一种基于无人机集群的雷达信号同步分布式分选及定位方法技术

本发明专利技术属于雷达信号分选技术领域，提出了一种基于无人机集群的雷达信号同步分布式分选及定位方法。为了更准确、高效地分选并定位雷达信号并考虑到单个无人机算力和存储空间的有限性，提出基于雷达信号图像化映射的方法来压缩雷达信号所占用的存储空间，使用压缩的PP

【技术实现步骤摘要】
一种基于无人机集群的雷达信号同步分布式分选及定位方法


[0001]本专利技术涉及雷达信号分选
，尤其涉及一种基于无人机集群的雷达信号同步分布式分选及定位方法。

技术介绍

[0002]随着各种电子对抗装置的数量迅速增加，电磁威胁环境的信号密度已达到数百万数量级。现代雷达正朝着多功能、多用途方向发展，其波形变得更加复杂，规律性也逐渐降低。这些都对分选和定位方法的准确性、实时性和可靠性提出了更高的要求。传统方法采用结构化数据学习特征，对雷达发射器进行分选和定位。聚类和随机森林是机器学习分选算法研究中常用的算法。Wang等人在2014年发表在Circuits,Systems,and Signal Processing上的工作《Multiple
‑
parameterradar signal sorting using support vector clustering and similitude entropyindex》发现基于雷达信号分选方法的传统支持向量聚类(SVC)时间复杂度较高，而传统有效性指标的缺点是不能有效表示最佳分选。为此，作者提出了一种基于分选方法和新索引(相似熵，SE)的新型锥簇标记(CCL)。初始聚类中心的随机选择使其更容易陷入局部最优聚类，不适用于非球形数据。针对这个问题，Feng等人在2017年发表在ICCC上的工作《Radar signal sorting algorithm of k
‑
meansclustering based on data field》提出了基于数据场的K
‑
means聚类雷达信号分选算法，此算法可以自动获取初始簇中心和簇号。然而，K
‑
Means算法对噪声敏感，需要手动设置集群的数量，这是其精度难以突破的瓶颈。近年来，出现了许多启发式优化算法。Reddy等人在2017年发表在ICCMC上的工作《Optimization of k
‑
means algorithm:Ant colony optimization》采用蚁群算法优化K
‑
Means算法。Li等人在2020年发表在Journal of Physics:ConferenceSeries上的工作《A new clustering and sortingalgorithm for radar emitter signals》提出了一种改进的基于数据域的K
‑
Means聚类算法。由于结构化数据的信息表示固定且有限，其准确性难以提高。此外，传统方法只能单一聚焦于分类或者聚类任务，因而不能同步对雷达信号进行分选及定位。因此需要详细设计高效的同步信号分选及定位方法，以满足高精度信号分选及定位的需要。

技术实现思路

[0003]本专利技术针对现有研究的一些不足之处，提出了一种基于无人机集群的雷达信号同步分布式分选及定位方法，利用无人机集群、雷达信号图像化映射、目标检测同步分选及定位和数据并行的分布式协同计算来进行雷达信号的分选及定位的方法。该方法考虑到单个无人机运算能力和存储能力的有限性和集群环境中无人机的数量优势，在数据和模型上都适配于无人机集群环境，实现了高精度的雷达信号分选及定位，并进一步利用无人机集群环境提升分选效率；将结构化雷达信号数据映射为图像化雷达信号数据，使用压缩的PP
‑
YOLOE模型分选并定位图像化雷达信号数据，利用数据并行分布式协同计算方法加速模型的运算速度。本专利技术为无人机集群环境下高精度分选并定位雷达信号的问题提供了一种新
的解决方法。
[0004]本专利技术的技术方案：
[0005]一种基于无人机集群的雷达信号同步分布式分选及定位方法，步骤如下：
[0006]步骤1、在无人机集群环境下随机确定一个无人机头节点，其他无人机节点为计算节点；
[0007]步骤2、利用步骤1中所构建的计算节点收集雷达信号结构化数据并将其发送到无人机头节点；无人机头节点接收并缓存计算节点发来的雷达信号结构化数据，并在一定时间间隔后将其转换为图像化雷达信号数据；无人机头节点将这些图像化雷达信号数据分发给计算节点；计算节点丢弃之前收集到的随时间线性增长的雷达信号结构化数据，并保存图像化雷达信号数据；
[0008]步骤3、无人机头节点将压缩的PP
‑
YOLOE模型结构(一种基于YOLO模型的改进的单阶段Anchor
‑
free目标检测模型)和PP
‑
YOLOE模型的初始权重广播给计算节点，计算节点基于步骤2中的图像化雷达信号数据并根据PP
‑
YOLOE模型结构计算前向传播的损失值，并将反向传播的梯度值返回给无人机头节点；无人机头节点整合损失的梯度值以优化PP
‑
YOLOE模型权重，之后将优化后的PP
‑
YOLOE模型权重分发给各个计算节点；计算节点迭代计算前向传播的损失值并返回损失的梯度值，无人机头节点迭代整合损失梯度并优化PP
‑
YOLOE模型，直至PP
‑
YOLOE模型收敛；
[0009]步骤4、无人机头节点分发步骤3中所得的收敛PP
‑
YOLOE模型给计算节点；计算节点利用收敛PP
‑
YOLOE模型对最新收集到的雷达信号进行分选及定位，得到雷达信号的类别和雷达信号辐射源的位置。
[0010]所述步骤2具体为：
[0011]2.1)计算节点通过雷达信号接收器收集雷达信号结构化数据；雷达信号结构化数据包括到达时间TOA、到达方向DOA、脉冲重复间隔PRI、射频RF和脉冲宽度PW五个参数；通过到达时间计算出雷达信号辐射源与雷达信号接收器之间的距离，到达时间和到达方向作为极坐标系下的R和θ参数来定位雷达信号辐射源；脉冲重复间隔、射频和脉冲宽度用于对雷达信号进行分选；计算节点在收集到雷达信号结构化数据后，将其发送给无人机头节点；
[0012]2.2)无人机头节点在一定的时间间隔后，缓存了一定量的雷达信号结构化数据后，使用雷达信号图像化映射方法，将其映射为图像化雷达信号数据；将单个雷达信号结构化数据(DOA,TOA,PRI,RF,PW)表示为向量x∈R5，因在单位时间t内，当雷达信号接收器捕获m个雷达信号时，雷达信号矩阵为X∈R
m
×5来呈现这些系列雷达信号；此外，使用；上标x
(i)
来表示矩阵X中的第i个样本，下标x
j
来表示矩阵中的第j个特征向量x；最终雷达信号矩阵表示为
[0013]X＝(x
(1)
，x
(2)
，...，x
(i)
，...，x
(m)
)，
[0014]其中雷达信号矩阵X等价于单位时间t内雷达信号的结构化数据表；
[0015]之后将雷达信号结构化数据五参数DOA、TOA、PRI、RF、PW映射成图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机集群的雷达信号同步分布式分选及定位方法，其特征在于，步骤如下：步骤1、在无人机集群环境下随机确定一个无人机头节点，其他无人机节点为计算节点；步骤2、利用步骤1中所构建的计算节点收集雷达信号结构化数据并将其发送到无人机头节点；无人机头节点接收并缓存计算节点发来的雷达信号结构化数据，并在一定时间间隔后将其转换为图像化雷达信号数据；无人机头节点将这些图像化雷达信号数据分发给计算节点；计算节点丢弃之前收集到的随时间线性增长的雷达信号结构化数据，并保存图像化雷达信号数据；步骤3、无人机头节点将压缩的PP
‑
YOLOE模型结构和PP
‑
YOLOE模型的初始权重广播给计算节点，计算节点基于步骤2中的图像化雷达信号数据并根据PP
‑
YOLOE模型结构计算前向传播的损失值，并将反向传播的梯度值返回给无人机头节点；无人机头节点整合损失的梯度值以优化PP
‑
YOLOE模型权重，之后将优化后的PP
‑
YOLOE模型权重分发给各个计算节点；计算节点迭代计算前向传播的损失值并返回损失的梯度值，无人机头节点迭代整合损失梯度并优化PP
‑
YOLOE模型，直至PP
‑
YOLOE模型收敛；步骤4、无人机头节点分发步骤3中所得的收敛PP
‑
YOLOE模型给计算节点；计算节点利用收敛PP
‑
YOLOE模型对最新收集到的雷达信号进行分选及定位，得到雷达信号的类别和雷达信号辐射源的位置。2.根据权利要求1所述的基于无人机集群的雷达信号同步分布式分选及定位方法，其特征在于，所述步骤2具体为：2.1)计算节点通过雷达信号接收器收集雷达信号结构化数据；雷达信号结构化数据包括到达时间TOA、到达方向DOA、脉冲重复间隔PRI、射频RF和脉冲宽度PW五个参数；通过到达时间计算出雷达信号辐射源与雷达信号接收器之间的距离，到达时间和到达方向作为极坐标系下的R和θ参数来定位雷达信号辐射源；脉冲重复间隔、射频和脉冲宽度用于对雷达信号进行分选；计算节点在收集到雷达信号结构化数据后，将其发送给无人机头节点；2.2)无人机头节点在一定的时间间隔后，缓存了一定量的雷达信号结构化数据后，使用雷达信号图像化映射方法，将其映射为图像化雷达信号数据；将单个雷达信号结构化数据(DOA,TOA,PRI,RF,PW)表示为向量x∈R5，因在单位时间t内，当雷达信号接收器捕获m个雷达信号时，雷达信号矩阵为X∈R
m
×5来呈现这些系列雷达信号；此外，使用；上标x
(i)
来表示矩阵X中的第i个样本，下标x
j
来表示矩阵中的第j个特征向量x；最终雷达信号矩阵表示为X＝(x
(1)
,x
(2)
,...,x
(i)
,...,x
(m)
),其中雷达信号矩阵X等价于单位时间t内雷达信号的结构化数据表；之后将雷达信号结构化数据五参数DOA、TOA、PRI、RF、PW映射成图像五参数，宽、高、红、绿、蓝进行图像表示；对于每一个向量x
(i)
，它被映射到图像中的一个像素点，表示为
因此整个结构化数据表，矩阵X，映射成一个图像矩阵II＝(p
(1)
,p
(2)
,...,p
(i)
,...,p
(m)
),映射方法包括归一化和逆归一化；归一化表示为其中Min(X)是一个矩阵，每一列都是雷达信号矩阵X范围内的最小常数值；Max(X)是一个矩阵，其每一列都是雷达信号矩阵X范围内的最大常数值...

【专利技术属性】
技术研发人员：万良田，柳荣，张简，孙璐，郑纪彬，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：