基于深度学习的多功能雷达行为预测技术研究

作     者：吕成 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：孙智

授予年度：2023年

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：雷达行为预测 自注意力机制 对比学习 深度隐变量建模 雷达行为意图 

摘      要：多功能雷达(Multi-Function Radar,MFR)在现代战争中发挥着越来越重要的作用,提前掌握下一时刻敌方MFR的工作状态和行为意图,就能在雷达对抗中占据主导地位。鉴于时序深度学习模型强大的预测能力,研究如何利用深度学习技术发掘敌方MFR的行为模式,进一步实现对电子情报侦察系统的认知赋能,已成为雷达对抗研究中的重要内容。本文在现有雷达字、词、句多层级MFR信号模型的基础上,探究了适用于预测任务的MFR行为表征方式,然后重点研究了MFR信号序列、工作模式两种不同时间尺度下的深度学习预测方法。全文主要工作内容和贡献如下:(1)针对现有MFR信号序列预测方法长距离依赖关系捕获能力不足问题,研究了基于Transformer模型的MFR信号序列预测方法,相比领域现有的马尔可夫链(Markov chain,MC)和长短时记忆模型(Long-Short Term Memory,LSTM)有更强的时序预测能力,且在处理输入序列时没有前后时序限制,可以实现并行化处理;(2)针对现有深度预测模型存在的样本嵌入向量“挤在同一狭窄空间这一表征退化问题,添加对比学习作为模型的正则化损失。其中对比学习所具有性质中的均匀性和对齐性,改善了原来的病态样本嵌入分布,在预测性能已十分优异的Transformer预测模型的基础上,进一步提高了低频高威胁度MFR信号的预测准确率;(3)提出的基于深度隐变量建模的工作模式预测方法,能够从MFR信号序列中估计影响工作模式切换的潜在雷达行为意图隐变量,并利用估计得到的隐变量分布进一步辅助工作模式的预测,可以提升工作模式预测的准确性。在模拟的机载MFR典型执行“空-面任务场景中,相比忽略意图隐变量的影响、直接采用交叉熵优化的方法,预测准确率从77.45%提高到了85.46%。论文的研究成果均已通过仿真实验的形式进行了验证,是对现有MFR行为预测方法的进一步拓展型,为动态博弈等更为复杂场景下的MFR行为规律研究提供了思路,并能够为OODA作战闭环中的战略行动决策提供技术支撑。