CN112036074B - 一种高脉冲密度环境下雷达信号分选方法及*** - Google Patents
一种高脉冲密度环境下雷达信号分选方法及*** Download PDFInfo
- Publication number
- CN112036074B CN112036074B CN202010731268.8A CN202010731268A CN112036074B CN 112036074 B CN112036074 B CN 112036074B CN 202010731268 A CN202010731268 A CN 202010731268A CN 112036074 B CN112036074 B CN 112036074B
- Authority
- CN
- China
- Prior art keywords
- pulse
- sorting
- radar
- radar signal
- toa
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 210000004205 output neuron Anatomy 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 230000005855 radiation Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于电子对抗中雷达信号分选技术领域,公开了一种高脉冲密度环境下雷达信号分选方法及***,对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列;将每组脉冲序列的脉冲频域参数、脉冲宽度输入至级联结构自组织映射神经网络,得到初分选结果;对初分选结果使用改进的序列差值直方图算法,得到主分选结果;遍历主分选结果的组合情况,将脉冲频域参数、脉冲宽度、脉冲到达时间输入至长短时记忆网络进行重频鉴别,合并得到重频组变雷达。本发明可以有效实现高脉冲密度环境下常见的雷达信号(重频固定、重频参差、重频抖动、重频滑变、重频组变;等)的分选,且可以实现实际电磁环境下雷达信号的实时分选。
Description
技术领域
本发明属于电子对抗中雷达信号分选技术领域,尤其涉及一种高脉冲密度环境下雷达信号分选方法、***及应用。
背景技术
目前,雷达信号分选通常是对当前电磁环境下存在的雷达辐射源个数的评估及获取。随着雷达技术需求的不断提高和针对现代信号的各种处理手段和技术的不断创新与发展,许多新体制的雷达被不断开发和研制并应用到实践中。尤其是脉冲压缩雷达和捷变雷达等新型雷达的应用,使得雷达的具***置信息并不能被有效侦察到,尤其是在越来越复杂的电磁环境中。为有效地提高雷达信号的分选能力,确保对复杂的电磁作战环境有良好的评估效果。目前,雷达对抗领域的雷达信号分选主要集中在依据脉内信息做的分选算法,而针对于脉间信息做的分选研究依旧停留在较早的研究水平。现有技术一,公开了一种最小L1范数下的雷达信号分选方法,该方法针对高度密集和复杂信号环境下的雷达信号分选问题有较高的分选效率,但该方法被要求与输入信号具有较强的相关性或匹配性,还要求具备一定的适应性,可以自我进化,导致在信号与过完备字典相关性较低时,雷达信号分选准确性和可靠性不高;现有技术二,公开了一种基于数据场层次聚类的多模雷达信号分选方法,该方法通过计算数据场势值寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,然后用传统聚类算法进行聚类,针对高度密集和复杂信号环境下的雷达信号分选问题有较高的分选效率,但数据场势值运算复杂度较高,计算量较大,导致分选的实时性较低;现有技术三,公开了一种基于样本熵的雷达辐射源信号分选方法,该方法通过对雷达辐射源信号的样本熵和功率谱熵特征提取以及支持向量机进行分类,整体分选率较好,由于样本熵在计算时间序列复杂度时,没有考虑到序列中相似向量的分布以及构成序列向量的复杂性对时间序列复杂度的影响,导致在信噪比较低时,单种信号识别率不高。现有技术四,公开了一种将信息融合应用到雷达信号分选中的方法,该方法在雷达信号分选前对脉冲描述字进行数据级融合,在分选后对分选结果进行了特征级融合,将描述同一雷达的参数统一并对分选结果进行可信度排序,解决了单一接收设备接收脉冲丢失可能存在的分选失败,但是由于D-S数据融合方法在所提供证据指向冲突很大的特殊情况下不能准确判定,所以当雷达参数存在交叠时会出现分选错误的可能,需要进一步改进;现有技术五,利用脉冲到达时间差产生扩展直方图然后对不同雷达的脉冲序列递归分选,该方法通过扩展操作弱化了噪声的影响从而改善了分选效果。直方图法适合处理脉冲密度低,脉冲丢失少的混叠雷达信号,但当脉冲密度和脉冲丢失率增大时分选效果急剧下降;现有技术六,将雷达序列到达时间差转换为PRI谱,通过谱峰的位置锁定PRI值并采用非恒定宽度的PRI箱改善了PRI估计的精度及耗时,但是用于实际作战环境下的实时分选,精度及耗时都不能满足现实要求;现有技术七,将雷达信号的载频和到达角在一定的容差范围内进行聚类处理,进一步利用脉冲宽度和到达角两个参数聚类结果的平均值进行二次聚类处理,但该技术依赖于脉冲到达角的准确估计,当脉冲到达角估计不准确或者无法估计时,该技术的有效性将极大减小。现有技术一到现有技术七在一定程度上解决了雷达信号分选的问题,就脉内特征而言,较为普遍的问题在于,由于雷达信号的频率较高,提取脉内特征的过程较为复杂,耗时较多,这一特点不适合于对雷达信号进行实时分选。而就脉间特征而言,众多算法在处理高密度脉冲环境下的分选问题时,算法有效性会急速下降,并且对于目前存在的重频复杂调制的雷达没有较好的分选效果。另外,上述分选技术实现起来较为复杂,且很容易产生“增批”现象。
通过上述分析,现有技术存在的问题及缺陷为:现有的雷达信号分选方法存在分选实时性较差,对复杂重频调制的雷达无法分选,容易产生“增批”问题,可靠性较低。
解决以上问题及缺陷的难度为:
在脉冲密集环境下,实现雷达信号的实时分选并且不能将重频组变雷达“分批”为多部重频固定雷达,从而形成“增批”问题。
解决以上问题及缺陷的意义为:
在实际电子对抗环境中,随着科技水平的提升,电磁环境越来越复杂。这就导致对当前环境辐射源数目的确定尤为重要,解决上述问题可以在一定程度上提升对抗主动性,对后续的辐射源识别,威胁等级评估等均有重要意义。
发明内容
针对现有技术存在的问题,本发明提供了一种高脉冲密度环境下雷达信号分选方法、***及应用。
本发明是这样实现的,一种高脉冲密度环境下雷达信号分选方法,所述高脉冲密度环境下雷达信号分选方法对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列;将每组脉冲序列的脉冲频域参数、脉冲宽度输入至级联结构自组织映射神经网络,得到初分选结果;对初分选结果使用改进的序列差值直方图算法,得到主分选结果;遍历主分选结果的组合情况,将脉冲频域参数、脉冲宽度、脉冲到达时间输入至长短时记忆网络(LSTM)进行重频鉴别,合并得到重频组变雷达。
进一步,对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列具体包括:
1)检测数据库中尚未检查过的对象P,如果p未被处理,归为某个簇或者标记为噪声,则检查其邻域,若包含的对象数不小于最小允许对象数minPts,建立新簇C,将其中的所有点加入候选集N;
2)对候选集N中所有尚未被处理的对象q,检查其邻域,若至少包含minPts个对象,则将这些对象加入N;如果q未归入任何一个簇,则将q加入C;
3)重复步骤2),继续检查N中未处理的对象,当前候选集N为空;
4)重复步骤1)~3),直到所有对象都归入了某个簇或标记为噪声。
进一步,所述的级联自组织映射神经网络初分选步骤为:
1)初始化。确定用于判断神经元合并或***的门限σi对应的是侦察接收机所获得各参数值的误差;设定自组织映射神经网络输出神经元个数的初始值m0,允许的最多循环轮次为K,神经元经过一次合并或***为循环一轮次;
2)用传统自组织映射学习算法训练,使之达到一个有序的映射,得出初始的聚类中心;
3)计算各类的类内平均距离和类间距离Dj=||mj-mj+1||(j=1,2,...,c-1)并和设定的门限R比较;若dj>R,则神经元j***;若Dj<R,则神经元j合并,确定是两类合并为一类还是一类***为两类,调整自组织映射神经网络的规模,得到新的输出神经元的数目,即mi具体数值;如果所有输出神经元既不合并也不***,转到步骤5);否则,转到步骤4);
4)判断循环轮次是否结束,若结束,转到步骤5);否则,转步骤2);
5)计算聚类准则函数的值J1,m,并得出各类的聚类中心值;
6)计算输出神经元数目为m+1和m-1对应的J1,m+1和J1,m-1,并和J1,m比较,取max(J1,m+1,J1,m,J1,m-1)对应的神经元数目为最终结果,并得出各类的聚类中心值。
进一步,所述的改进序列差值直方图算法主分选步骤为:
1)输入待分选的脉冲到达时间序列;
2)进行所有可能存在的脉冲重复间隔PRI分类统计;
3)设定统计门限ε,对大于门限的PRI进行排序去重;
4)遍历通过门限的PRI;
5)遍历所有的脉冲到达时间TOA;
6)根据噪声容差μ,计算该PRI在当前到达时间下的容许时间范围[TOA+PRI-μ,TOA+PRI+μ];
7)判断该容许时间范围内是否存在脉冲,若存在TOA满足上述条件则TOA=TOA'继续执行步骤6),反之丢失脉冲数自增misscount++;
8)判断丢失脉冲数misscount是否到达设定最大值misscount_max,若满足则将丢失脉冲数置零,TOA变为并执行步骤5),反之TOA=TOA'继续执行步骤6);
9)对提取到的所有TOA序列进行子谐波检验,满足检验规则的合并,得到最终主分选结果。
进一步,长短时记忆网络进行重频组变鉴别的步骤如下:
1)按照主分选得到的脉冲到达时间对雷达脉冲描述字(PDW)序列进行组合排序;
2)确定分段随机特征采样方法参数:分段长度k,分段个数d和分段之间间隔g;
3)对PDW序列随机选取k个序列数据作为第一段特征数据;
4)判断数据是否采样完毕;若是,执行步骤4),反之,采样开始位置加上分段之间间隔g,执行步骤2);
5)将采样结果输入至训练完成的长短时记忆网络中,得到重频组变的判决结果;
6)若满足重频组变规律,则合并PDW序列,形成重频组变雷达脉冲序列,反之不合并。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列;将每组脉冲序列的脉冲频域参数、脉冲宽度输入至级联结构自组织映射神经网络,得到初分选结果;对初分选结果使用改进的序列差值直方图算法,得到主分选结果;遍历主分选结果的组合情况,将脉冲频域参数、脉冲宽度、脉冲到达时间输入至长短时记忆网络(LSTM)进行重频鉴别,合并得到重频组变雷达。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列;将每组脉冲序列的脉冲频域参数、脉冲宽度输入至级联结构自组织映射神经网络,得到初分选结果;对初分选结果使用改进的序列差值直方图算法,得到主分选结果;遍历主分选结果的组合情况,将脉冲频域参数、脉冲宽度、脉冲到达时间输入至长短时记忆网络(LSTM)进行重频鉴别,合并得到重频组变雷达。
本发明的另一目的在于提供一种运行所述高脉冲密度环境下雷达信号分选方法的高脉冲密度环境下雷达信号分选***,所述高脉冲密度环境下雷达信号分选***包括:
高密度脉冲稀疏模块,用于对高密度脉冲环境进行稀疏,得到多通道脉冲序列进行并行处理;
级联自组织映射神经网络初分选模块,用于对雷达脉冲进行初步聚类分选,得到当前雷达信号初步分选的聚类结果;
改进序列差值直方图主分选模块,用于对稀疏的雷达脉冲序列进行主分选,得到重频固定、重频滑变、重频抖动雷达信号主分选结果;
长短时记忆网络重频组变鉴别模块,用于对重频固定雷达中符合重频组变规律的雷达脉冲序列进行鉴别及合并,最终得到重频组变雷达信号分选结果。
本发明的另一目的在于提供一种雷达信号分选***,所述雷达信号分选***安装有所述的高脉冲密度环境下雷达信号分选***。
本发明的另一目的在于提供一种雷达,所述雷达安装有所述的高脉冲密度环境下雷达信号分选***。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明可以有效实现高脉冲密度环境下常见的雷达信号(重频固定、重频参差、重频抖动、重频滑变、重频组变;脉宽固定、脉宽捷变;频率固定、频率脉间捷变、频率脉组捷变、频率同时分集、频率分时分集)的分选,且可以实现实际电磁环境下雷达信号的实时分选。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的高脉冲密度环境下雷达信号分选方法流程图。
图2是本发明实施例提供的高脉冲密度环境下雷达信号分选***的结构示意图;
图中:1、高密度脉冲稀疏模块;2、级联自组织映射神经网络初分选模块;3、改进序列差值直方图主分选模块;4、长短时记忆网络重频组变鉴别模块。
图3-图6是本发明实施例提供的经过级联结构自组织映射网络后的聚类结果图。
图7和图8是本发明实施例提供的经过长短时记忆网络训练后的测试结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种高脉冲密度环境下雷达信号分选方法、***及应用,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的高脉冲密度环境下雷达信号分选方法包括以下步骤:
S101:对雷达辐射源脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列;
S102:将每组脉冲序列的脉冲频域参数、脉冲宽度输入至级联自组织映射神经网络,得到初分选结果;
S103:对初分选结果使用改进的序列差值直方图算法,得到主分选结果;
S104:遍历主分选结果的组合情况,将脉冲频域参数、脉冲宽度、脉冲到达时间输入至长短时记忆网络进行重频鉴别,合并得到重频组变雷达。
本发明提供的高脉冲密度环境下雷达信号分选方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的高脉冲密度环境下雷达信号分选方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的高脉冲密度环境下雷达信号分选***包括:
高密度脉冲稀疏模块1,用于对高密度脉冲环境进行稀疏,得到多通道脉冲序列进行并行处理;
级联自组织映射神经网络初分选模块2,用于对雷达脉冲进行初步聚类分选,得到当前雷达信号初步分选的聚类结果;
改进序列差值直方图主分选模块3,用于对稀疏的雷达脉冲序列进行主分选,得到重频固定、重频滑变、重频抖动雷达信号主分选结果;
长短时记忆网络重频组变鉴别模块4,用于对重频固定雷达中符合重频组变规律的雷达脉冲序列进行鉴别及合并,最终得到重频组变雷达信号分选结果。
下面结合附图对本发明的技术方案作进一步的描述。
本发明实施例提供高脉冲密度环境下雷达信号分选方法及***具体包括以下步骤:
步骤一,所述对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列具体包括:
1)检测数据库中尚未检查过的对象P,如果p未被处理(归为某个簇或者标记为噪声),则检查其邻域,若包含的对象数不小于最小允许对象数(minPts),建立新簇C,将其中的所有点加入候选集N;
2)对候选集N中所有尚未被处理的对象q,检查其邻域,若至少包含minPts个对象,则将这些对象加入N;如果q未归入任何一个簇,则将q加入C;
3)重复步骤2),继续检查N中未处理的对象,当前候选集N为空;
4)重复步骤1)~3),直到所有对象都归入了某个簇或标记为噪声。
步骤二,将每组脉冲序列的脉冲频域参数、脉冲宽度输入至级联自组织映射神经网络,得到初分选结果:
1)初始化。确定用于判断神经元合并或***的门限σi对应的是侦察接收机所获得各参数值的误差。设定自组织映射神经网络输出神经元个数的初始值m0,允许的最多循环轮次为K(这里称神经元经过一次合并或***为循环一轮次);
2)用传统自组织映射学习算法训练,使之达到一个有序的映射,得出初始的聚类中心;
3)计算各类的类内平均距离和类间距离Dj=||mj-mj+1||(j=1,2,...,c-1)并和设定的门限R比较。若dj>R,则神经元j***;若Dj<R,则神经元j合并,以此来确定是两类合并为一类还是一类***为两类,调整自组织映射神经网络的规模,得到新的输出神经元的数目,即mi具体数值;如果所有输出神经元既不合并也不***,转到步骤5);否则,转到步骤4);
4)判断循环轮次是否结束,若结束,转到步骤5);否则,转步骤2);
5)计算聚类准则函数的值J1,m,并得出各类的聚类中心值;
6)计算输出神经元数目为m+1和m-1对应的J1,m+1和J1,m-1,并和J1,m比较,取max(J1,m+1,J1,m,J1,m-1)对应的神经元数目为最终结果,并得出各类的聚类中心值。
步骤三,对初分选结果使用改进的序列差值直方图算法,得到主分选结果:
1)输入待分选的脉冲到达时间序列;
2)进行所有可能存在的脉冲重复间隔(PRI)分类统计;
3)设定统计门限ε,对大于门限的PRI进行排序去重;
4)遍历通过门限的PRI;
5)遍历所有的脉冲到达时间(TOA);
6)根据噪声容差μ,计算该PRI在当前到达时间下的容许时间范围[TOA+PRI-μ,TOA+PRI+μ];
7)判断该容许时间范围内是否存在脉冲,若存在TOA满足上述条件则TOA=TOA'继续执行步骤6),反之丢失脉冲数自增misscount++;
8)判断丢失脉冲数misscount是否到达设定最大值misscount_max,若满足则将丢失脉冲数置零,TOA变为并执行步骤5),反之TOA=TOA'继续执行步骤6);
9)对提取到的所有TOA序列进行子谐波检验,满足检验规则的合并,得到最终主分选结果。
步骤四,遍历主分选结果的组合情况,将脉冲频域参数、脉冲宽度、脉冲到达时间输入至长短时记忆网络进行重频鉴别,合并得到重频组变雷达:
1)按照主分选得到的脉冲到达时间对雷达脉冲描述字(PDW)序列进行组合排序;
2)确定分段随机特征采样方法参数:分段长度k,分段个数d和分段之间间隔g;
3)对PDW序列随机选取k个序列数据作为第一段特征数据;
4)判断数据是否采样完毕。若是,执行步骤4),反之,采样开始位置加上分段之间间隔g,执行步骤2);
5)将采样结果输入至训练完成的长短时记忆网络中,得到重频组变的判决结果;
6)若满足重频组变规律,则合并PDW序列,形成重频组变雷达脉冲序列,反之不合并。
下面结合仿真对本发明的技术效果作详细的描述。
为测试级联结构自组织映射网络的聚类效果,随机选取了50组不同时间段的实采信号,如图3-图6所示。
后续长短时记忆网络算法要求聚类结果类别数不小于重频组变雷达辐射源数目。结合标准分选参考结果,对50组聚类效果进行评估。其中48组符合后续算法要求,即聚类结果类别数不小于重频组变雷达辐射源数目,总准确率为96%。
为测试长短时记忆网络的判决性能,对实采信号136个时间段进行分选,得到63组有效的雷达重频组变脉冲描述字序列。使用上述脉冲描述字序列构造数据集进行长短时记忆网络的训练及测试,如图7和图8所示。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种高脉冲密度环境下雷达信号分选方法,其特征在于,所述高脉冲密度环境下雷达信号分选方法对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列;将每组脉冲序列的脉冲频域参数、脉冲宽度输入至级联结构自组织映射神经网络,得到初分选结果;对初分选结果使用改进的序列差值直方图算法,得到主分选结果;遍历主分选结果的组合情况,将脉冲频域参数、脉冲宽度、脉冲到达时间输入至长短时记忆网络(LSTM)进行重频鉴别,合并得到重频组变雷达;
对接收到的雷达脉冲描述字按脉冲到达角进行划分,得到来自不同方位的多组脉冲序列具体包括:
1)检测数据库中尚未检查过的对象P,如果p未被处理,归为某个簇或者标记为噪声,则检查其邻域,若包含的对象数不小于最小允许对象数minPts,建立新簇C,将其中的所有点加入候选集N;
2)对候选集N中所有尚未被处理的对象q,检查其邻域,若至少包含minPts个对象,则将这些对象加入N;如果q未归入任何一个簇,则将q加入C;
3)重复步骤2),继续检查N中未处理的对象,当前候选集N为空;
4)重复步骤1)~3),直到所有对象都归入了某个簇或标记为噪声;
所述的级联自组织映射神经网络初分选步骤为:
1)初始化,确定用于判断神经元合并或***的门限σi对应的是侦察接收机所获得各参数值的误差;设定自组织映射神经网络输出神经元个数的初始值m0,允许的最多循环轮次为K,神经元经过一次合并或***为循环一轮次;
2)用传统自组织映射学习算法训练,使之达到一个有序的映射,得出初始的聚类中心;
3)计算各类的类内平均距离和类间距离Dj=||mj-mj+1||(j=1,2,...,c-1)并和设定的门限R比较;若dj>R,则神经元j***;若Dj<R,则神经元j合并,确定是两类合并为一类还是一类***为两类,调整自组织映射神经网络的规模,得到新的输出神经元的数目,即mi具体数值;如果所有输出神经元既不合并也不***,转到步骤5);否则,转到步骤4);
4)判断循环轮次是否结束,若结束,转到步骤5);否则,转步骤2);
5)计算聚类准则函数的值J1,m,并得出各类的聚类中心值;
6)计算输出神经元数目为m+1和m-1对应的J1,m+1和J1,m-1,并和J1,m比较,取max(J1,m+1,J1,m,J1,m-1)对应的神经元数目为最终结果,并得出各类的聚类中心值;
所述的改进序列差值直方图算法主分选步骤为:
1)输入待分选的脉冲到达时间序列;
2)进行所有可能存在的脉冲重复间隔PRI分类统计;
3)设定统计门限ε,对大于门限的PRI进行排序去重;
4)遍历通过门限的PRI;
5)遍历所有的脉冲到达时间TOA;
6)根据噪声容差μ,计算该PRI在当前到达时间下的容许时间范围[TOA+PRI-μ,TOA+PRI+μ];
7)判断该容许时间范围内是否存在脉冲,若存在TOA满足上述条件则TOA=TOA'继续执行步骤6),反之丢失脉冲数自增misscount++;
8)判断丢失脉冲数misscount是否到达设定最大值misscount_max,若满足则将丢失脉冲数置零,TOA变为并执行步骤5),反之TOA=TOA'继续执行步骤6);
9)对提取到的所有TOA序列进行子谐波检验,满足检验规则的合并,得到最终主分选结果;
长短时记忆网络进行重频组变鉴别的步骤如下:
1)按照主分选得到的脉冲到达时间对雷达脉冲描述字(PDW)序列进行组合排序;
2)确定分段随机特征采样方法参数:分段长度k,分段个数d和分段之间间隔g;
3)对PDW序列随机选取k个序列数据作为第一段特征数据;
4)判断数据是否采样完毕;若是,执行步骤4),反之,采样开始位置加上分段之间间隔g,执行步骤2);
5)将采样结果输入至训练完成的长短时记忆网络中,得到重频组变的判决结果;
6)若满足重频组变规律,则合并PDW序列,形成重频组变雷达脉冲序列,反之不合并。
2.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1所述高脉冲密度环境下雷达信号分选方法。
3.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1所述高脉冲密度环境下雷达信号分选方法。
4.一种运行权利要求1所述高脉冲密度环境下雷达信号分选方法的高脉冲密度环境下雷达信号分选***,其特征在于,所述高脉冲密度环境下雷达信号分选***包括:
高密度脉冲稀疏模块,用于对高密度脉冲环境进行稀疏,得到多通道脉冲序列进行并行处理;
级联自组织映射神经网络初分选模块,用于对雷达脉冲进行初步聚类分选,得到当前雷达信号初步分选的聚类结果;
改进序列差值直方图主分选模块,用于对稀疏的雷达脉冲序列进行主分选,得到重频固定、重频滑变、重频抖动雷达信号主分选结果;
长短时记忆网络重频组变鉴别模块,用于对重频固定雷达中符合重频组变规律的雷达脉冲序列进行鉴别及合并,最终得到重频组变雷达信号分选结果。
5.一种雷达信号分选***,其特征在于,所述雷达信号分选***安装有权利要求4所述的高脉冲密度环境下雷达信号分选***。
6.一种雷达,其特征在于,所述雷达安装有权利要求4所述的高脉冲密度环境下雷达信号分选***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731268.8A CN112036074B (zh) | 2020-07-27 | 2020-07-27 | 一种高脉冲密度环境下雷达信号分选方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731268.8A CN112036074B (zh) | 2020-07-27 | 2020-07-27 | 一种高脉冲密度环境下雷达信号分选方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036074A CN112036074A (zh) | 2020-12-04 |
CN112036074B true CN112036074B (zh) | 2024-04-02 |
Family
ID=73583230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010731268.8A Active CN112036074B (zh) | 2020-07-27 | 2020-07-27 | 一种高脉冲密度环境下雷达信号分选方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036074B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112698274A (zh) * | 2020-12-05 | 2021-04-23 | 扬州宇安电子科技有限公司 | 一种分级pri变换的雷达信号分选和脉冲序列提取*** |
CN112799053B (zh) * | 2020-12-09 | 2023-08-15 | 中国人民解放军战略支援部队信息工程大学 | 一种单脉冲信号的实时配对分选方法 |
CN112526456B (zh) * | 2020-12-28 | 2022-07-15 | 扬州健行电子科技有限公司 | 一种雷达信号识别方法 |
CN112904287B (zh) * | 2021-01-14 | 2021-10-22 | 无锡国芯微电子***有限公司 | 一种基于被动雷达寻的器的跟踪辐射源参数估计方法及其应用 |
CN112904288B (zh) * | 2021-01-14 | 2023-08-29 | 无锡国芯微电子***有限公司 | 一种脉冲信号合并的***、脉冲信号合并的方法 |
CN112949383B (zh) * | 2021-01-22 | 2023-04-18 | 中国人民解放军63892部队 | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 |
CN112986925B (zh) * | 2021-02-01 | 2024-03-12 | 东南大学 | 一种基于图像特征的雷达脉冲序列分选方法 |
CN113033629B (zh) * | 2021-03-09 | 2022-08-05 | 中南大学 | 基于改进布谷鸟算法的雷达信号分选方法及装置 |
CN112986928B (zh) * | 2021-03-11 | 2022-06-17 | 哈尔滨工程大学 | 一种复杂电磁环境下信号分选多源融合处理方法 |
CN113128584B (zh) * | 2021-04-15 | 2022-11-11 | 北京理工大学 | 一种多功能雷达脉冲序列的模式级无监督分选方法 |
CN113127807B (zh) * | 2021-04-19 | 2023-02-24 | 深圳华创电科技术有限公司 | 一种基于约束最小二乘算法的Mode5前导脉冲抖动值计算方法 |
CN113259017B (zh) * | 2021-05-13 | 2022-02-08 | 电子科技大学 | 一种基于跳时关系的帧内信号分选方法 |
CN113253217B (zh) * | 2021-05-27 | 2021-10-01 | 南京雷电信息技术有限公司 | 一种基于脉冲流构建复杂电磁环境的方法 |
CN113759323B (zh) * | 2021-07-19 | 2024-02-06 | 西安电子科技大学 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
CN113721219B (zh) * | 2021-10-08 | 2023-07-04 | 中国电子科技集团公司第三十八研究所 | 一种基于多参数聚类的雷达信号分选方法和*** |
CN113962261B (zh) * | 2021-10-21 | 2024-05-14 | 中国人民解放军空军航空大学 | 一种用于雷达信号分选的深度网络模型构建方法 |
CN113985356B (zh) * | 2021-10-29 | 2022-12-27 | 扬州宇安电子科技有限公司 | 一种雷达信号脉冲描述字分选功能的实现方法 |
CN114624645B (zh) * | 2022-03-10 | 2022-09-30 | 扬州宇安电子科技有限公司 | 一种基于微型天线阵列的小型旋翼无人机雷达侦察*** |
CN114924234B (zh) * | 2022-07-21 | 2022-10-21 | 中国人民解放军国防科技大学 | 一种基于区域对比度的雷达辐射源目标信号检测方法 |
CN115128569B (zh) * | 2022-08-30 | 2022-11-25 | 中国电子科技集团公司第十五研究所 | 雷达侦察全脉冲数据可视化分选方法、服务器及存储介质 |
CN117554919B (zh) * | 2024-01-11 | 2024-03-29 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
CN118131168B (zh) * | 2024-05-08 | 2024-07-09 | 成都玖锦科技有限公司 | 一种复杂环境信号分选***及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764063A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种基于sdif与pri变换法结合的雷达信号分选方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101007662B1 (ko) * | 2009-05-08 | 2011-01-13 | 국방과학연구소 | 주파수 변조 특성 및 신호의 결합 특성을 이용한 레이더 신호의 클러스터링 방법 및 이를 이용한 레이더 신호 수신 및 처리장치 |
-
2020
- 2020-07-27 CN CN202010731268.8A patent/CN112036074B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764063A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种基于sdif与pri变换法结合的雷达信号分选方法 |
Non-Patent Citations (6)
Title |
---|
一种密集信号环境下雷达脉冲分选方法;魏娟, 杨万麟, 植强, 王松煜;电子科技大学学报;20050625(第03期);全文 * |
基于融合算法的多参数雷达信号分选;陈恒;张友益;王玉梅;;舰船电子工程;20180920(第09期);全文 * |
岳志勇 ; 肖军鹏 ; 王鹏 ; .重频抖动脉冲信号分选研究.遥测遥控.2007,(S1),全文. * |
重频抖动脉冲信号分选研究;岳志勇;肖军鹏;王鹏;;遥测遥控;20071115(第S1期);全文 * |
陈恒 ; 张友益 ; 王玉梅 ; .基于融合算法的多参数雷达信号分选.舰船电子工程.2018,(09),全文. * |
魏娟,杨万麟,植强,王松煜.一种密集信号环境下雷达脉冲分选方法.电子科技大学学报.2005,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112036074A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及*** | |
Bortolato et al. | Bump hunting in latent space | |
Heredia et al. | Density-based clustering methods for unsupervised separation of partial discharge sources | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及*** | |
CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和*** | |
CN112986925B (zh) | 一种基于图像特征的雷达脉冲序列分选方法 | |
KR101313051B1 (ko) | 펄스반복주기 변조 형태 인식 방법 및 이를 적용한 인식 장치 | |
CN109766926B (zh) | 一种雷达辐射源信号脉内特征综合评估方法及*** | |
CN111693945B (zh) | 脉间调制方式识别方法、***、计算机设备及存储介质 | |
CN111487592B (zh) | 一种基于gpu和cpu平台漂移均值聚类的雷达信号分选方法 | |
Chunjie et al. | Synthetic algorithm for deinterleaving radar signals in a complex environment | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
Shapero et al. | Identifying agile waveforms with neural networks | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN112904292A (zh) | 基于重要性采样的宽带雷达检测门限确定及目标检测方法 | |
Zhang et al. | PRI modulation recognition and sequence search under small sample prerequisite | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
Dai et al. | Clustering of DOA data in radar pulse based on SOFM and CDbw | |
CN108197646A (zh) | 一种用于分布式光纤传感***的目标分类识别方法 | |
Perďoch et al. | An improved radar clutter suppression by simple neural network | |
Han et al. | Radar clutter classification using expectation-maximization method | |
CN117851837B (zh) | 一种基于细微直方图特征的辐射源目标识别方法与*** | |
Ambarsari et al. | Comparison Approaches of the Fuzzy C-Means and Gaussian Mixture Model in Clustering the Welfare of the Indonesian People | |
CN112763989B (zh) | 一种基于cdif的抖动信号分选方法 | |
Muthukrishnan et al. | InvRT: Solving Radar Inverse Problems with Transformers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |