基于改进K-Means联合卷积自编码器的信号分选方法及装置制造方法及图纸

本发明专利技术公开了一种基于改进K

【技术实现步骤摘要】
基于改进K
‑
Means联合卷积自编码器的信号分选方法及装置


[0001]本专利技术属于信号处理
，具体涉及一种基于改进K
‑
Means联合卷积自编码器的信号分选方法及装置。

技术介绍

[0002]电子战，又称电子对抗，是现代战争的重要作战手段，其主要是敌对双方为削弱、破坏对方电子设备的使用效能、保障己方电子设备发挥效能而采取的各种电子措施和行动。长期以来，雷达对抗一直在电子战中占据主导地位，而雷达侦察是雷达对抗的主要内容之一。通常，雷达侦察系统所截获的信号除了包含大量的雷达信号外，还包括一些其他电磁辐射源信号，这些信号与多种雷达信号随机混合，形成交错的信号流。在后续进行处理时，需要依据截获的雷达特征参数、到达时间以及到达方向等数据把各部雷达信号从信号流中分离出来，然后再对分选出来的信号进行参数提取和雷达型号识别，最后根据识别结果来获得雷达的类型、属性、用途以及威胁程度等情报。雷达辐射源信号分选是雷达侦察信号处理的关键环节，直接影响着雷达侦察设备性能的发挥，并关系到后续的作战决策。因此，信号分选的技术水平已成为衡量雷达侦察系统先进技术的重要标志。
[0003]目前，现有的雷达信号分选方法主要有两大类，一类是传统的雷达信号分选方法，其主要以PRI(脉冲重复间隔)为主要的分选特征参数实现信号分选。另一类是多参数雷达信号分选方法，其主要利用多种脉内参数作为分选特征参数实现信号分选。
[0004]然而，传统的雷达信号分选方法仅适用于拥有常规脉间调制方式的雷达信号，无法满足复杂环境下的雷达信号分选需求，而现有的多参数雷达信号分选方法对于丢失脉冲明显以及杂波较多的脉冲序列分选效果不理想，且分选效率较低，而错误或者不及时的信号分选将会导致大量的增批与漏批(对应虚警和漏警)，严重影响对抗效果甚至关系作战的成败。因此，设计一种能够适用于复杂环境、且分选效果较好的雷达信号分选方法对雷达对抗具有至关重要的意义。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于改进K
‑
Means联合卷积自编码器的信号分选方法及装置。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]一种基于改进K
‑
Means联合卷积自编码器的信号分选方法，包括：
[0007]获取不同PRI调制类型的雷达对应的若干TOA序列；
[0008]构建卷积自编码器，并利用所述TOA序列对其进行训练，得到若干训练好的卷积自编码器；
[0009]对不同PRI调制类型的雷达信号进行仿真，得到混合PDW序列；
[0010]基于改进的K
‑
Means聚类算法对所述混合PDW序列进行预分选，得到预分选后的TOA序列；
[0011]利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取，得到信号
分选结果。
[0012]在本专利技术的一个实施例中，所述获取不同PRI调制类型的雷达对应的若干TOA序列包括：
[0013]分别对固定PRI、组变PRI、参差PRI、抖动PRI以及滑变PRI调制类型的雷达TOA数据进行仿真，得到对应的TOA序列；其中，所述TOA序列具有一定比例的干扰脉冲。
[0014]在本专利技术的一个实施例中，构建卷积自编码器，并利用所述TOA序列对其进行训练，得到若干训练好的卷积自编码器，包括：
[0015]分别构建编码器网络和解码器网络；
[0016]将所述编码器网络与所述解码器网络连接成卷积自编码器网络，并设置相应的网络参数；
[0017]对所述TOA序列进行编码；
[0018]将编码后的TOA序列作为训练集分别输入到所述卷积自编码器网络中，并对网络权值迭代更新一定次数，得到若干训练好的卷积自编码器。
[0019]在本专利技术的一个实施例中，所述编码器网络包括3层一维卷积，其结构依次为：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、平坦层、第一全连接层以及编码输出层；
[0020]所述解码器网络包括4层一维卷积，其结构依次为：第二全连接层、第三全连接层、第一上采样层、第四卷积层、第二上采样层、第五卷积层、第三上采样层、第六卷积层、第四上采样层以及解码输出层。
[0021]在本专利技术的一个实施例中，对所述TOA序列进行编码，包括：
[0022]设置一定的间隔单位；
[0023]当判断TOA序列的值在某一间隔单位内，则将该间隔的值置为1，否则置为0。
[0024]在本专利技术的一个实施例中，在得到混合PDW序列之后，对所述混合PDW序列进行预分选之前，还需对混合PDW序列进行预处理，以将脉冲参数映射到同一参数变化单位。
[0025]在本专利技术的一个实施例中，基于改进的K
‑
Means聚类算法对所述混合PDW序列进行预分选，得到预分选后的TOA序列，包括：
[0026]将所述混合PDW序列的某一脉冲序列作为初始聚类中心；
[0027]根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离，并根据该距离对当前脉冲序列进行聚类，同时更新聚类中心；
[0028]将每个脉冲序列循环与所有聚类中心进行聚类，直至遍历完所有脉冲序列；
[0029]统计每个聚类的样本数，并删除孤立点，得到预分选后的TOA序列。
[0030]在本专利技术的一个实施例中，根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离，并根据该距离对当前脉冲序列进行聚类，同时更新聚类中心，包括：
[0031]设某一聚类中心为cen＝(a,b)，则当前脉冲序列i与该聚类中心的距离为：
[0032]其中，PW
i
表示表示当前第i个脉冲的脉宽，RF
i
表示当前第i个脉冲的载频；
[0033]若判断d小于预设距离阈值，则将当前脉冲分配给该聚类中心，同时搜索该类中的样本，并将所有样本取均值以更新该聚类中心；否则，将当前第i个脉冲添加为新的聚类中
心。
[0034]在本专利技术的一个实施例中，利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取，得到信号分选结果，包括：
[0035]对所述预分选后的TOA序列进行二进制编码；
[0036]将编码后的数据依次输入到所述若干训练好的卷积自编码器，并构建脉冲检索式进行脉冲提取，得到信号分选结果。
[0037]本专利技术的另一个实施例提供了一种基于改进K
‑
Means联合卷积自编码器的信号分选装置，包括：
[0038]第一数据获取模块1，用于获取不同PRI调制类型的雷达对应的若干TOA序列；
[0039]模型建立模块2，用于构建卷积自编码器，并利用所述TOA序列对其进行训练，得到若干训练好的卷积自编码器；
[0040]第二数据获取模块3，用于对不同PRI调制类型的雷达信号进行仿真，得到混合P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进K
‑
Means联合卷积自编码器的信号分选方法，其特征在于，包括：获取不同PRI调制类型的雷达对应的若干TOA序列；构建卷积自编码器，并利用所述TOA序列对其进行训练，得到若干训练好的卷积自编码器；对不同PRI调制类型的雷达信号进行仿真，得到混合PDW序列；基于改进的K
‑
Means聚类算法对所述混合PDW序列进行预分选，得到预分选后的TOA序列；利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取，得到信号分选结果。2.根据权利要求1所述的基于改进K
‑
Means联合卷积自编码器的信号分选方法，其特征在于，所述获取不同PRI调制类型的雷达对应的若干TOA序列包括：分别对固定PRI、组变PRI、参差PRI、抖动PRI以及滑变PRI调制类型的雷达TOA数据进行仿真，得到对应的TOA序列；其中，所述TOA序列具有一定比例的干扰脉冲。3.根据权利要求1所述的基于改进K
‑
Means联合卷积自编码器的信号分选方法，其特征在于，构建卷积自编码器，并利用所述TOA序列对其进行训练，得到若干训练好的卷积自编码器，包括：分别构建编码器网络和解码器网络；将所述编码器网络与所述解码器网络连接成卷积自编码器网络，并设置相应的网络参数；对所述TOA序列进行编码；将编码后的TOA序列作为训练集分别输入到所述卷积自编码器网络中，并对网络权值迭代更新一定次数，得到若干训练好的卷积自编码器。4.根据权利要求3所述的基于改进K
‑
Means联合卷积自编码器的信号分选方法，其特征在于，所述编码器网络包括3层一维卷积，其结构依次为：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、平坦层、第一全连接层以及编码输出层；所述解码器网络包括4层一维卷积，其结构依次为：第二全连接层、第三全连接层、第一上采样层、第四卷积层、第二上采样层、第五卷积层、第三上采样层、第六卷积层、第四上采样层以及解码输出层。5.根据权利要求3所述的基于改进K
‑
Means联合卷积自编码器的信号分选方法，其特征在于，对所述TOA序列进行编码，包括：设置一定的间隔单位；当判断TOA序列的值在某一间隔单位内，则将该间隔的值置为1，否则置为0。6.根据权利要求1所述的基于改进K
‑
Means联合卷积自编码器的信号分选方法，其特征在于，在得到混合PDW序列之后，对所述混合PDW序列进行预分选之前，还需对混合...

【专利技术属性】
技术研发人员：李鹏，申慧芳，武斌，张葵，田卫东，张东燕，郭瑞鹏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：