基于卷积降噪自编码器的雷达信号智能分选方法及系统

1.本发明属于雷达侦察技术领域，具体涉及一种基于卷积降噪自编码器的雷达信号智能分选方法及系统，本发明可用于电子侦察中。


背景技术：

2.雷达信号分选是指将接收机接收到的雷达混合脉冲根据检测出的雷达脉冲参数和一定的先验知识按照其所属真实辐射源进行分类的过程。通过雷达信号分选，才能得到多个真实的雷达脉冲序列，进一步进行如识别、干扰等处理。雷达信号分选作为雷达侦查信号处理的基础，是获取军事情报的一种重要手段，研究怎样消除电磁环境对雷达信号带来的负面影响，具有重要的国防与军事意义。
3.目前，雷达信号分选可以大致分为二种，第一种是基于脉冲描述字(pulse description word,pdw)的传统信号分选方法，脉冲描述字主要包括脉宽、到达方向、载频、脉幅、脉冲到达时间。其中脉冲重复间隔(pulse repetition interval，pri)是雷达信号参数中变化范围较广、工作样式较多的一个参数，应用最为广泛。主要包括累积差直方图法、序列差直方图法、pri变换法、平面变换法。第二种是基于特征提取联合机器学习的方法，通过变换域分析工具先对信号进行某种形式的变换，在雷达脉冲信号中挖掘出更多的特征参数用于分选，提高雷达信号数据的可靠性，特征主要包括一些较为稳定的脉内特征，如熵特征、相像系数和双谱特征等，最后应用各种分类器模型实现对雷达信号的分选。
4.然而，实际战场受电磁干扰影响，信噪比通常较低且存在大量toa估计误差；另一方面，电磁环境拥堵严重，高密度雷达脉冲极易导致接收端脉冲参差率高和脉冲丢失严重等情况，很大程度上破坏了雷达的规律。同时，现代雷达趋于模式多样化和用途多样化，工作状态切换灵活，可根据实际作战情况选取不同参数组合、不同时序规则的脉冲组，在预警和探测能力较传统雷达工作更出色。这些因素都导致传统的雷达信号分选方法难以根据脉冲特征的规律进行合理的建模和统计分析，给信号分选带来了更为严峻的挑战。
5.深度学习作为机器学习的一个分支或子领域，是机器学习和人工智能的最新趋势之一。深度学习鉴于其强大的特征提取能力已广泛应用于自然语言处理、数据挖掘、计算机视觉和自动驾驶等领域。然而，目前将深度学习方法应用到信号分选的研究成果较少，若能利用合适的神经网络模型和新的研究思路有效地改善复杂电磁环境下信号分选的识别性能，将成为电子侦察领域中的又一新突破，具有重要的军事意义。
6.基于上述现状，本发明基于深度学习理论提出了一种基于卷积降噪自编码器的雷达信号智能分选方法及系统。


技术实现要素：

7.本发明目的在于针对复杂电磁环境下提高雷达信号分选性能，提出了一种基于卷积降噪自编码器的雷达信号智能分选方法及系统。
8.本发明的优点表现在以下三个方面：
9.(1)本发明仅使用toa一个参数，有效缩短了特征提取的时间。同时，为了使神经网络模型尽可能轻松地处理不断增大的脉冲到达时间，将toa序列转换为只有0和1的二进制编码，线性数字化后的toa序列可接受一定的量化误差。
10.(2)本发明使用的卷积降噪自编码器在空间复杂度上大大优于降噪自编码器，大幅减少了训练参数的数量，有效地防止训练的过拟合。
11.(3)在考虑漏脉冲率、参差脉冲率、toa估计误差、信噪比等参数变化及存在多功能雷达信号的复杂电磁环境下，本发明分选正确率均明显优于基于toa参数的pri变换法和sdif分选方法，为进一步对雷达信号识别、干扰等优质处理奠定了良好基础。
12.为了实现以上目的，本发明采用以下技术方案：
13.一种基于卷积降噪自编码器的雷达信号智能分选方法，包括步骤：
14.s1、提取电磁信号数据库中单部雷达的脉冲toa序列，将每部雷达样本的脉冲toa序列根据其到达时间的先后进行排序构造混叠脉冲序列；
15.s2、将步骤s1中单部雷达的脉冲toa序列和混叠脉冲序列分别进行脉冲编码处理得到二进制编码向量(训练数据)；
16.s3、将步骤s2得到的二进制编码向量输入卷积降噪自编码器进行训练，输出的模型是目标脉冲的二进制编码向量，并保存训练好的模型；
17.s4、将复杂电磁环境下接收到的混合脉冲toa序列(真实数据)输入训练好的卷积降噪自编码器模型完成信号分选得到目标雷达脉冲序列。
18.进一步的，步骤s1中，提取电磁信号数据库中单部雷达的脉冲toa序列，单部雷达的toa序列可以表示为：
19.t＝{t1,t2,
…
,ti,
…
,tn}
20.其中，ti表示单部雷达第i个脉冲到达的时间，n是截获脉冲的数量。
21.进一步的，步骤s1中，将每部雷达样本的脉冲toa序列根据其到达时间的先后进行排序构造混叠脉冲序列t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}，多部雷达的混合toa序列可以表示为：
22.t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}
23.其中，t
ji
表示第j部雷达第i个脉冲的到达时间，n表示第j部雷达截获脉冲的数量。
24.进一步的，步骤s2具体为：将步骤s1中单部雷达的脉冲toa序列t＝{t1,t2,
…
,ti,
…
,tn}和混叠脉冲序列t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}分别进行脉冲编码处理得到二进制编码向量x和(训练数据)；脉冲编码过程为：
[0025][0026]
其中，t
unit
表示给定的一个单位，脉冲序列t根据t
unit
进行线性数字化，使其在[0,m
·
t
unit
]范围内，m是脉冲序列的总单位数，i＝0,1,
…
m-1。若在该时间窗口内接收到了脉冲，则该时间窗口对应的向量元素表示为1；若在该时间窗口内没有接收到脉冲，则其对应向量元素表示为0。m可表示为：
[0027]
m＝tnt
unit
。
[0028]
进一步的，步骤s3具体为：将所得到的二进制编码向量x和输入卷积降噪自编码
器进行训练，模型的输出是目标脉冲的二进制编码向量z，并保存训练好的模型。
[0029]
将二进制编码向量x和输入到卷积降噪自编码器进行模型训练，卷积降噪自编码器的编码过程和解码过程如下：
[0030][0031]
z＝σ'(w2y+b2)
[0032]
其中，σ和σ'为relu激活函数；b1和b2为偏置向量；w1和w2为权重矩阵；x为原始数据，为被噪声污染的数据；y为隐藏层特征；z为输出层数据。
[0033]
通过调整网络参数保证模型损耗的最小化和较高的精度，由于模型的输入x和输出z均为由0和1组成的二进制编码序列，因此选用二值交叉熵作为目标函数：
[0034][0035]
进一步的，步骤s4中将复杂电磁环境下接收到的混合脉冲toa序列(真实数据)输入训练好的卷积降噪自编码器模型完成信号分选得到目标雷达脉冲序列。
[0036]
本发明还公开了一种基于卷积降噪自编码器的雷达信号智能分选系统，包括如下模块：
[0037]
混叠脉冲序列构造模块：提取电磁信号数据库中单部雷达的脉冲toa序列，将每部雷达样本的脉冲toa序列根据到达时间进行排序构造混叠脉冲序列；
[0038]
二进制编码向量获取模块：将混叠脉冲序列构造模块中单部雷达的脉冲toa序列和混叠脉冲序列进行脉冲编码处理得到二进制编码向量；
[0039]
模型输出模块：将二进制编码向量获取模块得到的二进制编码向量输入卷积降噪自编码器进行训练，输出的模型是目标脉冲的二进制编码向量，并保存训练好的模型；
[0040]
信号分选模块：将复杂电磁环境下接收到的混合脉冲toa序列输入训练好的卷积降噪自编码器模型完成信号分选，得到目标雷达脉冲序列。
[0041]
优选的，混叠脉冲序列构造模块提取电磁信号数据库中单部雷达的脉冲toa序列t＝{t1,t2,
…
,ti,
…
,tn}，单部雷达的toa序列表示为：
[0042]
t＝{t1,t2,
…
,ti,
…
,tn}
[0043]
其中，ti表示该部雷达第i个脉冲到达的时间，n是截获脉冲的数量。
[0044]
优选的，混叠脉冲序列构造模块将每部雷达样本的脉冲toa序列根据其到达时间的先后进行排序构造混叠脉冲序列t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}，多部雷达的混合toa序列表示为：
[0045]
t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}
[0046]
其中，t
ji
表示第j部雷达第i个脉冲的到达时间，n表示第j部雷达截获脉冲的数量。
[0047]
优选的，二进制编码向量获取模块中，将单部雷达的脉冲toa序列t＝{t1,t2,
…
,ti,
…
,tn}和混叠脉冲序列t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}分别进行脉冲编码处理得到二进制编码向量x和脉冲编码处理过程为：
[0048][0049]
其中，t
unit
表示给定的一个单位，脉冲序列t根据t
unit
进行线性数字化，使其在[0,m
·
t
unit
]范围内，m是脉冲序列的总单位数，i＝0,1,
…
m-1；若在该时间窗口内接收到了脉冲，则该时间窗口对应的向量元素表示为1；若在该时间窗口内未接收到脉冲，则其对应向量元素表示为0；m表示为：
[0050]
m＝tn/t
unit
。
[0051]
优选的，模型输出模块具体如下：将输入大小为1
×
784的二进制编码向量x和作为卷积降噪自编码器的输入，卷积降噪自编码器将输入大小转化为28
×
28
×
1并进行模型训练；卷积降噪自编码器中的编码器部分由两个卷积层和两个池化层组成，解码器部分由两个反卷积层和两个上采样层组成；卷积降噪自编码器的编码过程和解码过程如下：
[0052][0053]
z＝σ'(w2y+b2)
[0054]
其中，σ和σ'为relu激活函数；b1和b2为偏置向量；w1和w2为权重矩阵；x为原始数据，为被噪声污染的数据；y为隐藏层特征；z为输出层数据；
[0055]
通过调整网络参数保证模型损耗的最小化和较高的精度，由于模型的输入x和输出z均为由0和1组成的二进制编码序列，因此选用二值交叉熵作为目标函数：
[0056][0057]
与现有技术相比，本发明综合考虑了复杂电磁环境的影响，针对现有雷达信号分选方法在考虑漏脉冲率、参差脉冲率、toa估计误差、信噪比等参数变化及存在多功能雷达信号的复杂电磁环境下分选性能下降的技术问题，将脉冲序列的到达时间进行编码，并将其转化为二进制编码向量，将编码向量输入卷积降噪自编码器学习目标脉冲序列的内部时间模式，再用训练后的网络对混合脉冲序列进行分选，提取出目标脉冲序列。
附图说明
[0058]
图1为实施例一基于卷积降噪自编码器的雷达信号分选方法流程图；
[0059]
图2为实施例一电磁信号数据库数据处理示意图；
[0060]
图3为实施例一卷积降噪自编码器模型示意图；
[0061]
图4为实施例一不同信噪比下的信号分选结果示意图；
[0062]
图5为实施例一不同脉冲丢失率下的信号分选结果示意图；
[0063]
图6为实施例一不同脉冲参差率下的信号分选结果示意图；
[0064]
图7为实施例一不同toa估计误差下的信号分选结果示意图；
[0065]
图8为实施例一存在多功能信号的电磁环境中不同信噪比下的信号分选结果示意图；
[0066]
图9为实施例一存在多功能信号的电磁环境中不同toa估计误差下的信号分选结
果示意图；
[0067]
图10为实施例二基于卷积降噪自编码器的雷达信号分选系统框图。
具体实施方式
[0068]
以下通过优选实施例说明本发明的实施过程，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0069]
实施例一
[0070]
参见图1，本实施例提供了一种基于卷积降噪自编码器的雷达信号智能分选方法，具体包括如下步骤：
[0071]
s1、提取电磁信号数据库中单部雷达的脉冲toa序列，然后将每部雷达样本的脉冲toa序列根据其到达时间的先后进行排序构造混叠脉冲序列；
[0072]
s2、将步骤s1中单部雷达的脉冲toa序列和混叠脉冲序列分别进行脉冲编码处理得到二进制编码向量(训练数据)；
[0073]
s3、将步骤s2得到的二进制编码向量输入卷积降噪自编码器进行训练，模型的输出是目标脉冲的二进制编码向量，得到训练好的模型；
[0074]
s4、将复杂电磁环境下接收到的混合脉冲toa序列(真实数据)输入训练好的卷积降噪自编码器模型完成信号分选得到目标雷达脉冲序列。
[0075]
具体的，在步骤s1中，提取电磁信号数据库中单部雷达的脉冲toa序列，然后将每部雷达样本的脉冲toa序列根据其到达时间的先后进行排序构造混叠脉冲序列；在本实施例中，提取电磁信号数据库中的数据并进行预处理。
[0076]
首先提取电磁信号数据库中单部雷达的脉冲toa序列t＝{t1,t2,
…
,ti,
…
,tn}，单部雷达的toa序列可以表示为：
[0077]
t＝{t1,t2,
…
,ti,
…
,tn}
[0078]
其中，ti表示该部雷达第i个脉冲到达的时间，n是截获脉冲的数量。
[0079]
然后，将每部雷达样本的脉冲toa序列根据其到达时间的先后进行排序构造混叠脉冲序列t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}，具体过程参见图2，多部雷达的混合toa序列可以表示为：
[0080]
t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}
[0081]
其中，t
ji
表示第j部雷达第i个脉冲的到达时间，n表示第j部雷达截获脉冲的数量。
[0082]
在步骤s2中，将步骤s1中单部雷达的脉冲toa序列和混叠脉冲序列进行脉冲编码处理得到二进制编码向量(训练数据)。
[0083]
在本实施例中，对数据进行脉冲编码。
[0084]
由于脉冲到达时间的不断增大，使得toa序列最终增大到一个较大的值，为了让神经网络模型尽可能轻松地处理输入，将单部雷达s(t)的toa序列t＝{t1,t2,
…
,ti,
…
,tn}进行脉冲编码处理得到二进制编码向量x，脉冲编码过程为：
[0085][0086]
其中，t
unit
表示给定的一个单位，脉冲序列t根据t
unit
进行线性数字化，使其在[0,m
·
t
unit
]范围内，m是脉冲序列的总单位数，i＝0,1,
…
m-1。若在该时间窗口内接收到了脉冲，则该时间窗口对应的向量元素表示为1；若在该时间窗口内没有接收到脉冲，则其对应向量元素表示为0。m可表示为：
[0087]
m＝tn/t
unit
。
[0088]
在步骤s3中，将所得到的二进制编码向量输入卷积降噪自编码器进行训练，模型的输出是目标脉冲的二进制编码向量，并保存训练好的模型。
[0089]
在本实施例中，对模型进行训练。
[0090]
考虑到卷积降噪自编码器在空间复杂度上优于降噪自编码器，大幅减少了训练参数的数量，有效地防止训练的过拟合，因此选择卷积降噪自编码器作为待训练模型。
[0091]
将输入大小为1
×
784的二进制编码向量x和作为卷积降噪自编码器的输入，卷积降噪自编码器将输入大小转化为28
×
28
×
1并进行模型训练。卷积降噪自编码器的编码器部分由两个卷积层和两个池化层组成，解码器部分由两个反卷积层和两个上采样层组成。网络具体结构参见图3。卷积降噪自编码器的编码过程和解码过程如下：
[0092][0093]
z＝σ'(w2y+b2)
[0094]
其中，σ和σ'为relu激活函数；b1和b2为偏置向量；w1和w2为权重矩阵；x为原始数据，为被噪声污染的数据；y为隐藏层特征；z为输出层数据。
[0095]
模型训练的目的是通过调整网络参数保证模型损耗的最小化和较高的精度。因此，所训练的卷积降噪自编码器可以逐步精确地分选出目标脉冲序列。由于模型的输入x和输出均为由0和1组成的二进制编码序列，因此选用二值交叉熵作为目标函数：
[0096][0097]
在步骤s4中，将复杂电磁环境下接收到的混合脉冲toa序列(真实数据)输入训练好的卷积降噪自编码器模型完成信号分选得到目标雷达脉冲序列。
[0098]
在本实施例中，进行脉冲分选。
[0099]
将复杂电磁环境下接收到的混合脉冲toa序列(真实数据)输入训练好的卷积降噪自编码器模型完成信号分选得到目标雷达脉冲序列。不同电磁环境条件下的信号分选结果参见图4至图9。
[0100]
本实施例综合考虑了复杂电磁环境下雷达信号分选性能较差的问题，通过加入深度学习算法，可以提高雷达信号分选的正确率，为进一步对雷达信号的识别、干扰等处理奠定了基础。
[0101]
实施例二
[0102]
如图10所示，本实施例公开了一种基于卷积降噪自编码器的雷达信号智能分选系
统，包括如下模块：
[0103]
混叠脉冲序列构造模块：提取电磁信号数据库中单部雷达的脉冲toa序列，将每部雷达样本的脉冲toa序列根据到达时间进行排序构造混叠脉冲序列；
[0104]
二进制编码向量获取模块：将混叠脉冲序列构造模块中单部雷达的脉冲toa序列和混叠脉冲序列进行脉冲编码处理得到二进制编码向量；
[0105]
模型输出模块：将二进制编码向量获取模块得到的二进制编码向量输入卷积降噪自编码器进行训练，输出的模型是目标脉冲的二进制编码向量，并保存训练好的模型；
[0106]
信号分选模块：将复杂电磁环境下接收到的混合脉冲toa序列输入训练好的卷积降噪自编码器模型完成信号分选，得到目标雷达脉冲序列。
[0107]
本实施例中，混叠脉冲序列构造模块提取电磁信号数据库中单部雷达的脉冲toa序列t＝{t1,t2,
…
,ti,
…
,tn}，单部雷达的toa序列表示为：
[0108]
t＝{t1,t2,
…
,ti,
…
,tn}
[0109]
其中，ti表示该部雷达第i个脉冲到达的时间，n是截获脉冲的数量。
[0110]
本实施例中，混叠脉冲序列构造模块将每部雷达样本的脉冲toa序列根据其到达时间的先后进行排序构造混叠脉冲序列t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}，多部雷达的混合toa序列表示为：
[0111]
t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}
[0112]
其中，t
ji
表示第j部雷达第i个脉冲的到达时间，n表示第j部雷达截获脉冲的数量。
[0113]
本实施例中，二进制编码向量获取模块中，将单部雷达的脉冲toa序列t＝{t1,t2,
…
,ti,
…
,tn}和混叠脉冲序列t'＝{t
11
,t
12
,t
31
…
,t
ji
,
…
,t
jn
}分别进行脉冲编码处理得到二进制编码向量x和脉冲编码处理过程为：
[0114][0115]
其中，t
unit
表示给定的一个单位，脉冲序列t根据t
unit
进行线性数字化，使其在[0,m
·
t
unit
]范围内，m是脉冲序列的总单位数，i＝0,1,
…
m-1；若在该时间窗口内接收到了脉冲，则该时间窗口对应的向量元素表示为1；若在该时间窗口内未接收到脉冲，则其对应向量元素表示为0；m表示为：
[0116]
m＝tn/t
unit
。
[0117]
本实施例中，模型输出模块具体如下：将输入大小为1
×
784的二进制编码向量x和作为卷积降噪自编码器的输入，卷积降噪自编码器将输入大小转化为28
×
28
×
1并进行模型训练；卷积降噪自编码器中的编码器部分由两个卷积层和两个池化层组成，解码器部分由两个反卷积层和两个上采样层组成；卷积降噪自编码器的编码过程和解码过程如下：
[0118][0119]
z＝σ'(w2y+b2)
[0120]
其中，σ和σ'为relu激活函数；b1和b2为偏置向量；w1和w2为权重矩阵；x为原始数据，为被噪声污染的数据；y为隐藏层特征；z为输出层数据；
[0121]
通过调整网络参数保证模型损耗的最小化和较高的精度，由于模型的输入x和输出z均为由0和1组成的二进制编码序列，因此选用二值交叉熵作为目标函数：
[0122][0123]
本发明针对复杂电磁环境下传统雷达信号分选方法性能不佳的问题，通过加入深度学习算法，可以提高雷达信号分选的正确率，为进一步对雷达信号识别、干扰等处理奠定了基础。
[0124]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。