方 旖, 畢大平, 潘繼飛,2, 陳秋菊,2

(1.國(guó)防科技大學(xué)電子對(duì)抗學(xué)院，合肥，230037； 2.國(guó)防科技大學(xué)電子對(duì)抗信息處理實(shí)驗(yàn)室，合肥，230037)

大數(shù)據(jù)分析技術(shù)與人工智能技術(shù)的發(fā)展為雷達(dá)對(duì)抗帶來了革命性影響。相控陣、軟件化等技術(shù)的應(yīng)用大大提升了多功能雷達(dá)系統(tǒng)(Multi-Function Radar, MFR)的智能化程度。MFR必須具備及時(shí)準(zhǔn)確地感知與辨識(shí)雷達(dá)狀態(tài)動(dòng)態(tài)變化的能力，才能引導(dǎo)對(duì)抗裝備敏捷地決策出最優(yōu)的對(duì)抗策略，進(jìn)而實(shí)施認(rèn)知對(duì)抗。面對(duì)波束、體制與信號(hào)形式均能自適應(yīng)捷變的多功能雷達(dá)目標(biāo)輻射源的情況，傳統(tǒng)的“精度”驅(qū)動(dòng)的對(duì)抗偵察手段顯然難以適應(yīng)。行為識(shí)別需要獲取足夠多、足夠全面的數(shù)據(jù)樣本，構(gòu)造可用于深度學(xué)習(xí)的數(shù)據(jù)集，并且基于“數(shù)據(jù)”驅(qū)動(dòng)的智能分析辨識(shí)手段，才能使其性能遠(yuǎn)高于傳統(tǒng)方法。

在雷達(dá)行為辨識(shí)問題的研究中，Visnevski等人首先引入句法模式識(shí)別理論，分析多功能雷達(dá)工作模式的活動(dòng)規(guī)律[1]。在此基礎(chǔ)上，引入多功能雷達(dá)各狀態(tài)的概率分布[2]，在雷達(dá)字提取中出現(xiàn)插入、缺失及替換情況下，完成對(duì)雷達(dá)工作模式的識(shí)別。將多層次模型同時(shí)應(yīng)用到脈沖組數(shù)據(jù)和行為模式上[3-4]，可以描述脈沖參數(shù)與行為模式的各個(gè)層次之間的聯(lián)系。但是各層次建模過程中的門限值難以設(shè)定，容易受到噪聲干擾。傳統(tǒng)的識(shí)別方法通常利用構(gòu)建相干處理周期(CPI)矩陣，并將矩陣與先前搭建的雷達(dá)數(shù)據(jù)庫(kù)進(jìn)行關(guān)聯(lián)[5]。此方法原理簡(jiǎn)單，但受設(shè)定的門限值影響較大，只能劃分參數(shù)特征區(qū)別明顯的脈沖序列，并且需要在已知上一級(jí)行為狀態(tài)的情況下，才能完整進(jìn)行識(shí)別分析。引入生物信息學(xué)“多序列比對(duì)(MSA)”方法，是將跟蹤行為序列插入到搜索行為序列中，把形成的新序列定義為雷達(dá)的行為序列，并從中重建搜索序列，完成對(duì)搜索行為的規(guī)律探索[6]。該方法能夠很好地適應(yīng)多功能雷達(dá)信號(hào)波束捷變的特點(diǎn)，但多功能雷達(dá)的行為類型多、變化快，此方法不易推廣到其他行為任務(wù)，有一定局限性。文獻(xiàn)[7]研究了未知雷達(dá)狀態(tài)識(shí)別方法，利用機(jī)器學(xué)習(xí)理論相關(guān)算法，分別提出了基于有監(jiān)督分類與基于無監(jiān)督聚類的2種識(shí)別算法。無監(jiān)督聚類算法主要包括K-均值聚類、C-均值聚類等，主要利用樣本之間的相似性和映射關(guān)系分析出樣本參數(shù)和行為模式之間的邏輯關(guān)系，并進(jìn)行分類。有監(jiān)督分類主要包括樸素貝葉斯算法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。其中，神經(jīng)網(wǎng)絡(luò)的應(yīng)用[8-9]能夠針對(duì)靜態(tài)與動(dòng)態(tài)2種行為模態(tài)信息，挖掘行為識(shí)別的多模態(tài)特征，具有重要意義[10-12]。

近年來，深度學(xué)習(xí)算法在圖像識(shí)別、語音識(shí)別等領(lǐng)域發(fā)展迅速[13-15]，解決了對(duì)語音語調(diào)的識(shí)別、語音情感的分析、人體行為體態(tài)分析預(yù)測(cè)以及醫(yī)療圖像分析等多個(gè)研究方向的問題。同樣的，在雷達(dá)對(duì)抗領(lǐng)域也有大量專家學(xué)者利用深度學(xué)習(xí)的方法對(duì)雷達(dá)目標(biāo)、雷達(dá)圖像等方面展開研究，并取得了一定成果[16-18]。神經(jīng)網(wǎng)絡(luò)的泛化能力(Generalization)是指神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)完成以后神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本或工作樣本做出正確反應(yīng)的能力。一個(gè)神經(jīng)網(wǎng)絡(luò)的泛化能力影響了網(wǎng)絡(luò)對(duì)訓(xùn)練集之外的數(shù)據(jù)的識(shí)別能力，以及構(gòu)造的神經(jīng)網(wǎng)絡(luò)的推廣應(yīng)用能力。為提高神經(jīng)網(wǎng)絡(luò)的泛化能力，本文對(duì)樣本的初始權(quán)值、數(shù)據(jù)集處理構(gòu)造和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)進(jìn)行研究改進(jìn)，優(yōu)化神經(jīng)網(wǎng)絡(luò)。

本文重點(diǎn)構(gòu)造面向多功能雷達(dá)行為識(shí)別的數(shù)據(jù)集，同時(shí)根據(jù)多功能雷達(dá)信號(hào)脈沖的特點(diǎn)，設(shè)計(jì)一種優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，作為合適的雷達(dá)行為辨識(shí)網(wǎng)絡(luò)模型。①以某型機(jī)載火控雷達(dá)作為研究對(duì)象，將雷達(dá)信號(hào)脈沖數(shù)據(jù)轉(zhuǎn)化為知識(shí)信息，并對(duì)其進(jìn)行變化點(diǎn)檢測(cè)、原始數(shù)據(jù)處理、數(shù)據(jù)集優(yōu)化等；②在此基礎(chǔ)上，設(shè)計(jì)完成了基于BP神經(jīng)網(wǎng)絡(luò)與其他雷達(dá)行為辨識(shí)算法的仿真實(shí)驗(yàn)對(duì)比。算法流程見圖1。

圖1 算法流程

1 數(shù)據(jù)驅(qū)動(dòng)的雷達(dá)行為辨識(shí)

圍繞多功能雷達(dá)的認(rèn)知對(duì)抗需求，建立如圖2所示的多功能雷達(dá)行為辨識(shí)模型，主要由雷達(dá)行為模式分析建模、構(gòu)建數(shù)據(jù)集、采用深度學(xué)習(xí)等技術(shù)手段完成雷達(dá)行為特征辨識(shí)等組成。

隨著人工智能的快速發(fā)展，其與雷達(dá)對(duì)抗領(lǐng)域結(jié)合成為了當(dāng)前的研究熱點(diǎn)。隨著在新體制多功能雷達(dá)的逐步應(yīng)用，雷達(dá)行為越發(fā)復(fù)雜多變，人工已難以依據(jù)雷達(dá)信號(hào)參數(shù)即時(shí)判斷當(dāng)前狀態(tài)，無法做出相適應(yīng)的干擾。從電子對(duì)抗的角度考慮，在通常情況下，只能獲得雷達(dá)的信號(hào)波形和經(jīng)過偵察處理后輸出的傳統(tǒng)波形特征參數(shù)。而在真實(shí)的對(duì)抗中，由于偵察方難以提前建立敵方雷達(dá)信息相應(yīng)的雷達(dá)知識(shí)庫(kù)，只能通過對(duì)波形的分析，提取能夠表現(xiàn)雷達(dá)行為特征的參數(shù)，識(shí)別當(dāng)前雷達(dá)行為。因此，利用雷達(dá)信號(hào)特征提取、序列分割等手段，把行為信息構(gòu)建為結(jié)構(gòu)化的數(shù)據(jù)非常重要。

圖2 數(shù)據(jù)驅(qū)動(dòng)的多功能雷達(dá)行為辨識(shí)模型

2 多功能雷達(dá)行為數(shù)據(jù)集構(gòu)建

初始數(shù)據(jù)經(jīng)過處理轉(zhuǎn)化為雷達(dá)行為數(shù)據(jù)集，可以很好地解決多功能雷達(dá)信號(hào)直接計(jì)算量過大、數(shù)據(jù)冗余等問題。本文通過學(xué)習(xí)知識(shí)圖譜的構(gòu)建方法，利用現(xiàn)有的雷達(dá)知識(shí)庫(kù)設(shè)計(jì)垂直數(shù)據(jù)庫(kù)的模型，并通過樣本數(shù)據(jù)提取實(shí)體、屬性和關(guān)系，分析整合后的結(jié)果與模型相結(jié)合構(gòu)造多功能雷達(dá)行為數(shù)據(jù)。

2.1 數(shù)據(jù)提取與篩選

經(jīng)過初步提取后的雷達(dá)行為數(shù)據(jù)集中的信息復(fù)雜，可能存在來源不同、質(zhì)量參差不齊等問題，所以需要對(duì)所有數(shù)據(jù)進(jìn)行篩選、整合、加工、推理等工作，將數(shù)據(jù)結(jié)合方法，建立可匹配人的思想的數(shù)據(jù)庫(kù)。

2.1.1 脈沖分割

當(dāng)多功能雷達(dá)行為較為復(fù)雜時(shí)，可以將其分割為基礎(chǔ)行為，如搜索、跟蹤等。基礎(chǔ)行為的分析可以簡(jiǎn)化輸入樣本，減少訓(xùn)練時(shí)間，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的泛化能力。本文引入多功能雷達(dá)行為變化點(diǎn)檢測(cè)算法[19-21]，對(duì)雷達(dá)脈沖序列進(jìn)行功能性切割。定義雷達(dá)行為的變化點(diǎn)：計(jì)算所得的條件概率在變化點(diǎn)檢測(cè)算法中發(fā)生很大變化的點(diǎn)。設(shè)定一個(gè)固定窗口長(zhǎng)度的滑動(dòng)窗口，沿著所有接收到的脈沖序列時(shí)間順序滑動(dòng)，對(duì)每一個(gè)窗口內(nèi)的數(shù)據(jù)進(jìn)行概率計(jì)算，當(dāng)前后2個(gè)概率值相差超過閾值時(shí)，判斷出現(xiàn)變化點(diǎn)。變化點(diǎn)前后2個(gè)事件有可能為同一行為狀態(tài)，也可能是不同行為狀態(tài)，在每一事件結(jié)束，都進(jìn)行狀態(tài)更新，并判斷是否為同一行為。

圖3為變化點(diǎn)檢測(cè)流程圖。

圖3 變化點(diǎn)檢測(cè)流程

定義從當(dāng)前時(shí)間點(diǎn)回溯到最近變化點(diǎn)之間的脈沖描述字?jǐn)?shù)據(jù)稱為1個(gè)行程，用r表示。假設(shè)檢測(cè)到的最近變化點(diǎn)已經(jīng)過去了t個(gè)單位時(shí)間，則與最近數(shù)據(jù)相關(guān)聯(lián)的有t個(gè)不同長(zhǎng)度的行程，那么在接收到最新數(shù)據(jù)之后再進(jìn)行變化點(diǎn)檢測(cè)，可以考慮2種可能性：新的序列是當(dāng)前行程的一部分，因此當(dāng)前行程的長(zhǎng)度加1；或者是變化點(diǎn)發(fā)生，當(dāng)前行程結(jié)束，新的序列是新行程的一部分。設(shè)rt表示最近行程的長(zhǎng)度，則在給定前面t個(gè)事件下rt的概率為：

P(e1:t+1|e1:t)=

(1)

假設(shè)給定了相應(yīng)的脈沖描述字時(shí)間序列，則根據(jù)貝葉斯準(zhǔn)則，在t事件之后rt的概率分布為：

(2)

P(rt&e1:t)=

(3)

式中：P(rt&e1:t) 為轉(zhuǎn)移概率；P(et|rt-1&e1:t-1) 為最近序列屬于某一行程的概率。

假設(shè)在計(jì)算當(dāng)前概率時(shí)，上一個(gè)序列的概率已知，則需要計(jì)算風(fēng)險(xiǎn)函數(shù)H來判斷行為是否發(fā)生變化：

(4)

2.1.2 數(shù)據(jù)整合與加工

由于分割得到的脈沖序列相互之間可能存在不等長(zhǎng)的情況，則需要對(duì)數(shù)據(jù)進(jìn)行補(bǔ)齊。補(bǔ)齊的方式主要有以下幾種：

1)特殊值法：把所有空缺的位置看作是特殊的屬性值處理，通常選擇“0”進(jìn)行補(bǔ)充，此方法工作量小，但極易造成數(shù)據(jù)偏差過大，影響識(shí)別結(jié)果。

2)平均值法：當(dāng)空缺位置上的數(shù)據(jù)是數(shù)值屬性時(shí)，取組內(nèi)相同類型參數(shù)的所有數(shù)值的平均值進(jìn)行補(bǔ)充；當(dāng)空缺位置上的數(shù)據(jù)的是非數(shù)值屬性時(shí)，則利用統(tǒng)計(jì)學(xué)中的眾數(shù)原理，選擇同類型參數(shù)出現(xiàn)次數(shù)最多的進(jìn)行補(bǔ)充。

3)人工填寫法：根據(jù)已有的樣本數(shù)據(jù)和多功能雷達(dá)的先驗(yàn)知識(shí)，人為補(bǔ)充最可靠的數(shù)據(jù)。此方法補(bǔ)充的數(shù)據(jù)偏差最小，但若空缺過多則會(huì)造成工作量較大的問題。

本文選擇平均值法對(duì)數(shù)據(jù)進(jìn)行補(bǔ)齊，最終得到完整的、已分割完成的多功能雷達(dá)脈沖序列組。基本步驟見圖4。

圖4 數(shù)據(jù)補(bǔ)齊流程

2.2 數(shù)據(jù)推理

本文基于某型機(jī)載火控雷達(dá)的設(shè)計(jì)原則，根據(jù)雷達(dá)脈沖序列及其變化規(guī)律分析其與雷達(dá)行為的邏輯關(guān)系，并根據(jù)此邏輯關(guān)系推理其他常見行為狀態(tài)和工作模式。該方法建立在用于描述的高端特征向量與行為子集中每個(gè)行為均有映射關(guān)系的基礎(chǔ)上，其中高端特征向量包括頻率變化規(guī)律特征、波形變化規(guī)律特征、波束行為特征、重頻變化規(guī)律特征等。

綜合上述所有工作，完成對(duì)多功能雷達(dá)行為數(shù)據(jù)集的構(gòu)建，并不斷更新雷達(dá)行為及其對(duì)應(yīng)的脈沖序列信息，慢慢形成能夠包含大部分雷達(dá)行為狀態(tài)的、可適用于各種環(huán)境變化的數(shù)據(jù)庫(kù)。完備的多功能雷達(dá)行為數(shù)據(jù)庫(kù)可以使訓(xùn)練后的網(wǎng)絡(luò)應(yīng)用于多種情況下的行為分析中，并且可以不斷補(bǔ)充歸納豐富網(wǎng)絡(luò)的識(shí)別能力，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的泛化能力。

3 神經(jīng)網(wǎng)絡(luò)模型搭建

BP神經(jīng)網(wǎng)絡(luò)算法是一種按照誤差反向傳播算法訓(xùn)練的多層感知器網(wǎng)絡(luò)，又稱為誤差方向傳播算法，是監(jiān)督式學(xué)習(xí)算法的一種。通常，BP神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層和隱藏層。

搭建本文適用的BP神經(jīng)網(wǎng)絡(luò)需要從數(shù)據(jù)準(zhǔn)備、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、網(wǎng)絡(luò)模型訓(xùn)練3個(gè)方面逐步進(jìn)行。數(shù)據(jù)準(zhǔn)備在多功能雷達(dá)行為數(shù)據(jù)集構(gòu)建階段完成。

對(duì)網(wǎng)絡(luò)進(jìn)行初始化設(shè)計(jì)，即需要確定網(wǎng)絡(luò)層數(shù)、選擇合適的訓(xùn)練方法、權(quán)值的初始化等。本文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)模型如下：

2)傳遞函數(shù)的選擇。一般來說，如果隱藏層和輸出層同時(shí)選擇sigmoid 函數(shù)，則輸出值會(huì)被限制在0或-1之間。因此，選擇tan-sigmoid函數(shù)作為隱藏層的傳遞函數(shù)，線性傳遞函數(shù)purelin作為輸出層的傳遞函數(shù)。這樣可以在整個(gè)網(wǎng)絡(luò)的輸出選擇任意值，tan-sigmoid函數(shù)的輸入也能選擇任意值，且誤差比log-sigmoid小。迭代次數(shù)最多不超過5 000，最小全局誤差為10-6，學(xué)習(xí)率設(shè)置為0.01。訓(xùn)練神經(jīng)網(wǎng)絡(luò)的每一次迭代都經(jīng)過反向傳播進(jìn)行梯度下降，若學(xué)習(xí)率太高，那系統(tǒng)可能難以收斂，難以對(duì)準(zhǔn)目標(biāo)；若學(xué)習(xí)率太低，則容易陷入局部最優(yōu)。

3)訓(xùn)練方法的選擇。選擇訓(xùn)練函數(shù)為tranlm，速度較快，并采用均方誤差(MSE)進(jìn)行評(píng)估網(wǎng)絡(luò)。

4 仿真實(shí)驗(yàn)

1)訓(xùn)練樣本數(shù)據(jù)包含的行為信息有近距離搜索、遠(yuǎn)距離搜索、搜索加跟蹤、跟蹤不同目標(biāo)。通過變化點(diǎn)檢測(cè)，把序列分割成代表不同工作狀態(tài)的序列組。選取300組進(jìn)行檢測(cè)，用概率表示，結(jié)果見圖5。

圖5 變化點(diǎn)檢測(cè)結(jié)果

由圖5可知，基于貝葉斯準(zhǔn)則和固定窗口滑動(dòng)的變化點(diǎn)檢測(cè)方法能夠以較高的性能完成脈沖序列的變化點(diǎn)估計(jì)，雖仍然存在虛警的情況，但不影響主要變化點(diǎn)的判斷。結(jié)合脈寬和波束方位2個(gè)參數(shù)的變化點(diǎn)檢測(cè)，可以判斷出有疑問的變化點(diǎn)，挑選出判斷準(zhǔn)確的變化點(diǎn)，從而對(duì)脈沖序列進(jìn)行分析和任務(wù)型分組，為進(jìn)行下一步的工作提供有力支持。

2)選取頻率、脈寬、脈幅、波束方位、重復(fù)周期和帶寬6類參數(shù)對(duì)分割后的多功能雷達(dá)脈沖序列進(jìn)行整理，將完整的序列集合輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)迭代設(shè)置5 000次，完成網(wǎng)絡(luò)訓(xùn)練后，為檢驗(yàn)識(shí)別網(wǎng)絡(luò)的可靠性，輸入驗(yàn)證數(shù)據(jù)集進(jìn)行檢驗(yàn)，同樣包含4種工作狀態(tài)分別為：近距離搜索、遠(yuǎn)距離搜索、跟蹤目標(biāo)1和跟蹤目標(biāo)2。如圖6所示，分別是驗(yàn)證數(shù)據(jù)集的類型、識(shí)別結(jié)果和真實(shí)結(jié)果的對(duì)比、識(shí)別各組數(shù)據(jù)的誤差和識(shí)別正確率。

圖6 神經(jīng)網(wǎng)絡(luò)驗(yàn)證結(jié)果

從圖6可知，面向多功能雷達(dá)行為識(shí)別的網(wǎng)絡(luò)模型的總識(shí)別率可以達(dá)到89%，其中近距離搜索的識(shí)別正確率最高，這與其在訓(xùn)練樣本數(shù)據(jù)中工作狀態(tài)時(shí)間長(zhǎng)有一定關(guān)系。

3)對(duì)比以CPI特征為主的脈沖劃分的傳統(tǒng)識(shí)別方法，基本流程見圖7。

圖7 CPI脈沖劃分法

對(duì)比文獻(xiàn)[5～6]中的雷達(dá)行為識(shí)別方法，僅針對(duì)脈幅變化進(jìn)行分析計(jì)算。文獻(xiàn)[5]通過對(duì)幅度波形提取峰谷值比、幅度直方圖、平均能量3個(gè)參數(shù)來區(qū)別搜索與跟蹤。文獻(xiàn)[6]采用循環(huán)二分法進(jìn)行分析。首先確定一個(gè)門限值，通過門限值找出整段序列中與其他差異性最大的一段并計(jì)算最大似然比統(tǒng)計(jì)量。判斷得到2點(diǎn)(或1點(diǎn))變化點(diǎn)后，對(duì)分出的3個(gè)(或2個(gè))段繼續(xù)進(jìn)行分析，不斷循環(huán)處理，直到再無變化點(diǎn)被檢測(cè)出來。2種方法均可以對(duì)多功能雷達(dá)行為進(jìn)行識(shí)別，但是，在實(shí)際復(fù)雜信號(hào)環(huán)境下，當(dāng)脈沖密度很高時(shí)，脈沖相互疊加會(huì)造成幅度測(cè)量的不準(zhǔn)確；其次，對(duì)于非相控陣體制的雷達(dá)來說，工作模式的切換往往還與脈寬、脈沖重復(fù)周期等參數(shù)的變化相關(guān)，而不僅反映在幅度變化上，僅采用幅度一種參數(shù)進(jìn)行分割，可利用的信息量少，在多工作模式下容易造成漏警，判決不夠準(zhǔn)確。而本文使用的算法能夠較穩(wěn)定地識(shí)別出多種雷達(dá)行為狀態(tài)，并能形成可以實(shí)時(shí)優(yōu)化的數(shù)據(jù)集，不斷進(jìn)行補(bǔ)充、訓(xùn)練與識(shí)別雷達(dá)行為。

現(xiàn)有多功能雷達(dá)的設(shè)計(jì)準(zhǔn)則已經(jīng)多樣化，不再一成不變，當(dāng)使用CPI脈沖劃分的方法按照經(jīng)驗(yàn)設(shè)定16個(gè)或32個(gè)脈沖序列為一組時(shí)，已經(jīng)產(chǎn)生了一定的誤差。而本文使用的變化點(diǎn)檢測(cè)算法不需要任何先驗(yàn)知識(shí)，并且在脈沖數(shù)量較小的情況下，分析結(jié)果也能實(shí)現(xiàn)較高的準(zhǔn)確率。

再者，利用CPI脈沖劃分后的序列不能直接對(duì)應(yīng)于某一基礎(chǔ)行為，此時(shí)對(duì)應(yīng)的多功能雷達(dá)行為還是復(fù)雜多樣的，而經(jīng)過變化點(diǎn)檢測(cè)算法后得到的脈沖對(duì)應(yīng)的多功能雷達(dá)行為已經(jīng)是某一種單一工作模式了。例如文中指出的某一機(jī)載火控雷達(dá)中的遠(yuǎn)距離搜索、近距離搜索、搜索加跟蹤、邊搜索邊跟蹤行為已經(jīng)被分割為遠(yuǎn)距離搜索、近距離搜索和跟蹤3種工作模式。此結(jié)果更利于網(wǎng)絡(luò)訓(xùn)練和后期識(shí)別的需要，減少工作量，提升識(shí)別效果。

相比較而言可以看出本文所用方法的訓(xùn)練結(jié)果較穩(wěn)定，訓(xùn)練過程中多次迭代可以減弱一定噪聲變量的影響，減小誤差，提高識(shí)別率，且識(shí)別率較為穩(wěn)定。

5 結(jié)語

目前，雷達(dá)正向多功能智能化方向發(fā)展，本文提出的行為數(shù)據(jù)集構(gòu)建與行為辨識(shí)方法就是對(duì)多功能雷達(dá)行為智能識(shí)別方向的一種探索，主要的研究貢獻(xiàn)有：

1)建立了多功能雷達(dá)行為模型，引入變化點(diǎn)檢測(cè)算法，對(duì)多行為的脈沖序列進(jìn)行分割。為減小冗余，對(duì)原始脈沖序列進(jìn)行篩選、補(bǔ)齊，提高了初始數(shù)據(jù)的應(yīng)用效果，能夠適應(yīng)于神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)，為后續(xù)工作奠定了基礎(chǔ)。

2)設(shè)計(jì)完成了基于BP神經(jīng)網(wǎng)絡(luò)算法的多功能雷達(dá)行為辨識(shí)實(shí)驗(yàn)，發(fā)現(xiàn)在有充足訓(xùn)練樣本的情況下，本文所用算法具有較強(qiáng)的優(yōu)勢(shì)，且可以識(shí)別出脈沖序列區(qū)別較小的幾種雷達(dá)行為。

本文僅圍繞某型機(jī)載火控雷達(dá)的4種工作狀態(tài)進(jìn)行了數(shù)據(jù)集譜構(gòu)建與行為辨識(shí)算法的建模與仿真實(shí)驗(yàn)，還有更多更為復(fù)雜的雷達(dá)行為需要進(jìn)一步研究；在復(fù)雜的戰(zhàn)場(chǎng)環(huán)境下，如何克服數(shù)據(jù)殘缺、噪聲干擾等困難，建立完善可靠的雷達(dá)數(shù)據(jù)庫(kù)和雷達(dá)知識(shí)庫(kù)，以及如何識(shí)別新型未知雷達(dá)的行為，均是下一階段研究的方向。