CN106842149B - 运用聚类思想改进的序列差值直方图分选方法 - Google Patents
运用聚类思想改进的序列差值直方图分选方法 Download PDFInfo
- Publication number
- CN106842149B CN106842149B CN201710211853.3A CN201710211853A CN106842149B CN 106842149 B CN106842149 B CN 106842149B CN 201710211853 A CN201710211853 A CN 201710211853A CN 106842149 B CN106842149 B CN 106842149B
- Authority
- CN
- China
- Prior art keywords
- priq
- sequence
- value
- difference
- stream
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种运用聚类思想改进的序列差值直方图分选方法,包括:将截获的雷达脉冲流作为第一次分选的输入脉冲流;计算输入脉冲流的第c级差值,得到第c级差值序列;对第c级差值序列进行聚类处理,统计得出第c级序列差值直方图;将第c级序列差值直方图的累计量大于检测门限TH的差值间隔构成的序列设为PRIq序列;对PRIq序列按照PRIq值从小到大进行排序,根据阈值NTH判定PRI值的真实性;以及对于真实PRI值,采用算数平均法或者曲线拟合法不断对PRI值进行更新,将真实PRI值对应的脉冲序列从脉冲流中分选出来。通过对差值序列进行聚类处理,抑制了虚假PRIq值的产生,有效地抑制PRI抖动造成的累计分散对分选的影响,并具有较高的分选精度和分选效率。
Description
技术领域
本发明属于电子支援系统(ESM)信号分选领域,尤其是涉及一种运用聚类思想改进的序列差值直方图分选方法。
背景技术
信号分选是电子支援系统(Electronic Support Measure,ESM)的重要组成部分。在电子战中,大量的雷达辐射源使ESM接收机截获到近似随机的脉冲流,脉冲流中包括多个辐射源的脉冲序列。因此,信号分选过程即为利用一个或者多个信号参数将截获到的雷达脉冲流分选为对应不同雷达辐射源的脉冲序列的过程。
在信号分选过程中,脉冲重复间隔(Pulse Repetition Interval,PRI)是雷达辐射源的一个关键特征参数,它的变换范围及变换规律与雷达的工作性能、工作体制有密切的关系。为了保证分选的可靠性,常选用PRI作为主要的分选参数,因此对PRI的分选也被称为主分选,为了保证主分选的分选速度,通常将截获的脉冲流建模为交错的脉冲到达时间(Time of Arrival,TOA)序列,然后采用序列差值直方图(Sequence DifferenceHistogram,SDIF)算法对其进行信号分选过程。
若截获的脉冲流中PRI值存在抖动,这样会导致SDIF算法在直方图统计时出现累计分散现象,使真实的PRI值无法超过检测门限,此时传统SDIF算法无法进行有效分选。目前常采用交迭PRI变换箱算法来抑制累计分散现象,不过在实际操作过程中,仍然存在如下技术问题:
(1)在缺少先验知识的情况下,无法有效的判断截获雷达脉冲流的PRI范围;
(2)在PRI箱数目的选取中,难以选择合适的数目以平衡运算速度与分选精度;
(3)如果间隔值落入多个交迭PRI箱中时,会对多个交迭PRI箱进行累加,这样会导致大量的虚假PRI值产生,影响分选精度和分选速度。
发明内容
(一)要解决的技术问题
本发明提供了一种运用聚类思想改进的序列差值直方图分选方法,以至少部分解决以上所提出的技术问题。
(二)技术方案
根据本发明的一个方面,提供了一种运用聚类思想改进的序列差值直方图分选方法,包括:
步骤S102:将截获的雷达脉冲流作为第一次分选的输入脉冲流;
步骤S104:计算输入脉冲流的第c级差值,所有第c级差值构成第c级差值序列;
步骤S106:对所述第c级差值序列进行聚类处理,统计得出第c级序列差值直方图;
步骤S108:将第c级序列差值直方图的累计量大于检测门限TH的差值间隔构成的序列设为PRIq序列,记作PRIq(i′)=(PRIq1,PRIq2,…PRIqi′,…PRIqQ),其中PRIqi′为PRIq值;
步骤S110:对PRIq序列PRIq(i′)=(PRIq1,PRIq2,…PRIqi′,…PRIqQ)按照PRIq值从小到大进行排序,并记录其长度Q,根据阈值NTH判定PRI值的真实性:若为真实PRI值,则进入下一步骤S112;若不存在真实PRI值,则取c=c+1,进入步骤S106;以及
步骤S112:对于真实PRI值,采用算数平均法或者曲线拟合法不断对PRI值进行更新,对Tf时刻前后的脉冲流进行检索,将真实PRI值对应的脉冲序列从脉冲流中分选出来。
优选地,上述步骤S106中聚类处理包括:
子步骤S202:将待处理的第c级差值序列记作为DTOA(j)=(DTOA1,DTOA2,…DTOAj,…DTOAN1-c),其中,DTOAj为第j个第c级差值,设ND为DTOA(j)的长度,ND=N1-c;N1为输入脉冲流的长度;聚类中心序列记作CTOA(k)=(CTOA1,CTOA2,…CTOAk,…CTOAC),每个子集中差值的数目构成序列CN(k)=(CN1,CN2,…CNk,…CNC),其中k表示聚类中心序号,C为聚类后子集的个数,即为聚类中心序列的长度;
子步骤S204:初始化聚类中心:CTOA(1)=DTOA(1),CN(1)=1;
子步骤S206:给差值序列的序号j赋值,第一次操作取差值序列的序号j=2,计算待处理的第c级差值序列DTOA(j);
子步骤S208:计算聚类中心序列的长度C;
子步骤S210:更新聚类中心;以及
子步骤S212:给差值序列号赋新的值j=j+1,按照差值序列号j与差值序列长度ND的大小关系进行对应处理:若j<=ND,则进入步骤S208,否则,以聚类处理后每个子集的聚类中心点为差值间隔,以CN序列中的差值数目为对应差值间隔的累积量,统计出第c级序列差值直方图。
优选地,上述子步骤S210中更新聚类中心包括:
子分步骤S210a:输入差值DTOAj,判断是否存在聚类中心CTOAk满足如下公式:
abs(DTOAj-CTOAk)<2×J×CTOAk (1)
其中,J为抖动系数,其范围为[0.1,0.3];
子分步骤S210b:若存在满足公式(1)的聚类中心,则记录满足条件的聚类中心;
子分步骤S210c:从满足条件的聚类中心里面选取距离差值DTOAj最近的聚类中心CTOAk,并将差值DTOAj放入聚类中心CTOAk对应的子集中,并对该子集的聚类中心和差值数目进行如公式(2)所示的更新:
CNk=CNk+1 (2)
子分步骤S210d:在不存在满足公式(1)所示条件的聚类中心的情况下,对聚类中心和差值数目进行如公式(3)所示的更新:
CTOAC+1=DTOAj
CNC+1=1 (3)。
优选地,上述检测门限TH的表达式如下:
其中,x为小于1的常数,N为截获脉冲流长度,τ为差值间隔,T为截获脉冲流的采样时间。
优选地,上述阈值NTH的表达式如下:
NTH=max(floor(T/PRIqi′)*Ns),5) (5)
其中,T为截获脉冲流的采样时间,PRIqi′为PRIq序列中的PRIq值,Ns为小于5%的常数。
优选地,根据阈值NTH来判定真实PRI值的方法如下:从某一时刻Tf起,连续搜索到差值间隔τ与PRIqi′满足如公式(6)所示条件的脉冲数超过判定阈值NTH,则认为PRIqi′为真实PRI值;所述公式为:
abs(τ-PRIqi′)<J1×PRIqi′ (6)
其中,J1为分选容许抖动系数,其取值范围为[0.01,0.04]。
优选地,上述运用聚类思想改进的序列差值直方图分选方法还包括循环步骤,在第一次分选结束后进入循环步骤,在步骤S112后执行该循环步骤,所述循环步骤的操作为:
步骤S114:分选完成后,把分选出来的脉冲序列从脉冲流中删除,然后将删除完成的脉冲流作为新的输入脉冲流,进入步骤S104。
优选地,上述运用聚类思想改进的序列差值直方图分选方法还包括分选是否结束的判断步骤,该步骤置于上述步骤S104前面执行,或者在步骤S114结束之后执行,所述判断步骤的操作为:
步骤S120:对于初始输入脉冲流,取差值级数c=1,计算输入脉冲流的长度N1,采用阈值NT判断分选是否结束,如果N1小于阈值NT,则分选结束;否则,对差值级数c进一步判断,若c>N1-1,则分选结束;若c<=N1-1,则进行下一步。
优选地,上述阈值NT的表达式如下式所示:
NT=cs×N1 (7)
其中,cs为分选判定系数,其范围为[0.01,0.05]。
优选地,选取PRIq序列的方法如下:若第1级差值直方图只有一个差值间隔的累积量超过门限TH,则将超过门限的间隔值设为PRIq值,并构成PRIq序列;若截获的脉冲流缺失较大时,则将所有累积量超过门限TH的间隔值设为PRIq值,并构成PRIq序列;若差值直方图级数大于1,则将所有累计量超过门限TH的间隔值设为PRIq值,并构成PRIq序列;或,引入子谐波检验的方法:找出直方图累计量的最大值对应的差值间隔,记为PRImax,如果其累计量小于其对应的门限值,则对累积量超过检测门限TH的差值间隔进行检索;若存在差值间隔为PRImax的整数倍,则将PRImax与超过门限的间隔值都设为PRIq值,并构成PRIq序列。
(三)有益效果
从上述技术方案可以看出,本发明提供的运用聚类思想改进的序列差值直方图分选方法,至少具有以下有益效果其中之一:
1、通过对差值序列进行聚类处理,将数据集中的样本划分为若干个子集,每个子集都有对应的聚类中心,再进行序列检索统计时具有较高的分选精度,而且所需差值直方图级数较少,分选效率较高;
2、在直方图统计时将每个子集的聚类中心作为差值间隔,将每个子集中差值点的数量作为差值间隔出现次数的累计量,有效克服了传统SDIF算法的累计分散现象,保证了真实PRI值能够超过检测门限TH,而且抑制了虚假PRIq值的产生,有效地抑制PRI抖动造成的累计分散对分选的影响。
附图说明
图1为根据本发明实施例运用聚类思想改进的序列差值直方图分选方法流程图。
图2为根据图1运用聚类思想改进的序列差值直方图分选方法中步骤S106所示对差值序列进行聚类处理的算法流程图。
图3为根据本发明实施例对一段PRI存在抖动的截获雷达脉冲流建模后的雷达TOA序列。
图4为传统SDIF算法出现的累计分散现象。
图5、图6和图7分别为根据本发明实施例对一段PRI存在抖动的截获雷达脉冲流运用聚类思想改进的序列差值直方图分选方法获得的1次、2次和3次分选的序列差值直方图。
图8为根据本发明实施例对一段PRI存在抖动的截获雷达脉冲流在缺失与抖动条件下运用聚类思想改进的序列差值直方图分选方法得到的分选平均误差曲线。
具体实施方式
本发明提供了一种运用聚类思想改进的序列差值直方图分选方法,通过对差值序列进行聚类处理,有效克服了传统SDIF算法的累计分散现象,保证了真实PRI值能够超过检测门限TH,而且抑制了虚假PRIq值的产生,并且还具有较高的分选精度与分选效率。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步详细说明。
本发明的一个示意性实施例提供了一种运用聚类思想改进的序列差值直方图分选方法,图1为根据本发明实施例运用聚类思想改进的序列差值直方图分选方法流程图,如图1所示,运用聚类思想改进的序列差值直方图分选方法包括实施以下步骤:
步骤S102:将截获的雷达脉冲流作为第一次分选的输入脉冲流;
Si表示第i个脉冲的到达时间TOA值(Time of Arrival,TOA),截获的雷达脉冲流长度为N,表示按照到达时间先后的顺序依次截获的第1个脉冲,第2个脉冲,第3个脉冲,…第i个脉冲,…第N个脉冲,将截获的长度为N的雷达脉冲流记作(S1,S2,S3,…,Si,…,SN);Sjnj表示第j个输入脉冲的到达时间TOA值,N1为输入脉冲流的长度,同样的方式,将长度为N1的输入脉冲流记作(S1n1,S2n2,S3n3,…Sjnj,…SN1nN1);其中,输入脉冲流仅在第一次分选时等于截获的脉冲流。
步骤S104:计算输入脉冲流的第c级差值,所有第c级差值构成第c级差值序列;
设差值级数为c,c为大于1的正整数,输入脉冲流的所有第c级差值构成如下所示的第c级差值序列:(S1+cn1+c-S1n1,S2+cn2+c-S2n2,…Sj+cnj+c-Sjnj,…SN1nN1-SN1-cnN1-c)。
步骤S106:对得到的第c级差值序列进行聚类处理,统计得出第c级序列差值直方图;
图2为根据图1运用聚类思想改进的序列差值直方图分选方法中步骤S106所示对差值序列进行聚类处理的算法流程图;如图2所示,对差值序列进行聚类处理的步骤分为如下子步骤:
子步骤S202:将待处理的第c级差值序列记作为DTOA(j)=(DTOA1,DTOA2,…DTOAj,…DTOAN1-c),其中,DTOAj为第j个第c级差值,设ND为DTOA(j)的长度,ND=N1-c;
聚类中心序列记作CTOA(k)=(CTOA1,CTOA2,…CTOAk,…CTOAc),每个子集中差值的数目构成序列CN(k)=(CN1,CN2,…CNk,…CNC),其中k表示聚类中心序号,C为聚类后子集的个数,即为聚类中心序列的长度;
子步骤S204:初始化聚类中心:CTOA(1)=DTOA(1),CN(1)=1;
子步骤S206:给差值序列的序号j赋值,第一次操作取差值序列的序号j=2,计算待处理的第c级差值序列DTOA(j);
子步骤S208:计算聚类中心序列的长度C;
子步骤S210:更新聚类中心;以及
子步骤S212:给差值序列号赋新的值j=j+1,按照差值序列号j与差值序列长度ND的大小关系进行对应处理:若j<=ND,则进入步骤S208,否则,以聚类处理后每个子集的聚类中心点为差值间隔,以CN序列中的差值数目为对应差值间隔的累积量,统计出第c级序列差值直方图。
优选地,上述子步骤S210中更新聚类中心包括:
子分步骤S210a:输入差值DTOAj,判断是否存在聚类中心CTOAk满足如下公式:
abs(DTOAj-CTOAk)<2×J×CTOAk (1)
其中,J为抖动系数,其范围为[0.1,0.3];
子分步骤S210b:若存在满足公式(1)的聚类中心,则记录满足条件的聚类中心;
子分步骤S210c:从满足条件的聚类中心里面选取距离差值DTOAj最近的聚类中心CTOAk,并将差值DTOAj放入聚类中心CTOAk对应的子集中,并对该子集的聚类中心和差值数目进行如公式(2)所示的更新:
CNk=CNk+1 (2)
子分步骤S210d:在不存在满足公式(1)所示条件的聚类中心的情况下,对聚类中心和差值数目进行如公式(3)所示的更新:
CTOAC+1=DTOAj
CNC+1=1 (3)
子步骤S212:给差值序列号赋新的值j=j+1,按照差值序列号j与差值序列长度ND的大小关系进行对应处理:若j<=ND,则进入步骤S208,否则,以聚类处理后每个子集的聚类中心点为差值间隔,以CN序列中的差值数目为对应差值间隔的累积量,统计出第c级序列差值直方图;
步骤S108:将第c级序列差值直方图的累计量大于检测门限TH的差值间隔构成的序列设为PRIq序列,记作PRIq(i′)=(PRIq1,PRIq2,…PRIqi′,…),其中PRIqi′为PRIq值;
检测门限TH的表达式如公式(4)所示:
其中,x为小于1的常数,N为截获脉冲流长度,τ为差值间隔T为截获脉冲流的采样时间。
选取PRIq值的准则有以下三种:
(1)若第1级差值直方图只有一个差值间隔的累积量超过门限TH,则将超过门限的间隔值设为PRIq值,并构成PRIq序列;但是,若截获的脉冲流缺失较大时,则将所有累积量超过门限TH的间隔值设为PRIq值,并构成PRIq序列。
(2)若差值直方图级数大于1,则将所有累计量超过门限TH的间隔值设为PRIq值,并构成PRIq序列。
(3)为了抑制缺失的影响,引入子谐波检验的方法。其流程如下:找出直方图累计量的最大值对应的差值间隔,记为PRImax。如果其累计量小于其对应的门限值,则对累积量超过检测门限TH的差值间隔进行检索;若存在差值间隔为PRImax的整数倍,则将PRImax与超过门限的间隔值都设为PRIq值,并构成PRIq序列。
步骤S110:对PRIq序列PRIq(i′)=(PRIq1,PRIq2,…PRIqi′,…PRIqQ)按照PRIq值从小到大进行排序,并记录其长度Q,根据阈值NTH判定PRI值的真实性:若为真实PRI值,则进入下一步骤S112;若PRIq序列中不存在真实PRI值,则取c=c+1,进入步骤S106;
其中,阈值NTH表达式如公式(5)所示:
NTH=max(floor(T/PRIqi′)*Ns),5) (5)
其中,T为截获脉冲流的采样时间,PRIqi′为PRIq序列中的PRIq值,Ns为小于5%的常数。
根据阈值NTH来判定真实PRI值的方法为:从某一时刻Tf起,连续搜索到差值间隔τ与PRIqi′满足如下式所示条件的脉冲数超过阈值NTH,则认为PRIqi′为真实PRI值。
abs(τ-PRIqi′)<J1×PRIqi′ (6)
其中,J1为分选容许抖动系数,其取值范围为[0.01,0.04]。
步骤S112:对于真实PRI值,采用算数平均法或者曲线拟合法不断对PRI值进行更新,对Tf时刻前后的脉冲流进行检索,将真实PRI值对应的脉冲序列从脉冲流中分选出来。
本发明另一个实施例提供了一种运用聚类思想改进的序列差值直方图分选方法,在上述实施例的基础上,增加分选是否结束的判断步骤和将分选后的脉冲流作为新的脉冲流输入进行循环操作的步骤,参见图1中虚线指示的部分,上述步骤具体实施过程为:
步骤S114:分选完成后,把分选出来的脉冲序列从脉冲流中删除,然后将删除完成的脉冲流作为新的输入脉冲流,进入步骤S104;
上述步骤S114在步骤S112后面执行。
步骤S120:对于初始输入脉冲流,取差值级数c=1,计算输入脉冲流的长度N1,采用阈值NT判断分选是否结束,如果N1小于阈值NT,则分选结束;否则,对差值级数c进一步判断,若c>N1-1,则分选结束;若c<=N1-1,则进行下一步。
其中,阈值NT的表达式如下:
NT=cs×N1 (7)
其中,cs为分选判定系数,其范围为[0.01,0.05];
上述步骤S120置于第一个实施例中步骤S104前面执行,或者在步骤S114结束之后执行,如图1中虚线部分所示。
上述即为本实施例运用聚类思想改进的序列差值直方图分选方法的具体实施过程。
利用本实施例的技术方案,对一段PRI存在抖动的截获雷达脉冲流来进行分选,并选择以平均误差为指标,如公式(8)所示,评价该方法的分选效果:
其中,error为分选的平均误差;n为截获脉冲流中PRI值的个数;PRIet=(PRIe1,PRIe2,…PRIen)为分选得到的PRI值构成的序列;PRIat=(PRIa1,PRIa2,…PRIan)为真实的PRI值构成的序列。
图3为根据本发明实施例对一段PRI存在抖动的截获雷达脉冲流建模后的雷达TOA序列。图4为传统SDIF算法出现的累计分散现象。图5、图6和图7分别为根据本发明实施例对一段PRI存在抖动的截获雷达脉冲流运用聚类思想改进的序列差值直方图分选方法获得的1次、2次和3次分选的序列差值直方图。图8为根据本发明实施例对一段PRI存在抖动的截获雷达脉冲流在缺失与抖动条件下运用聚类思想改进的序列差值直方图分选方法得到的分选平均误差曲线。
在该实例中,设截获的雷达脉冲流是由PRI值为20μs,30μs,40us的三个雷达辐射源产生的,选取采样时间T=20000μs,设每个雷达辐射源PRI抖动范围为10%。
在主分选中,将截获的雷达脉冲流建模为交错的TOA序列,如图3所示。若用传统SDIF算法对截获脉冲流进行分选,PRI抖动造成的累计分散现象使真实的PRI值无法超过检测门限TH,如图4所示,故当脉冲流中的PRI值存在抖动时,传统SDIF算法分选失效。而采用聚类思想改进的序列差值直方图分选方法对截获脉冲流进行第1次分选,求出第1次分选的序列差值直方图,如图5所示,不仅有效的克服了传统SDIF算法的累计分散现象,保证了真实PRI值能够超过检测门限TH,而且抑制了虚假PRIq值的产生。第2次分选和第3次分选与第1次分选类似,其中第2次分选的差值直方图如图6所示,第3次分选的差值直方图如图7所示。由此可见,运用聚类思想改进的序列差值直方图分选方法不仅具有较高的分选精度,而且所需差值直方图级数较少,分选效率较高。
综上所述,运用聚类思想改进的序列差值直方图分选方法与传统SDIF算法相比,通过对差值序列进行聚类处理,将数据集中的样本划分为若干个子集,每个子集都有对应的聚类中心,再进行序列检索统计时具有较高的分选精度,而且所需差值直方图级数较少,分选效率较高;在直方图统计时将每个子集的聚类中心作为差值间隔,将每个子集中差值点的数量作为差值间隔出现次数的累计量,有效克服了传统SDIF算法的累计分散现象,保证了真实PRI值能够超过检测门限TH,而且抑制了虚假PRIq值的产生,有效地抑制PRI抖动造成的累计分散对分选的影响。
当然,根据实际需要,本发明提供的运用聚类思想改进的序列差值直方图分选方法还包含其他的常用算法和步骤,由于同发明的创新之处无关,此处不再赘述。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种运用聚类思想改进的序列差值直方图分选方法,其特征在于,包括:
步骤S102:将截获的雷达脉冲流作为第一次分选的输入脉冲流;
步骤S104:计算输入脉冲流的第c级差值,所有第c级差值构成第c级差值序列;
步骤S106:对所述第c级差值序列进行聚类处理,统计得出第c级序列差值直方图;
步骤S108:将第c级序列差值直方图的累计量大于检测门限TH的差值间隔构成的序列设为PRIq序列,记作PRIq(i′)=(PRIq1,PRIq2,…PRIqi′,…PRIqQ),其中PRIqi′为PRIq值;
步骤S110:对PRIq序列PRIq(i′)=(PRIq1,PRIq2,…PRIqi′,…PRIqQ)按照PRIq值从小到大进行排序,并记录其长度Q,根据阈值NTH判定PRI值的真实性:若为真实PRI值,则进入下一步骤S112;若不存在真实PRI值,则取c=c+1,进入步骤S106;以及
步骤S112:对于真实PRI值,采用算数平均法或者曲线拟合法不断对PRI值进行更新,对Tf时刻前后的脉冲流进行检索,将真实PRI值对应的脉冲序列从脉冲流中分选出来;
其中,所述步骤S106中聚类处理包括:
子步骤S202:将待处理的第c级差值序列记作为DTOA(j)=(DTOA1,DTOA2,…DTOAj,…DTOAN1-c),其中,DTOAj为第j个第c级差值,设ND为DTOA(j)的长度,ND=N1-c;N1为输入脉冲流的长度;聚类中心序列记作CTOA(k)=(CTOA1,CTOA2,…CTOAk,…CTOAC),每个子集中差值的数目构成序列CN(k)=(CN1,CN2,…CNk,…CNC),其中k表示聚类中心序号,C为聚类后子集的个数,即为聚类中心序列的长度;
子步骤S204:初始化聚类中心:CTOA(1)=DTOA(1),CN1=1;
子步骤S206:给差值序列的序号j赋值,第一次操作取差值序列的序号j=2,计算待处理的第c级差值序列DTOA(j);
子步骤S208:计算聚类中心序列的长度C;
子步骤S210:更新聚类中心;以及
子步骤S212:给差值序列号赋新的值j=j+1,按照差值序列号j与差值序列长度ND的大小关系进行对应处理:若j<=ND,则进入步骤S208,否则,以聚类处理后每个子集的聚类中心点为差值间隔,以CN序列中的差值数目为对应差值间隔的累积量,统计出第c级序列差值直方图。
2.根据权利要求1所述的序列差值直方图分选方法,其特征在于,所述子步骤S210中更新聚类中心包括:
子分步骤S210a:输入差值DTOAi,判断是否存在聚类中心CTOAk满足如下公式:
abs(DTOAj-CTOAk)<2×J×CTOAk (1)
其中,J为抖动系数,其范围为[0.1,0.3];
子分步骤S210b:若存在满足公式(1)的聚类中心,则记录满足条件的聚类中心;
子分步骤S210c:从满足条件的聚类中心里面选取距离差值DTOAj最近的聚类中心CTOAk,并将差值DTOAj放入聚类中心CTOAk对应的子集中,并对该子集的聚类中心和差值数目进行如公式(2)所示的更新:
CNk=CNk+1 (2)
子分步骤S210d:在不存在满足公式(1)所示条件的聚类中心的情况下,对聚类中心和差值数目进行如公式(3)所示的更新:
CTOAC+1=DTOAj
CNC+1=1 (3)。
3.根据权利要求1所述的序列差值直方图分选方法,其特征在于,所述检测门限TH的表达式如下:
其中,x为小于1的常数,N为截获脉冲流长度,τ为差值间隔,T为截获脉冲流的采样时间。
4.根据权利要求1所述的序列差值直方图分选方法,其特征在于,所述阈值NTH的表达式如下:
NTH=max(floor(T/PRIqi′)*Ns),5) (5)
其中,T为截获脉冲流的采样时间,Ns为小于5%的常数。
5.根据权利要求1所述的序列差值直方图分选方法,其特征在于,根据阈值NTH来判定真实PRI值的方法为:
从某一时刻Tf起,连续搜索到差值间隔τ与PRIqi′满足如公式(6)所示条件的脉冲数超过阈值NTH,则认为PRIqi′为真实PRI值;所述公式为:
abs(τ-PRIqi′)<J1×PRIqi′ (6)
其中,J1为分选容许抖动系数,其取值范围为[0.01,0.04]。
6.根据权利要求1所述的序列差值直方图分选方法,其特征在于,还包括循环步骤,在第一次分选结束后进入循环步骤,在步骤S112后执行该循环步骤,所述循环步骤的操作为:
步骤S114:分选完成后,把分选出来的脉冲序列从脉冲流中删除,然后将删除完成的脉冲流作为新的输入脉冲流,进入步骤S104。
7.根据权利要求6所述的序列差值直方图分选方法,其特征在于,还包括分选是否结束的判断步骤,该步骤置于上述步骤S104前面执行,或者在步骤S114结束之后执行,所述判断步骤的操作为:
步骤S120:对于初始输入脉冲流,取差值级数c=1,计算输入脉冲流的长度N1,采用阈值NT判断分选是否结束,如果N1小于阈值NT,则分选结束;否则,对差值级数c进一步判断,若c>N1-1,则分选结束;若c<=N1-1,则进行下一步。
8.根据权利要求7所述的序列差值直方图分选方法,其特征在于,所述阈值NT的表达式如下式所示:
NT=cs×N1 (7)
其中,cs为分选判定系数,其范围为[0.01,0.05]。
9.根据权利要求1至8中任一项所述的序列差值直方图分选方法,其特征在于,选取PRIq序列的方法如下:
若第1级差值直方图只有一个差值间隔的累积量超过门限TH,则将超过门限的间隔值设为PRIq值,并构成PRIq序列;
若截获的脉冲流缺失较大时,则将所有累积量超过门限TH的间隔值设为PRIq值,并构成PRIq序列;
若差值直方图级数大于1,则将所有累计量超过门限TH的间隔值设为PRIq值,并构成PRIq序列;或,
引入子谐波检验的方法:找出直方图累计量的最大值对应的差值间隔,记为PRImax,如果其累计量小于其对应的门限值,则对累积量超过检测门限TH的差值间隔进行检索;若存在差值间隔为PRImax的整数倍,则将PRImax与超过门限的间隔值都设为PRIq值,并构成PRIq序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211853.3A CN106842149B (zh) | 2017-03-31 | 2017-03-31 | 运用聚类思想改进的序列差值直方图分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211853.3A CN106842149B (zh) | 2017-03-31 | 2017-03-31 | 运用聚类思想改进的序列差值直方图分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106842149A CN106842149A (zh) | 2017-06-13 |
CN106842149B true CN106842149B (zh) | 2019-08-16 |
Family
ID=59141358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211853.3A Active CN106842149B (zh) | 2017-03-31 | 2017-03-31 | 运用聚类思想改进的序列差值直方图分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106842149B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181613B (zh) * | 2017-12-04 | 2020-07-14 | 山东航天电子技术研究所 | 一种pri抖动信号序列差值非均匀量化分选方法 |
CN109507647B (zh) * | 2018-11-30 | 2023-03-24 | 南京长峰航天电子科技有限公司 | 基于pri直方图的雷达信号分选方法 |
CN110426685A (zh) * | 2019-08-28 | 2019-11-08 | 北方通用电子集团有限公司 | 一种针对未知雷达信号的分选方法 |
CN110764063B (zh) * | 2019-10-15 | 2024-04-30 | 哈尔滨工程大学 | 一种基于sdif与pri变换法结合的雷达信号分选方法 |
CN111242145B (zh) * | 2020-04-28 | 2020-08-18 | 南京芯视界微电子科技有限公司 | 一种直方图统计方法及系统 |
CN111781564B (zh) * | 2020-06-12 | 2022-11-18 | 中国船舶重工集团公司第七二四研究所 | 一种抖动信号脉冲序列快速预判方法 |
CN112068089B (zh) * | 2020-08-13 | 2023-07-21 | 中国人民解放军海军工程大学 | 一种基于粒子滤波的序列检索方法 |
CN117310636B (zh) * | 2023-11-29 | 2024-02-06 | 成都工业学院 | 一种固定脉冲重复间隔测量方法、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
CN102879765A (zh) * | 2012-09-27 | 2013-01-16 | 哈尔滨工程大学 | 基于聚类统计分析的快速信号分选方法 |
KR101300649B1 (ko) * | 2013-02-28 | 2013-08-27 | 국방과학연구소 | 적응형 히스토그램을 이용한 레이더신호 지터pri 펄스열 추출방법 및 이를 이용한 레이더신호 지터pri 펄스열 추출장치 |
CN104198999A (zh) * | 2014-08-07 | 2014-12-10 | 北京理工大学 | 一种基于同构序列的脉冲分选方法 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
-
2017
- 2017-03-31 CN CN201710211853.3A patent/CN106842149B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
CN102879765A (zh) * | 2012-09-27 | 2013-01-16 | 哈尔滨工程大学 | 基于聚类统计分析的快速信号分选方法 |
KR101300649B1 (ko) * | 2013-02-28 | 2013-08-27 | 국방과학연구소 | 적응형 히스토그램을 이용한 레이더신호 지터pri 펄스열 추출방법 및 이를 이용한 레이더신호 지터pri 펄스열 추출장치 |
CN104198999A (zh) * | 2014-08-07 | 2014-12-10 | 北京理工大学 | 一种基于同构序列的脉冲分选方法 |
CN105277923A (zh) * | 2015-11-20 | 2016-01-27 | 清华大学 | 一种单通道雷达信号分选方法 |
Non-Patent Citations (2)
Title |
---|
一种抗 SDIF 分选的脉冲重复间隔参差设计方法;张保群;《兵器装备工程学报》;20160930;第37卷(第9期);第87-91页 * |
密集信号条件下雷达信号分选算法;梅桂圆;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106842149A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106842149B (zh) | 运用聚类思想改进的序列差值直方图分选方法 | |
CN105277923B (zh) | 一种单通道雷达信号分选方法 | |
CN110764063B (zh) | 一种基于sdif与pri变换法结合的雷达信号分选方法 | |
CN104699755B (zh) | 一种基于数据挖掘的智能化多目标综合识别方法 | |
CN104281674B (zh) | 一种基于集聚系数的自适应聚类方法及系统 | |
Brahmi et al. | OMC-IDS: at the cross-roads of OLAP mining and intrusion detection | |
Abdel-Hamid et al. | A dynamic spark-based classification framework for imbalanced big data | |
CN103927398A (zh) | 基于最大频繁项集挖掘的微博炒作群体发现方法 | |
CN111835707B (zh) | 一种基于改进后的支持向量机的恶意程序识别方法 | |
CN107024682A (zh) | 一种基于自适应剔除算法的目标检测方法 | |
Isi et al. | Enhancing confidence in the detection of gravitational waves from compact binaries using signal coherence | |
CN103281341A (zh) | 网络事件处理方法及装置 | |
CN107895008B (zh) | 基于大数据平台的情报信息热点发现方法 | |
Gao et al. | Fast detecting and locating groups of targets in high-resolution SAR images | |
CN112906737B (zh) | 一种基于多辐射源基于密度特征聚类及识别的方法 | |
Syarif et al. | Data mining approaches for network intrusion detection: from dimensionality reduction to misuse and anomaly detection | |
CN109376238B (zh) | 一种基于参考文献列表重叠度的论文相关度量化方法 | |
CN109286622A (zh) | 一种基于学习规则集的网络入侵检测方法 | |
CN113468538A (zh) | 一种基于相似性度量的漏洞攻击数据库构建方法 | |
CN107832611A (zh) | 一种动静态特征结合的僵尸程序检测与分类方法 | |
CN107832450A (zh) | 用于清洗数据重复记录的方法 | |
Thanh et al. | An approach to reduce data dimension in building effective network intrusion detection systems | |
CN105843930A (zh) | 一种检索视频的方法及装置 | |
CN106249241B (zh) | 一种自适应杂波功率统计算法 | |
JP5623253B2 (ja) | 多目標追尾装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |