A Method of Working Mode Recognition for Multi-function Radar Based on RGCN

doi:10.3969/j.issn.1009-086x.2025.01.013

Abstract

Abstract:

Multi-function radar has gained widespread application due to its flexible working modes， agile waveform characteristics， and ability to perform multiple tasks in parallel. However， these capabilities also pose significant challenges to radar intelligence reconnaissance and countermeasures. Recognizing the working modes of multi-function radar serves as a fundamental step for subsequent threat assessment， adaptive countermeasures， and guided attacks， directly influencing the specificity and effectiveness of radar countermeasures. In this paper， a novel method for recognizing the working modes of multi-function radar， leveraging relational graph convolutional networks （RGCNs） is proposed. By analyzing the various working modes of multi-function radar， the method enables parallel data processing and addresses the interactions between different working modes and their characteristic parameters.

Key words: multi-function radar, working mode recognition, neural network, graph convolution network, graph convolution network

摘要：

多功能雷达因其灵活的工作模式和捷变的波形特征，可并行执行多种任务等优势，已获得广泛应用，对雷达情报侦察对抗带来了极大挑战。识别多功能雷达工作模式是后续威胁评估、自适应对抗和引导攻击的前提和基础，直接决定着雷达对抗措施的针对性和有效性。主要以典型多功能雷达为研究对象，对典型的作战场景仿真建模，在深入分析多功能雷达不同工作模式的基础上，提出了一种基于关系图卷积网络（relational graph convolutional networks，RGCN）的多功能雷达工作模式识别的新方法，实现了数据的并行化处理，解决了不同工作模式与特征参数之间的相互作用。

关键词: 多功能雷达, 工作模式识别, 神经网络, 图卷积网络, 关系图卷积网络

CLC Number:

TN971

Chunlai YU, Mingyue FENG, Hongbin JIN, Fuqun ZHANG, Qiangfei ZHANG. A Method of Working Mode Recognition for Multi-function Radar Based on RGCN[J]. Modern Defense Technology, 2025, 53(1): 120-128.

郁春来, 冯明月, 金宏斌, 张福群, 张强飞. 一种基于RGCN的多功能雷达工作模式识别方法[J]. 现代防御技术, 2025, 53(1): 120-128.

Figures/Tables 12

References 20

1	陈鑫雨. 基于机器学习的MFR工作模式识别研究［D］. 哈尔滨：哈尔滨工程大学， 2021.
	CHEN Xinyu. Research on MFR Working Pattern Recognition Based on Machine Learning［D］. Harbin： Harbin Engineering University， 2021.
2	王欣悦. 小样本雷达辐射源信号识别技术的研究与应用［D］. 北京：北京邮电大学， 2021.
	WANG Xinyue. Research and Application of Recognition Technology for Small Sample Radar Signals［D］. Beijing： Beijing University of Posts and Telecommunications， 2021.
3	张先才. 基于脉冲相干雷达的交通检测算法研究［D］. 东莞：东莞理工学院， 2022.
	ZHANG Xiancai. Research on Traffic Detection Algorithm Based on Pulse Coherent Radar［D］. Dongguan： Dongguan University of Technology， 2022.
4	KIPF T N， WELLING M. Semi-Supervised Classification with Graph Convolutional Networks［C］∥5th International Conference on Learning Representations. New York， USA： ICLR， 2017.
5	SCHLICHTKRULL M， KIPF T N， BLOEM P， et al. Modeling Relational Data with Graph Convolutional Networks［C］∥The Semantic Web. Cham： Springer International Publishing， 2017： 593-607.
6	唐玉文，何明浩，韩俊，等. 机载火控雷达典型空-空工作模式浅析［J］. 现代防御技术， 2018， 46（6）： 87-93， 101.
	TANG Yuwen， HE Minghao， HAN Jun， et al. Typical Air to Air Operation Modes of Airborne Fire Control Radar［J］. Modern Defence Technology， 2018， 46（6）： 87-93， 101.
7	阳榴，朱卫纲，吕守业，等. 多功能雷达工作模式识别方法综述［J］. 电讯技术， 2020， 60（11）： 1384-1390.
	YANG Liu， ZHU Weigang， Shouye LÜ， et al. Review of Multi-Function Radar Mode Identification Methods［J］. Telecommunication Engineering， 2020， 60（11）： 1384-1390.
8	DAVIS J， GOADRICH G. The Relationship Between Precision-Recall and ROC Curves［C］∥Proceedings of the 23rd International Conference on Machine Learning. New York： ACM， 2006： 233-240.
9	BUCKLEY C， VOORHEES E M. Evaluating Evaluation Measure Stability［J］. SIGIR Forum， 2017， 51（2）： 235-242.
10	BOSER B E， GUYON I M， VAPNIK V N. A Training Algorithm for Optimal Margin Classifiers［C］∥Proceedings of the Fifth Annual Workshop on Computational Learning Theory. New York： ACM， 1992： 144-152.
11	BREIMAN L， FRIEDMAN J H， OLSHEN R A， et al. Classification and Regression Trees（CART）［J］. Biometrics， 1984， 40（3）： 358.
12	DOMINGOS P， PAZZANI M. Beyond Independence： Conditions for the optimality of the Simple Baysian Classifier［J］. Machine Learning， 1997， 29： 105-112.
13	KHANH NGUYEN H P， LONG DO V， DONG Q T. A Parallel Neural Network-Based Scheme for Radar Emitter Recognition［C］∥2020 14th International Conference on Ubiquitous Information Management and Communication （IMCOM）. Piscataway： IEEE， 2020： 1-8.
14	KVASNOV A V. Methodology of Classification and Recognition of the Radar Emission Sources Based on Bayesian Programming［J］. IET Radar， Sonar & Navigation， 2020， 14（8）： 1175-1182.
15	DONG Xiaoxuan， CHENG Siyi. Radar Working Modes Recognition Based on Discrete Process Neural Network［J］. IOP Conference Series： Materials Science and Engineering， 2018， 394（4）： 042088.
16	LI Yunjie， ZHU Mengtao， MA Yihao， et al. Work Modes Recognition and Boundary Identification of MFR Pulse Sequences with a Hierarchical seq2seq LSTM［J］. IET Radar， Sonar & Navigation， 2020， 14（9）： 1343-1353.
17	Zhangmeng LUI. Recognition of Multifunction Radars Via Hierarchically Mining and Exploiting Pulse Group Patterns［J］. IEEE Transactions on Aerospace and Electronic Systems， 2020， 56（6）： 4659-4672.
18	BREIMAN L. Random Forests［J］. Machine Learning， 2001， 45（1）： 5-32.
19	VU T D， HO N H， YANG H J， et al. Non-White Matter Tissue Extraction and Deep Convolutional Neural Network for Alzheimer’s Disease Detection［J］. Soft Computing， 2018， 22（20）： 6825-6833.
20	ZHANG Bin， ZHAO Lin， ZHANG Xiaoli. Three-Dimensional Convolutional Neural Network Model for Tree Species Classification Using Airborne Hyperspectral Images［J］. Remote Sensing of Environment， 2020， 247： 111938.

工作模式	载频类型	重复间隔类型	重复间隔调制类型	脉宽类型	说明	威胁程度
VS	捷变	高重频	固定	固定	用于远距离搜索探测的工作方式，一般只用于探测指定作战空域内是否有运动目标，并提供目标的方位以及速度信息，但不具备提供距离信息的能力	较低
HRWS	捷变	中高重频	脉组参差	固定	分为高重频和中/高-中重频2种。在对目标搜索探测的同时，还能对目标距离、方位以及高度等信息进行粗略的估计，在一定程度上解决了VS模式中的测距模糊问题。除此之外，RWS模式还支持对多个目标的同时探测，但是测量精度相对较低，不支持对制导武器系统的引导攻击	较低
MRWS	捷变	中高重频	抖动	固定		较低
TWS	捷变	中重频	组变	固定	边搜索边跟踪工作方式是搜索和跟踪工作方式结合后的一种工作模式，雷达在对监测空域探测时，需要自动地判别探测到的目标是不是新的未知目标，需要对目标数据进行处理，以实现对目标的跟踪	较高
TAS	捷变	中重频	脉组参差或组变	固定	按照作战任务的需求给予搜索工作方式和跟踪工作方式不同的数据率，并交替进行的一种工作模式	较高
STT	捷变	中重频	脉组参差	固定	对监测区域内的单个目标实时准确地提供速度、距离、方位以及俯仰等信息，与此同时这些数据信息都是实时连续变化的，因此STT模式具备极高的数据率，跟踪精度相对较高	极高
SAM	捷变	中高重频	脉组参差或抖动	固定	相当于RWS模式和STT模式的一种优势结合，在对监测空域搜索探测的同时还能够对单个重点的目标进行持续的跟踪	极高

工作模式	载频类型	重复间隔类型	重复间隔调制类型	脉宽类型	说明	威胁程度
VS	捷变	高重频	固定	固定	用于远距离搜索探测的工作方式，一般只用于探测指定作战空域内是否有运动目标，并提供目标的方位以及速度信息，但不具备提供距离信息的能力	较低
HRWS	捷变	中高重频	脉组参差	固定	分为高重频和中/高-中重频2种。在对目标搜索探测的同时，还能对目标距离、方位以及高度等信息进行粗略的估计，在一定程度上解决了VS模式中的测距模糊问题。除此之外，RWS模式还支持对多个目标的同时探测，但是测量精度相对较低，不支持对制导武器系统的引导攻击	较低
MRWS	捷变	中高重频	抖动	固定		较低
TWS	捷变	中重频	组变	固定	边搜索边跟踪工作方式是搜索和跟踪工作方式结合后的一种工作模式，雷达在对监测空域探测时，需要自动地判别探测到的目标是不是新的未知目标，需要对目标数据进行处理，以实现对目标的跟踪	较高
TAS	捷变	中重频	脉组参差或组变	固定	按照作战任务的需求给予搜索工作方式和跟踪工作方式不同的数据率，并交替进行的一种工作模式	较高
STT	捷变	中重频	脉组参差	固定	对监测区域内的单个目标实时准确地提供速度、距离、方位以及俯仰等信息，与此同时这些数据信息都是实时连续变化的，因此STT模式具备极高的数据率，跟踪精度相对较高	极高
SAM	捷变	中高重频	脉组参差或抖动	固定	相当于RWS模式和STT模式的一种优势结合，在对监测空域搜索探测的同时还能够对单个重点的目标进行持续的跟踪	极高

head	relation	tail
VS工作模式sample1	频率视数/GHz	10
	带宽/GHz	10
	脉重频	HPRF
	回照信息	无回照
	占空比/%	20
	脉内调制方式	LFM
	波束驻留数	2 000
	脉宽/μs	1

head	relation	tail
VS工作模式sample1	频率视数/GHz	10
	带宽/GHz	10
	脉重频	HPRF
	回照信息	无回照
	占空比/%	20
	脉内调制方式	LFM
	波束驻留数	2 000
	脉宽/μs	1

阈值	边的数量	Accuracy	MCC	AUROC	AUPRC
0.9	13 020	0.972	0.695	0.976	0.895
0.7	28 406	0.925	0.655	0.922	0.864
0.5	53 262	0.919	0.649	0.917	0.851