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

• 电磁频谱智能+ • 上一篇    下一篇

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. 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 发布日期: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. 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

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: