【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。