(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111623972.2 (22)申请日 2021.12.28 (65)同一申请的已公布的文献号 申请公布号 CN 114492583 A (43)申请公布日 2022.05.13 (73)专利权人 中国电子科技 集团公司第二十九 研究所 地址 610036 四川省成 都市金牛区营康西 路496号 (72)发明人 杨双懋　李昊　张朔　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 陈法君 (51)Int.Cl. G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 郭一浓 (54)发明名称 一种基于LSTM的雷达 搜索模式识别方法 (57)摘要 本发明公开了一种基于LSTM的雷达搜索模 式识别方法， 包括： S1： 仿真生成两部雷达侦察站 对一部多功能雷达的各类搜索模式下时域雷达 脉冲描述字PDW序列； S2： 把两部雷达侦察站分选 的PDW序列按照预设的时间长度融合构建出数据 集， 将数据集划分为训练样本和测试样本， 每个 样本设置有标签值； S3： 构建LS TM网络， 并初 始化 所述LSTM网络； S4： 根据训练样本， 对LS TM网络进 行训练， 得到多功能雷达搜索模式识别模型； S5： 将步骤S2得到的测试样本输入步骤S4得到的多 功能雷达搜索模式识别模型， 完成多功能雷达搜 索模式识别模型的性能检验； S6： 将需要识别的 两部雷达侦察站 的PDW序列， 输入经步骤S5验证 通过的多功能雷达搜索模式识别模 型， 实现多功 能雷达搜索模式的识别判断。 权利要求书2页 说明书5页 附图2页 CN 114492583 B 2022.12.20 CN 114492583 B 1.一种基于LSTM的雷达搜索模式识别方法， 其特征在于， 所示雷达搜索模式识别方法 包括如下步骤： S1： 仿真生成两部雷达侦察站对一部多功能雷达的各类搜索模式下时域雷达脉冲描述 字PDW序列， 其中， 两 部雷达侦察站分别记为m和n； S2： 把两部雷达侦察站分选的PDW序列按照预设的时间长度融合构建出数据集， 将所述 数据集划分为训练样本和 测试样本， 每 个样本均设置有标签值； S3： 构建LSTM网络， 并初始化所述 LSTM网络； S4： 根据所述训练样本， 对所述LSTM网络进行训练， 得到多功能雷达搜索模式识别模 型； S5： 将步骤S2得到的测试样本输入步骤S4得到的多功能雷达搜索模式识别模型， 完成 多功能雷达 搜索模式识别模型的性能检验； S6： 将需要识别的两部雷达侦察站的PDW序列， 输入经步骤S5验证通过的多功能雷达搜 索模式识别模型， 实现多功能雷达 搜索模式的识别判断。 2.如权利要求1所述的雷达搜索模式识别方法， 其特征在于， 步骤S1中， 生成PDW序列 时， 两部雷达侦察站按照统一的同步时钟对P DW序列进行存 储记录。 3.如权利 要求2所述的雷达搜索模式识别方法， 其特征在于， 步骤S1中， PDW序列包括频 率RF、 脉宽PW、 方位DOA、 重复间隔PRI和幅度PA构成的五维参数； 即是， PDW序列中某向量 包括(rfi,pwi,doai,prii,pai)五个分量。 4.如权利要求1所述的雷达搜索模式识别方法， 其特征在于， 步骤S2中， 两部雷达侦察 站m和n进行融合时， 选取PDW中的重复间隔PRI和幅度PA参与融合构建数据集， 形成数据集 如下： 5.如权利要求4所述的雷达搜索模式识别方法， 其特征在于， 步骤S2中， 按照预设的时 间长度把数据集进行切分， 构成各个样本， 且每 个样本均设置有标签值； 对数据集切分形成的样本按照8 :2的比例分为训练样本和 测试样本 。 6.如权利要求1所述的雷达搜索模式识别方法， 其特征在于， 步骤S3中， 构建的LSTM网 络包括若干各输入层、 隐藏层和输出层结构， 所述隐藏层 采用LSTM的细胞单元， 所述细胞单 元具有依次连接的输入门、 遗 忘门以及输出门结构； 且对LSTM网络进行初始化包括： 设置输入层、 输出层和隐藏层数， 设置初始学习速率和 最大迭代次数。 7.如权利要求6所述的雷达搜索模式识别方法， 其特征在于， 步骤S4中， 对LSTM网络进 行训练的方法包括如下步骤： S41： 根据训练样本进行一次迭代将一组训练样本输入LSTM网络的输入门， 计算输入门 的激活值 it以及t时刻 细胞单元的状态候选值 S42： 计算细胞单元需要丢 弃或保存的信息， 遗忘门根据输入门的激活值it以及t时刻细权　利　要　求　书 1/2 页 2 CN 114492583 B 2胞单元的状态候选值 计算得到新的状态值ct； S43： 根据新的状态值ct， 计算t时刻输出门的激活值 ot以及输出值ht； S44： 对输 出值ht和训练样本的标签值， 计算LS TM网络的损失函数； 若迭代次数小于最大 迭代次数时， 更新LSTM网络的权值与偏置， 并令迭代次数加1， 重复进行步骤S41 ‑S44， 直到 迭代次数 大于等于最大迭代次数时， 则停止迭代， 得到多功能雷达 搜索模式识别模型。 8.如权利要求7 所述的雷达 搜索模式识别方法， 其特 征在于， 步骤S5具体包括： 把测试样本输入多功能雷达搜索模式识别模型， 在输出层计算测试样本属于某一类搜 索模式的概率， 并选择概率最大 的一个作为当前样本的输出类别， 最后与实际信号的标签 进行比较获得当前LSTM网络的性能； 当获得的当前LSTM 网络的性能不符预设要求时， 则调整参数重 复步骤S4进行LSTM 网络 的训练， 直至获得LSTM网络的性能满足预设要求， 则验证通过所述多功能雷达搜索模式识 别模型。 9.如权利要求8所述的雷达搜索模式识别方法， 其特征在于， 步骤S6具体包括， 将需要 识别的两部雷达侦察站的PDW序列按照步骤S2方法融合为待识别的样本， 输入经步骤S5验 证通过的多功能雷达 搜索模式识别模型， 得到 输出搜索模式的标签。权　利　要　求　书 2/2 页 3 CN 114492583 B 3