一种基于模糊函数地貌特征的雷达信号分选方法与流程

本发明涉及一种基于模糊函数地貌特征的雷达信号分选方法，属于电子侦察领域。

背景技术：

随着电子战中电磁环境的日新月异以及复杂体制雷达的迅速发展，要快速并可靠地从待分选的敌方雷达辐射源信号中分离出不同雷达的脉冲序列并识别，仅依靠传统的载波频率(rf)、到达时间(toa)、脉冲宽度(pw)、脉冲幅度(pa)、到达角度(doa)五个常规参数已经非常困难。为满足当前战场环境中分选雷达辐射源信号的快速性和准确性需求，提取并补充新的特征参数是一种可行的方法。

目前，以模糊函数主脊切面为研究对象，提取到了分选效果和抗噪性能较好的特征参数如矩特征、图形轮廓特征、局域差分特征等。然而，基于模糊函数主脊切面特征分选方法的时效性却受限于利用分数自相关计算并搜索糊函数主脊切面所增加的运算复杂度。一些学者尝试从新的角度提取模糊函数特征，例如提取模糊函数的对角线，但这样会损失过多的信息，分选效果较差；例如使用极坐标转换提取函数主脊的二维图形轮廓，但这样会增加较大的计算量；再如提取了模糊函数的主侧视图，但这样时频域的信息无法同时兼顾；因此有必要提供其它的特征参数用于复杂体制雷达信号的分选。

技术实现要素：

本发明提供了一种基于模糊函数地貌特征的雷达信号分选方法，以用于通过提取等高线的正外接矩面积、纵横比、方向角作为特征参数构建特征向量实现雷达信号分选。

本发明的技术方案是：一种基于模糊函数地貌特征的雷达信号分选方法，所述方法步骤如下：

step1、输入待分选的雷达信号s(n)；

step2、对s(n)进行重采样；

step3、根据信号长度生成网格采样点，计算对应的模糊函数值af(i,j)，并对其进行归一化处理；

step4、对信号的归一化处理后的模糊函数值进行高斯平滑处理，得到高斯平滑处理后的模糊函数值

step5、根据高斯平滑处理后的模糊函数值，利用线性插值法提取等高线；

step6、提取等高线的正外接矩面积s、正外接纵横比ar、正外接方向角α，构造模糊函数地貌特征向量v＝[sarα]；

step7、根据特征向量v，利用kfcm聚类算法对信号进行分选。

所述步骤step5中利用线性插值法计算等高线的方法为：

step5.1、根据需要将的海拔分为n个递增的等高线高度hn：

其中，afmax指代相应待分选雷达信号高斯平滑处理后的模糊函数最大值、afmin指代相应待分选雷达信号高斯平滑处理后的模糊函数最小值；

step5.2、根据插值法可得：

①任意网格采样点(i,j)在水平方向高度为hn的等值点坐标(xc,yc)为：

yc＝i

②任意网格采样点(i,j)在竖直方向高度为hn的等值点坐标(xc,yc)为：

xc＝j

step5.3、求得等值点坐标后连接相邻的等值点得到等高线。

所述步骤step6中正外接矩面积s、正外接纵横比ar、正外接方向角α的计算方法为：

s＝[max(xc)-min(xc)]×[max(yc)-min(yc)]

式中，xc、yc为等值点的坐标，δ为模糊函数的右半采样域。

本发明的有益效果是：本发明从新的角度或层面提取更为有效的特征参数用于复杂体制雷达信号的分选。首先对信号的模糊函数进行高斯平滑处理，然后绘制其等高线作为进一步的特征提取对象，最后从图像处理的角度提取正外接矩面积、纵横比以及方向角作为雷达信号分选的特征向量；最后，根据计算得到的特征向量，用kfcm聚类算法完成信号的分选。本发明与现有技术相比，主要解决了当前模糊函数特征提取方法信息利用率低、易受噪声影响等问题，更加贴近实际工程的需求。

附图说明

图1是本发明总流程图；

图2是con信号模糊函数值图；

图3是lfm信号模糊函数值图；

图4是bpsk信号模糊函数值图；

图5是qpsk信号模糊函数值图；

图6是mseq信号模糊函数值图；

图7是bfsk信号模糊函数值图；

图8是con信号模糊函数等高线图；

图9是lfm信号模糊函数等高线图；

图10是bpsk信号模糊函数等高线图；

图11是qpsk信号模糊函数等高线图；

图12是mseq信号模糊函数等高线图；

图13是bfsk信号模糊函数等高线图；

图14是本方法对信号集a的分选效果图。

具体实施方式

实施例1：如图1-14所示，一种基于模糊函数地貌特征的雷达信号分选方法，所述方法步骤如下：

step1、输入待分选的雷达信号s(n)；

选取常规信号(con)、线性调频信号(lfm)、二相编码(bpsk)、四相编码(qpsk)、m伪随机序列(mseq)和二频编码(bfsk)六种典型雷达仿真信号进行实验。为验证本发明的性能，信噪比从0～20db每隔2db，每类信号产生10个不同初相的测试样本，组成一个660样本的信号集a作为待分选的雷达信号，如表1所示。由于信号集a中雷达信号与噪声在时频域都是严重交叠的，因此基本能满足复杂电磁环境的要求。

表1仿真雷达信号信号集a的组成

step2、对s(n)进行重采样为m点：运用matlab自带的resample函数，将所有待分选的雷达信号长度都重采样为1024点，消除信号长度对分选的影响。

step3、根据信号长度m生成网格采样点，计算对应的模糊函数值af(i,j)，并对其进行归一化处理；具体的：由于step2中将所有信号都进行了1024点的重采样，因此时频网格采样点的取值范围为0≤τ≤1024，0≤ξ≤1024。根据模糊函数的定义，计算信号在采样点出对应的模糊函数值af(τ,ξ)，具体公式为：

式中，af为信号的模糊函数，τ时延，ξ为频移，s*(t)为s(t)的共轭，t为信号的时间变量。

以τ和ξ为x-o-y平面，根据求得的af(τ,ξ)，利用matlab自带的surf函数即可绘制出信号的模糊函数三维图，如图2-图7所示(6个图分别为相应分选信号一个样本的三维图)。

step4、对信号的归一化处理后的模糊函数值进行高斯平滑处理，得到高斯平滑处理后的模糊函数值采用高斯平滑对模糊函数进行预处理有助于一定程度上减小噪声的影响，增加分选成功率。

对任意(第i行,j列)网格点(i,j)对应的af(i,j)，其平滑后的af为：

式中，wi,j表示网格点(i,j)的周围5×5大小的掩膜；w(a,b)为服从二维高斯分布的权重因子，其计算式为：

式中，a、b为权重因子在掩膜wi,j中的位置，σ为方差，可取σ＝1。

step5、根据高斯平滑处理后的模糊函数值，利用线性插值法提取等高线；

进一步地，可以设置所述步骤step5中利用线性插值法计算等高线的方法为：

step5.1、根据需要将的海拔分为n个递增的等高线高度hn：

其中，afmax指代相应待分选雷达信号高斯平滑处理后的模糊函数最大值、afmin指代相应待分选雷达信号高斯平滑处理后的模糊函数最小值；

step5.2、根据插值法可得：

①任意网格采样点(i,j)在水平方向高度为hn的等值点坐标(xc,yc)为：

yc＝i

②任意网格采样点(i,j)在竖直方向高度为hn的等值点坐标(xc,yc)为：

xc＝j

step5.3、求得等值点坐标后连接相邻的等值点即可得到等高线如图8-13所示(6个图分别为相应分选信号一个样本的等高线图)。

step6、提取等高线的正外接矩面积s、正外接纵横比ar、正外接方向角α，构造模糊函数地貌特征向量v＝[sarα]；

进一步地，可以设置所述步骤step6中正外接矩面积s、正外接纵横比ar、正外接方向角α的计算方法为：

s＝[max(xc)-min(xc)]×[max(yc)-min(yc)]

式中，xc、yc为等值点的坐标，δ为模糊函数的右半采样域。

step7、根据特征向量v，利用kfcm聚类算法对信号进行分选。求得所有待分选的雷达信号对应的特征向量v后，利用kfcm算法对信号集a完成聚类分选，分选效果如图14所示。

为了定量描述本发明的分选效果，引入分选正确率作为分选效果的评价指标：

式中，nr为该类信号正确分选个数，n为该类信号样本总数。

表2本发明分选信号集a的结果统计

表2给出了本发明分选信号集a的具体情况统计，不难看出，在0-20db动态信噪比环境下，con、lfm信号的特征参数分布较为集中且与其他信号相隔较远，展现出了较好的抗噪性能。bpsk和qpsk信号的特征参数在snr的动态变化下产生了部分交叠，这是由于bpsk信号和qpsk信号的主要区别在于相位调制的阶数不同，在强噪声的干扰下频移特性并不是十分显著，导致抗噪性能略有下降。此外，由于0db下约有10％的bfsk信号的小岛状区域被噪声淹没，导致其等高线的分布范围向qpsk信号靠拢，使分选产生一定误差。从表2中可以看出，仅有2.7％的bpsk和qpsk信号产生了交叠，3.6％的mseq信号错分到了bpsk，11.8％的bfsk错分到了qpsk信号，整体分选成功率达到了96.36％，说明所提特征在低信噪比条件下依然具有良好的类内聚敛性和类间分离能力，具有一定的工程价值。

上面结合仿真实验以及附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出修改与变化。