方 旖，陈秋菊，2，潘继飞，2，毕大平

（1.国防科技大学电子对抗学院，合肥 230037；2.电子对抗信息处理实验室，合肥 230037）

0 引言

由于军事上的迫切需求，多功能雷达（Multi-Function Radar，MFR）部署和应用越来越广泛，其信号的复杂性和灵活性大大增加了参数空间的维度，其状态变化的时序特征更是超出了统计参数模型的描述能力，难以有效转化成雷达系统的情报信息，给雷达对抗技术带来了前所未有的挑战。因此，实现对MFR 内部状态变化的实时感知，引导对抗装备敏捷地决策出最优的对抗策略至关重要。雷达行为识别需要获取足够多、足够全面的数据样本，构造可用于深度学习的数据集，并且基于“数据”驱动的智能分析辨识手段，才能使其性能远高于传统方法。

当前，MFR 行为辨识问题的研究方法多集中于两个方面：基于句法模式识别理论的辨识方法［1-2］和利用统计学原理基于参数的辨识方法。传统的雷达行为识别方法通常利用构建CPI（相干处理周期）矩阵，并将矩阵与先前搭建的雷达数据库进行关联［3-5］。此方法原理简单，但受设定的门限值影响较大，只能划分参数特征区别明显的脉冲序列，并且需要在已知上一级行为状态的情况下，才能完整进行识别分析。马爽等人［6］引入生物信息学“多序列比对（MSA）”方法，定义随机将跟踪行为序列插入到搜索行为序列中形成新的雷达行为序列，并从中重建搜索序列，完成对搜索行为的规律探索。该方法能够很好地适应多功能雷达信号波束捷变的特点，但多功能雷达的行为类型多，变化快，此方法不易推广到其他行为任务，有一定局限性。……