Radar är ett centralt system inom elektronisk krigföring som används för attuppskatta ett objekts position, hastighet och riktning. En pulsradar avger pul-ser med förutbestämda tidsintervall. Intervallet mellan två pulser benämns of-ta pulsrepetitionsintervall (PRI) och är en viktig parameter som används förradaridentifiering i ett radarvarnarsystem (RWR). Att kunna klassificera PRI-modulering på rätt sätt är avgörande för att kunna undvika förluster på slag-fältet och kartlägga motståndarnas tillgångar.En av utmaningarna inom försvarsindustrin handlar om bristen på datadel-ning mellan olika aktörer. Det kan därför vara svårt och dyrt för företag attsamla in verkliga skarpa data. Ett ramverk som kan öka storleken på en da-tamängd utgående från en befintlig datamängd utan att behöva duplicera den,är därför attraktivt i militärindustrin. På grund av den viktiga uppgiften somPRI-parametern har, kan ett sådant ramverk hjälpa till att förbättra ett RWR-system med maskininlärning genom att utöka mängden PRI-data för träning.I denna uppsats undersöks två olika typer av generativa djupa inlärningsmo-deller för att generera PRI-sekvenser av sex olika klasser. Modellerna somexperimenteras med är ett traditionellt långt korttidsminnesnät (LSTM) ochett generativt adversariellt nätverk (GAN). Modellerna utvärderas med avse-ende på hur nära de kan generera data i jämförelse med de data som de tränaspå. Resultaten visar att GAN-modellen presterar bättre än LSTM-modellen,men ingen av modellerna uppnår resultat som kan användas för att förbättradagens RWR-system. Framtida arbete i form av experiment med nätverkskon-figurationer, datamängdsstorlekar och andra parametrar, föreslås därför för attförbättra resultaten.