本发明属于雷达信号处理，具体涉及一种基于数据流聚类的雷达信号在线分选配对方法。
背景技术：
1、雷达信号分选技术也称为雷达信号去交错，主要目的是将接收站接收到的随机交错的脉冲流按照脉冲所属雷达进行分类。雷达信号配对技术主要指在多站侦察系统中，对各接收站捕获的脉冲流按照脉冲的来源，将来自同一雷达的同一脉冲的信号进行匹配，雷达信号的分选配对是多站侦察系统的关键环节，对后续雷达定位、识别等工作起决定性作用。现代战场电磁环境高度复杂，一方面雷达信号参数在时域、空域、频域等高度重叠，脉间、脉内调制方式复杂多变，呈现一定的非平稳特性；另一方面，雷达辐射源数量众多，信号环境高度密集，典型环境下可达上百万脉冲每秒，给雷达信号的处理带来诸多困难。
2、基于脉间参数的分选方法主依赖于信号的脉冲描述字(pulse descriptive wordpdw)，模板匹配法利用pdw与预先建立好的特征参数数据库进行比对，对参数相近或相同的脉冲进行分选，但对于非合作雷达特征参数数据库往往不好获取；基于脉冲重复间隔(pulse reptation interval，pri)pri的脉冲分选方法，利用了信号的toa信息，通过挖掘隐藏在toa信息之下的脉冲序列的pri来对信号进行分选，但这种该方法仅适用于脉冲密度少，辐射源少，且pri参数比较固定的场景下，随着电磁环境的复杂和脉冲密度的增加，基于pri分选的方法已经难以适应逐渐复杂的电磁环境；基于脉内特征的分选方法，主要通过对信号的时域、频域、时-频域及其他变换域的特征进行提取来完成对脉冲流的分选，这些方法受信号调制类型的影响较大，对不同调制类型信号的区分能力较差，泛化性有限且稳定性不强。
3、随着机器学习技术的发展，越来越多的学者利用机器学习算法对雷达辐射源脉冲进行分选，主要包括无监督聚类、基于神经网络的分选和基于有监督分类模型的雷达信号分选等方法。对于无监督聚类而言，通常受限于簇的型状和数量或需要邻域半径等先验知识，而对于神经网络、有监督分类模型和深度学习等方法，通常需要先验知识和训练，而在电子侦察场景中辐射源信号的先验知识往往无法预先获得，因此在实际应用中效果不好。
技术实现思路
1、针对现有技术的多站侦察系统中雷达脉冲信号分选准确性低、脉冲配对成功率低、对高密度脉冲流处理效率低，实时性差的问题。本发明的目的在于克服上述现有技术缺陷，提出了一种基于数据流聚类的雷达脉冲信号分选配对方法。
2、为了实现上述目的，本发明提出了一种基于数据流聚类的雷达信号在线分选配对方法，基于一个主接收站和n个副接收站实现，所有接收站保持时间同步，对于同一侦察区域内的雷达辐射源发射的电磁信号进行侦察截获，得到脉冲信号，并经处理得到pdw数据；所述方法包括：
3、步骤1)n个副接收站每隔设定时间t向主接收站传输截获的脉冲信号的pdw数据；
4、步骤2)主接收站对脉冲信号的pdw数据进行处理，利用脉冲信号的多参数信息计算脉冲对相似因子，当相似因子大于等于设定阈值，则对应的脉冲对配对成功，并计算配对成功的脉冲对的到达时间差；
5、步骤3)对配对成功的脉冲对的到达时间差进行数据流聚类处理，根据判别条件将新输入的数据点归入已存在的目标簇或存入缓存区，对已有目标簇进行在线更新，得到新输入数据点的所属类别；
6、步骤4)重复上述步骤，直至完成所有脉冲信号的分选配对。
7、优选的，所述pdw数据包括载频、脉宽、幅度、到达时间和到达方向，其中第i个接收站收到第n个脉冲的到达时间为：
8、
9、其中，i＝1表示主接收站，其他表示副接收站；c表示光速，li表示雷达辐射源到第i个接收站的距离。
10、优选的，所述步骤2)主接收站对脉冲信号的pdw数据进行处理，利用脉冲信号的多参数信息计算脉冲对相似因子，包括：
11、将主接收站接收脉冲流中第n个脉冲的到达时间记为根据主接收站待配对脉冲和副接收站间的距离计算时差窗θi(n)：
12、
13、其中，ε表示时差测量误差，τ1i表示脉冲到达主接收站与副接收站i间的最大到达时间差，其中i≠1，计算方式为r1i为主接收站与副接收站i的距离，c为光速；
14、将主接收站脉冲分别与每个副接收站时差窗内的脉冲计算脉冲对相似因子αj,k：
15、
16、其中，‖·‖表示求矩阵的l2范数，t表示转置，表示由主接收站的第n个脉冲的脉冲描述字所构成的对角矩阵，表示由副接收站i的第m个脉冲的脉冲描述字所构成的对角矩阵，f,a,γ,θ分别表示脉冲的载频、幅度、脉宽和脉冲到达方向，σ为加权系数矩阵，σf,σa,σγ,σθ分别表示脉冲载频、幅值、脉宽和脉冲到达方向的测量误差。
17、优选的，所述步骤2)计算配对成功的脉冲对的到达时间差为：
18、
19、其中，表示主接收站的第n个脉冲的到达时间，表示副接收站i第m个脉冲的到达时间。
20、优选的，所述步骤3)对配对成功的脉冲对的到达时间差进行数据流聚类处理，包括：
21、从配对成功的脉冲对的到达时间差数据流中实时读入数据点，判断数据点与已有微簇和核心微簇的关系，将数据点并入微簇或核心微簇，并更新每个微簇或核心微簇的权值，对已有微簇和核心微簇进行更新和合并，将符合条件的微簇化为核心微簇；
22、每间隔时间tp对核心微簇和离群微簇进行检查，对权值小于阈值参数μ的核心微簇和离群微簇进行删除，对缓存区内的点进行数据维护。
23、优选的，所述微簇表示为mc(w,c,r,p)，是一组时标为t1,t2,…,tn的数据点x1,x2,…,xn在t时刻的集合，w是微簇的权值，表示该微簇的活跃程度，随时间变化指数衰减；c为微簇的中心，r为微簇半径，p为簇内当前点的个数。
24、优选的，所述从配对成功的脉冲对的到达时间差数据流中实时读入数据点，判断数据点与已有微簇和核心微簇的关系，将数据点并入微簇或核心微簇，并更新每个微簇或核心微簇的权值，包括：
25、从配对成功的脉冲对的到达时间差数据流中实时读入数据点x，根据与核心微簇的中心的欧式距离判断是否小于微簇半径r，判断为是，将x并入该核心微簇，并更新核心微簇的中心和权值；否则，根据与微簇的中心的欧式距离判断是否小于微簇半径r，判断为是，将x并入该微簇，并更新微簇的中心和权值；
26、如果欧式距离均不满足，将数据点x存入缓存区。
27、优选的，所述对已有微簇和核心微簇进行更新和合并，将符合条件的微簇化为核心微簇，包括：
28、当某个微簇内点数超过n且权值w>μ时，微簇升级为核心微簇；
29、当某个微簇或核心微簇的权值w<μ时，微簇降为离群微簇；
30、判断两个核心微簇的中心位置的距离小于2倍的微簇半径r，则为密度可达，属于同一类别，否则划为一个新类别。
31、优选的，所述步骤3)还包括对缓存区的维护，包括：
32、对缓存区的点计算根据以下公式计算当前时刻的权值w：
33、
34、其中，λ表示时间的衰减系数，tnow表示当前时刻，tl表示第l个数据点配对完成的时刻；
35、判断权值是否小于阈值参数μ，判断为是，为噪声点，从缓存区删除；将剩余的点运用dbscan算法生成新的微簇，并将可以用新的微簇描述的点从缓冲区中删除。
36、与现有技术相比，本发明的优势在于：
37、1、本发明的一种基于数据流聚类的雷达脉冲信号分选配对方法，相比于传统的单站分选利用多站之间的位置关系和脉冲的特征参数完成了多站脉冲序列的分选配对，提高了多站电子侦察系统间的信号分选配对效率和准确率；
38、2、本发明引入数据流聚类算法的思想，将脉冲续流看作一种连续的脉冲流，使用数据流聚类的方法可以在动态场景下完成信号的分选配对，提高了分选的实时性并可以有效的应对辐射源出现、消失等情况，更适用于真实场景下的侦察环境。