公开(公告)号：CN117991195A

公开(公告)日：2024-05-07

申请号：CN202410100927.6

申请日：2024-01-24

Applicant: 杭州电子科技大学

Inventor： 尹帅 ,  陈海龙 ,  孙闽红 ,  李敏乐 ,  仇兆炀

IPC: G01S7/02 ,  G01S13/88 ,  G01S13/02

Abstract: 本发明公开了基于双层R‑D3QN的雷达智能干扰决策方法及系统，方法如下：S1、初始化工作模式记忆库和信号参数记忆库大小、记忆库指针，初始化双层R‑D3QN当前值网络和目标值网络、学习率、折扣因子、贪婪因子、工作模式规则库、信号参数规则库；S2、设置训练样本门限值，网络参数更新间隔、训练样本抽取间隔及网络更新计数器，初始化训练步骤数x，设置总训练次数；S3、进行训练；S4、更新工作模式规则库、信号参数规则库；S5、返回执行S3，直到x达到总训练次数，得到训练好的两个R‑D3QN模型的当前值网络；S6、利用当前值网络，对识别的雷达工作模式和信号参数，选择价值最高的干扰策略和参数。本发明提高了雷达干扰决策能力，针对雷达的工作模式能选择合适的干扰。

公开(公告)号：CN117786506A

公开(公告)日：2024-03-29

申请号：CN202410102606.X

申请日：2024-01-24

Applicant: 杭州电子科技大学

Inventor： 韦亮 ,  陈海龙 ,  孙闽红 ,  李敏乐 ,  仇兆炀

IPC: G06F18/241 ,  G06F18/213 ,  G06F18/22 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/045

Abstract: 本发明公开了基于对比Conformer的小样本标注雷达脉内调制识别方法及系统，方法步骤如下：步骤一、产生无标注的训练集、验证集和有标记的训练集、验证集、测试集的雷达脉内I/Q数据并进行预处理；步骤二、构造基于对比学习的Conformer网络模型，初始化参数；步骤三、将步骤一所得到无标注的雷达脉内I/Q数据经过数据增强，产生正例对和负例对后一并输入到对比Conformer网络模型进行训练。步骤四、构造除去对比部分但构造相同、参数相同的Conformer网络模型且改进最后一层以适应目标任务完成。将训练集和验证集中有标注的雷达脉内I/Q数据输入，微调网络并保存网络模型。步骤五、将测试集的数据输入到步骤四保存的网络模型，完成对其脉内调制的识别。

公开(公告)号：CN117668639A

公开(公告)日：2024-03-08

申请号：CN202311602874.X

申请日：2023-11-28

Applicant: 杭州电子科技大学

Inventor： 田煦然 ,  陈海龙 ,  孙闽红 ,  李敏乐 ,  仇兆炀

IPC: G06F18/241 ,  G01S7/41 ,  G01S7/36 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0895

Abstract: 本发明公开了一种基于SMCFN模型结合CFNO的半监督雷达辐射源个体识别方法及系统，本发明方法步骤如下：S1、对于不同辐射源发射的脉冲数据，取固定长度为N的脉冲数据作为一个样本并进行预处理；S2、对于无标记样本进行弱增强和强增强；S3、设计一个基于SMCFN结合CFNO的模型，并对其参数进行初始化设置；S4、将标记样本、无标记样本的弱增强与强增强样本输入到基于SMCFN结合CFNO的模型进行网络训练，并将训练所得到的特征提取器和分类器权重进行保存；S5、将待测雷达辐射源的脉冲数据预处理后输入训练的基于SMCFN结合CFNO的模型进行识别，得到雷达辐射源个体识别结果。本发明可在少量标记样本和充足的无标记样本情况下提高雷达辐射源个体识别正确率。