一种雷达信号多维特征智能分选方法技术

本发明专利技术公开一种雷达信号多维特征智能分选方法，应用于雷达信号处理领域，针对现有技术中存在的复杂电磁环境中雷达信号实时分选准确率低的问题，本发明专利技术利用空时频域多参数联合聚类方法，实现雷达信号预分选；基于深度卷积神经网络基本架构，结合雷达信号波形调制特点，构建雷达信号脉内调制特征提取深度卷积神经网络，提取雷达信号脉内调制特征，拓展雷达信号分选特征维度，结合雷达信号PRI脉间调制特征，实现信号参数交叠情况下的雷达信号主分选；不仅提升了雷达信号分选准确率，同时实现了雷达信号快速分选。

【技术实现步骤摘要】
一种雷达信号多维特征智能分选方法
本专利技术属于雷达信号处理领域，特别涉及一种电子对抗中雷达辐射源信号分选技术。
技术介绍
随着现代电子科学技术的迅猛发展，无线电电子技术在军事战场中广泛应用，电子对抗已成为现代战争中的一个重要的高科技分战场。雷达信号分选技术是电子对抗领域一项至关重要的技术，这一过程具体是指利用同一部雷达信号参数的关联性和不同雷达信号参数的差异性，从雷达侦察接收机接收到的多个辐射源脉冲相互交错信号中分离出每个辐射源脉冲序列，它是进行雷达信号特征提取、识别以及威胁评估的前提和基础。传统信号预分选技术主要利用雷达信号脉冲描述字(PDW)，结合容差进行简单分类。当前主要的单参数(PRI)分选算法有扩展关联法、累积差值直方图法(CDIF)、序列差值直方图法(SDIF)以及PRI变换法等。然而，随着信息化装备平台的广泛运用，现代战场电磁环境中信号密度增大，波形设计复杂多变，工作频段宽且有部分重叠，信号密集而且脉间参数交叠越来越严重，传统的预分选技术与单参数分选算法难以应对日益复杂的电子对抗环境，利用多参数实现对雷达信号的分选方法陆续被提出。文献“X.Wei,Y.Pan,J.HanandH.He,RadarsignalsortingbasedonresemblancecoefficientofWelchpowerspectrum.20174thInternationalConferenceonSystemsandInformatics(ICSAI),Hangzhou,2017,pp.1120-1125.”提出了一种基于Welch功率谱相似系数的雷达信号分选方法，该方法通过分析雷达信号的Welch功率谱及其能量，提取脉冲序列的功率谱相似系数，形成分选特征参数集，利用支持向量机完成信号主分选。该方法在低信噪比区域对频率调制信号可以获取较高的分选准确率，但由于该方法仅提取单特征参数，无法全面表征雷达信号，且其分选性能受限于截断信号的长度，在低信噪比下对于调相信号的分选效果不是很好。文献“Z.Zheng,C.QiandX.Duan,Sortingalgorithmforpulseradarbasedonwavelettransform.2017IEEE2ndInformationTechnology,Networking,ElectronicandAutomationControlConference(ITNEC),Chengdu,2017,pp.1166-1169.”提出了一种基于小波变换的雷达信号分选方法，该方法利用小波变换提取时域信号突变点模量与到达时间，对小波模量进行聚类分析实现雷达信号预分选，有效地抑制子谐波现象，可以通过累积差值直方图算法实现主分选；然而，小波变换的效果受限于小波基函数与分解层数的选取，依赖于人工经验，无法满足复杂电磁环境中雷达信号实时分选要求。
技术实现思路
为解决上述技术问题，本专利技术提出了一种雷达信号多维特征智能分选方法，预分选与主分选结合，利用多参数联合分选，引入深度学习框架，在提升分选准确率的同时实现了雷达信号快速分选。本专利技术采用的技术方案为：一种雷达信号多维特征智能分选方法，包括：S1、侦收原始雷达信号及脉内参数；S2、对步骤S1侦收的脉内参数进行预分选；S3、构建深度卷积神经网络；S4、对步骤S2预分选结果中对应的雷达信号进行数据格式标准化处理；S5、将步骤S4得到的数据作为步骤S3所构建深度卷积神经网络的输入，对深度卷积神经网络进行训练；S6、采用步骤S5训练完成的深度卷积神经网络对步骤S4预处理后的雷达信号进行脉内调制特征提取；S7、针对步骤S6中具有相同脉内调制特征的雷达信号，利用SDIF算法分析PRI脉间调制特征，提取来自不同雷达的脉冲序列，实现脉冲去交错，完成雷达信号主分选。步骤S2具体采用K-means算法对步骤S1侦收的脉内参数进行聚类，得到若干簇。步骤S3的深度卷积神经网络结构，包括：5个卷积层、5个池化层、2个全连接层；5个卷积层的激活函数为Relu激活函数。所述深度卷积神经网络采用softmax进行多目标分类，输出为相应的调制类型。步骤S4具体为：对步骤S2得到的每一簇雷达信号，进行数据格式化标准处理，包括：对每一簇雷达信号进行下采样以获取基带信号，对基带信号进行零填充以统一信号长度，然后对零填充后的基带信号进行快速傅里叶变换，并提取基带信号的实部、虚部与频谱信息共同构成标准格式的数据。步骤S5所述训练具体为：将每一簇雷达信号经步骤S4处理后得到标准格式的数据输入步骤S3构建的深度卷积神经网络进行前向传播，并计算代价函数值；使用基于梯度下降的后向传播算法对深度卷积神经网络参数进行更新；迭代进行前后向传播，直至代价函数收敛，从而得到训练完成的深度卷积神经网络。步骤S6具体为：将与步骤S4处理后的序列数据具有相同格式的信号作为测试样本，将测试样本输入步骤S5中训练完成的深度卷积神经网络进行前向传播，得到测试样本属于各类别的后验概率，比较各类后验概率大小，取最大者所对应的类别作为最终预测结果。步骤S7具体为：对信号的脉冲TOA差值作统计直方图，并计算对应的检测门限，将所有超过门限的值看作是可能的PRI值进行序列搜索，进而完成PRI值的确定以及同一雷达脉冲序列的提取。计算检测门限的函数表达式为：其中，Np是脉冲总数，N是直方图上脉冲间隔的总刻度值，c是差值直方图的级数，X和K微常数。本专利技术的有益效果：本专利技术的一种雷达信号多维特征智能分选方法，利用截获的侦察参数与雷达信号，结合雷达信号空、时、频域特点，建立基于多维调制域特征的雷达信号总体分选模型。利用空、时、频域多参数联合聚类方法，实现雷达信号预分选；基于深度卷积神经网络基本架构，结合雷达信号波形调制特点，构建雷达信号脉内调制特征提取深度卷积神经网络，提取雷达信号脉内调制特征，拓展雷达信号分选特征维度，分析雷达信号PRI脉间调制特征，实现信号参数交叠情况下的雷达信号分选。本专利技术方法具有灵活、准确、高效和泛化能力强的优点。附图说明图1为本专利技术实施例提供的雷达信号分选方案流程图；图2为本专利技术实施例提供的预分选算法流程图；图3为本专利技术实施例提供的脉内调制特征提取网络结构示意图；图4为本专利技术实施例提供的PRI脉间调制特征提取流程图；图5为本专利技术实施例提供的雷达信号分选结果图。具体实施方式为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。如图1所示为本专利技术的方案流程图，本专利技术的技术方案为：一种雷达信号多维特征智能分选方法，包括：S1、侦收原始雷达信号及脉内参数，原始雷达信号即时域信号，脉内参数具体包括载频(RF)、到达方向角(DOA)、脉宽(PW)、到达时间(TOA)等。步骤S1侦收的原始雷达信号(脉冲流)在部分信号参数上有交叠，在这种情况下难本文档来自技高网...

【技术保护点】
1.一种雷达信号多维特征智能分选方法，其特征在于，包括：/nS1、侦收原始雷达信号及脉内参数；/nS2、对步骤S1侦收的脉内参数进行预分选；/nS3、构建深度卷积神经网络；/nS4、对步骤S2预分选结果中对应的雷达信号进行数据格式标准化处理；/nS5、将步骤S4得到的数据作为步骤S3所构建深度卷积神经网络的输入，对深度卷积神经网络进行训练；/nS6、采用步骤S5训练完成的深度卷积神经网络对步骤S4预处理后的雷达信号进行脉内调制特征提取；/nS7、针对步骤S6中具有相同脉内调制特征的雷达信号，利用SDIF算法分析PRI脉间调制特征，提取来自不同雷达的脉冲序列，实现脉冲去交错，完成雷达信号主分选。/n

【技术特征摘要】
1.一种雷达信号多维特征智能分选方法，其特征在于，包括：
S1、侦收原始雷达信号及脉内参数；
S2、对步骤S1侦收的脉内参数进行预分选；
S3、构建深度卷积神经网络；
S4、对步骤S2预分选结果中对应的雷达信号进行数据格式标准化处理；
S5、将步骤S4得到的数据作为步骤S3所构建深度卷积神经网络的输入，对深度卷积神经网络进行训练；
S6、采用步骤S5训练完成的深度卷积神经网络对步骤S4预处理后的雷达信号进行脉内调制特征提取；
S7、针对步骤S6中具有相同脉内调制特征的雷达信号，利用SDIF算法分析PRI脉间调制特征，提取来自不同雷达的脉冲序列，实现脉冲去交错，完成雷达信号主分选。


2.根据权利要求1所述的一种雷达信号多维特征智能分选方法，其特征在于，步骤S2具体采用K-means算法对步骤S1侦收的脉内参数进行聚类，得到若干簇。


3.根据权利要求1所述的一种雷达信号多维特征智能分选方法，其特征在于，步骤S3的深度卷积神经网络结构，包括：5个卷积层、5个池化层、2个全连接层；5个卷积层的激活函数为Relu激活函数。


4.根据权利要求3所述的一种雷达信号多维特征智能分选方法，其特征在于，所述深度卷积神经网络采用softmax进行多目标分类，输出为相应的调制类型。


5.根据权利要求2所述的一种雷达信号多维特征智能分选方法，其特征在于，步骤S4具体为：对步骤S2得到的每一簇雷达信号，进行数据格式化标准处理，包括：对每一簇雷达信号进行...

【专利技术属性】
技术研发人员：霍伟博，黄钰林，裴季方，张玉婕，补源源，张寅，张永超，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51