CN104007423A - 基于混沌序列预测的天波雷达海杂波抑制方法 - Google Patents

Abstract

本发明属于天波雷达技术领域，目的是为了解决目前天波雷达海杂波抑制方法中慢速舰船目标检测不理想，依赖多个杂波参考距离单元的相关性而导致工程实用性不强，循环迭代次数选取困难且精度较低等问题。本发明的基于混沌序列预测的天波雷达海杂波抑制方法，利用混沌预测器获得海杂波内在的混沌动力学模型，通过非线性预测的方法对其进行对消而保留目标信号，包括两个过程：训练过程和工作过程。在训练过程采用预测器对一段不包含目标或目标信号很弱的海杂波信号进行内在规律的学习，在工作过程将待检测的目标单元信号通过训练好的预测器实现对海杂波预测和对消，从而显出目标信息。本发明适用于天波雷达。

Description

基于混沌序列预测的天波雷达海杂波抑制方法

技术领域

本发明属于天波雷达技术领域，主要应用于天波超视距雷达中海杂波抑制方面。

背景技术

天波超视距雷达(OTHR，Over-The-Horizon Radar)利用电离层对高频电波的反射作用自上而下对目标进行检测，因此回波信号中往往带有强大的海杂波干扰成分，严重影响目标检测，特别是低速舰船目标。由于舰船目标本身速度较低，产生的多普勒频率靠近海杂波，在频谱上容易被海杂波掩盖，此外，海面洋流和电离层扰动等因素还会造成海杂波频谱的展宽，进一步增大了目标检测的难度，因此，研究天波雷达海杂波抑制方法十分必要。

目前天波雷达海杂波抑制方法主要有以下三种：

1)动目标显示(MTI，Moving Target Indication)方法，即多脉冲对消器

这种方法实质上就是设计一个滤波器，利用运动目标和杂波在频谱上的区别，有效地抑制杂波从而提取出目标信号。该方法包括两脉冲对消器，三脉冲对消器和多脉冲对消器，对消器相当于一个高通滤波器，能够把低频部分的海杂波抑制掉，而留下多普勒频率较高的目标信号。该方法使用于高速目标的检测，但是对于低速目标的效果不理想，因为低速目标产生的多普勒频率靠近海杂波，位于该滤波器的阻带部分，无法在频谱中和海杂波分辨出来，所以容易被当成杂波对消掉。

2)子空间投影方法

该方法是利用相邻距离单元回波信号具有较高的相似性这个特点来进行杂波抑制的，研究表明相邻距离单元的回波信号相似性可以达到0.8-0.9。因此，利用目标所在单元附近相邻的纯海杂波信号来构造滤波器，这样就可以将目标所在距离单元的海杂波信号滤掉而留下目标信号。该方法的处理思路就是用多个参考距离单元的回波信号来构造杂波协方差矩阵，然后对矩阵进行特征分解，根据特征值大小来区分，得到回波信号的杂波子空间和信号子空间，将当前单元带有目标的回波信号投影到信号子空间，从而实现杂波抑制，留下目标信号。该方法可以有效地抑制海杂波，而且适用于低速目标的检测。但是该方法依赖于相邻单元海杂波的相关性，实际情况下，海态情况复杂，海浪运动速度变化较快，降低了各个距离单元杂波之间的相关性，影响算法效果，使杂波抑制性能下降。

3)海杂波循环对消方法

该方法通过循环迭代的方法在时域上依次减去杂波峰值，从而实现杂波抑制。在舰船检测前，直接利用傅里叶谱估计搜索最大谱峰来杂波分量频率、幅度和相位，从而重构出杂波的时域信号，通过循环迭代的方法在时域将海杂波的主峰减去。研究表明，循环对消法能够在短相干积累条件下实现慢速舰船目标的检测，有一定的效果。但是具体实现方面仍然存在以下问题：第一，该方法需要循环迭代进行，需要一个判决门限来决定何时停止对消，不然目标信号也会被误认为杂波而被对消掉，但是该门限目前只能根据经验选取；第二，在估计杂波分量参数的时候，由于数据序列长度较短，仅利用传统的傅里叶谱分析估计杂波参数，精度不高，造成对消性能降低。

发明内容

技术问题：针对目前天波雷达海杂波抑制方法中慢速舰船目标检测不理想，依赖多个杂波参考距离单元的相关性而导致工程实用性不强，循环迭代次数选取困难且精度较低等问题。本发明的目的就是提供一种天波雷达海杂波抑制方法以解决上述技术问题。

为达到所述目的，本发明提供一种基于混沌序列预测的天波雷达海杂波抑制方法，具体方法包括如下步骤：

A.将临近目标单元的一段不包含目标信息或目标信息很弱的海杂波信号作为训练信号样本对预测器进行训练，收集训练过程中预测器的各个状态向量；

B.根据预测器的状态向量计算预测器的最优输出权值矩阵；

C.在预测器的各个状态向量对应所述最优权值矩阵的状态下，将需要检测的目标单元的回波信号作为工作信号通过训练好的预测器，得到预测器的输出信号；

D.将工作信号与预测器的输出信号相减得到预测误差序列，对预测误差序列作快速傅里叶变换(FFT，Fast Fourier Transform)得到预测误差序列的频谱，设置合适的检测门限从频谱中得到目标信息。

具体地，步骤A中对预测器进行训练之前需要初始化预测器中的各个参数，包括预测器中储备池内部预测单元的个数、储备池预测单元权值矩阵、输入单元的权值矩阵和反馈单元的权值矩阵、输入单元的个数及输出单元个数。

具体地，所述输出单元个数为1个。

具体地，步骤A中所述训练过程中预测器的各个状态向量包括预测器储备池内部状态向量、输入信号向量和期望输出信号向量，其具体收集方法包括如下步骤：

A1.初始化x(0)＝0，d(0)＝0，x(n)是储备池的内部状态，d(n)是期望输出信号；

A2.令n＝1,2,...，M,根据状态更新方程：

x(n+1)＝tanh(Wⁱⁿu(n+1)+Wx(n)+W^backd(n)+v(n))

更新储备池内部的状态向量，M为训练信号长度，W为预测单元权值矩阵，Wⁱⁿ为输入单元的权值矩阵，W^back为反馈单元的权值矩阵，v(n)为随机噪声信号；

A3.从n为M₀时开始收集状态向量x(n)、输入信号向量u(n)以及期望输出信号向量d(n)，构成状态矩阵S＝[s(M₀)；s(M₀+1)；...；s(M₁)]和期望输出向量d＝[d(M₀)；d(M₀+1)；...；d(M₁)]，其中s(i)＝[x(i)；u(i)；d(i-1)]^T，M₁＝M-K+1，设信号的长度T＝M-M₀+1，则状态矩阵S∈R^T×(N+K+1)，期望输出向量d∈R^T×1，其中，K为输入单元个数，N为储备池内部预测单元的个数，M₀为大于1小于或等于M的整数。

具体地，步骤B中根据预测器的输出方程d(n+1)＝W^out(u(n+1)；x(n+1)；d(n))^T，采用递归最小二乘算法计算最优输出权值矩阵，其思路为：在n-1时刻估计出的所求权向量的最小二乘估计的基础上，利用当前n时刻引入的观测数据，用迭代的方法得到n时刻所求权向量的最小二乘估计根据递推算法不断修正，不断减少输出信号与期望信号的误差，直到输出信号达到所要求的精度为止；

具体方法包括如下步骤：

B1.初始化P(0)＝δ^-1I，δ是小的正数，I是单位矩阵；

B2.更新n＝1,2,...,T，完成如下运算：

增益矢量： $g\left(n\right)=\frac{P(n-1)s\left(n\right)}{\mathrm{\λ}+s^T\left(n\right)P(n-1)s\left(n\right)};$

系统输出： $y\left(n\right)={\hat{W}}^{\mathrm{out}}(n-1)s\left(n\right);$

误差估计：e(n)＝d(n)-y(n)；

权向量： ${\hat{W}}^{\mathrm{out}}\left(n\right)={\hat{W}}^{\mathrm{out}}(n-1)+g\left(n\right)e\left(n\right);$

逆矩阵：P(n)＝λ^-1[P(n-1)-g(n)s^T(n)P(n-1)]；

其中，λ是遗忘因子，λ的取值一般取接近于1，d(n)为期望输出信号，P(n)为自相关矩阵P_ss(n)的逆矩阵，s(n)＝[x(n)；u(n)；d(n-1)]^T；

B3.令n＝n+1，继续上一步迭代过程，当输出信号与期望信号的误差在误差允许的范围内时，停止迭代，得到最优输出权值矩阵W^out。

具体地，步骤C中继续利用预测器的状态更新方程：

$\hat{x}(n+1)=\tanh (W^{\mathrm{in}}\hat{u}(n+1)+W\hat{x}\left(n\right)+W^{\mathrm{back}}\hat{y}\left(n\right)+v\left(n\right))$

和输出方程：

$\hat{y}(n+1)=W^{\mathrm{out}}{(\hat{u}(n+1);\hat{x}(n+1);\hat{y}\left(n\right))}^T$

通过不断迭代求得工作阶段的预测器输出 为工作信号长度。同样，在工作过程中先初始化且预测器的各个参数与训练阶段保持一致。

将步骤C中的工作信号与预测器输出信号相减得到步骤D中的预测误差序列，记为即然后从频域上对进行谱峰搜索，谱线较高的地方即目标信号，设置合适的检测门限即可从频谱中得到目标信息。

本发明的有益效果是：相比目前其它天波雷达海杂波抑制方法，基于混沌序列预测的天波雷达海杂波抑制方法有以下几个方面的优点：

1、能有效抑制海杂波而不损害目标信号。本发明方法通过实测数据验证了在舰船目标低至12m/s的情况下，依然可以对海杂波进行有效抑制同时保留目标信息。而动目标显示方法中靠近海杂波谱峰的低速目标容易被误当成杂波抑制掉，从而丢失目标信息。

2、工程实用性强。本发明中的方法中各个参数取值确定，且只需一个杂波参考距离单元作为参考信号，在训练阶段结束后便可通过预测器“记住”海杂波的非线性动力学特征。而海杂波循环对消方法中循环迭代次数的判决门限难以确定，迭代次数的选取不合理可能导致杂波中的目标信息丢失；子空间投影方法依赖多个杂波参考距离单元的相关性，受外界环境影响大而使得杂波抑制性能下降，因此本发明方法工程实用性更强。

附图说明

图1为实施例的预测器的结构模型图；

图2为实施例的海杂波信号训练过程示意图；

图3为实施例的获取目标信号的工作过程示意图。

具体实施方式

下面结合附图及实施例对本发明的技术方案作进一步描述。

本发明解决其技术问题的技术方案：由于天波雷达中海杂波信号并不完全是一种随机信号，而是一种包含很多确定因素的混沌信号，具有非常典型的混沌性质。而混沌系统是一种确定性系统，本质上可以对其进行预测，至少可以在短时间内进行有效预测。本发明根据海杂波中这种性质利用混沌预测器获得海杂波内在的混沌动力学模型，通过非线性预测的方法对其杂波信号进行对消而保留目标信号。本发明中的方法包括两个过程：训练过程和工作过程。在训练过程采用预测器对一段不包含目标或目标信号很弱的海杂波信号进行内在规律的学习，在工作过程将待检测的目标单元信号通过训练好的预测器实现对海杂波预测和对消，从而显出目标信息。

实施例

本发明提出的一种基于混沌序列预测的天波雷达海杂波抑制方法包括两个过程：训练过程和工作过程。参照附图1-3，该方法按如下步骤进行。

步骤一：初始化预测器中的各个参数。

预测器的结构模型如图1所示。在预测器中，储备池内部预测单元的个数为N，储备池预测单元权值矩阵W是随机产生的稀疏度为α的稀疏连接矩阵，输入单元的权值矩阵Wⁱⁿ和反馈单元的权值矩阵W^back是随机产生的全连接矩阵。本发明中需要对海杂波信号进行预测，预测方法是用海杂波序列的前K个值来预测第K+1个值，这里K为选定的输入层的嵌入维数(输入单元的个数)，由于系统只需一个输出，取输出单元个数L为1。

步骤二：对预测器进行训练，并收集训练过程各状态向量。

预测器的状态更新方程为：

x(n+1)＝f₁(Wⁱⁿu(n+1)+Wx(n)+W^backy(n)+v(n))

其中，u(n)是预测器的输入向量，y(n)预测器输出信号，x(n)是储备池中的状态向量，v(n)是状态更新方程中保持系统稳定的噪声向量。f₁为状态更新函数，本发明取f₁函数为双曲正切函数，记为 $f_1=\tanh \left(x\right)=\frac{e^{2x}-1}{e^{2x}+1}.$

输出方程为：

y(n+1)＝f₂(W^out(x(n+1)；u(n+1)；y(n))^T)

其中，f₂为输出函数，本发明中，f₂取恒等函数，这样输出层是线性的。

整个训练过程如图2所示，设用于训练的天波雷达海杂波信号u(t)表示为：

u(t)＝c(t)+n(t)

c(t)代表杂波信号，n(t)代表随机噪声信号，用于训练的海杂波信号中没有目标信息。

对预测器进行训练的目标是使预测器的输出信号尽可能地逼近杂波信号的预测值，即尽可能使预测误差接近幅度较弱的随机噪声信号。

收集各状态向量前先需要初始化储备池的内部状态，一般情况下，刚开始训练预测器时，储备池中所有状态向量为0，即x(0)＝0。假设在n时刻预测器的输入向量为u(n)＝[u₁(n),u₂(n),...,u_K(n)]，其中，u_k(n)＝u(n-k+1)，k＝1,2,...,K。储备池内部向量为x(n)＝[x₁(n),...,x_N(n)]，本发明只有一个输出信号，记为y(n)。设训练信号序列的总长度为M，则输入信号和期望信号共有M₁＝M-K+1个样本对，记为(u(i),d(i))(i＝1,2,...M₁)，u(i)是第i个输入信号向量，向量维数为K，d(i)是第i个期望输出信号。在预测器中依次输入M₁个输入和期望样本对(u(i),d(i))(i＝1,2,...M₁)。根据状态更新方程式：

x(n+1)＝tanh(Wⁱⁿu(n+1)+Wx(n)+W^backd(n)+v(n))

更新储备池。x(n)和d(n)表示储备池当前状态和期望输出，x(n+1)与u(n+1)表示储备池的下一时刻的状态与下一时刻的输入向量。在n＝0的时刻，由于d(0)没有定义，可以取d(0)＝0。上式中，Wⁱⁿ、W、W^back都是不变量，输出权值矩阵W^out在各状态向量收集完毕后进行计算。

预测器中的储备池容易受到初始因素的影响，因此在其更新过程中不从第一步收集各状态向量。现假设从第M₀步收集状态向量x(i)以及输入向量u(i)，则可以构成状态矩阵 $S=\left[\begin{array}{c}s\left(M_0\right)\\ s(M_0+1)\\ ...\\ s\left(M_1\right)\end{array}\right],$ 其中s(i)＝[x(i)；u(i)；d(i-1)]^T，M₁＝M-K+1，和期望输出向量 $d=\left[\begin{array}{c}d\left(M_0\right)\\ d(M_0+1)\\ ...\\ d\left(M_1\right)\end{array}\right],$ 设信号的长度T＝M₁-M₀+1，则状态矩阵S∈R^T×(N+K+1)，期望输出向量d∈R^T×1。

步骤三：计算最优输出权值矩阵。

在训练阶段，可以将预测器的输出方程写成：

d(n+1)＝W^out(u(n+1)；x(n+1)；d(n))^T

由上式知，输出最佳权向量W^out可通过线性自适应算法求得。传统的线性自适应算法有最小均方(LMS，Least Mean Square)算法和递归最小二乘(RLS)算法等，本发明使用收敛速度更快以及稳定性更好的RLS算法来求最佳权值W^out。

RLS算法的基本思路是：在n-1时刻估计出的所求权向量的最小二乘估计的基础上，利用当前n时刻引入的观测数据，用迭代的方法得到n时刻所求权向量的最小二乘估计根据递推算法不断修正，不断减少输出信号与期望信号的误差，直到输出值达到满意的精度为止。

算法的具体过程如下：

初始化P(0)＝δ^-1I，δ是小的正数，I是单位矩阵；

更新n＝1,2,...,T，完成如下运算：

增益矢量： $g\left(n\right)=\frac{P(n-1)s\left(n\right)}{\mathrm{\λ}+s^T\left(n\right)P(n-1)s\left(n\right)};$

系统输出： $y\left(n\right)={\hat{W}}^{\mathrm{out}}(n-1)s\left(n\right);$

误差估计：e(n)＝d(n)-y(n)；

权向量： ${\hat{W}}^{\mathrm{out}}\left(n\right)={\hat{W}}^{\mathrm{out}}(n-1)+g\left(n\right)e\left(n\right);$

逆矩阵：P(n)＝λ^-1[P(n-1)-g(n)s^T(n)P(n-1)]；

其中，λ是遗忘因子，λ的取值一般取接近于1，如λ＝0.98或λ＝0.96等，P(n)为自相关矩阵P_ss(n)的逆矩阵，s(n)＝[x(n)；u(n)；d(n-1)]^T。

3、令n＝n+1，继续上一步迭代过程。

由此便可得到图2中最优输出权值矩阵W^out，当输出信号与期望信号的误差在误差允许的范围内时，停止迭代，得到最优输出权值矩阵W^out，至此训练阶段结束。

步骤四：在预测器的各个状态向量对应所述最优权值矩阵的状态下，将实测数据目标距离单元作为工作信号，得到预测器输出信号。

图3为工作过程示意图，设实测数据目标距离单元的天波雷达海杂波信号表示为：

$\hat{u}\left(t\right)=s\left(t\right)+\hat{c}\left(t\right)+\hat{n}\left(t\right)$

s(t)代表有用的目标回波信号，代表杂波信号，代表随机噪声信号。

在工作过程中，将通过预测器，得到预测器的输出信号其实现方法为：利用预测器的状态更新方程：

$\hat{x}(n+1)=\tanh (W^{\mathrm{in}}\hat{u}(n+1)+W\hat{x}\left(n\right)+W^{\mathrm{back}}\hat{y}\left(n\right)+v\left(n\right))$

和输出方程：

$\hat{y}(n+1)=W^{\mathrm{out}}{(\hat{u}(n+1);\hat{x}(n+1);\hat{y}\left(n\right))}^T$

通过不断迭代求得工作阶段的预测器输出 为工作信号长度。同样，在工作过程中先初始化且预测器的各个参数与训练阶段保持一致。

由于预测器是对杂波信号的预测，因此输出信号的主要成分是杂波信号的预测信号将工作信号与预测器输出信号相减得到预测误差信号，该信号的主要成分是目标信号以及幅度较低的随机噪声信号。

整个工作过程中，预测器的状态更新函数以及输出函数与训练过程保持一致，且各个参数不再变化，此时预测器相当于一个内部封闭的系统。当输入信号通过经海杂波训练后的预测器时，系统输出的信号是的一步预测信号。即在n时刻，输入向量为其中k＝1,2,...,K时，系统输出为的预测值。但由于目标信号和海杂波信号的动力学特征不同，当输入信号的成分为海杂波时，预测器能对海杂波信号进行很好的预测；但输入信号成分是目标信号时，因为预测器不能对目标信号进行准确预测，所以预测器输出信号与工作信号中的目标信号不一致，预测输出信号与工作信号的误差较大，将两信号相减得到的误差序列在频谱上会形成一个峰值，此峰值即为目标信号的位置。

步骤五：将工作信号与输出信号相减求得预测误差序列。

预测器输出信号的主要成分是工作信号中的杂波成分，将工作信号与输出信号相减后得到工作信号中的目标信号以及幅度较低的随机噪声信号，称作预测误差序列，记为 对做FFT处理得到预测误差序列的频谱图，图中谱线较高的地方即目标信号，可以设置合适的检测门限来获得目标信息。

Claims (6)

1.基于混沌序列预测的天波雷达海杂波抑制方法，其特征在于，包括如下步骤：

A.将临近目标单元的一段不包含目标信息或目标信息很弱的海杂波信号作为训练信号样本对预测器进行训练，收集训练过程中预测器的各个状态向量；

B.根据预测器的各个状态向量计算预测器的最优输出权值矩阵；

C.在预测器的各个状态向量对应所述最优权值矩阵的状态下，将需要检测的目标单元的回波信号作为工作信号通过训练好的预测器，得到预测器的输出信号；

D.将工作信号与预测器的输出信号相减得到预测误差序列，对预测误差序列作快速傅里叶变换得到预测误差序列的频谱，设置合适的检测门限从频谱中得到目标信息。

2.如权利要求1所述的基于混沌序列预测的天波雷达海杂波抑制方法，其特征在于，步骤A中对预测器进行训练之前需要初始化预测器中的各个参数，包括预测器中储备池内部预测单元的个数、预测单元权值矩阵、输入单元的权值矩阵和反馈单元的权值矩阵、输入单元的个数及输出单元个数。

3.如权利要求2所述的基于混沌序列预测的天波雷达海杂波抑制方法，其特征在于，所述输出单元个数为1个。

4.如权利要求1所述的基于混沌序列预测的天波雷达海杂波抑制方法，其特征在于，步骤A中所述训练过程中预测器的各个状态向量包括预测器储备池内部状态向量、输入信号向量和期望输出信号向量，其具体收集方法包括如下步骤：

A1.初始化x(0)＝0，d(0)＝0，x(n)是储备池的内部状态，d(n)是期望输出信号；

A2.令n＝1,2,...，M,根据状态更新方程：

x(n+1)＝tanh(Wⁱⁿu(n+1)+Wx(n)+W^backd(n)+v(n))

更新储备池内部的状态向量，M为训练信号长度，W为预测单元权值矩阵，Wⁱⁿ为输入单元的权值矩阵，W^back为反馈单元的权值矩阵，v(n)为随机噪声信号；

A3.从n为M₀时开始收集状态向量x(n)、输入信号向量u(n)以及期望输出信号向量d(n)，构成状态矩阵S＝[s(M₀)；s(M₀+1)；...；s(M₁)]和期望输出向量d＝[d(M₀)；d(M₀+1)；...；d(M₁)]，其中s(i)＝[x(i)；u(i)；d(i-1)]^T，M₁＝M-K+1，设信号的长度T＝M-M₀+1，则状态矩阵S∈R^T×(N+K+1)，期望输出向量d∈R^T×1，其中，K为输入单元个数，N为储备池内部预测单元的个数，M₀为大于1小于或等于M的整数。

5.如权利要求1所述的基于混沌序列预测的天波雷达海杂波抑制方法，其特征在于，步骤B中根据预测器的输出方程d(n+1)＝W^out(u(n+1)；x(n+1)；d(n))^T，采用递归最小二乘算法计算最优输出权值矩阵W^out，其思路为：在n-1时刻估计出的所求权向量的最小二乘估计的基础上，利用当前n时刻引入的观测数据，用迭代的方法得到n时刻所求权向量的最小二乘估计根据递推算法不断修正，不断减少输出信号与期望信号的误差，直到输出信号达到所要求的精度为止；

具体方法包括如下步骤：

B1.初始化P(0)＝δ^-1I，δ是小的正数，I是单位矩阵；

B2.更新n＝1,2,...,T，完成如下运算：

增益矢量： $g\left(n\right)=\frac{P(n-1)s\left(n\right)}{\mathrm{\λ}+s^T\left(n\right)P(n-1)s\left(n\right)};$

系统输出： $y\left(n\right)={\hat{W}}^{\mathrm{out}}(n-1)s\left(n\right);$

误差估计：e(n)＝d(n)-y(n)；

权向量： ${\hat{W}}^{\mathrm{out}}\left(n\right)={\hat{W}}^{\mathrm{out}}(n-1)+g\left(n\right)e\left(n\right);$

逆矩阵：P(n)＝λ^-1[P(n-1)-g(n)s^T(n)P(n-1)]；

其中，λ是遗忘因子，d(n)为期望输出信号，P(n)为自相关矩阵P_ss(n)的逆矩阵，s(n)＝[x(n)；u(n)；d(n-1)]^T；

B3.令n＝n+1，继续上一步迭代过程,当输出信号与期望信号的误差在误差允许的范围内时，停止迭代，得到最优输出权值矩阵W^out。

6.如权利要求4或5所述的基于混沌序列预测的天波雷达海杂波抑制方法，其特征在于，步骤C中所述预测器的输出信号的具体获得方法为：利用预测器的状态更新方程：

$\hat{x}(n+1)=\tanh (W^{\mathrm{in}}\hat{u}(n+1)+W\hat{x}\left(n\right)+W^{\mathrm{back}}\hat{y}\left(n\right)+v\left(n\right))$

和输出方程：

$\hat{y}(n+1)=W^{\mathrm{out}}{(\hat{u}(n+1);\hat{x}(n+1);\hat{y}\left(n\right))}^T,$

通过不断迭代求得工作阶段预测器输出信号 为工作信号长度。