CN108470155A - 一种雷达辐射源个体识别的大规模流式数据处理方法 - Google Patents
一种雷达辐射源个体识别的大规模流式数据处理方法 Download PDFInfo
- Publication number
- CN108470155A CN108470155A CN201810181998.8A CN201810181998A CN108470155A CN 108470155 A CN108470155 A CN 108470155A CN 201810181998 A CN201810181998 A CN 201810181998A CN 108470155 A CN108470155 A CN 108470155A
- Authority
- CN
- China
- Prior art keywords
- waveform
- radiation source
- similarity
- individual
- individual identification
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种雷达辐射源个体识别的大规模流式数据处理方法,对已知的辐射源脉内特征波形模板库进行训练,计算模板库中各波形之间的相似度,确定每个辐射源个体的相似度阈值;Spark Streaming分布式计算平台对接收到的包含辐射源脉内信息的二进制中频数据流进行解析计算,得出信号脉内瞬时幅度波形和瞬时频率波形;以瞬时幅度和瞬时频率两种特性作为个体识别特征,使用动态时间规整算法对解析得出的波形与模板库中的波形进行相似度计算,将相似度计算结果与相似度阈值进行比较,得出个体识别的结果。
Description
技术领域
本发明属于雷达辐射源信号识别技术领域,涉及一种雷达辐射源信号的个体识别方法。
背景技术
随着电子信号被动侦测技术的发展,雷达辐射源信号个体识别已经成为电子信号被动侦测技术领域的研究热点。区别于利用信号的五参数常规特征和脉内特征类型作为辐射源分类标准,提取辐射源信号的细微特征能够识别出同一型号辐射源的不同个体,使得被动侦测识别能力得到提高。信号细微特征通常指由于雷达内部元器件的细微差异而产生的信号无意调制特性,该特性能够唯一的标识个体。信号细微特征在工程实践中应用的主要还是提取信号脉内特征(包括瞬时幅度、瞬时频率和瞬时相位等)波形中附带的无意调制信息。
现有研究大多采用信号细微特征相似度计算的方法实现辐射源的个体识别,但是在相似度阈值的选取上过分依赖专家等人为因素,阈值设定的随意性较大;同时,现有研究大多是在单台计算机上完成相似度计算过程,没有考虑多传感器、多型设备协同侦测带来的大量、高速的辐射源数据流的情况,该情况对辐射源个体识别单机计算和存储能力提出了更高的要求;进一步的,对于相似度计算后的个体识别结果如何满足唯一性,现有研究也鲜有论述。
针对上述问题,本发明在相似度计算前对已知的辐射源脉内特征波形模板库进行训练,计算模板库中各波形之间的相似度,确定每个辐射源个体的相似度阈值;在相似度计算过程中利用Spark Streaming构建分布式计算平台,从高速数据流中快速计算辐射源信号脉内特征波形与已知模板波形的相似度大小,用于满足雷达辐射源个体识别对于实时性的要求;在相似度计算后,选择相比于原有模板波形具有更好区分度的特征波形对模板库进行更新,保证个体识别的唯一性。其中,待识别波形与模板波形的相似度计算采用动态时间规整算法,该算法对于时间序列的延伸和压缩不敏感,适用于两个波形的相似度计算。
发明内容
本发明的目的在于提供一种雷达辐射源个体识别的大规模流式数据处理方法。
实现本发明目的的技术解决方案为:首先对已知的雷达辐射源信号脉内特征波形模板库进行训练,通过计算模板库中各脉内特征波形之间的相似度,确定每个辐射源个体的相似度阈值,生成脉内特征波形阈值序列,相比于通过工程经验确定的阈值,该过程利用了已知模板库的分类能力;Spark Streaming分布式计算平台通过套接字接收辐射源二进制中频数据流,基于数据流时间窗口的大小数据流被划分为离散的数据段,根据中频二进制数据XML解析描述对每个数据段进行解析,得到每个信号的瞬时幅度波形和瞬时频率波形各采样点的值;以瞬时幅度和瞬时频率两种特性作为个体识别特征,使用动态时间规整算法对解析得出的两种波形与模板库中的波形进行相似度计算;搜索脉内特征波形阈值序列,将相似度计算结果与阈值序列中对应辐射源个体的阈值进行比较,大于等于阈值则认为两个辐射源相似,存在多个满足阈值条件的结果,取相似度值最大的两个辐射源作为最终识别结果。上述过程利用Map/Reduce操作实现计算过程的并行性,满足了大量、高速辐射源数据流情况下对辐射源个体识别实时性的要求;由于辐射源个体识别的唯一性,对于完成识别后的一对辐射源,选择在模板库中特征波形具有更好区分度的辐射源个体对模板库进行更新。
附图说明
图1本发明流程图。
图2Map/Reduce操作。
具体实施方式
本发明的流程如图1所示。
辐射源个体识别过程首先对已知的辐射源模板库进行训练,通过计算模板库中各个模板波形之间的相似度,确定每种模板波形的相似度阈值,最终生成波形阈值序列Q。设T={t1,t2,t3...ti}为辐射源模板库中的波形集合,任意待识别信号波形w与tj经动态时间规整算法(Dynamic Time Warping)计算后的相似度为定义为:
Sim=αSimamp+βSimfreq (1)
其中,Simamp=DTW(wamp,tj)为利用动态时间规整算法计算瞬时幅度特征波形后的相似度,Simfreq=DTW(wfreq,tj)为利用动态时间规整算法计算瞬时频率波形后的相似度,α,β为瞬时幅度和瞬时频率两种特征参数的加权系数,α+β=1。瞬时频率作为个体识别特征要优于瞬时幅度,因此β取值需要大于α。对于集合T中的任一波形tj,设其相似度判断的阈值为则需要满足表达式2:
其中k≠j。为减少计算量,加快预处理过程,所有模板波形数据都进行了归一化处理,最终生成的阈值序列由式2可以看出,本发明提出的预处理过程中的阈值判定方法利用了模板库已知波形信息能够提供的分类能力,相比于凭经验确定一个阈值,该过程能够科学指导辐射源个体分类识别过程。
中频二进制数据的解析利用了XML格式描述文件解析描述二进制文件的能力,中频二进制数据格式由地址、数据包长度、每个采样点的幅度值、每个采样点的频率值和时间这四个参数组成。
Map/Reduce操作主要进行分布式并行计算。采用Map/Reduce操作进行辐射源个体识别运算,满足以下两个要求:时间窗口大小决定了分配给分布式计算中各个计算节点弹性分布式数据集(RDD)的大小,但是弹性分布式数据集大小不影响每个节点辐射源二进制中频数据分配的过程;中频数据集中任意两个信号数据完全独立,在进行动态时间规整计算时没有必然的联系,任意一个信号波形的动态时间规整计算不需要使用另一个信号波形的数据,因此可以引入Map/Reduce操作进行并行计算。Map/Reduce操作中的Map操作主要包括三个部分,如图2中的①、②和③所示。①Spark Streaming分布式计算平台接收按照既定的XML格式描述文件解析后得到的瞬时幅度波形和瞬时频率波形各个采样点的值,通过数据格式转换得到Spark Streaming可以处理的数据格式,得到初始化后的RDD;②进行相似度计算前,数据流中的弹性分布数据集按照节点性能(主要是内存使用情况)分配至各个计算节点,除此之外,模板库中各辐射源的相似度阈值序列Q也发送至各个节点,同时,每一个计算节点中保存一份辐射源模板库的波形信息。在每一个节点中,将瞬时幅度和瞬时频率各个采样点的数据归一化后与模板库中的模板波形采用表达式(1)进行相似度计算,得到相似度计算后的RDD;③搜索波形阈值序列Q,过滤掉不符合要求的波形,输出相似度大于等于阈值的波形信息,过滤后的RDD用三维向量<w,tj,Simj>表示。Map/Reduce操作中的Reduce操作如图2中的④所示,主要是利用Map操作后得到的向量<w,tj,Simj>集合,将参数tj作为Reduce操作的key,对于相同的tj,求出集合中Simj值最大的向量,也就是与模板波形tj最相似的辐射源个体,作为最终的个体识别结果。
由于个体识别的唯一性,需要对已知的辐射源模板库进行更新,重新构建模板波形。经Map/Reduce操作计算后得到的是相似度最大的解,由于误差等一系列因素,该相似度不可能为100%,因此对相似度计算的最大解和已知模板库中的模板需要进行一定的处理,获得一个最优的结果作为该型辐射源个体识别的模板。设信号波形w与tj经动态时间规整算法计算后相似,则w替换模板库中的tj需要满足表达式3:
其中n≠j,m≠j。由式3可以看出,w替换tj需要满足w与模板库中其他模板波形的相似度之和小于原有模板tj,也就是w相比于tj有更好的区分度。
Claims (4)
1.一种雷达辐射源个体识别的大规模流式数据处理方法,其特征在于:首先对已知的辐射源脉内特征波形模板库进行训练,通过计算模板库中各脉内特征波形之间的相似度,确定每个辐射源个体的相似度阈值,生成脉内特征波形阈值序列;Spark Streaming分布式计算平台通过套接字接收辐射源二进制中频数据流,基于时间窗口的大小数据流被划分成离散的数据段,根据中频数据XML解析描述对每个数据段进行解析,得到信号脉内瞬时幅度波形和瞬时频率波形各采样点的值;以瞬时幅度和瞬时频率两种特性作为识别特征,使用动态时间规整算法对解析得出的两种波形与模板库中的波形进行相似度计算;搜索特征波形阈值序列,将相似度计算结果与阈值序列中对应辐射源个体的阈值进行比较,大于等于阈值则认为两个辐射源相似,存在多个满足阈值条件的结果,取相似度值最大的两个辐射源作为最终个体识别结果,上述过程利用Map/Reduce操作实现计算过程的并行性;对于完成个体识别后的一对辐射源,选择在模板库中特征波形具有更好区分度的辐射源个体对模板库进行更新。
2.一种根据权利要求1所述的雷达辐射源个体识别的大规模流式数据处理方法,其特征在于:所述辐射源个体相似度阈值的判定利用了知识库中已知辐射源个体特征波形之间的相似度,确定待识别的特征波形是否是知识库中的某一个体,其相似度阈值必须大于等于知识库中其他特征波形与该个体相似度计算后的最大值,知识库中的特征波形越多,相似度阈值的置信度越高。
3.一种根据权利要求1所述的雷达辐射源个体识别的大规模流式数据处理方法,其特征在于:所述的辐射源个体相似度计算过程在分布式计算平台上进行。
4.一种根据权利要求1所述的雷达辐射源个体识别的大规模流式数据处理方法,其特征在于:辐射源个体相似度计算后的最大解和模板库中的模板进行最优选择,使用与模板库中其他波形相似度之和最小的辐射源特征波形对模板库进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810181998.8A CN108470155A (zh) | 2018-03-06 | 2018-03-06 | 一种雷达辐射源个体识别的大规模流式数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810181998.8A CN108470155A (zh) | 2018-03-06 | 2018-03-06 | 一种雷达辐射源个体识别的大规模流式数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108470155A true CN108470155A (zh) | 2018-08-31 |
Family
ID=63265044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810181998.8A Pending CN108470155A (zh) | 2018-03-06 | 2018-03-06 | 一种雷达辐射源个体识别的大规模流式数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470155A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447017A (zh) * | 2018-11-07 | 2019-03-08 | 中国科学院大气物理研究所 | 一种自动判别闪电电磁脉冲类型的方法 |
CN109726734A (zh) * | 2018-11-23 | 2019-05-07 | 山东航天电子技术研究所 | 一种基于辐射源侦察信息的目标平台自动识别系统 |
CN109726354A (zh) * | 2018-12-18 | 2019-05-07 | 山东交通学院 | 一种面向海量数据的并行互相关计算方法 |
CN112687068A (zh) * | 2021-03-19 | 2021-04-20 | 四川通信科研规划设计有限责任公司 | 一种基于微波和振动传感器数据的侵入检测方法 |
CN113780521A (zh) * | 2021-08-24 | 2021-12-10 | 中国人民解放军93114部队 | 一种基于深度学习的辐射源个体识别方法 |
CN114488878A (zh) * | 2021-12-29 | 2022-05-13 | 华南师范大学 | 基于眼电控制的智能设备控制系统及控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258157A (zh) * | 2013-04-18 | 2013-08-21 | 武汉汉德瑞庭科技有限公司 | 一种基于手指信息的在线笔迹认证方法及系统 |
-
2018
- 2018-03-06 CN CN201810181998.8A patent/CN108470155A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258157A (zh) * | 2013-04-18 | 2013-08-21 | 武汉汉德瑞庭科技有限公司 | 一种基于手指信息的在线笔迹认证方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘飞: ""雷达辐射源识别中数据库的构建及应用"", 《现代防御技术》 * |
陈沛铂: ""辐射源个体识别中的目标匹配和分类识别算法研究"", 《优秀硕士学位论文库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447017A (zh) * | 2018-11-07 | 2019-03-08 | 中国科学院大气物理研究所 | 一种自动判别闪电电磁脉冲类型的方法 |
CN109726734A (zh) * | 2018-11-23 | 2019-05-07 | 山东航天电子技术研究所 | 一种基于辐射源侦察信息的目标平台自动识别系统 |
CN109726734B (zh) * | 2018-11-23 | 2023-05-23 | 山东航天电子技术研究所 | 一种基于辐射源侦察信息的目标平台自动识别系统 |
CN109726354A (zh) * | 2018-12-18 | 2019-05-07 | 山东交通学院 | 一种面向海量数据的并行互相关计算方法 |
CN109726354B (zh) * | 2018-12-18 | 2022-12-20 | 山东交通学院 | 一种面向海量数据的并行互相关计算方法 |
CN112687068A (zh) * | 2021-03-19 | 2021-04-20 | 四川通信科研规划设计有限责任公司 | 一种基于微波和振动传感器数据的侵入检测方法 |
CN112687068B (zh) * | 2021-03-19 | 2021-05-28 | 四川通信科研规划设计有限责任公司 | 一种基于微波和振动传感器数据的侵入检测方法 |
CN113780521A (zh) * | 2021-08-24 | 2021-12-10 | 中国人民解放军93114部队 | 一种基于深度学习的辐射源个体识别方法 |
CN113780521B (zh) * | 2021-08-24 | 2022-03-04 | 中国人民解放军93114部队 | 一种基于深度学习的辐射源个体识别方法 |
CN114488878A (zh) * | 2021-12-29 | 2022-05-13 | 华南师范大学 | 基于眼电控制的智能设备控制系统及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470155A (zh) | 一种雷达辐射源个体识别的大规模流式数据处理方法 | |
Hu et al. | A multiscale fusion convolutional neural network for plant leaf recognition | |
CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
Li et al. | Toward convolutional neural networks on pulse repetition interval modulation recognition | |
EP3229171A1 (en) | Method and device for determining identity identifier of human face in human face image, and terminal | |
CN108235770A (zh) | 图像识别方法及云端系统 | |
CN110197209A (zh) | 一种基于多特征融合的辐射源识别方法 | |
KR101235059B1 (ko) | 레이더 신호 변조 형태 식별 장치 및 방법 | |
CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
KR100761795B1 (ko) | 형태 구분자를 이용한 레이더 신호의 펄스반복주기 변조형태 인식 방법 | |
CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
Zhou et al. | Specific emitter identification via bispectrum-radon transform and hybrid deep model | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN105117740A (zh) | 字体识别方法及装置 | |
Genussov et al. | Musical genre classification of audio signals using geometric methods | |
US6337927B1 (en) | Approximated invariant method for pattern detection | |
Dahiya et al. | Refining of image using self-organizing map with clustering | |
CN105678244A (zh) | 一种基于改进编辑距离的近似视频检索方法 | |
CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
CN103198489A (zh) | 基于显著性密度与边缘响应的显著物体自动检测方法 | |
CN113723244A (zh) | 一种基于改进变分模态分解的雷达辐射源信号分离方法 | |
CN110472540B (zh) | 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法 | |
KR100734857B1 (ko) | 누적 합 기반의 변화점 분석을 이용한 홍채 인식 방법 및그 장치 | |
CN111832632A (zh) | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 | |
CN111245821A (zh) | 辐射源识别方法、装置及辐射源识别模型创建方法、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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180831 |