基于深度重构和空间密度聚类的雷达信号在线分选方法及装置

本发明属于雷达信号处理，具体涉及一种基于深度重构和空间密度聚类的雷达信号在线分选方法及装置。

背景技术：

1、伴随着科学技术的发展，在现代zhanzheng中dianzizhan开始占据着更加重要的地位。目前，dianzizhan已经成为现代zhanzheng的主要zhanchang，dianzizhan的成功是zhanzheng胜利的关键。而作为其重要组成部分的电子侦察，主要目的是侦察和jiehuo敌方电子装备的电磁辐射信号，并且处理信号，进而分析这些辐射源的作用和weixie等级等信息，为后续的决策和电子干扰提供信息支撑。因此对电子侦察的研究，具有十分重要的意义。但是随着雷达技术的不断发展，新体制雷达不断出现，因为其在雷达脉冲上有着复杂的调制，使得电磁环境复杂度不断的提高，获取情报更加困难。同时，伴随着相控阵雷达的应用，环境信号密度进一步增加，严重影响现有算法的识别精度。

2、当下，雷达脉冲分选算法有俩个方向。第一个是通过雷达脉冲描述字(pulsedescriptive word,pdw)进行分选，方法本质是模型匹配。但是在现今这种日益复杂的电磁环境中识别效果较低。第二个方向通过脉内的特征分类实现，将无监督的雷达信号分选变为有监督的分类问题。但是，在当今这种复杂的电磁环境下，我们无法标记或者难以标记海量的信号信号样本，分类器的泛化性能也难以保证。因此，研究一种能在复杂电磁环境有效工作的雷达辐射源分选算法具有十分重要的现实意义。

3、同时，在实际的应用问题中，我们不能将待处理的雷达辐射源数据认定为一组静态的数据，因为雷达辐射源信号是会沿着时间轴不断到达，在这个过程中，会有新类型的雷达数据到达，也会有旧类型的雷达暂时保持静默。

4、现有技术提出以下几种方案：

5、文献1(d.j.,and b.m."improved algorithm for thedeinterleaving of radar pulses."iee proceedings f(radar and signalprocessing).vol.139.no.1.iet digital library,1992)提出了一种改进的雷达信号解析方法，该方法基于到达时间分析并使用序列差分直方图(sequential differencehistogram,sdif)来确定脉冲重复间隔(pulse repetition interval,pri)。推导出了sdif直方图中的最佳检测阈值，极大地提高了算法的效率。结果表明，该方法在高脉冲密度雷达环境中取得了良好的成绩。

6、文献2(k.nishiguchi and m.kobayashi,"improved algorithm for estimatingpulse repetition intervals,"in ieee transactions on aerospace and electronicsystems,vol.36,no.2,pp.407-421,april 2000,doi:10.1109/7.845217)提出了一种基于pri谱的，估计交错脉冲序列脉pri的改进算法。该方法的原始版本是一个复值类自相关积分，它产生一种pri频谱，其中频谱峰值的位置指示pri值。然而，原始算法有一个严重的缺点，即它容易受到定时抖动(pri抖动)的影响。该方法分析了此漏洞的原因，并提出了一种使用具有偏移时间源的重叠pri箱的改进算法。事实证明，改进的算法在获取抖动脉冲串的pri频谱方面非常有效，从而可以通过阈值检测平均pri。

7、文献3(申慧芳.复杂环境下的雷达信号分选技术研究[d].西安电子科技大学,2022.doi:10.27389/d.cnki.gxadu.2022.002455)提出了一种基于卷积自编码器的雷达信号分选算法。该方法探究了存在干扰信号且脉冲丢失严重的情况下的雷达信号分选效果。具体的，该方法将toa序列编码为二进制码流，再将其输入由卷积层构造的自编码器网络，对雷达信号进行分选。和传统方法相比，该方法能够更好的克服干扰信号和脉冲丢失对分选效果的影响，且提高了运算效率。

8、文献4(陈涛,刘福悦,李金鑫等.基于深度分割的端到端雷达信号分选[j].系统工程与电子技术,2023,45(05):1351-1358)中提出了一种基于图像分割的雷达信号分选算法，具体的，该方法将采集到的雷达脉冲信号描述字映射成脉冲序列图像，再使用深度网络对脉冲序列图像进行分割，对图像像素点进行分类。再根据像素点和雷达脉冲信号的映射关系将雷达脉冲信号进行归类。

9、现有技术存在以下缺陷：基于sdif和pri谱的方法原理简单，但是只对于固定pri雷达脉冲序列有较好的分选效果，对参差雷达、捷变雷达分选效果不好。且对人工经验阈值的依赖性较大，对复杂电磁环境的适应性不好。基于卷积自编码器的方法和基于图像分割的方法能够更好的解决信号干扰和脉冲丢失问题。但是这两个方法都只处理采集的一批数据，并没有根据现实情况，对流式数据进行处理。因此，这两种方法无法实时在线分选，并根据战场动态实时提供分选结果。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于深度重构和空间密度聚类的雷达信号在线分选方法及装置。本发明要解决的技术问题通过以下技术方案实现：

2、第一方面，本发明提供了一种基于深度重构和空间密度聚类的雷达信号在线分选方法包括：

3、s100，读取当前雷达序列，所述当前雷达序列由当前时刻雷达脉冲信号组成；

4、s200，对所述当前雷达序列进行稀疏化处理，并对稀疏化后的当前雷达序列进行dbscan聚类得到每一个簇的聚类中心和各个簇的最大半径；

5、s300，确定所述当前雷达序列中的数据点与前一时刻的每个类之间的距离，查找出距离最小的类暂定为与所述数据点对应的目标类；

6、s400，判断所述数据点与对应的目标类之间的距离是否小于最大半径，如果是则确定所述数据点属于所述目标类；如果不小于则确定所述数据点是未知类，并对所述当前雷达序列中所有未知类的数据点进行dbscan聚类从而确定所述未知类的数据点属于新类；

7、s500，重复s100至s400直至完成所有雷达序列完成聚类得到聚类结果。

8、第二方面，本发明提供了一种基于深度重构和空间密度聚类的雷达信号在线分选装置包括：

9、读取模块，被配置为读取当前雷达序列，所述当前雷达序列由当前时刻雷达脉冲信号组成；

10、处理模块，被配置为对所述当前雷达序列进行稀疏化处理，并对稀疏化后的当前雷达序列进行dbscan聚类得到每一个簇的聚类中心和各个簇的最大半径；

11、查找模块，被配置为确定所述当前雷达序列中的数据点与前一时刻的每个类之间的距离，查找出距离最小的类暂定为与所述数据点对应的目标类；

12、判断模块，被配置为判断所述数据点与对应的目标类之间的距离是否小于最大半径，如果是则确定所述数据点属于所述目标类；如果不小于则确定所述数据点是未知类，并对所述当前雷达序列中所有未知类的数据点进行dbscan聚类从而确定所述未知类的数据点属于新类；

13、循环模块，被配置为重复执行读取模块、处理模块、判断模块和判断模块至直至完成所有雷达序列完成聚类得到聚类结果。

14、有益效果：

15、本发明提供了一种基于深度重构和空间密度聚类的雷达信号在线分选方法及装置，通过基于流式数据更新的迭代方式对雷达脉冲数据进行分类，目的在于通过新数据更新聚类中心的统计特征，从而提高分选正确率，实现对辐射源个体的实时跟踪。与基于sdif的方法相比，本发明能更好的应对pri跳变等问题，分选准确率更高。与基于pri谱的方法相比，本发明能更好的适应当前复杂的战场环境，分选准确率更高。与基于卷积自编码器的方法相比本发明能够处理流式数据，实现实时分选。与基于图像分割的方法相比，本发明更简单，效率更高且能够实现实时分选。

16、以下将结合附图及实施例对本发明做进一步详细说明。