申请/专利权人：哈尔滨工业大学;中国航天科工集团八五一一研究所

申请日：2022-05-19

公开（公告）日：2023-08-08

公开（公告）号：CN116561547A

主分类号：G06F18/213

分类号：G06F18/213;G06F18/10;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.08.25#实质审查的生效;2023.08.08#公开

摘要：一种基于深度学习的敌我识别信号识别方法，涉及信号识别领域。本发明是为了解决现有敌我识别信号人工设计困难以及现有敌我识别信号识别方法的识别虚警率或漏警率过高导致难以满足敌我识别信号识别需求的问题。本发明包括：获取待识别的IFF信号，并将待识别的IFF信号输入到训练好的IFF信号识别模型中获得雷达敌我识别信号的分类和雷达敌我识别信号起始位置的相对位置关系。训练好的IFF信号识别模型通过以下步骤获得：获取IFF信号训练集和测试集；利用训练集训练IFF信号识别模型获得训练好的IFF信号识别模型；利用测试集对训练好的IFF信号识别模型进行测试获得测试号的IFF信号识别模型。本发明用于识别敌我识别信号。

主权项：1.一种基于深度学习的敌我识别信号识别方法，其特征在于所述方法具体过程为：获取待识别的IFF信号，并将待识别的IFF信号输入到训练好的IFF信号识别模型中获得雷达敌我识别信号的分类和雷达敌我识别信号起始位置的相对位置关系；所述训练好的IFF信号识别模型通过以下步骤获得：步骤一、获取IFF信号训练集和测试集：步骤一一、利用IFF信号模型和雷达接收机信道模型获取IFF信号数据集：首先，利用IFF信号模型在一段空白信号中随机生成不同模式的IFF信号，并记录每个模式信号在空白信号段上的起始位置；所述IFF信号包括：询问IFF信号、应答IFF信号；所述询问IFF信号通过第一信号阈值分为询问IFF短信号和询问IFF长信号；所述应答IFF信号通过第二信号阈值分为应答IFF短信号和应答IFF长信号；然后，利用雷达接收机信道模型模拟信号干扰，获取带干扰的不同模式的信号组成的带干扰的信号段；模拟的信号干扰包括：中频抖动、采样时钟抖动、路径损耗、加性Alpha稳定分布噪声、随机帧缺失、TACAN导航系统信号；然后，在带干扰的信号段上进行若干次随机位置采样，并将每次的采样结果保存为数据集样本；最后，为每个数据集样本定义样本标签并对标签进行赋值，获得带有标签的数据集样本，所有带标签的数据集样本组成IFF信号数据集；步骤一二、将步骤一一获取的IFF信号数据集划分为训练集和测试集，获得IFF信号训练集和测试集；步骤二、利用训练集训练IFF信号识别模型获得训练好的IFF信号识别模型；所述IFF信号识别模型包括：卷积神经网络层，胶囊网络层，通道注意力机制层，全连接层；所述卷积神经网络层用于将输入的IFF信号转换为标量特征图；所述胶囊网络层包括：初始胶囊网络单元、数字胶囊单元；所述初始胶囊网络单元用于将卷积神经网络层输出的标量特征图转换为向量特征图；所述数字胶囊单元用于将向量特征图压缩为二维特征向量；所述注意力机制用于将二维特征向量再次压缩获得一维特征向量；所述全连接层的层数为3层用于输出信号的分类和信号起始位置的相对位置关系；步骤三、利用测试集对训练好的IFF信号识别模型进行测试，若准确率大于预设准确率阈值则保存该模型，若准确率低于预设的准确率阈值则调整模型的超参数重新获取训练集进行训练直至识别准确率大于预设准确率阈值。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学;中国航天科工集团八五一一研究所 一种基于深度学习的敌我识别信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD