多功能雷达信号识别：基于RGCN的工作模式识别方法

多功能雷达信号识别：基于RGCN的工作模式识别方法

引用

CSDN

1.

https://m.blog.csdn.net/qq_42259418/article/details/143056330

雷达信号识别是雷达系统中的关键技术之一，随着雷达功能的多样化，如何准确识别雷达的工作模式变得尤为重要。本文将介绍多功能雷达信号识别的相关内容，包括常用于处理的信号特征、多功能雷达的工作模式以及基于RGCN的模式识别方法。

一、常用于处理的信号特征

文献[一种基于RGCN的多功能雷达工作模式识别方法]研究脉冲信号8个维度特征：

1. 脉冲间隔PR
2. 脉宽
3. 占空比
4. 脉内调制方式
5. 频率视数 (一段时间,平均窗口,将频谱分为子谱,并对其进行平均得到频率视数)
6. 回照
7. 波束驻留数
8. 带宽

二、多功能雷达工作模式

文献[一种基于RGCN的多功能雷达工作模式识别方法]给出7种多功能雷达工作模式参数，包括：速度搜索(VS)模式、高PRF边测距边搜索(HRWS)模式、中/高-中PRF边测距边搜索(MRWS)模式、边搜索边跟踪(TWS)模式、搜索加跟踪(TAS)模式、单目标跟踪(STT)模式和态势感知(SAM)模式,如表所示。

文献[*]中给出工作模式如下

三、模式识别方法

文献[一种基于RGCN的多功能雷达工作模式识别方法]采用基于RGCN识别方法，将问题抽象为一个图结构。

3.1 基础知识1--GCN与RGCN

【神经网络学习日记(8)】一些图神经网络的简单介绍（GCN、GAT、rGCN）_rgcn介绍-CSDN博客

3.2 基础知识2--节点和边意义

1. 特征参数作为节点：

• 在这个图结构中，每一种特征参数（如脉冲间隔PRI、脉宽、占空比、脉内调制方式、频率视数、回照、波束驻留数、带宽等）都被视为一个独立的节点。（8种节点，初始化具体值）
• 每个节点的特征值对应于该特征参数在具体工作模式下的数值。例如，“脉宽”节点可能有一个特征值，表示在某个具体的工作模式下，雷达脉冲的宽度是多少。

2. 工作模式作为节点：

• 雷达的不同工作模式（如速度搜索模式VS、高PRF边测距边搜索模式HRWS、中/高-中PRF边测距边搜索模式MRWS、边搜索边跟踪模式TWS、搜索加跟踪模式TAS、单目标跟踪模式STT、态势感知模式SAM等）也被视为节点。（1种节点，初始化随机值）
• 与特征参数节点不同，工作模式节点的数值被设置为随机值。这是因为在开始训练模型之前，我们不知道这些工作模式的确切表示。随着模型通过图卷积操作学习特征参数与工作模式之间的关系，这些节点的表示将逐渐更新为有意义的值。

3. 特征关系作为连接关系：

• 在图结构中，节点之间的连接关系代表了特征参数与工作模式之间的相互关系。这些关系是基于雷达系统的物理特性和信号处理知识来定义的。
• 例如：如果某个工作模式下，雷达的脉冲宽度通常较宽，那么在“脉宽”节点和代表该工作模式的节点之间就会有一条边。同样地，如果某个工作模式下，雷达的频率视数较高，那么在“频率视数”节点和代表该工作模式的节点之间也会有一条边。这些连接关系允许RGCN模型在学习过程中捕捉到特征参数与工作模式之间的复杂相互作用。

4. 节点和连接关系的数量：

• 在这个特定的场景中，共有9种节点（1种工作模式节点 + 8种特征参数节点），8种连接关系。

3.2 数据集

(1)仿真了信噪比为5dB至20dB,间隔为5dB,共4个信噪比点下7种不同工作模式。每个信噪比下分别针对每一种模式产生7000组数据。

(2)由于上述提到的八维特征参数量级不同,为简化网络运算并将各维参数映射到同一量级,须将特征参数进行归一化处理,使得各维参数映射到[0,1]区间上。

(3)将每个信噪比下的数据集按照6:2:2的比例划分为三个部分,包括训练集、验证集和测试集。

3.3 与工作模式特征关联的RGCN模型

所有工作模式节点均被标记为表1所示的7种工作模式。每个工作模式及特征作为知识图谱的节点,再根据相应特征的关系建立边。最终,以仿真产生的不同信噪比下的7000条多功能雷达不同工作模式数据集为数据源构建多工作模式知识图谱,用结构化的三元组表示后,可以得到大约56000个三元组知识、17372个实体以及9种关联关系。使用准备好的图对RGCN模型进行培训和评估。

利用10倍交叉验证和测试的方式(将所有数据集划分为十份,将其中一份作为验证集,其他作为训练集进行训练。这样可以排除偶然性,提高泛化能力)。