基于特征提取的辐射源信号分选方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了基于特征提取的辐射源信号分选方法、装置、设备及介质，所述方法包括：构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵；将脉冲重复间隔频次矩阵作为语义提取模型的网络输入图像进行训练；输出实测数据预测的语义特征提取结果；提取脉冲序列及参差序列完成信号分选。本发明专利技术在信噪比较低的参差PRI调制与固定PRI混合场景下，具有较好的分选效果，有助于提升后续对辐射源的定位精度。度。度。

【技术实现步骤摘要】
基于特征提取的辐射源信号分选方法、装置、设备及介质


[0001]本专利技术属于雷达信号处理
，尤其涉及基于特征提取的辐射源信号分选方法、装置、设备及介质。

技术介绍

[0002]传统的分选技术例如序列差值直方图法(Sequence Difference Histogram,SDIF)是在累计差值直方图法的基础上进行修改的，第一步需要对输入脉冲流的脉冲到达时间(Time Of Arrival,TOA)计算差分直方图，然后计算检测阈值并得到潜在的PRI。第二步则是利用潜在PRI对序列进行搜索得到对应的脉冲序列。SDIF在实际复杂电磁环境中，对参差信号存在着PRI估计精度差，序列提取不准的问题。而脉冲重复间隔(Pulse Repetition Interval,PRI)变换法虽然相比SDIF精度有所提升，但运算复杂度较大，不适应于密集的电磁信号分选。
[0003]基于神经网络的信号分选技术主要是对脉内调制信息进行识别，而实际场景中脉内采样点数据量大，传输负担重。工程中雷达信号分选通常是在完成对脉内分析后进行，主要利用的参数是脉冲描述字(Pulse Description Word,PDW)，包括脉冲幅度(PA)、脉冲频率(RF)、脉冲宽度(PW)、脉冲到达时间(TOA)及脉冲到达角(DOA)。

技术实现思路

[0004]本专利技术的目的在于，为克服现有技术缺陷，提供了基于特征提取的辐射源信号分选方法、装置、设备及介质,旨在从脉冲序列时间参数即TOA、PRI中挖掘不同PRI调制类型的特征，实现快速、准确的提取目标信号特征、实现高精度分选。
[0005]本专利技术目的通过下述技术方案来实现：
[0006]一种基于特征提取的辐射源信号分选方法，所述方法包括：
[0007]构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵；
[0008]将脉冲重复间隔频次矩阵作为语义提取模型的网络输入图像进行训练；
[0009]输出实测数据预测的语义特征提取结果；
[0010]提取脉冲序列及参差序列完成信号分选。
[0011]进一步的，构建脉冲到达时间参数矩阵具体包括：
[0012]计算雷达信号脉冲到达时间序列中任意两个脉冲到达时间之间的时间差并取正值，得到脉冲到达时间差分矩阵。
[0013]进一步的，构建脉冲重复间隔频次矩阵具体包括：
[0014]在所述脉冲到达时间差分矩阵的基础上生成脉冲重复间隔频次矩阵。
[0015]进一步的，构建标签矩阵具体包括：
[0016]构建与所述脉冲重复间隔频次矩阵尺寸一致的标签矩阵，并在每个位置用数字划分信号脉冲重复间隔调制类型。
[0017]进一步的，所述语义提取模型具体包括基于编码
‑
解码结构的全卷积网络，全卷积
网络通过跳接连接，全卷积网络的跳接路径表示如下：
[0018][0019]其中H(h)是卷积运算和激活函数运算，U(
·
)表示上采样层，[
·
]表示连接层，x
i,j
为第i层第j个节点，j＝0的节点是编码网络的第一层输入，j＝1的节点的输入为编码网络的连续两层的输出，j>1有j+1个输入，其中j节点输入的是同一跳接路径中前j个节点的输出，以及来自较低级的上采样输出；
[0020]全卷积网络对所有分支的输出求损失函数并取平均，全卷积网络为四个语义级别的输出设定了损失函数，为二进制交叉熵和骰子系数的组合：
[0021][0022]其中，L为损失函数，Y,表示一个batch的预测概率和真实标签，Y
b
，表示第b个图像的预测概率与真实标签，N表示批次大小。
[0023]进一步的，所述输出实测数据预测的语义特征提取结果具体包括：
[0024]将实测交错的脉冲序列长度截断为n，得到脉冲到达时间序列为{t1,t2,...,t
n
}；
[0025]根据D
TOA
(i,j)＝t
j
‑
t
i
得到实测交错的脉冲序列对应的脉冲到达时间差分矩阵矩阵尺寸为n
×
n；
[0026]再对脉冲到达时间差分矩阵中的元素出现的频次进行统计得到对应的脉冲重复间隔频次矩阵；
[0027]将脉冲重复间隔频次矩阵输入语义提取模型得到预测语义特征提取结果矩阵
[0028]进一步的，所述提取脉冲序列及参差序列完成信号分选具体包括：
[0029]提取稳定脉冲重复间隔对应的脉冲到达时间序列和参差脉冲重复间隔对应的脉冲到达时间序列；
[0030]其中，提取稳定脉冲重复间隔对应的脉冲到达时间序列包括将语义特征提取结果矩阵中标签为1的位置索引(i,j)记录下来，认为(i,j)对应的脉冲重复间隔为为t
i
和t
j
之间的间隔，将所有相同脉冲重复间隔的位置提取出来，并按时间排序可得到接收的单一辐射源发射脉冲的脉冲到达时间序列，完成信号分选；
[0031]提取参差脉冲重复间隔对应的脉冲到达时间序列具体包括：
[0032]将语义特征提取结果中标签为2的位置索引(i,j)记录下来，设某一脉冲重复间隔值提取出的脉冲到达时间序列为{t1,t4,t6,t
10
,t
11
,t
15
...}，则对应的时间片序列为{{t1,t4},{t6,t
10
},{t
11
,t
15
},...}，利用基于时间片是否重叠的合并原则，确立来自同一辐射源的脉冲重复间隔值组合，在某一参差脉冲重复间隔组合内，若帧内所有脉冲重复间隔对应
的时间片相互不重叠，且在整个脉冲到达时间的观测时间内占比高于阈值，则认为对应参差脉冲重复间隔来自同一辐射源，反之认为来源不同。
[0033]另一方面，本专利技术还提供了一种基于特征提取的辐射源信号分选装置，所述装置包括：
[0034]矩阵建立模块，所述矩阵建立模块用于构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵；
[0035]模型训练模块，所述模型训练模块将脉冲重复间隔频次矩阵作为网络输入图像进行训练；
[0036]特征提取模块，所述特征提取模块输出实测数据预测的语义特征提取结果；
[0037]信号分选模块，所述信号分选模块提取脉冲序列及参差序列完成信号分选。
[0038]另一方面，本专利技术还提供了一种计算机设备，计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述的任意一种基于特征提取的辐射源信号分选方法。
[0039]另一方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述的任意一种基于特征提取的辐射源信号分选方法。
[0040本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征提取的辐射源信号分选方法，其特征在于，所述方法包括：构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵；将脉冲重复间隔频次矩阵作为语义提取模型的网络输入图像进行训练；输出实测数据预测的语义特征提取结果；提取脉冲序列及参差序列完成信号分选。2.如权利要求1所述的基于特征提取的辐射源信号分选方法，其特征在于，构建脉冲到达时间参数矩阵具体包括：计算雷达信号脉冲到达时间序列中任意两个脉冲到达时间之间的时间差并取正值，得到脉冲到达时间差分矩阵。3.如权利要求2所述的基于特征提取的辐射源信号分选方法，其特征在于，构建脉冲重复间隔频次矩阵具体包括：在所述脉冲到达时间差分矩阵的基础上生成脉冲重复间隔频次矩阵。4.如权利要求3所述的基于特征提取的辐射源信号分选方法，其特征在于，构建标签矩阵具体包括：构建与所述脉冲重复间隔频次矩阵尺寸一致的标签矩阵，并在每个位置用数字划分信号脉冲重复间隔调制类型。5.如权利要求1所述的基于特征提取的辐射源信号分选方法，其特征在于，所述语义提取模型具体包括基于编码
‑
解码结构的全卷积网络，全卷积网络通过跳接连接，全卷积网络的跳接路径表示如下：其中H(
·
)是卷积运算和激活函数运算，U(
·
)表示上采样层，[
·
]表示连接层，x
i,j
为第i层第j个节点，j＝0的节点是编码网络的第一层输入，j＝1的节点的输入为编码网络的连续两层的输出，j>1有j+1个输入，其中j节点输入的是同一跳接路径中前j个节点的输出，以及来自较低级的上采样输出；全卷积网络对所有分支的输出求损失函数并取平均，全卷积网络为四个语义级别的输出设定了损失函数，为二进制交叉熵和骰子系数的组合：其中，L为损失函数，表示一个batch的预测概率和真实标签，Y
b
，表示第b个图像的预测概率与真实标签，N表示批次大小。6.如权利要求5所述的基于特征提取的辐射源信号分选方法，其特征在于，所述输出实测数据预测的语义特征提取结果具体包括：将实测交错的脉冲序列长度截断为n，得到脉冲到达时间序列为{t1,t2,...,t
n
}；
根据D
TOA
(i,j)＝t
j
‑
t
i
得到实测交错的脉冲序列对应的脉冲到达时间差分矩阵矩阵尺寸为n
×
n...

【专利技术属性】
技术研发人员：王伶，刘一霏，陶明亮，张兆林，范一飞，谢坚，粟嘉，汪跃先，韩闯，宫延云，刘向阳，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：