一种将信息融合应用到雷达信号分选中的方法技术

本发明专利技术公开了一种将信息融合应用到雷达信号分选中的方法，属于雷达信号处理领域。本发明专利技术在雷达信号分选前对脉冲描述字(PDW)进行数据级融合，在分选后对分选结果进行了特征级融合。在数据级融合中提出了基于一级脉冲到达时间(TOA)差匹配的时间对准方法，对同时到达的脉冲应用D‑S证据理论判关联以获得新的PDW；在特征级融合中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，以及分选后同一部雷达描述参数不完全相同的问题。仿真结果表明通过数据级融合能有效提高雷达信号分选的成功率，特征级融合的应用可以获得更简洁直观的辐射源信息。

A method of applying information fusion to radar signal sorting

The invention discloses a method for applying information fusion to radar signal sorting, which belongs to the field of radar signal processing. The invention makes the data level fusion of the pulse description word (PDW) before the radar signal sorting, and makes the feature level fusion of the sorting results after the separation. In data fusion is presented in a class based on the pulse arrival time difference (TOA), time alignment method, to arrive at the same time the application of pulse D S evidence theory sentenced association to obtain new PDW; fusion at the feature level describes the same parameter unified radar and reliability rank on separation results. It solves the possible failure of the single receiver receiving pulse loss, and the problem that the parameters of the same radar are not exactly the same after sorting. The simulation results show that data level fusion can effectively improve the success rate of radar signal sorting, and the application of feature level fusion can get more concise and intuitive radiation source information.

【技术实现步骤摘要】
一种将信息融合应用到雷达信号分选中的方法
本专利技术属于雷达信号处理领域，具体涉及一种将信息融合应用到雷达信号分选中的方法。
技术介绍
随着科学技术的发展，现代战场的电磁信号环境日趋复杂，辐射源密度成倍增加，电磁信号样式也越发复杂多变。现代雷达具有多模性和隐蔽性，一部雷达往往具有多种工作模式来实现不同的用途功能，每个模式也具有相应的技术特征参数，而低截获概率等雷达抗干扰措施的运用，使侦察接收设备得到的部分特征参数存在缺失，具有不完整、不确定的特性，为雷达信号分选带来了很大的难度。考虑到各侦察接收设备在某段观测时间内的信息具有互补性，可以通过信息融合的方法对接收机接收到的脉冲描述字(PDW)进行融合处理后再分选，获得比单一接收设备更好的分选效果。而同一侦察接收设备连续观测分选出的结果应具备重复出现的特点，但受分选算法及测量精度等因素影响，描述同一部雷达的参数可能不完全相同，通过分选结果的融合将各参数统一并对分选出的雷达进行可信度排序，可以简洁直观的反应观测时间内的辐射源情报信息。目前，国内外学者针对信息融合与雷达信号分选的研究方向主要是对分选后辐射源进行融合识别。2015年吴振强等人将概率神经网络、多元属性融合算法和D-S证据理论有效地结合起来，提出了一种关于雷达辐射源识别的信息融合模型，该模型先用概率神经网络对雷达侦察设备所获得的雷达参数进行识别，当识别结果不唯一时，再用多元信息融合算法针对神经网络识别出的可能的雷达型号进行再识别，最终确定识别结果。对分选前的脉冲描述字融合方面受文献所限，查不到相关文章，但若对分选前数据进行融合，则可保留更多的战场信息，可有效提高对目标的发现概率和识别能力。
技术实现思路
本专利技术的目的在于提供将信息融合应用到雷达信号分选中，以实现比单一设备更好的分选效果，获得更简洁直观的辐射源信息的一种将信息融合应用到雷达信号分选中的方法。本专利技术的目的通过如下技术方案来实现：本专利技术首先针对不同接收机获得的PDW进行数据级融合，接下来对同一接收机连续观测时间获得的脉冲数据进行分选结果的融合，即对分选结果进行特征级融合，因此信息融合在雷达信号分选中的应用包含数据级PDW融合和特征级分选结果融合两部分。1.一种将信息融合应用到雷达信号分选中的方法，其特征在于，包括数据级PDW融合和特征级分选结果融合两部分，其中：数据级PDW融合主要包括以下步骤：(1)时间对准，即将来自各接收机的不同步数据配准到相同的时间；(1.1)对同一时间段的两组观测数据进行一级TOA差匹配，通过计算得出观测数据的一级TOA差；(1.2)将etoa1和etoa2顺序组成l维矢量X1(i)、X2(j)，即分别选定l个脉冲组成的脉冲流进行匹配(1.3)统计X1(i)和X2(j)之间的对应误差在测量误差内的个数k以及l维数据对应误差和error；(1.4)计算一级TOA差相似率；(1.5)设定对应误差最小值(min{er(i,j)})为最佳匹配位置，定义第一组在误差范围内的相对时间为两组观测数据的相对时间Δt；(2)属性关联，对时间对准后同时刻到达的脉冲计算载频、脉宽支持度；通过概率赋值函数将载频f、脉宽pw的差异度映射到[0,1]的区间上，计算两个参数的支持度；(3)应用D-S融合公式求总体支持度，设定门限判定同时刻到达脉冲是否来自同一辐射源；D-S证据理论用识别框架U表示所感兴趣的命题集，定义U上的基本概率赋值函数m:2U→[0,1]，满足：m(·)称为U上的基本概率赋值，若m(A)≠0，则A称为一个焦元，m(A)反应对A的可信度大小；对于有两个特征的推理系统，两个特征的概率赋值分别为m1、m2，对于子集A，求其组合后两个特征共同作用下的的总体基本概率赋值的D-S规则：其中为冲突项，若K≠1，则确定m个基本概率赋值；若K＝1，则认为m1与m2矛盾，不必组合。(4)门限判决，对相同时刻来自相同辐射源的不同数据融合成一个新的数据值，并将数据按到达时间的先后顺序排列成新的PDW，若信号来自同一辐射源，则计算其算数平均值作为融合后这一时刻脉冲的载频、脉宽值，对于不是同时到达的脉冲，我们将其按照到达时间的先后来排序，得到更加全面的信息；其中，针对脉冲超前的情况，定义融合后的到达时间值为已知两个到达时间的较小值，脉宽值为数值较大的脉冲后沿与新定义的到达时间的差值；针对脉冲包含的情况，定义融合后的脉冲到达时间与脉宽值皆为包含的脉冲对应的参数；若无上述现象，则按到达时间顺序排列。特征级分选结果的融合主要包括以下步骤：通过计算其载频、脉宽、PRI三个属性的支持度，再采用D-S证据理论组合规则进行属性融合获得总体支持度，对描述同一部雷达的各特征参数加权得到统一的参数。计算雷达的载频f支持度mf与脉宽支持度mpw；PRI分为固定和参差两种类型：A.分选结果为PRI固定的常规雷达：一组观测时间段的一个分选结果为Ta，另一组观测时间段的一个分选结果为Tb，则这两个分选结果的差为ΔTab＝|Ta-Tb|，两个分选结果的PRI支持度mPRI为：Tε为侦察系统的重复周期误差；B.分选结果为参差雷达：以二参差为例，一组观测结果的骨架周期为Ta，二参差重复间隔为Ta1和Ta2，另一组分选结果显示骨架周期Tb，二参差重复间隔为Tb1和Tb2；此时分选结果的PRI支持度mPRI为：其中，PRI的差值ΔT＝|Ta-Tb|，ΔTabi＝|Tai-Tbi|，i＝1,2；n个证据共同作用下的总概率赋值函数公式为：若总体支持度大于设定的阈值，则判定进行比较的两个分选结果描述的是同一部雷达，对观测时间内所有侦测数据分选后得到的结果依次做特征级融合，若描述的皆为同一部雷达，则以分选结果的PRI方差倒数作为权系数，实现对同一部雷达特征参数的统一；为了避免由于分选算法导致的分选错误，如分选显示的PRI参数为实际PRI的倍数，我们在实现参数统一的过程中，还需统计描述这部雷达的脉冲数及频率次数，分选结果出现的频率高且使用的脉冲数较多，认为此分选结果可信度高，通过对描述不同雷达的脉冲数进行统计排序，可以直观获取观测时间段内的辐射源信息。本专利技术的有益效果在于：对于正在观测同一目标的若干接收机接收到的数据，由于环境、噪声以及可能存在的脉冲丢失等因素的影响，利用单一接收设备侦察数据直接分选可能会导致分选失败。本专利技术首先针对不同接收机获得的PDW进行数据级融合，解决了单一接收设备接收脉冲丢失后可能存在的分选失败问题；接下来对同一接收机连续观测时间获得的脉冲数据进行分选结果的融合，即对分选结果进行特征级融合，解决了分选后同一部雷达的描述参数不完全相同的问题。附图说明图1为PDW融合模型；图2为特征级分选结果融合模型；图3为PDW时间对准原理图；图4为融合规则；图5为丢失信号分选结果；图6为融合后信号分选结果。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步说明：一种将信息融合应用到雷达信号分选中的方法，具体分为数据级PDW融合和特征级分选结果的融合，模型如图1和图2所示。数据级PDW融合包括以下步骤：步骤一：时间对准。由于摆放在不同位置的各接收机对雷达信号的接收是相互独立进行的，可能存在通信网络的不同延迟，因此各接收机的上报时间可能存在时间差。在融合前，需要将来自多个接收机的数据变本文档来自技高网...

【技术保护点】
一种将信息融合应用到雷达信号分选中的方法，其特征在于，包括数据级PDW融合和特征级分选结果融合两部分，其中：数据级PDW融合主要包括以下步骤：(1)时间对准，即将来自各接收机的不同步数据配准到相同的时间；(2)属性关联，对时间对准后同时刻到达的脉冲计算载频、脉宽支持度；(3)应用D‑S融合公式求总体支持度，设定门限判定同时刻到达脉冲是否来自同一辐射源；(4)门限判决，对相同时刻来自相同辐射源的不同数据融合成一个新的数据值，并将数据按到达时间的先后顺序排列成新的PDW，特征级分选结果的融合主要包括以下步骤：通过计算其载频、脉宽、PRI三个属性的支持度，再采用D‑S证据理论组合规则进行属性融合获得总体支持度，对描述同一部雷达的各特征参数加权得到统一的参数。

【技术特征摘要】
1.一种将信息融合应用到雷达信号分选中的方法，其特征在于，包括数据级PDW融合和特征级分选结果融合两部分，其中：数据级PDW融合主要包括以下步骤：(1)时间对准，即将来自各接收机的不同步数据配准到相同的时间；(2)属性关联，对时间对准后同时刻到达的脉冲计算载频、脉宽支持度；(3)应用D-S融合公式求总体支持度，设定门限判定同时刻到达脉冲是否来自同一辐射源；(4)门限判决，对相同时刻来自相同辐射源的不同数据融合成一个新的数据值，并将数据按到达时间的先后顺序排列成新的PDW，特征级分选结果的融合主要包括以下步骤：通过计算其载频、脉宽、PRI三个属性的支持度，再采用D-S证据理论组合规则进行属性融合获得总体支持度，对描述同一部雷达的各特征参数加权得到统一的参数。2.根据权利要求1所述的一种将信息融合应用到雷达信号分选中的方法，其特征在于，所述的数据级PDW融合中步骤(1)具体为：(1.1)对同一时间段的两组观测数据进行一级TOA差匹配，通过计算得出观测数据的一级TOA差：etoa1(i)＝toa1(i+1)-toa1(i),i＝1,2…n1-1etoa2(j)＝toa2(j+1)-toa2(j),j＝1,2…n2-1式中n1和n2分别为观测数据的脉冲数，n1-1和n2-1分别为即将进行匹配的一级TOA差的脉冲数；(1.2)将etoa1和etoa2顺序组成l维矢量X1(i)、X2(j)，即分别选定l个脉冲组成的脉冲流进行匹配：X1(i)＝[etoa1(i),etoa1(i+1)…etoa1(i+l-1)],i＝1,2…(n1-1)-l+1X2(j)＝[etoa2(j),etoa2(j+1)…etoa2(j+l-1)],j＝1,2…(n2-1)-l+1(1.3)统计X1(i)和X2(j)之间的对应误差在测量误差内的个数k以及l维数据对应误差和error：error(i,j)＝|X1(i)-X2(j)|,i＝1,2…n1-l；j＝1,2…n2-l(1.4)计算一级TOA差相似率：按在误差内个数k的大小进行排序，取使k为最大值的位置为最佳匹配位置；若k为最大值的个数不为1，则比较对应误差和error；(1.5)设定对应误差最小值(min{er(i,j)})为最佳匹配位置，定义第一组在误差范围内的相对时间为两组观测数据的相对时间Δt：Δt＝toa1(i)-toa2(j)其中，i、j为最佳匹配位置处。3.根据权利要求1所述的一种将信息融合应用到雷达信号分选中的方法，其特征在于，所述的数据级PDW融合中步骤(2)具体为：通过概率赋值函数将载频f、脉宽pw的差异度映射到[0,1]的区间上，计算两个参数的支持度；一组观测数据的载频f测量值为fa，另一组测量值为fb，则这两个测量值的差为Δfab＝|fa-fb|；这两个载频f测量值之间的支持度mf为：其中fε是传感器的测量容差，选择为4倍的测量精度；同理得到两个测量值的脉宽支持度mpw：4.根据权利要求1所述的一种将信息融合应用到雷达信号分选中的方法，其特征在于，所述的数据级PDW融合中步骤(3)具体为：D-S证据理论用识别框架U表示所感兴趣的命题集，定义U上的基本概率赋值函数m:2U→[0,1]，满足：

【专利技术属性】
技术研发人员：郭立民，张艳苹，陈涛，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23