一种信号分选和信源类型判别的方法技术

本发明专利技术提供一种信号分选和信源类型判别的方法，为了在雷达信号分选过程中减少人工参数设置、减少多步骤分选的传统方法在灵活性上的制约，提出一种基于神经网络的信号分选方法。其中，点阵图像分割步骤中，对掩膜精度的要求达到了像素级，现有的实例分割神经网络无法达到精度要求，因此提出了一种“级联

【技术实现步骤摘要】
一种信号分选和信源类型判别的方法


[0001]本专利技术属于一种雷达信号分选方法，涉及神经网络设计、神经网络复合系统设计，属于电子对抗领域。

技术介绍

[0002]雷达信号分选是电子战中的重要技术要点之一。当接收机接收到脉冲串后，需要将来自不同发射源的脉冲分离开来，以便进行下一步的信号处理。当前，常用的信号分选方法有K
‑
means聚类算法、CDIF算法(Cumulative Difference Histogram，累积差值直方图法)、SDIF算法(Sequential Difference Histogram，序列差值直方图算法)等。
[0003]传统方法存在很多不足，特别是针对越来越复杂的现代新型雷达、以及日益复杂的电磁环境。例如，采用K
‑
means搭配SDIF的方法重度依赖预设参数，对脉组捷变频雷达的分选难度较大，且主分选与预分选前后制约。因此，亟需一种不依赖预设参数的、可以分选出复杂脉冲串信号、且能识别雷达发射源类型的新方法。
[0004]近年来，计算机视觉(CV)领域不断进行以图像分类(Classification)与图像分割(Segmentation)为目的的研究。受此启发，本专利技术提出一种方法，将脉冲串处理为点阵图像，再利用多个神经网络级联、循环，进行图像分割，再将已分割的图像还原为脉冲信息，以达到信号分选的目的。将这种方法称作“级联
‑
循环神经网络回路”(Cascade
‑
Recurrent Neural Network Loop)。其优势显著。相比于信号分选的传统方法，本方法能够减少参数设置，没有多步骤间的前后制约，且能顺利识别多种类雷达，包括传统方法难以识别的脉组捷变频雷达。
[0005]“级联
‑
循环神经网络回路”的主要组成部分是“类型分割网络”、“个数判决网络”和“个体逐次分割网络”。“类型分割网络”的作用是将图像分割成仅含有相同类型雷达的点阵，“个数判决网络”的作用是判断图像中雷达个体的数量，“个体逐次分割网络”的作用是将图像中的多部雷达逐个分割出来。“级联
‑
循环神经网络回路”的命名中，“级联”是指将“类型分割网络”、“个数判决网络”和“个体逐次分割网络”级联在一起，相继使用；“循环”是指图像经过“个数判决网络”、“个体逐次分割网络”后，重新进入“个数判决网络”，通过多次循环实现对所有雷达个体的分割。相比于CV领域的已有模型，级联
‑
循环神经网络回路的优势是其高精度与抗交叠能力。常见的实例分割网络，例如Mask RCNN网络，由于其所分割、识别的对象是现实中的物品，因此其输入图片交叠少，且输出要求的掩膜精度低。但是PDW生成的点阵图像的交叠非常严重，这是常见的实例分割网络在设计时所没有考虑到的。另外，常见实例分割网络常常首先生成目标的候选窗后，再进行拉伸、识别、生成掩膜，这个过程对掩膜的精度损失很大。在识别现实中的物体时，掩膜精度确实不需要很高，但是在点阵识别中，掩膜需要精确到每个像素，已有网络模型无法胜任。级联
‑
循环神经网络回路则可以提供高精度的掩膜。

技术实现思路

[0006]本专利技术的目的是为了在雷达信号分选过程中减少人工参数设置、减少多步骤分选的传统方法在灵活性上的制约，提出一种基于神经网络的信号分选方法。其中，点阵图像分割步骤中，对掩膜精度的要求达到了像素级，现有的实例分割神经网络无法达到精度要求，因此提出了一种“级联
‑
循环神经网络回路”，克服了精度问题。
[0007]本专利技术的目的是这样实现的：
[0008]步骤1：脉冲串
‑
点阵图像转换。首先，选取PDW中的若干参数，以一定的映射规则将每个PDW转换为点阵图像中的一个像素点。像素点的坐标需要有由PDW中的两个参数确定：一个用来确定x坐标，另一个用来确定y坐标。像素点的色值可以由其他参数中的一个或以上的参数确定。首先将所有数据量化到映射后图片可承载的数值范围内(x、y坐标的数值范围由图像大小限制，色值的数值范围由选择的图片格式确定)。遍历脉冲串中的每一个脉冲，生成点阵图。
[0009]步骤2：利用训练好的“级联
‑
循环神经网络回路”对点阵图像进行分解。步骤2中的网络均指训练预先训练好的神经网络。级联
‑
循环神经网络回路的循环过程如图2所示。
[0010]步骤2.1：利用U
‑
Net网络对点阵图像进行语义分割，得到拆开的多张图片。每个雷达类型对应一张图片。这个网络称为“类型分割网络”(Type segmentation network)。此时，每张图片中含有相同类型的若干部雷达。
[0011]步骤2.2：对于步骤2.1中的某张图片，利用优化的VGG16网络对图片进行雷达个数判断。VGG网络的输出预先定义为三类：(a)无雷达，(b)有1部雷达，(c)有多部雷达。这个网络称为“个数判决网络”(Amount Decision Network)。在设计上，“个数判决网络”并未真正输出雷达的数量，而是判断了图片属于上述三个类别中的哪一类，属于一种图像分类网络。
[0012]如果个数判断结论为(c)有多部雷达，则调用U
‑
Net网络提取出图片中的第一部雷达。这个网络称为“个体逐次分割网络”(Recurrent Individual Segmentation Network)。将分割后的第一部雷达和剩余雷达重新送入“个数判决网络”，再次判断(循环)。
[0013]如果结论为(b)有1部雷达，则将图片标记为结论，存入结论库。
[0014]如果结论为(a)无雷达，则将图片标记为已丢失的点，存入丢失点库。
[0015]最终，对于步骤2.1中的每个类型的图片，通过循环，都将拆分为多张图片。网络的输出即为多张图片，每张图片仅包含一部雷达。
[0016]步骤3：将作为分割结果的点阵重新映射回PDW数据的格式。
[0017]与现有技术相比，本专利技术的有益效果是：本专利技术克服了传统分选方法需要依赖人工参数设置、多步骤间前后制约的缺陷，提高了分选的正确率；相较于已有神经网络模型，克服了Mask RCNN等模型在实例分割的同时无法生成高精度掩膜的缺陷；本网络基于深度学习，稳定性较强，适用于复杂环境，可适用于对未知信号的分选。
附图说明
[0018]图1是利用级联
‑
循环神经网络回路进行雷达信号分选的示意图；
[0019]图2是级联
‑
循环神经网络回路对点阵图的分割过程示意图；
[0020]图3(a)输入点阵图，图3(b)输出分选结果；
[0021]图4(a)输入PDW数据的可视化，图4(b)分选结果PDW数据的可视化。
具体实施方式
[0022]下面结合附图与具体实施方式对本专利技术作进一步详细描述。
[0023]结合附图，本方案所输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号分选和信源类型判别的方法，其特征在于，步骤如下：步骤1：脉冲串
‑
点阵图像转换；步骤2：利用训练好的“级联
‑
循环神经网络回路”对点阵图像进行分解；步骤3：将作为分割结果的点阵重新映射回PDW数据的格式。2.根据权利要求1所述的一种信号分选和信源类型判别的方法，其特征在于，步骤1具体包括：首先，选取PDW中的若干参数，将每个PDW转换为点阵图像中的一个像素点；像素点的坐标需要有由PDW中的两个参数确定：一个用来确定x坐标，另一个用来确定y坐标；像素点的色值由其他参数中的一个或以上的参数确定；将所有数据量化到映射后图片可承载的数值范围内，x、y坐标的数值范围由图像大小限制，色值的数值范围由选择的图片格式确定；遍历脉冲串中的每一个脉冲，生成点阵图。3.根据权利要求1所述的一种信号分选和信源类型判别的方法，其特征在于，步骤2中的网络均指训练预先...

【专利技术属性】
技术研发人员：陈涛，刘宇宁，蒋伊琳，雷宇，杨博溢，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：