一种雷达信号多维特征智能分选方法

本发明属于雷达信号处理领域，特别涉及一种电子对抗中雷达辐射源信号分选技术。
背景技术：
：随着现代电子科学技术的迅猛发展，无线电电子技术在军事战场中广泛应用，电子对抗已成为现代战争中的一个重要的高科技分战场。雷达信号分选技术是电子对抗领域一项至关重要的技术，这一过程具体是指利用同一部雷达信号参数的关联性和不同雷达信号参数的差异性，从雷达侦察接收机接收到的多个辐射源脉冲相互交错信号中分离出每个辐射源脉冲序列，它是进行雷达信号特征提取、识别以及威胁评估的前提和基础。传统信号预分选技术主要利用雷达信号脉冲描述字(pdw)，结合容差进行简单分类。当前主要的单参数(pri)分选算法有扩展关联法、累积差值直方图法(cdif)、序列差值直方图法(sdif)以及pri变换法等。然而，随着信息化装备平台的广泛运用，现代战场电磁环境中信号密度增大，波形设计复杂多变，工作频段宽且有部分重叠，信号密集而且脉间参数交叠越来越严重，传统的预分选技术与单参数分选算法难以应对日益复杂的电子对抗环境，利用多参数实现对雷达信号的分选方法陆续被提出。文献“x.wei,y.pan,j.hanandh.he,radarsignalsortingbasedonresemblancecoefficientofwelchpowerspectrum.20174thinternationalconferenceonsystemsandinformatics(icsai),hangzhou,2017,pp.1120-1125.”提出了一种基于welch功率谱相似系数的雷达信号分选方法，该方法通过分析雷达信号的welch功率谱及其能量，提取脉冲序列的功率谱相似系数，形成分选特征参数集，利用支持向量机完成信号主分选。该方法在低信噪比区域对频率调制信号可以获取较高的分选准确率，但由于该方法仅提取单特征参数，无法全面表征雷达信号，且其分选性能受限于截断信号的长度，在低信噪比下对于调相信号的分选效果不是很好。文献“z.zheng,c.qiandx.duan,sortingalgorithmforpulseradarbasedonwavelettransform.2017ieee2ndinformationtechnology,networking,electronicandautomationcontrolconference(itnec),chengdu,2017,pp.1166-1169.”提出了一种基于小波变换的雷达信号分选方法，该方法利用小波变换提取时域信号突变点模量与到达时间，对小波模量进行聚类分析实现雷达信号预分选，有效地抑制子谐波现象，可以通过累积差值直方图算法实现主分选；然而，小波变换的效果受限于小波基函数与分解层数的选取，依赖于人工经验，无法满足复杂电磁环境中雷达信号实时分选要求。技术实现要素：为解决上述技术问题，本发明提出了一种雷达信号多维特征智能分选方法，预分选与主分选结合，利用多参数联合分选，引入深度学习框架，在提升分选准确率的同时实现了雷达信号快速分选。本发明采用的技术方案为：一种雷达信号多维特征智能分选方法，包括：s1、侦收原始雷达信号及脉内参数；s2、对步骤s1侦收的脉内参数进行预分选；s3、构建深度卷积神经网络；s4、对步骤s2预分选结果中对应的雷达信号进行数据格式标准化处理；s5、将步骤s4得到的数据作为步骤s3所构建深度卷积神经网络的输入，对深度卷积神经网络进行训练；s6、采用步骤s5训练完成的深度卷积神经网络对步骤s4预处理后的雷达信号进行脉内调制特征提取；s7、针对步骤s6中具有相同脉内调制特征的雷达信号，利用sdif算法分析pri脉间调制特征，提取来自不同雷达的脉冲序列，实现脉冲去交错，完成雷达信号主分选。步骤s2具体采用k-means算法对步骤s1侦收的脉内参数进行聚类，得到若干簇。步骤s3的深度卷积神经网络结构，包括：5个卷积层、5个池化层、2个全连接层；5个卷积层的激活函数为relu激活函数。所述深度卷积神经网络采用softmax进行多目标分类，输出为相应的调制类型。步骤s4具体为：对步骤s2得到的每一簇雷达信号，进行数据格式化标准处理，包括：对每一簇雷达信号进行下采样以获取基带信号，对基带信号进行零填充以统一信号长度，然后对零填充后的基带信号进行快速傅里叶变换，并提取基带信号的实部、虚部与频谱信息共同构成标准格式的数据。步骤s5所述训练具体为：将每一簇雷达信号经步骤s4处理后得到标准格式的数据输入步骤s3构建的深度卷积神经网络进行前向传播，并计算代价函数值；使用基于梯度下降的后向传播算法对深度卷积神经网络参数进行更新；迭代进行前后向传播，直至代价函数收敛，从而得到训练完成的深度卷积神经网络。步骤s6具体为：将与步骤s4处理后的序列数据具有相同格式的信号作为测试样本，将测试样本输入步骤s5中训练完成的深度卷积神经网络进行前向传播，得到测试样本属于各类别的后验概率，比较各类后验概率大小，取最大者所对应的类别作为最终预测结果。步骤s7具体为：对信号的脉冲toa差值作统计直方图，并计算对应的检测门限，将所有超过门限的值看作是可能的pri值进行序列搜索，进而完成pri值的确定以及同一雷达脉冲序列的提取。计算检测门限的函数表达式为：其中，np是脉冲总数，n是直方图上脉冲间隔的总刻度值，c是差值直方图的级数，x和k微常数。本发明的有益效果：本发明的一种雷达信号多维特征智能分选方法，利用截获的侦察参数与雷达信号，结合雷达信号空、时、频域特点，建立基于多维调制域特征的雷达信号总体分选模型。利用空、时、频域多参数联合聚类方法，实现雷达信号预分选；基于深度卷积神经网络基本架构，结合雷达信号波形调制特点，构建雷达信号脉内调制特征提取深度卷积神经网络，提取雷达信号脉内调制特征，拓展雷达信号分选特征维度，分析雷达信号pri脉间调制特征，实现信号参数交叠情况下的雷达信号分选。本发明方法具有灵活、准确、高效和泛化能力强的优点。附图说明图1为本发明实施例提供的雷达信号分选方案流程图；图2为本发明实施例提供的预分选算法流程图；图3为本发明实施例提供的脉内调制特征提取网络结构示意图；图4为本发明实施例提供的pri脉间调制特征提取流程图；图5为本发明实施例提供的雷达信号分选结果图。具体实施方式为便于本领域技术人员理解本发明的技术内容，下面结合附图对本
发明内容进一步阐释。如图1所示为本发明的方案流程图，本发明的技术方案为：一种雷达信号多维特征智能分选方法，包括：s1、侦收原始雷达信号及脉内参数，原始雷达信号即时域信号，脉内参数具体包括载频(rf)、到达方向角(doa)、脉宽(pw)、到达时间(toa)等。步骤s1侦收的原始雷达信号(脉冲流)在部分信号参数上有交叠，在这种情况下难以直接进行信号主分选。因此，利用k-means算法对空(doa)、时(pw)、频(rf)域这三种脉内参数进行聚类分析，对脉冲信号形成若干聚类，稀释了脉冲流密度，在后续步骤中再针对不同的聚类，利用经预处理后的信号和toa参数，分别通过cnn和sdif算法进行主分选。主分选的任务是：得到各部雷达的脉内调制类型，以及估计各部雷达的脉冲重复间隔(pri)、提取来自不同雷达的脉冲序列。s2、利用k-means算法对步骤s1侦收得到的脉内参数进行预分选，具体为：对于给定的样本集，按照样本之间的距离大小，把n个对象分为k个簇，使得簇内相似度高，簇间相似度低；假设簇划分为(c1,c2,……,ck)，则我们的目标是最小化平方误差其中x表示由步骤s1中侦收的脉内参数共同组成的样本点，表示向量2-范数，是簇ci的均值向量(质心)。本发明实施例中，采用rf、doa、pw组成的脉冲描述字pdwi＝(rfi,doai,pwi)作为待分选数据点，聚类流程如图2所示；具体包括以下步骤：s21、随机选取k个聚类中心。s22、计算待分选数据点到各中心点的欧式距离：式中，dj(pdwi,μj)表示第i个数据点到第j个中心点的欧氏距离，其中，j＝1,2,...,k。根据最小距离原则，将全部样本分配到k个类别中。s23、根据式(2)重新计算聚类中心：式中，μi为第i类的中心点；k为类别数；pdwi为第i类数据点，ni为第i类数据点的个数。s24、重复步骤s22和s23，直至到达新的聚类中心与前一聚类中心相等时，结束。s3、构建深度卷积神经网络，具体为：采用包括5个卷积层、5个池化层、2个全连接层的网络结构；将步骤s4数据预处理后得到的序列数据作为深度卷积神经网络的输入；relu激活函数应用于所有卷积层，利用softmax进行多目标分类，输出为相应的调制类型；另外，由于在全连接的层中有大量可训练的参数，因此本发明实施例还使用随机失活(dropout)技术来随机减少连接，避免过度拟合，以提高网络的泛化能力。如图3所示为本发明实施例的具体网络结构，其中n为待分类目标种类数，卷积层在图3中的表示方法为“卷积层(特征图数目)@(卷积核大小)”；池化层在图3中的表示方法为“池化层@(池化窗口大小)”；全连接层在图3中的表示方法为“全连接层(神经元数目)”。在本实施例中，考虑到雷达信号的特征更多反映在时序关系上，将卷积核设计为一维卷积核的形式，从而保留卷积后雷达信号在各个维度的时序关系不被破坏，因此各个卷积层对应的卷积核大小分别为：1*60，1*50，1*40，1*30，1*20；为减小卷积层输出后训练参数的数量，利用最大池化层来减少可训练参数，减轻网络训练负担；第一层最大池化层的步长设置为4，其余最大池化层的步长均设置为2。s4、步骤s2对脉内参数进行聚类后会形成若干簇，针对每一簇对应的雷达信号，进行数据格式标准化处理，具体为：对原始雷达信号进行下采样以获取基带信号；对基带信号进行零填充以统一信号长度，然后对零填充后的基带信号进行快速傅里叶变换，并提取基带信号的实部、虚部与频谱信息共同构成后续网络输入的数据格式；具体包括以下步骤：s41、以fs＝1.2ghz的采样频率对雷达信号进行下采样，以获得基带信号，则采样点数ns的计算公式为：ns＝τfs(3)其中，τ为雷达信号的脉冲宽度。s42、对具有较小脉冲宽度的信号执行零填充操作，以满足网络输入的固定大小；零填充的具体操作可以表示为concatenate(si,oi)，其中concatenate(·)代表两个向量的串联，si是基带信号的实部或虚部，oi是长度为li＝(τmax-τi)fs的一维零向量，i代表输入信号的阶数。s43、对基带信号进行快速傅里叶变换，以克服低信噪比情况下特征提取的困难；将频谱信息与步骤s42零填充得到的向量进行整合，作为卷积神经网络的输入，故网络的输入数据格式为3×12000。s5、训练深度神经网络，具体为：将步骤s4数据预处理后得到的序列数据输入步骤s3构建的深度卷积神经网络进行前向传播，计算代价函数值；使用基于梯度下降的后向传播算法对深度卷积神经网络参数进行更新；迭代进行前后向传播，直至代价函数收敛；每次迭代对应一个簇的数据。具体包括以下步骤：s51、前向传播，若第层为卷积层，以为第层的第j个特征映射，则其中，mj为第层中与之相连的特征映射集合，表示连接第i个输入特征图和第j个输出特征图的卷积核，表示偏置项，f(·)表示非线性激活函数，符号“*”表示二维离散卷积；若第层为池化层，则其输出为其中，down(·)表示下采样函数，分别表示乘性和加性偏置项；若第层为全连接层，则其输出为其中，表示第层的特征图；表示第层权重，b(l)为该层偏置项；若第l层为输出层，则当前样本属于第i类的后验概率为其中，zl表示输出层的输入，c表示总类别数。定义为第层的误差灵敏项，为非线性激活函数的输入，设第l层为输出层，则其灵敏项为：其中，表示点乘。s52、计算代价函数值，图3所示实施例中以均方误差作为代价函数，则第n个样本对应的代价函数为：其中，表示第n个样本对应的类别标签的第k维，表示第n个样本对应的网络输出的第k维，c表示总类别数。s53、利用基于梯度下降的后向传播算法对网络参数进行更新，第层的更新变化量为：其中，η为学习率，表示与中(u,v)处的值相对应的中与进行卷积运算的区域。s6、利用步骤s5训练完成的网络对雷达信号进行脉内调制特征提取，具体为：产生与步骤s4处理后的序列数据具有相同格式的信号作为测试样本，将测试样本输入步骤s5中训练完成的网络进行前向传播，得到测试样本属于各类别的后验概率，比较各类后验概率大小，取最大者所对应的类别作为最终预测结果，实现雷达信号脉内调制特征聚类分析。s7、针对步骤s6中具有相同脉内调制特征的雷达信号，利用sdif算法分析雷达信号pri脉间调制特征，至此完成信号主分选，具体为：对信号的脉冲toa差值作统计直方图，并计算对应的检测门限，将超过门限的值看作是可能的pri值进行序列检索，进而完成pri值的确定以及同一雷达脉冲序列的提取。序列检索是sdif算法的关键步骤，一般将窗口大小设置为5，如果在脉冲序列中有5个脉冲按照此pri值被选中，则认为成功分离出该pri值对应的脉冲串，定义为序列检索成功；如果每次选中的脉冲数少于5个，则认为该脉冲序列中没有与该pri值相关联的脉冲，定义为序列检索不成功。如图5所示，具体包括以下步骤：s71、对待处理的np个信号脉冲，计算相邻两个脉冲toa的差值，按差值大小进行统计并排序，构成脉冲toa的第一级差值直方图；s72、任何直方图算法的关键是门限函数，因为它影响检测速度和检测概率，最佳检测门限最接近直方图的峰值，可以使检测速度最快，检测概率最高，而指数函数特性与之最相符。由于直方图的序数与两脉冲之间的间隔相一致，在观察时间一定时，观察的脉冲间隔越大，观察出现的脉冲数量越少，因而门限与序数(τ)成反比，于是门限函数可表示为：其中，np是观察的脉冲总数，x是小于1的常数。若观察的脉冲总数足够多，且同时有多个辐射源，则可认为相邻两脉冲的间隔是随机事件，也就可认为脉冲是随机的泊松流。若把一定的观察时间t分为若干个子间隔，则在时间间隔(τ＝t2-t1)内有k个子间隔出现的概率为：其中，λ＝n/t(假定λ为常量)，n是子间隔总数，t是观察时间片段，λ是泊松流参数，表示事件在某个时间间隔里发生的平均数。相邻两脉冲的时间间隔为τ(即k＝0的情况)的概率为：p0(τ)＝e-λτ(15)第一级差值直方图呈(15)式的形式，因为直方图是随机事件概率分布函数的近似值，所以较高级差值直方图也呈指数分布形式。第c级差值直方图的脉冲数量是(np-c)，观察的时间间隔与直方图总序数成正比，泊松流参数λ＝1/kn，这里k是小于1的正常数。因此，最佳检测门限函数为：其中，τ是直方图的序数，np是脉冲总个数，n是直方图上脉冲间隔的总刻度值，c是当前差值直方图的级数，常数x和k由经验值或实验确定。实际上，若丢失脉冲发生的概率分布也为泊松分布，处理过程不变，则门限代表直方图的峰值。因此，常数x由假定的脉冲丢失概率决定。s73、根据式(15)计算检测门限，若只有一个差值大于该门限，则将它默认为可能的pri值并进行序列检索，转至步骤s75；若有多个差值大于该门限，则不进行序列检索，转至步骤s74；s74、如果脉冲序列中包含的脉冲数大于5(即设定的窗口大小)，则计算下一级差值直方图，根据式(15)计算检测门限，将大于门限的那些差值作为可能的pri值，对它们进行排序和序列检索，转至步骤s75；如果脉冲序列中包含的脉冲数小于5，转至步骤s76；s75、如果序列检索不成功，则转至步骤s74；如果序列检索成功，则在脉冲序列中将此脉冲剔除，并对剩下的脉冲序列从第一级开始形成差值直方图，并重新进行步骤s73；s76、进行参差分析与处理，算法结束。最后本发明还包括：(1)对步骤s5训练完成的网络进行脉内调制类型识别性能测试，具体为：将测试样本输入s5中训练完成的网络进行前向传播，得到测试样本属于各类别的后验概率，比较各类后验概率大小，取最大者所对应的类别作为最终预测结果，验证所提网络对雷达信号脉内调制类型的识别性能。(2)对所提雷达信号多维特征智能分选方法的分选性能测试，具体为：利用测试样本脉内参数进行多域参数联合聚类实现雷达信号预分选，根据预分选结果利用深度卷积神经网络分析脉内调制特征，利用sdif算法分析pri脉间调制特征，完成雷达信号分选。分选成功率定义为正确分选脉冲个数与待分选脉冲个数的比值。表1为实施例中所用网络训练与测试使用的调制信号数据集，包括不同调制类型和不同信号带宽的27类基带信号，具体包括非线性调频(nlfm)，线性调频(lfm)，单脉冲(mp)，脉内频率捷变(fa)，costas频率编码，barker相位编码，costas/barker调频调相复合编码，幅度调制(am)和相位调制(pm)信号。卷积神经网络由6480个训练样本训练，训练样本snr＝12db；并由1620个测试样本进行测试，当snr＝12db时，得到调制类型识别结果如图5所示，本发明总体识别率达到95.93％。表2为实施例中完成雷达信号多维特征智能分选方法测试使用的雷达信号数据集，包括不同调制类型、带宽介于100～880mhz的23类雷达辐射源，共639个脉冲；当snr＝12db时，正确分选612个脉冲，本发明实施例所提方法的总体分选成功率可达95.77％。表1调制信号数据集参数对应表表2雷达信号多维特征智能分选方法测试数据集调制类型标签数目pri/us脉宽/us带宽/mhzbarker12012505.2100costas232700/900/12002.4420lfm3221100±5％2.4420barker4411150/1201/1050/16016.0620costas5261530±5％3.4780fa62018016620am7261350/17504.2550mp8361620/750/12506.5560fa9241301±5％7.4750lfm102013805.5820costas/barker1145950/1601/12207.5630nlfm122515607.2530fm13251501±5％5.8280fa14321150/1800/1070/13502.7770costas/barker1536250/1250/22502.7770nlfm16241216/954.5/24605.5750lfm17241820/1300/14606.1280mp182017503.0280costas/barker19241300/1500/17004.3880fa20251720±5％5.5750nlfm21361160/1500/10808.1750fa2232265.7/1860/812.8/15896.5420costas/barker23241340±5％4.8840本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。当前第1页12