhou Dianzi University(Natural Sciences), 2020, 40(6): 19-25. (in Chinese)
7	秦鑫, 黄洁, 查雄, 等. 基于扩张残差网络的雷达辐射源信号识别[J]. 电子学报, 2020, 48(3): 456-462.
	QINX, HUANGJ, ZHAX, et al. Radar emitter signal recognition based on dilated residual network[J]. Acta Electronica Sinica, 2020, 48(3): 456-462. (in Chinese)
8	马爽. 多功能雷达电子情报信号处理关键技术研究[D]. 长沙: 国防科学技术大学, 2013.
	MAS. Research on ELINT Signal Processing Key Technologies for Multifunction Radar[D]. Changsha: National University of Defense Technology, 2013. (in Chinese)
9	刘俊江. 机载火控雷达工作模式识别[J]. 电子测量技术, 2016, 39(2): 131-133, 146.
	LIUJ J. Airborne fire control radar work modes recognition[J]. Electronic Measurement Technology, 2016, 39(2): 131-133, 146. (in Chinese)
10	OU J, CHENY G, ZHAOF, et al. Method for operating mode identification of multi-function radars based on predictive state representations[J]. IET Radar, Sonar & Navigation, 2017, 11(3): 426-433.
11	朱克凡, 王杰贵, 刘有军. 小样本条件下基于数据增强和WACGAN的雷达目标识别算法[J]. 电子学报, 2020, 48(6): 1124-1131.
	ZHUK F, WANGJ G, LIUY J. Radar target recognition algorithm based on data augmentation and WACGAN with a limited training data[J]. Acta Electronica Sinica, 2020, 48(6): 1124-1131. (in Chinese)
12	金秋园. 小样本雷达工作模式的识别研究[D]. 成都: 电子科技大学, 2021.
	JINQ Y. Research of Radar Working Mode Recognition with few Samples[D]. Chengdu: University of Electronic Science and Technology of China, 2021. (in Chinese)
13	赵凯琳, 靳小龙, 王元卓. 小样本学习研究综述[J]. 软件学报, 2021, 32(2): 349-369.
	ZHAOK L, JINX L, WANGY Z. Survey on few-shot learning[J]. Journal of Software, 2021, 32(2): 349-369. (in Chinese)
14	刘颖, 雷研博, 范九伦, 等. 基于小样本学习的图像分类技术综述[J]. 自动化学报, 2021, 47(2): 297-315.
	LIUY, LEIY B, FANJ L, et al. Survey on image classification technology based on small sample learning[J]. Acta Automatica Sinica, 2021, 47(2): 297-315. (in Chinese)
15	樊笛, 巨志勇. 基于原型网络的小样本图像识别方法[J]. 计算机与现代化, 2020, (3): 103-107.
	FAND, JUZ Y. Method of small sample image recognition based on prototype network[J]. Computer and Modernization, 2020, (3): 103-107. (in Chinese)

工作模式	PRI/us		RF/MHz		PW/us
工作模式	类型	取值	类型	取值	类型	取值
1	组变	8 431,3 953 [1,3]	参差	[400/500/600]	抖动	128±8
2	固定	3 061	固定	550	固定	78
3	组变	5 331,4 157,3 528 [2,3,4]	组变	295/385/845 [2,3,4]	多个	70/85/110

工作模式	PRI/us		RF/MHz		PW/us
工作模式	类型	取值	类型	取值	类型	取值
1	组变	8 431,3 953 [1,3]	参差	[400/500/600]	抖动	128±8
2	固定	3 061	固定	550	固定	78
3	组变	5 331,4 157,3 528 [2,3,4]	组变	295/385/845 [2,3,4]	多个	70/85/110

	SVM	原型网络	知识原型网络(无误差)	知识原型网络(误差较小)	知识原型网络(误差较大)
训练准确率	0.940 9	0.967 2	0.996 3	0.950	0.934
测试准确率	0.861 8	0.938 1	0.967 0	0.947	0.916

	SVM	原型网络	知识原型网络(无误差)	知识原型网络(误差较小)	知识原型网络(误差较大)
训练准确率	0.940 9	0.967 2	0.996 3	0.950	0.934
测试准确率	0.861 8	0.938 1	0.967 0	0.947	0.916

	以0填充	以随机高斯数填充
训练准确率	0.993 6	0.995 2
测试准确率	0.934 5	0.945 0

基于知识原型网络的小样本多功能雷达工作模式识别

Multi-Function Radar Working Mode Recognition with Few Samples Based on Knowledge Embedded Prototype Network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 15

相关文章 10

编辑推荐

Metrics

[1]	华小强, 程永强, 王宏强, 王勇献, 张理论. 矩阵信息几何中值检测器[J]. 电子学报, 2022, 50(2): 284-294.
[2]	李维刚, 甘平, 谢璐, 李松涛. 基于样本对元学习的小样本图像分类方法[J]. 电子学报, 2022, 50(2): 295-304.
[3]	蒋留兵, 周小龙, 车俐. 基于无载波超宽带雷达的小样本人体动作识别[J]. 电子学报, 2020, 48(3): 602-615.
[4]	黄健航, 雷迎科. 基于半监督矩形网络的通信电台个体识别[J]. 电子学报, 2019, 47(1): 1-8.
[5]	王文俊. 基于稀疏类别保留投影的基因表达数据降维方法[J]. 电子学报, 2016, 44(4): 873-877.
[6]	武汇岳, 王建民, 戴国忠. 基于小样本学习的3D动态视觉手势个性化交互方法[J]. 电子学报, 2013, 41(11): 2230-2236.
[7]	王文俊. 基于类别保留投影的基因表达数据特征提取新方法[J]. 电子学报, 2012, 40(2): 358-364.
[8]	樊鹤红;刘盼;赵兴群;孙小菡. 小样本条件下行波管可靠性评估方法的研究[J]. 电子学报, 2010, 38(6): 1394-1398.
[9]	鲁智勇;张权;张希;唐朝京. 等效分组级联BP网络模型及其应用[J]. 电子学报, 2010, 38(6): 1349-1354.
[10]	俞研, 黄皓. 基于小样本标记实例的数据流集成入侵检测模型[J]. 电子学报, 2007, 35(2): 234-239.