一种基于机器学习的中频信号分离方法技术

本发明专利技术公开了一种基于机器学习的中频信号分离方法，所述方法包括：首先将输入数据进行预处理并且变换数据形态，然后输入基于卷积神经网络模型的特征提取器，然后利用提取的特征进行信号检测；然后将检测结果作为掩码模板，提取检测到的的信号特征；最后将特征输入一个循环神经网络，进行信号分离。本发明专利技术方法直接利用中频信号，有效减少了人工提取特征导致的信息损失，利用机器学习方法增强模型对环境的适应能力，同时提供一种信号分离和识别同时进行的高效算法。时进行的高效算法。时进行的高效算法。

【技术实现步骤摘要】
一种基于机器学习的中频信号分离方法


[0001]本专利技术涉及信息处理
，尤其涉及到一种基于机器学习的中频信号分离方法及系统。

技术介绍

[0002]在现代战争中，电子信息作战系统及其武器系统发挥了重要作用。信息作战是通过对信息的采集、传送和存储完成的，目的是了解地方意图，然后做出正确决策。这样的过程可以用所谓“观察—定位—决策—行动”环模型表示。而告警系统是观察的重要组成部分，该系统需要对环境中射频波段的辐射源进行探测、分类、识别并定位。其中目标分类，是后续目标识别、定位、状态识别、危险等级评估以及进一步态势生成的基础。
[0003]信号分离是将电磁空间中不同辐射源的发射信号分别提取，获得单个辐射源信号的过程。目前大多数方法见利用接收的中频信号提取PDW特征，形成脉冲流，再从随机交错的脉冲流中分离各个感兴趣辐射源的脉冲列，所以信号分离又被称为信号去交错。PDW常用的是五维参数，包括到达时间(Time of Arrival，TOA)、到达角(Direction of Arrival)、载频(Radio Frequency，RF)、脉冲幅度(Pulse Amplitude，PA)和脉冲宽度(Pulse Width)。在信号分离领域，工程实践中一般综合使用多种方法。这些方法大多使用专家知识构建判别系统，主要可以分为基于脉间特征的方法和基于脉内特征的方法。近几年来，也出现了很多基于机器学习的方法，综合利用脉内与脉间特征。
[0004]然而PDW特征由于仅仅有五维参数，不能很好地表征现代雷达的特点。随着雷达不断发展，越来越多的复杂调制方式开始出现。特别是对于RF参数，出现了线性调频和非线性调频等调制方法，导致了对于一个脉冲而言RF并不是一个固定的数值。对于PA参数，由于雷达的扫描特性，通常随着扫描从副瓣到主瓣再到副瓣呈现变化的特性。而这些脉冲内的变化特性，能够帮助基于脉内特征的分离方法对雷达脉冲信号进行分离。此外，由于噪声造成的错误测量一直是困扰PDW方法在实践中应用的重要问题。PDW的测量很容易出现前后沿失效的问题，这让雷达脉冲和噪声变得接近，很容易在参数测量的时候难以平衡虚警和漏警。这种情况导致了大量“开裂”以及“延长”甚至“合并”的脉冲参数测量现象，导致了最终的分离错误。随着电子设备的广泛使用，场景变得越来越复杂，基于专家知识的方法，需要针对环境进行实时的参数调整，需要耗费大量人力。综上，目前迫切需要新的雷达辐射源信号分离体系架构以及新的信号表征方法。

技术实现思路

[0005]本专利技术针对上述缺陷，设计了一种基于机器学习的信号分离方法，通过设计直接利用中频采样信号的分离算法，从而避免提取PDW导致的信息损失，尽可能地保留有用信息。同时使用基于深度学习的方法解决非线性映射的建模问题，利用保留的有用信息提取出能够帮助分离的特征，提高数据的可分性，避免中间过程的误差累积。新的框架，将生成分离后的单个辐射源的机器学习特征表达，能够被后续的状态识别，型号识别以及参数识
别等任务使用，极大地提高电子战侦查的效果，帮助后续设计性能更好的干扰方法。
[0006]为实现上述目的，本专利技术采用的一种基于机器学习的中频信号分离方法，所述方法包括以下步骤：
[0007]S1：中频信号预处理：首先对中频采样信号进行希尔伯特变换:，然后进行短时离散时间傅里叶变换，生成时频图x(d,t,f)；
[0008]S2：中频特征提取：利用基于深度卷积神经网络的特征提取器，对时频图x(d,t,f)进行特征提取获得压缩特征y(c,t,f)：
[0009]y(c,t,f)＝f(x(d,t,f))
[0010]S3：信号检测：在压缩特征y(c,t,f)的基础上，使用基于神经网络的分类器det(c,t,f)对压缩特征进行分类，判断每一个时频点是否含有雷达信号，获得判断结果cls(t,f)：
[0011]cls(t,f)＝det(y(c,t,f))
[0012]S4：特征重排：利用cls(t,f)结果中有信号的时频点坐标，提取y(c,t,f)并且按照时序进行重新排列，形成脉冲表达的序列z(c,l)；
[0013]S5：分选识别：将重排的特征z(c,l)使用序列神经网络模型进行分类，获得每个特征的类别，同时完成分离和识别。
[0014]可选的，所述步骤S1，具体包括：将原始的连续中频信号g(x)进行采样，将采样后的信号分段，每段长度由后续的模型输入尺寸决定，记为L，分段后的信号记为s(n),n＝1...L，对信号进行希尔伯特变换与短时离散时间傅里叶变换。
[0015]可选的，步骤S1中：
[0016]希尔伯特变换的表达式，具体为：
[0017][0018]短时离散时间傅里叶变换的表达式，具体为：
[0019][0020]其中，|x|表示取模操作，arg(x)表示取幅角操作。
[0021]可选的，步骤S2，具体包括：将x(0,t,f)与x(1,t,f)进行归一化操作，使用U型卷积神经网络模型对一个固定输入尺寸的时频图进行特征提取，该时频图需要满足输入尺寸T*F，其中T＝L/G，F＝H。
[0022]可选的，所述步骤S4中：
[0023]归一化操作的表达式，具体为：
[0024][0025]U型卷积神经网络模型包括左塔和右塔，左塔采用带有步长的卷积进行下采样操作：
[0026][0027]右塔由一组带有步长的反卷积组成，能够对融合特征进行上采样；
[0028]最终输出的特征图和原始的时频图的尺寸相同：
[0029][0030]可选的，所述U型卷积神经网络模型具有相同数量的上采样和下采样卷积，并且卷积的参数如下：通常卷积核大小K＝3；对于第一层卷积输入通道D＝2，并且非第一层卷积D为上一层的输出通道C；对于补长P＝3；卷积的步长S由具体情况选定，满足逐步减小(t,f)尺寸。
[0031]可选的，步骤S3，具体包括：采用神经网络对压缩特征y(c,t,f)进行分类，使用softmax生成每个时频点有无信号概率，选取概率更大的类别决定该时频点有无信号，然后生成有无信号的模板cls(t,f)。
[0032]可选的，步骤S4，具体包括：利用获得的检测结果cls(t,f)以及压缩特征y(c,t,f)，将这两项变量重新按内存存储顺序排列，形成cls(t*f)＝cls(l)以及y(c,t*f)＝y(c,l)，然后按照cls(l)的结果，将cls(l)＝1的y(c
,
l)沿着坐标轴l提取出来，进行重新排列，形成脉冲表达的序列z(c,l)。
[0033]可选的，步骤S5，具体包括：生成可学习的参数矩阵w(c,t,f)，利用检测结果cls(t,f)，将w(c,t,f)当做y(c,t,f)进行特征重排，生成v(c,l)，并且将v(c,l)与z(c,l)进行拼接操作，生成新的特征z'(2c,l)，利用序列神经网络对特征对序列特征z'(2c,l)进行分选，模型将z(c,l)映射为j(n,l)，使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的中频信号分离方法，其特征在于，所述方法包括以下步骤：S1：中频信号预处理：首先对中频采样信号进行希尔伯特变换:，然后进行短时离散时间傅里叶变换，生成时频图x(d,t,f)；S2：中频特征提取：利用基于深度卷积神经网络的特征提取器，对时频图x(d,t,f)进行特征提取获得压缩特征y(c,t,f)：y(c,t,f)＝f(x(d,t,f))S3：信号检测：在压缩特征y(c
,
t,f)的基础上，使用基于神经网络的分类器det(c,t,f)对压缩特征进行分类，判断每一个时频点是否含有雷达信号，获得判断结果cls(t,f)：cls(t,f)＝det(y(c,t,f))S4：特征重排：利用cls(t,f)结果中有信号的时频点坐标，提取y(c,t,f)并且按照时序进行重新排列，形成脉冲表达的序列z(c,l)；S5：分选识别：将重排的特征z(c
,
l)使用序列神经网络模型进行分类，获得每个特征的类别，同时完成分离和识别。2.如权利要求1所述的基于机器学习的中频信号分离方法，其特征在于，所述步骤S1，具体包括：将原始的连续中频信号g(x)进行采样，将采样后的信号分段，每段长度由后续的模型输入尺寸决定，记为L，分段后的信号记为s(n),n＝1...L，对信号进行希尔伯特变换与短时离散时间傅里叶变换。3.如权利要求2所述的基于机器学习的中频信号分离方法，其特征在于，步骤S1中：希尔伯特变换的表达式，具体为：短时离散时间傅里叶变换的表达式，具体为：其中，|x|表示取模操作，arg(x)表示取幅角操作。4.如权利要求1所述的基于机器学习的中频信号分离方法，其特征在于，步骤S2，具体包括：将x(0,t,f)与x(1,t,f)进行归一化操作，使用U型卷积神经网络模型对一个固定输入尺寸的时频图进行特征提取，该时频图需要满足输入尺寸T*F，其中T＝L/G，F＝H。5.如权利要求4所述的基于机器学习的中频信号分离方法，其特征在于，所述步骤S4中：归一化操作的表达式，具体为：
U型卷积神经网络模型包括左塔和右塔，左塔采用带有步长的卷积进行下采样操作：右塔由一组带有步长的反卷积组成，能够对融合特征进行上采样；最终输出的特征图和原始的时频图的尺寸相同：最终输出的特征图和原始的时频图的尺寸相同：6.如权利要求5所述的基于机器学习的中频信号分离方法，其特征在于，所述U型卷积神经网络模型具有相同数量的上采样和下采样卷积，并且卷积的参数如下：通常卷积核大小K＝3；对于第一层卷积输入通道D＝2，并且非第一层卷积D为上一层的输出通道C；对于补长P＝3；卷积的步长S由具体情况选定，满足逐步减小(t
,
f)尺寸。7.如权利要求1所述的基于机器学习的中频信号分离方法，其特征在于，步骤S3，具体包括：采用神经网络对压缩特征y(c
,
t,f)进行分类，使用softmax生成每个时频点有无信号概率，选取概率更大的类别决...

【专利技术属性】
技术研发人员：曾令华，高由兵，赵耀东，史小伟，梁超，
申请(专利权)人：中国电子科技集团公司第二十九研究所，
类型：发明
国别省市：