一种基于特征提取与组合分类器的雷达有源干扰识别方法技术

本发明专利技术属于雷达抗干扰技术领域，具体涉及一种基于特征提取与组合分类器的雷达有源干扰识别方法，包括如下步骤：步骤1：采用CWD变换方法对干扰信号进行处理，获取干扰信号的时频图像；步骤2：提取时频图像的轮廓特征，得到有源干扰信号全局分布信息；步骤3：依据有源干扰时频图像提取有源干扰信号复杂度、盒维数和信息维数特征，步骤4：获取有源干扰信号瞬时相位信息，依据有源干扰信号瞬时相位信息提取有源干扰信号的瞬时频率特征，步骤5：依据提取到的有源干扰信号特征向量通过组合分类器实现对雷达有源干扰信号的分类识别；本发明专利技术实现对有源干扰信号的特征提取及降维处理，运算量小、实现难度低，对多种有源干扰信号分类识别。对多种有源干扰信号分类识别。对多种有源干扰信号分类识别。

【技术实现步骤摘要】
一种基于特征提取与组合分类器的雷达有源干扰识别方法


[0001]本专利技术属于雷达抗干扰
，具体涉及一种基于特征提取与组合分类器的雷达有源干扰识别方法。

技术介绍

[0002]近年来，电子对抗技术得到了迅猛的发展，使得雷达面临新的挑战和难题，主要表现在以下三个方面：首先，干扰功率不断增强，干扰频率覆盖范围不断扩大，体系战争中，组网干扰机可使干扰功率密度大幅提高；其次，由于DRFM体制的广泛应用，各种相参欺骗式干扰相继问世；最后，不断创新干扰算法理论，使得新的干扰手段不断涌现，综合干扰方式同时运用，使雷达面临的抗干扰压力不断增大。
[0003]针对雷达有源干扰识别的问题，主要涉及的算法有基于极大似然准则的干扰识别算法和基于特征提取的干扰识别算法。
[0004]基于操作手经验的极大似然准则干扰识别算法是根据获得的先验信息，运用概率学知识，建立统计模型，结合雷达操作手对雷达显示界面的观察；但是，基于极大似然准则的干扰识别方法通过建立干扰统计模型，利用统计假设检验理论进行有源干扰的识别，运算量较大，不易于工程实现。
[0005]基于特征提取的干扰识别算法是通过分析真实目标回波及各类干扰在时域、频域、时频域、极化域和变换域等的特性差异，构造特征参数集，构建识别网络来对干扰进行识别。基于特征提取的干扰识别算法主要有决策树以及BP(back propagation)神经网络。采用决策树分类法，可以直观的看出其分类的流程，对于其中的判断准则也便于理解，计算简便；但是，当分类的类别增加时，可能会与其他类别有相似的判断准则，这样就需要重新设计一个完整的决策树，并且，决策树法受干噪比(系统中信号与干扰和噪声之和的比)的影响较大，在低干噪比下某些判断准则就会失效，进而影响其判断准确率。BP神经网络结构简单，其可以根据干扰信号的输入特征自动训练网络中的参数，避免了决策树识别算法在计算过程中需要人为设计判断准则的缺陷，但是，现有的BP神经网络训练前期需要对干扰信号特征提取的特征参数较为固定，导致BP神经网络的识别率较低；
[0006]因此，需要一种雷达有源干扰识别方法，运算量小、实现难度低，进行多种有源干扰信号的分类识别，且识别率高。

技术实现思路

[0007]本专利技术的目的在于克服现有技术的缺陷，提供一种基于特征提取与组合分类器的雷达有源干扰识别方法。
[0008]一种基于特征提取与组合分类的雷达有源干扰识别方法，包括如下步骤：
[0009]步骤1：采用CWD变换方法对干扰信号进行处理，获取干扰信号的时频图像；
[0010]步骤2：提取所述时频图像的轮廓特征，得到有源干扰信号全局分布信息；
[0011]步骤3：依据所述时频图像提取有源干扰信号的复杂度、盒维数和信息维数特征，
得到有源干扰信号变化规律；
[0012]步骤4：获取有源干扰信号瞬时相位信息，依据有源干扰信号瞬时相位信息提取有源干扰信号的瞬时频率特征；
[0013]步骤5：依据步骤2至步骤4提取到的有源干扰信号的特征向量通过组合分类器实现对雷达有源干扰信号的分类识别。
[0014]进一步，在步骤1中，所述CWD变换方法采用如下表达式进行变换：
[0015][0016]其中，CWD(t,ω)是时频分布结果，t为时间变量，ω为角频率变量，α为尺度因子，τ为时延因子，u表示平移因子；符号*表示共轭。
[0017]进一步，在步骤2中，提取所述时频图像的轮廓特征具体步骤为：
[0018]S21：将所述时频图像矩阵映射为灰度图像；
[0019]S22：对所述灰度图像进行分割，并利用Canny算子提取得到边缘图像；
[0020]S23：对S22得到边缘图像的图像矩阵采用奇异值分解法，得到有源干扰信号时频图像轮廓特征。
[0021]进一步，S21中，将时频图像中的时频分布最大的值映射到灰度255，其他时频分布值按比例进行映射；
[0022]在对所述灰度图像进行分割前还包括，对所述灰度图像进行去噪；包括：
[0023]对所述灰度图像进行中值滤波处理，或/和去除经中值滤波处理后的灰度图像中的无信号区；
[0024]去除所述灰度图像中的无信号区的方法包括：分别从干扰信号的起始时间点和结束时间点出发检测所述灰度图像，当某个时刻所有频率上的幅值都小于一个固定门限则认为该时刻不存在干扰信号，从所述灰度图像中剔除不存在干扰信号的时刻对应的数据信息；
[0025]S22还包括：对所述边缘图像采用数学形态学方法进行边缘信息优化。
[0026]进一步，S23中，对边缘图像的图像矩阵进行奇异值分解，采用10位奇异值作为特征参数，由于奇异值的第一位值恒为1，没有识别能力，选择后9位奇异值作为有源干扰信号时频图像的轮廓特征识别参数，记为{X2,X3,...X
10
}。
[0027]进一步，在步骤3中，所述复杂度、盒维数和信息维数，用于描述有源干扰信号变化规律，提取有源干扰信号的复杂度、盒维数和信息维数的特征向量，具体包括：
[0028]1)提取有源干扰信号X(n),n＝1,2,...,N的L
‑
Z复杂度的特征向量，包括如下步骤：
[0029]1.1)起始时，向给定的N点时间序列干扰信号X(n),n＝1,2,...,N生成池S中添加人工干扰信号点x(1)，设l时刻生成池S中包含的干扰信号序列为S＝{x(1),x(2),...x(l)},l＜N，长度为l的字符串，并且此时x(l)是由添加操作加进的干扰信号点；令Q＝x(l+1)，判断Q是否是序列SQv的子串，序列SQv为把S、Q拼接起来，并去除最后一个字符得到的字符串；如果Q是序列SQv的子串，则干扰信号序列S保持不变，而Q更新为{x(l+1),x(l+2)}，再次对Q进行判断；如果Q不是序列SQv的子串，则将x(l+1)添加到生成池中，即S＝{x(1),x(2),...x(l+1)}，此时Q＝x(l+2)，再次对Q进行判断；如此循环直到所有的干扰信号点都在
生成池中为止，得到加工干扰信序列x(n)，统计添加操作的次数c(N)，即为L
‑
Z复杂度，归一化L
‑
Z复杂度C(N)的表达式为：
[0030][0031]1.2)当信号序列不是原始信号序列x(n)，通过多级量化方法对N点信号序列进行重构获取优质干扰信号序列，取N点序列x(n)的平均值，对N点序列进行判定，令大于平均值的序列为1，小于等于平均值的序列为0，得到一个0
‑
1序列求解优质干扰信号L
‑
Z复杂度；
[0032]2)提取有源干扰信号盒维数和信息维数的特征向量，具体包括如下步骤：
[0033]S31：对N点信号序列x(n)进行重构，用于减弱部分带内噪声，N点信号重构的序列为x'(n)＝x(n+1)
‑
x(n),n＝1,2,...,N
‑
1：
[003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与组合分类的雷达有源干扰识别方法，其特征在于：包括如下步骤：步骤1：采用CWD变换方法对干扰信号进行处理，获取干扰信号的时频图像；步骤2：提取所述时频图像的轮廓特征，得到有源干扰信号全局分布信息；步骤3：依据所述时频图像提取有源干扰信号的复杂度、盒维数和信息维数特征，得到有源干扰信号变化规律；步骤4：获取有源干扰信号瞬时相位信息，依据有源干扰信号瞬时相位信息提取有源干扰信号的瞬时频率特征；步骤5：依据步骤2至步骤4提取到的有源干扰信号的特征向量通过组合分类器实现对雷达有源干扰信号的分类识别。2.根据权利要求1所述的一种基于特征提取与组合分类的雷达有源干扰识别方法，其特征在于：在步骤1中，所述CWD变换方法采用如下表达式进行变换：其中，CWD(t,ω)是时频分布结果，t为时间变量，ω为角频率变量，α为尺度因子，τ为时延因子，u表示平移因子；符号*表示共轭。3.根据权利要求1所述的一种基于特征提取与组合分类的雷达有源干扰识别方法，其特征在于：在步骤2中，提取所述时频图像的轮廓特征具体步骤为：S21：将所述时频图像矩阵映射为灰度图像；S22：对所述灰度图像进行分割，并利用Canny算子提取得到边缘图像；S23：对S22得到边缘图像的图像矩阵采用奇异值分解法，得到有源干扰信号时频图像轮廓特征。4.根据权利要求3所述的一种基于特征提取与组合分类的雷达有源干扰识别方法，其特征在于：S21中，将时频图像中的时频分布最大的值映射到灰度255，其他时频分布值按比例进行映射；在对所述灰度图像进行分割前还包括，对所述灰度图像进行去噪；包括：对所述灰度图像进行中值滤波处理，或/和去除经中值滤波处理后的灰度图像中的无信号区；去除所述灰度图像中的无信号区的方法包括：分别从干扰信号的起始时间点和结束时间点出发检测所述灰度图像，当某个时刻所有频率上的幅值都小于一个固定门限则认为该时刻不存在干扰信号，从所述灰度图像中剔除不存在干扰信号的时刻对应的数据信息；S22还包括：对所述边缘图像采用数学形态学方法进行边缘信息优化。5.根据权利要求3所述的一种基于特征提取与组合分类的雷达有源干扰识别方法，其特征在于：S23中，对边缘图像的图像矩阵进行奇异值分解，采用10位奇异值作为特征参数，由于奇异值的第一位值恒为1，没有识别能力，选择后9位奇异值作为有源干扰信号时频图像的轮廓特征识别参数，记为{X2,X3,...X
10
}。6.根据权利要求1所述的一种基于特征提取与组合分类的雷达有源干扰识别方法，其
特征在于：在步骤3中，所述复杂度、盒维数和信息维数，用于描述有源干扰信号变化规律，提取有源干扰信号的复杂度、盒维数和信息维数的特征向量，具体包括：1)提取有源干扰信号X(n),n＝1,2,...,N的L
‑
Z复杂度的特征向量，包括如下步骤：1.1)起始时，向给定的N点时间序列干扰信号X(n),n＝1,2,...,N生成池S中添加人工干扰信号点x(1)，设l时刻生成池S中包含的干扰信号序列为S＝{x(1),x(2),...x(l)},l＜N，长度为l的字符串，并且此时x(l)是由添加操作加进的干扰信号点；令Q＝x(l+1)，判断Q是否是序列SQv的子串，序列SQv为把S、Q拼接起来，并去除最后一个字符得到的字符串；如果Q是序列SQv的子串，则干扰信号序列S保持不变，而Q更新为{x(l+1),x(l+2)}，再次对Q进行判断；如果Q不是序列SQv的子串，则将x(l+1)添加到生成池中，即S＝{x(1),x(2),...x(l+1)}，此时Q＝x(l+2)，再次对Q进行判断；如此循环直到所有的干扰信号点都在生成池中为止，得到加工干扰信序列x(n)，统计添加操作的次数c(N)，即为L
‑
Z复杂度，归一化L
‑
Z复杂度C(N)的表达式为：1.2)当信号序列不是原始信号序列x(n)，通过多级量化方法对N点信号序列进行重构获取优质干扰信号序列，取N点序列x(n)的平均值，对N点序列进行判定，令大于平均值的序列为1，小于等于平均值的序列为0，得到一个0
‑
1序列求解优质干扰信号L
‑
Z复杂度；2)提取有源干扰信号盒维数和信息维数的特征向量，具体包括如下步骤：S31：对N点信号序列x(n)进行重构，用于减弱部分带内噪声，N点信号重构的序列为x'(n)＝x(n+1)
‑
x(n),n＝1,2,...,N
‑
1：S32：对重构后的有源干扰信号幅值进行重新量化，量化级数为M；S33：将量化后的有源干扰信号长度N
‑
1扩展成比N
‑
1大的最接近的2
M
，并对有源干扰信号重采样；此时有源干扰信号有2
M
个点，且有2
M
级幅值，此时干扰信号时频图像为一个2
M
·2M
的图形，每个点相当于一个图形像素，有源干扰信号点所在处的像素点就有值；S34：设{A
i
}(i＝1,2,...,N)是集合X的一个有效δ
‑
覆盖，此时集合A(i...

【专利技术属性】
技术研发人员：冯晓毅，郝万兵，夏召强，蒋晓悦，党思航，康健，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：