CN110489797B - 一种适用于外辐射源雷达的电磁环境辨识方法 - Google Patents

一种适用于外辐射源雷达的电磁环境辨识方法 Download PDF

Info

Publication number
CN110489797B
CN110489797B CN201910648399.7A CN201910648399A CN110489797B CN 110489797 B CN110489797 B CN 110489797B CN 201910648399 A CN201910648399 A CN 201910648399A CN 110489797 B CN110489797 B CN 110489797B
Authority
CN
China
Prior art keywords
data
model
amplitude
power spectrum
frame
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
Application number
CN201910648399.7A
Other languages
English (en)
Other versions
CN110489797A (zh
Inventor
饶云华
周健康
聂文洋
潘登
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SUZHOU Institute OF WUHAN UNIVERSITY
Original Assignee
SUZHOU Institute OF WUHAN UNIVERSITY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SUZHOU Institute OF WUHAN UNIVERSITY filed Critical SUZHOU Institute OF WUHAN UNIVERSITY
Priority to CN201910648399.7A priority Critical patent/CN110489797B/zh
Publication of CN110489797A publication Critical patent/CN110489797A/zh
Application granted granted Critical
Publication of CN110489797B publication Critical patent/CN110489797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种适用于外辐射源雷达的电磁环境辨识方法，通过外辐射源雷达接收雷达回波数据得到幅度数据和功率谱数据，对这两类数据分别进行预处理操作，然后对幅度数据进行统计特征值提取、对功率谱数据进行长度裁剪，将得到的幅度特征值数据输入已经训练优化后的幅度模型神经网络分类器预测得到幅度模型类别、将得到的功率谱裁剪数据输入已经训练优化后的功率谱模型神经网络分类器预测得到功率谱模型类别，根据预测的幅度模型类别和预测的功率谱模型类别返回电磁环境联合判决矩阵中的电磁环境类别数据。通过上述方式，本发明能够有效地对外辐射源雷达当前所处电磁环境进行模型辨识。

Description

一种适用于外辐射源雷达的电磁环境辨识方法
技术领域
本发明涉及雷达无线电领域，特别是涉及一种适用于外辐射源雷达的电磁环境辨识方法。
背景技术
无线通信领域已经在路径传输环境的研究比较成熟了，这是为了在无线通信中进行更好 更迅速地自适应调制、编码以满足无线信道的充分利用和信号传输有效性之间的均衡。但是 不同于无线通信，由于雷达的自身着重于对目标的检测、定位等等的特性，雷达领域研究员 当前主要将研究方向着眼于各种杂波抑制算法因而在无线电路径传输环境的研究几乎是空 白。
应用领域：这个辨识方法的实现可以使外辐射源雷达获得当前所处位置的电磁环境模型， 为之后的针对特定电磁环境模型下的杂波抑制、目标检测与定位算法的研究发展开辟道路奠 定基础。
为了实现整个算法，这里需要解决这样几个问题：电磁环境模型的建立；设计专用的特 征提取运算方法；神经网络分类器的设计。
发明内容
本发明主要解决的技术问题是提供一种适用于外辐射源雷达的电磁环境辨识方法，能够 通过算法的运行计算获得外辐射源雷达当前所处电磁环境准确模型。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种适用于外辐射源雷达的 电磁环境辨识方法，其特征在于，包括如下步骤：
步骤1：通过幅度模型仿真方法对雷达回波的幅度模型数据进行仿真产生Pn帧幅度模 型仿真数据，通过功率谱模型仿真方法对雷达回波的功率谱模型数据进行仿真产生Dn帧功 率谱模型仿真数据；
步骤2：对幅度模型仿真数据以及功率谱模型仿真数据进行数据预处理，分别得到预处 理后的幅度模型仿真数据以及预处理后的功率谱模型仿真数据；
步骤3：根据预处理之后的幅度模型仿真数据进行统计特征提取得到幅度模型特征值矩 阵，根据预处理之后的功率谱模型仿真数据进行数据长度截取得到功率谱裁剪值；
步骤4：将幅度模型特征值矩阵与功率谱裁剪值分别进行数据分集，按N1:N2:N3比例划分成训练集、测试集、验证集数据；
步骤5：通过幅度模型训练集数据、幅度模型测试集数据、幅度模型验证集数据建立幅 度模型神经网络分类器；
步骤6：通过功率谱模型训练数据集、功率谱模型测试数据集、功率谱模型验证数据集 建立功率谱模型神经网络分类器；
步骤7：将预测的幅度模型类别和预测的功率谱模型类别进行联合判决，根据电磁环境 联合判决矩阵得到电磁环境类别数据；
作为优选，步骤1中所述幅度模型仿真数据为：Pij，表示为第i帧数据的第j个距离元的幅度值；i取值范围为[L0,0,L0,1]表示第L0,0～L0,1帧数据,总共Pn帧数据，j取值范围 为[K0,0,K0,1]表示一帧数据中的第K0,0～K0,1个距离元幅度值数据；
步骤1中所述功率谱模型仿真数据：Pdb(fik)，表示为第i帧数据的第k个频点的功率 幅值；k取值范围为[L0,2,L0,3]表示一帧数据中的第L0,2～L0,3帧数据,总共Dn帧数据，j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据；
步骤1中所述幅度模型仿真数据的典型模型为：
瑞利幅度模型、莱斯幅度模型、对数正态幅度模型、Suzuki幅度模型；
所述瑞利幅度模型具体为：
该模型是外辐射源雷达日常工作中最为常见的一种模型，主要是反映了非合作的外源发 射雷达与接收雷达之间没有直射路径的电磁波多径反射传输的城市郊区电磁环境状况，其概 率密度函数为：
Figure BDA0002134346050000021
式中Pij表示幅度仿真数据的第i帧数据的第j个距离元的幅度值，σ为幅值方差；i取 值范围为[L1,0,L1,1]表示第L1,0～L1,1帧数据，j取值范围为[K0,0,K0,1]表示一帧数据中的第 K0,0～K0,1个距离元幅度值数据，其中L1,0为1、L1,1为10000、K0,0为1、K0,1为8000。瑞 利幅度模型仿真数据采用幅度模型仿真方法中的逆变换法来生成num0帧仿真数据，其具体 过程如下：
通过积分计算可以获得瑞利分布概率密度函数f(Pij)的累积分布函数F(Pij)：
Figure BDA0002134346050000022
可以通过F(Pij)逆变换得到F(Pij)的反函数为：
Figure BDA0002134346050000023
其中Pij即为我们需要的瑞利分布仿真数据，而F(Pij)是一个服从Unit[L1,2,L1,3]均匀分 布的随机数，之后将F(Pij)在代入上式即可获得符合瑞利分布的仿真数据Pij，该方法产生 的num1个距离元数据组成一帧仿真数据；
之后再连续进行num次计算过程迭代产生num帧的莱斯幅度模型仿真数据，并且在数 据标签上显示为L1,0～L1,1表示为该模型仿真数据标签；
所述莱斯幅度模型具体为：
这个模型是对于瑞利幅度模型的一种修正模型，其他条件与瑞利幅度模型基本相同，但 是相较于瑞利幅度模型而言莱斯幅度模型多了一条电磁波直射传输主径，并且这条主径对幅 度分布影响较大，其概率密度函数为：
Figure BDA0002134346050000024
式中Pij表示莱斯幅度仿真数据的第i帧数据的第j个距离元的幅度值，A为直射主径幅度， σ为方差，J0为修正的零阶第一类Bessel函数；i取值范围为[L2,0,L2,1]表示第L2,0～L2,1帧数据，j取值范围为[K0,0,K0,1]表示一帧数据中的第K0,0～K0,1个距离元幅度值仿真数据， σ取值范围为[B0,B1]；莱斯幅度模型仿真数据采用幅度模型仿真方法中的舍选法来生成 num0帧仿真数据,其具体过程如下：
首先生成一个均匀分布Unit(xmin,xmax)随机数x，其中xmin和xmax的数值由概率密度函数f(x)＝f(Pij)的限制条件给出，其中x等价于Pij；之后生成一个均匀分布 Unit(f(x)min,f(x)max)随机数y；然后每次生成(x,y)两个独立的数据：若y≤f(x)，则 选用当前x数值为莱斯幅度模型的一个距离元数据Pij的仿真数值，否则舍弃x数值重复上 述流程，这一步的舍弃与选定也是该类幅度模型仿真方法的名称由来；通过对x舍选获取到 num1个距离元数据Pij组成1帧数据；最后重复上述中的一帧数据的产生流程进行迭代产生 num0帧的莱斯幅度模型数据，并且在数据标签上标记为L2,0～L2,1表示为该模型仿真数据 标签。
所述对数正态幅度模型具体为：
这个模型主要反映了有海杂波影响的情况下的雷达回波幅度分布情况，幅度统计图中会 有很长的拖尾即存在有幅值非常大的数据，其概率密度函数为：
Figure BDA0002134346050000025
式中Pij表示幅度仿真数据的第i帧数据的第j个距离元的幅度值，σ为幅值方差，A为 直射主径幅度；i取值范围为[L3,0,L3,1]表示第L3,0～L3,1帧数据、j取值范围为[K0,0,K0,1]表示一帧数据中的第K0,0～K0,1个距离元幅度值数据、σ取值范围为[B0,B1]；对数正态幅 度模型仿真数据采用幅度模型仿真方法中的组合法来生成num0帧仿真数据；
先产生一个服从N(B2,B3)正态分布随机数x，利用如下公式计算：
y＝exp(u+σ*x)
式中的y的数值即可仿真对数正态幅度模型的一个距离元数据，之后进行num1次距离 元数据产生合成1帧仿真数据，在进行循环迭代次产生num0帧正态幅度模型的仿真数据， 并且在数据标签上标记为L3,0～L3,1表示为该模型仿真数据标签；
所述Suzuki幅度模型具体为：
这类是属于幅度模型中常见的组合模型，它可以看做是由对数正态幅度模型和瑞利幅度 模型的混合模型，其概率密度是瑞利幅度模型与对数正态幅度模型的联合变形。
使用幅度模型仿真方法中的组合法构建Suzuki幅度模型数据，先分别独立产生瑞利幅 度模型数据x和对数正态幅度模型y,之后将二者相乘即可获得Suzuki幅度模型的一个距 离元数据。其中x,y数据的产生方法见瑞利幅度模型数据、对数正态幅度模型一个距离元数 据产生流程，之后连续生成num1个距离元数据组成一帧仿真数据，重复将上述方法进行迭 代产生num0帧Suzuki幅度模型数据，并且在数据标签上标记为L4,0～L4,1表示为该模型 仿真数据标签；
步骤1中所述功率谱模型仿真数据的典型模型为：
Jakes功率谱模型、Flat功率谱模型、Guassian功率谱模型、Jakes混合多普勒频移功 率谱模型、ButterWorth功率谱模型、Jakes混合ButterWorth功率谱模型；
所述Jakes功率谱模型函数为：
Figure BDA0002134346050000031
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为多普勒频移；i取值范围为[L1,2,L1,3]表示第L1,2～L1,3帧数据、j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B4,B5)均匀分布随机数；
使用功率谱模型仿真方法：先将f取值为[A0,A1]范围采样间隔为S0的一维有序数列 并命名为F1，在将F1代入Jakes功率谱模型函数中得到Pdb(F1)一维序列值构成1帧Jakes功率谱模型仿真数据，之后进行重复迭代得到num0帧仿真数据，并且标记为L1,2～L1,3作 为该模型仿真数据的标识符；
所述Flat功率谱模型函数为：
Figure BDA0002134346050000032
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fc为雷达回波功率谱的 截止频率点；i取值范围为[L2,2,L2,3]表示第L2,2～L2,3帧数据、j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fc为服从Unit(B4,B5)均匀分布随机数；
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F2，在将F2代入Flat功率谱模型函数中得到Pdb(F2)一维序列值构成1帧Flat 功率谱模型仿真数据，之后进行重复迭代得到num0帧仿真数据，并且标记为L2,2～L2,3作 为该模型仿真数据的标识符；
所述Guassian功率谱模型函数为：
Figure BDA0002134346050000041
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，σ为其形状参数；i取值范围为[L3,2,L3,3]表示第L3,2～L3,3帧数据、j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B6,B7)均匀 分布随机数、σ取值范围为[B8,B9]；
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F3，在将F3代入Guassian功率谱模型函数中得到Pdb(F3)一维序列值构成1帧Guassian功率谱模型仿真数据，之后进行重复迭代得到num0帧仿真数据，并且标记为 L3,2～L3,3作为该模型仿真数据的标识符；
所述Jakes混合冲激功率谱模型函数为：
Figure BDA0002134346050000042
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，fx为脉冲突变点；i取值范围为[L4,2,L4,3]表示第L4,2～L4,3帧数据、j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B10,B11) 均匀分布随机数、fx取值范围[-fd,fd]；
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F4，在将F4代入Jakes混合多普勒冲激模型函数中得到Pdb(F4)一维序列值构成1帧Jakes混合冲激功率谱模型仿真数据，之后进行重复迭代得到num0帧仿真数据，并且标记为L4,2～L4,3作为该模型仿真数据的标识符；
所述ButterWorth功率谱模型函数为：
Figure BDA0002134346050000043
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，n为形状阶数，fx为脉冲突变点；i取值范围为[L5,2,L5,3]表示第L5,2～L5,3帧数据、j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B12,B13)均匀分布随机数、n取值为[B14,B15]之间的随机数、fx取值范围[-fd,fd]；
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F5，在将F5代入ButterWorth功率谱模型函数中得到Pdb(F5)一维序列值构成1帧ButterWorth功率谱模型仿真数据，之后进行重复迭代得到num0帧仿真数据，并且标记为L5,2～L5,3作为该模型仿真数据的标识符；
所述Jakes混合ButterWorth模型为：
Figure BDA0002134346050000044
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，n为形状阶数，fx为脉冲突变点；i取值范围为[L6,2,L6，3]表示第L6,2～L6,3帧数据、j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B16,B17)均匀分布随机数、n取值为[B18,B19]之间的随机数、fx取值范围[-fd,fd]；
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F6，在将F6代入Jakes混合ButterWorth功率谱模型函数中得到Pdb(F6)一维序列值构成1帧ButterWorth功率谱模型仿真数据，之后进行重复迭代得到num0帧仿真数据，并且标记为L6,2～L6,3作为该模型仿真数据的标识符；
作为优选，步骤2中所述幅度模型仿真数据的典型模型为：
瑞利幅度模型、莱斯幅度模型、对数正态幅度模型、Suzuki幅度模型；
步骤2中所述功率谱模型仿真数据的典型模型为：
Jakes功率谱模型、Flat功率谱模型、Gaussian功率谱模型、Jakes混合冲激功率谱模 型、ButterWorth功率谱模型、Jakes混合ButterWorth功率谱模型；
对幅度模型仿真数据和功率谱模型仿真数据进行归一化处理达到让各个幅度模型仿真 数据之间和功率谱模型仿真数据之间具有统一的量值；
步骤2中所述对幅度模型仿真数据进行数据预处理为：
幅度模型仿真数据Pij归一化处理，处理公式如下：
Pi'＝Pi/max(Pi),其中Pi＝[Pi1,Pi2,PiN]
其中，Pi＝[Pi1,Pi2,...,PiN]为第i帧幅度模型仿真数据的序列集合，Pij'表示为Pij经过 归一化处理后的第i帧第j个距离元的幅度值，即步骤2中所述预处理后的幅度模型仿真数 据，i取值范围为[L0,0,L0,1]；
步骤2中所述对功率谱模型仿真数据进行数据预处理为：
功率谱模型仿真数据Pdb(fik)归一化处理，处理公式如下：
P`db(Fi)＝Pdb(Fi)/max[Pdb(Fi)],其中Fi＝[fi1,fi2,...fiK]
其中，Pdb(Fi)＝[Pdb(fi1),Pdb(fi2),...,Pdb(fiK)]为第i帧功率谱模型仿真数据的序列集 合,P`db(fik)表示为Pdb(fik)经过归一化处理后的第i帧第k个频率点功率值，即步骤2中所 述预处理后的功率谱模型仿真数据，i取值范围为[L1,0,L1,1]；
作为优选，步骤3中所述根据预处理之后的幅度仿真模型数据进行统计特征提取得到幅 度模型特征值矩阵为：
选定统计特征提取值为：均值、标准差、中位数、偏度、峰度、平均绝对误差。
所述均值为：
Figure BDA0002134346050000051
所述标准差为：
Figure BDA0002134346050000052
所述中位数midi为：
将数据进行有序排列之后选取中间的那个数值即是中位数；
先对离散数据P`ij做从小到大排序成一个有序队列；选取有序队列中的第N/2的数据担 当中位数，当N/2不可整除时使用四舍五入法取值，其中中位数为midi。
所述偏度为：
偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征， 其计算公式如下：
Figure BDA0002134346050000061
所述峰度为：
峰度表征概率密度分布曲线在平均值处峰值高低的特征数，其计算公式如下：
Figure BDA0002134346050000062
所述平均绝对误差为：
平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均，其计算公式为：
Figure BDA0002134346050000063
上式中i表示第1帧预处理后的幅度仿真数据，N为该帧数据的长度与num1大小相同， 将上述特征值汇总成一个幅度模型特征值矩阵Flagi为：
Flagi＝[ui,σi,midi,skewi,Kurti,MADi]
通过数据筛查比对，这个幅度模型特征值矩阵可以将这些幅度模型的差异提取出来；
步骤3中所述根据预处理之后的功率谱模型仿真数据进行数据长度截取得到功率谱裁 剪值为：
由于后续的分类器网络的输入节点个数是num3个，这里需要将预处理之后的功率谱模 型仿真数据P`db(Fi)从num2个采样点缩减到num3个采样点得到功率谱裁剪值Pdb(fik)；
直接将仿真数据P`db(Fi)中的每间隔2个数据的值取平均，其中第Nmid个数值直接选用 原始值，这样便可获得长度值为num3的功率谱裁剪值P``db(fik)；
作为优选，步骤4中所述将幅度模型特征值矩阵Flagi按N1:N2:N3比例划分成训练集、测试集、验证集数据为：
直接将每个幅度模型特征值矩阵数据Flagi的第 (X1*10^4+0001)～(X1*10^4+60)0帧F0lagi数据选为幅度模型训练集数据Data11， 将第(X1*10^4+6001)～(X1*10^4+8000)帧Flagi数据选为幅度模型测试集数据 Data12，第(X1*10^4+8001)～((X1+1)*10^4+0000)帧Flagi数据选为幅度模型验证 集数据Data13，并将选定数据在各自数据集内进行打包处理，其中X1取值为区间[C1,C2]整 数范围；
将划分好的数据集，分别在各自的数据集包内进行乱序处理，以防止后续幅度模型神经 网络分类器在进行网络训练的时候由于数据输入分块化导致的过拟合现象。
步骤4中所述将功率谱裁剪值P``db(fik)按N1:N2:N3比例划分成训练集、测试集、验证集数据为：
将每个模型的功率谱裁剪值数据P``db(fik)的第 (X2*10^4+0001)～(X2*10^4+6000)帧P``db(fik)数据选为功率谱模型训练集数据 Data21，将第(X2*10^4+6001)～(X2*10^4+8000)帧P``db(fik)数据选为功率谱模型测 试集数据Data22，第(X2*10^4+8001)～((X2+1)*10^4+0000)帧P``db(fik)数据选为功 率谱模型验证集数据Data23，并将选定数据在各自数据集内进行打包处理，其中X2取值为 区间[C3,C4]整数范围；
将划分好的数据集，分别在各自的数据集包内进行乱序处理，以防止后续功率谱模型神 经网络分类器在进行网络训练的时候由于数据输入分块化导致的过拟合现象。
作为优选，步骤5中所述幅度模型神经网络分类器具体为：
所述幅度模型神经网络分类器由输入层，隐含层，输出层构成；
所述幅度模型神经网络分类器每层神经元的数量：
输入层为M1,1个单元；隐含层有M2层，第一层为M2,1个单元、第二层为M2,2个单元、第三层为M2,3个单元，输出层有M3,1个单元；
幅度模型神经网络分类器中各神经元权重和偏置值为：
Figure BDA0002134346050000071
Figure BDA0002134346050000072
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA0002134346050000073
表示第 k层网络第j个节点的偏置值。
步骤5中所述幅度模型神经网络分类器的目标模型为：
Figure BDA0002134346050000074
其中，Hy'(y)为整个分类器的目标模型，yk为分类器预测的为第k类的softmax归一化输出，softmax函数如下：
Figure BDA0002134346050000075
y`k为训练数据的真实类别标签，取值1表示为是第k类数据，取值0表示不是第k类数据，由上式softmax函数可知当分类器分类越准确时对应的分量越接近1其他分量越接近0，从而目标模型的值越小。
目标模型优化求解方法为：Adam梯度优化算法
利用步骤中选定的幅度模型训练集Data1,1、幅度模型测试集Data1,2数据进行优化后幅 度模型神经网络分类器中各神经元权重为：
Figure BDA0002134346050000076
Figure BDA0002134346050000077
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA0002134346050000078
表示第 k层网络第j个节点的偏置值，利用幅度模型验证集数据Data1,3计算预测判断可以得知该 分类器正确率为R1，到此幅度模型神经网络分类器的模型设计与训练工作完成；
在该幅度神经网络分类器对未知幅度模型数据的预测分类过程中，先将未知幅度模型数 据
Figure BDA00021343460500000710
通过步骤2～3进行处理得到未知幅度模型的特征值矩阵数据
Figure BDA00021343460500000711
将未知幅度模型 的特征值矩阵数据
Figure BDA00021343460500000713
输入该幅度神经网络分类器，经过该神经网络的计算得到幅度模型 类别数值为
Figure BDA00021343460500000712
作为优选，步骤6中所述功率谱模型神经网络分类器模型具体为：
所述功率谱模型神经网络分类器由输入层，隐含层，输出层构成；
步骤6中所述功率谱模型神经网络分类器每层神经元的数量：
输入层为
Figure BDA00021343460500000714
个单元；隐含层有N2层，第一层为
Figure BDA00021343460500000715
个单元、第二层为
Figure BDA00021343460500000716
个单元、第三层为
Figure BDA00021343460500000717
个单元，输出层有
Figure BDA00021343460500000718
个单元；
幅度神经网络分类中各神经元权重和偏置值为：
Figure BDA0002134346050000079
Figure BDA00021343460500000719
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA00021343460500000720
表示第 k层网络第j个节点的偏置值。
步骤3中所述幅度神经网络分类的目标模型为：
Figure BDA0002134346050000081
y`k其中为整个分类器的目标模型，为分类器预测的为第k类的softmax归一化输出， softmax函数如下：
Figure BDA0002134346050000082
目标模型优化求解方法为：Adam梯度优化算法
利用步骤4中选定的功率谱模型训练集Data2,1、测试集Data2,2数据进行优化后功率 谱模型神经网络分类中各神经元权重为：
Figure BDA0002134346050000083
Figure BDA0002134346050000085
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA0002134346050000086
表示第 k层网络第j个节点的偏置值。利用功率谱模型验证集数据Data2,3计算预测判断可以得知 该分类器正确率为R2，到此功率谱模型神经网络分类器的模型设计与训练工作完成；
在该功率谱神经网络分类器对未知功率谱模型数据的预测分类过程中，先将未知功率谱 模型数据
Figure BDA0002134346050000087
通过步骤2～3进行处理得到未知功率谱模型的裁剪数据
Figure BDA0002134346050000088
将未 知功率谱模型的裁剪数据
Figure BDA0002134346050000089
输入该功率谱神经网络分类器，经过该神经网络的计算得 到功率谱模型类别数值为
Figure BDA00021343460500000810
作为优选，步骤7中所述预测的幅度模型类别为
Figure BDA00021343460500000811
具体计算过程为：
将待预测雷达数据的幅度数据
Figure BDA00021343460500000812
通过上述步骤2～3进行处理得到幅度特征值矩阵数 据
Figure BDA00021343460500000813
将幅度特征值矩阵数据
Figure BDA00021343460500000814
输入步骤5中的幅度模型神经网络分类器，经过该 神经网络的计算得到幅度模型类别为
Figure BDA00021343460500000815
步骤7中所述预测的功率谱模型类别为
Figure BDA00021343460500000816
具体计算过程为：
将待预测雷达数据的功率谱数据
Figure BDA00021343460500000817
通过上述步骤2～3进行处理得到功率谱裁剪 数据
Figure BDA00021343460500000818
将功率谱裁剪数据
Figure BDA00021343460500000819
输入步骤6中的功率谱模型神经网络分类器，经 过该神经网络的计算得到预测的功率谱模型类别为
Figure BDA00021343460500000820
步骤7中所述根据电磁环境联合判决矩阵得到电磁环境类别数据为：
利用上面得到的幅度模型类别数值
Figure BDA00021343460500000821
和功率谱模型类别数值
Figure BDA00021343460500000822
进行联合判决，将
Figure BDA00021343460500000823
Figure BDA00021343460500000824
代入电磁环境联合判决矩阵T中返回当前外辐射源雷达所处环境的电磁环境类别数值
Figure BDA00021343460500000825
Figure BDA0002134346050000084
式中，电磁环境联合判决矩阵T为4行6列的二维矩阵，并且这里定义由上到下为第0、 1、2、3行，由左到右为第0、1、2、3、4、5列；
进行幅度模型和功率谱模型联合判决时，返回电磁环境联合判决矩阵T中由幅度模型类 别
Figure BDA00021343460500000826
决定的第
Figure BDA00021343460500000827
行和由功率谱模型类别
Figure BDA00021343460500000828
决定的第
Figure BDA00021343460500000829
列位点上的数值
Figure BDA00021343460500000830
Figure BDA00021343460500000831
取值为 (1,2,3,4,5,6),1表示经典电磁环境、2表示平坦电磁环境、3表示经典电磁环境、4表示莱 斯电磁环境、5表示对数正态电磁环境、6表示Suzuki电磁环境；
本发明的有益效果是：本发明能够有效准确地辨别外辐射源雷达当前所处地理位置的无 线电路径传输环境类别。
附图说明
图1：是本发明方法流程图；
图2：是一种外辐射源雷达电磁环境辨识算法所示的分解示意图；
图3：是瑞利幅度模型仿真数据统计直方图；
图4：是莱斯幅度模型仿真数据统计直方图；
图5：是对数正态幅度模型仿真数据统计直方图；
图6：是Suzuki幅度模型仿真数据统计直方图；
图7：是jakes功率谱模型的函数曲线图；
图8：是flat功率谱模型的函数曲线图；
图9：是Guassian功率谱模型的函数曲线图；
图10：是jakes混合多普勒频移功率谱模型函数曲线图；
图11：是ButterWorth功率谱模型函数曲线图；
图12：是Jakes混合ButterWorth功率谱模型函数曲线图；
图13：是幅度数据集进行特征提取后的6个特征数据；
图14：是图13中与之相对应的幅度模型类别标签；
图15：是幅度模型的神经网络分类器的层级结构；
图16：是幅度模型的神经网络分类器的训练过程系统日志截图；
图17：是幅度模型的神经网络分类器的节点权重数据包文件截图；
图18：是功率谱模型的神经网络分类器的组成结构；
图19：是功率谱模型的神经网络分类器的训练过程系统日志截图；
图20：是功率谱模型的神经网络分类器的节点权重数据包文件；
图21：是实测外辐射源雷达接收信号的幅度分布数据的统计直方图数据；
图22：是实测外辐射源雷达接收信号的功率谱数据；
附图2中各部件的标记如下：1、外辐射源发射塔；2，环境中的电磁波散射体；3、无线电传输路径；4、无线电直射路径传输；5、天空中的目标飞行物；6、外辐射源雷达监测 天线；7、外辐射源雷达参考天线；8、雷达信号处理；9、雷达回波数据；10、幅度数据的 特征提取；11、功率谱数据长度截取；12、幅度统计特征数据；13、功率谱特定长度数据； 14、幅度模型神经网络分类器；15、功率谱模型神经网络分类器；16、电磁环境判决矩阵； 17、当前的电磁环境类别；
附图15中各部件的标记如下：18、输入层；19隐藏层；20输出层；21、Softmax函数；22、Argmax函数。
附图18中各部件的标记如下：23、输入层；24隐藏层；25输出层；26、Softmax函数；27、Argmax函数。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
请参阅图1、图2、图3、图4、图5、图6、图7、图8、图9、图10、图11、图12、 图13、图14、图15、图16、图17、图18、图19、图20，本发明实施例为一种适用于外辐 射源雷达的电磁环境辨识方法，包括以下步骤：
步骤1：通过幅度模型仿真方法对雷达回波的幅度模型数据进行仿真产生Pn帧幅度模 型仿真数据，通过功率谱模型仿真方法对雷达回波的功率谱模型数据进行仿真产生Dn帧功 率谱模型仿真数据,其中Pn为40000，Dn为60000；
作为优选，步骤1中所述幅度模型仿真数据为：Pij，表示为第i帧数据的第j个距离元的幅度值；i取值范围为[L0,0,L0,1]表示第L0,0～L0,1帧数据,总共Pn帧数据，j取值范围 为[K0,0,K0,1]表示一帧数据中的第K0,0～K0,1个距离元幅度值数据，其中L0,0为1、L0,1为40000、K0,0为1、K0,1为8000。
步骤1中所述功率谱模型仿真数据：Pdb(fik)，表示为第i帧数据的第k个频点的功率 幅值；k取值范围为[L0,2,L0,3]表示一帧数据中的第L0,2～L0,3帧数据,总共Dn帧数据，j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据，其中L0,2为1、 L0,3为60000、K1,0为1、K1,1为2001。
步骤1中所述幅度模型仿真数据的典型模型为：瑞利幅度模型、莱斯幅度模型、对数正 态幅度模型、Suzuki幅度模型；
所述瑞利幅度模型具体为：
该模型是外辐射源雷达日常工作中最为常见的一种模型，主要是反映了非合作的外源发 射雷达与接收雷达之间没有直射路径的电磁波多径反射传输的城市郊区电磁环境状况，其概 率密度函数为：
Figure BDA0002134346050000101
式中Pij表示幅度仿真数据的第i帧数据的第j个距离元的幅度值，σ为幅值方差；i取 值范围为[L1,0,L1,1]表示第L1,0～L1,1帧数据，j取值范围为[K0,0,K0,1]表示一帧数据中的第 K0,0～K0,1个距离元幅度值数据，其中L1,0为1、L1,1为10000、K0,0为1、K0,1为8000。瑞 利幅度模型采用的幅度模型仿真方法中的逆变换法来生成num0帧仿真数据，其中num0为10000，其具体过程如下：
通过积分计算可以获得瑞利分布概率密度函数f(Pij)的累积分布函数F(Pij)：
Figure BDA0002134346050000102
可以通过逆变换得到F(Pij)的反函数为：
Figure BDA0002134346050000103
其中Pij即为我们需要的瑞利分布仿真数据，而F(Pij)是一个服从Unit[L1,2,L1,3]均匀分 布的随机数，之后将F(Pij)在代入上式即可获得符合瑞利分布的仿真数据Pij，该方法产生 的num1个距离元数据组成一帧仿真数据，其中L1,2为0、L1,3为1、num1为8000，图3为该方法生成的1帧瑞利幅度模型数据的统计直方图。
之后再连续进行num次计算过程迭代产生num帧的莱斯幅度模型仿真数据，并且在仿 真数据标签上显示为L1,0～L1,1表示为该模型仿真数据标签，其中L1,0为1、L1,1为10000、num0为10000；
所述莱斯幅度模型具体为：
这个模型是对于瑞利幅度模型的一种修正模型，其他条件与瑞利幅度模型基本相同，但 是相较于瑞利幅度模型而言莱斯幅度模型多了一条电磁波直射传输主径，并且这条主径对幅 度分布影响较大，其概率密度函数为：
Figure BDA0002134346050000104
式中Pij表示幅度仿真数据的第i帧数据的第j个距离元的幅度值，A为直射主径幅度， σ为方差，J0为修正的零阶第一类Bessel函数；i取值范围为[L2,0,L2,1]表示第L2,0～L2,1帧仿真数据，j取值范围为[K0,0,K0,1]表示一帧仿真数据中的第K0,0～K0,1个距离元幅度值数据，σ取值范围为[B0,B1]，其中L2,0为10001、L2,1为20000、K0,0为1、K0,1为8000、 B0为0.5、B1为2.0。
莱斯幅度模型采用的幅度模型仿真方法中的舍选法来生成num0帧仿真数据，其中num0为10000,其具体过程如下：
首先生成一个均匀分布Unit(xmin,xmax)随机数x，其中xmin和xmax的数值由概率密度函数f(x)＝f(Pij)的限制条件给出，其中x等价于Pij，这里的莱斯幅度模型的限制条件决定了xmin为0，xmax为9；之后生成一个均匀分布Unit(f(x)min,f(x)max)随机数y，其中 f(x)min为0，f(x)max为0.431；然后每次生成(x,y)两个独立的数据：若y≤f(x)，则 选用当前x数值为莱斯幅度模型的一个距离元数据Pij的仿真数值，否则舍弃x数值重复上 述流程，这一步的舍弃与选定也是该类幅度模型仿真方法的名称由来；通过对x舍选获取到 num1个距离元数据Pij组成1帧数据，其中num1为8000，图4为该方法生成的1帧莱斯 幅度模型数据的统计直方图；最后重复上述中的一帧数据的产生流程进行迭代产生num0帧 的莱斯幅度模型数据，并且在数据标签上标记为L2,0～L2,1表示为该模型仿真数据标签，其 中num0为10000、L2,0为10001、L2,1为20000。
所述对数正态幅度模型具体为：
这个模型主要反映了有海杂波影响的情况下的雷达回波幅度分布情况，幅度统计图中会 有很长的拖尾即存在有幅值非常大的数据，其概率密度函数为：
Figure BDA0002134346050000111
式中Pij表示幅度仿真数据的第i帧数据的第j个距离元的幅度值，σ为幅值方差，A为 直射主径幅度；i取值范围为[L3,0,L3,1]表示第L3,0～L3,1帧数据、j取值范围为[K0,0,K0,1]表示一帧数据中的第K0,0～K0,1个距离元幅度值数据、σ取值范围为[B0,B1]，其中 L3,0为20001、L3,1为30000、K0,0为1、K0,1为8000、B0为0.5、B1为2.0。对数正态幅 度模型仿真数据采用幅度模型仿真方法中的组合法来生成num0帧仿真数据，其中 num0为10000。
先产生一个服从N(B2,B3)正态分布随机数x，利用如下公式计算,其中B2为0、B3为1：
y＝exp(u+σ*x)
式中的y的数值即可仿真对数正态幅度模型的一个距离元数据，之后进行num1次距离 元数据产生合成1帧数据，其中num1为8000，图5为该方法生成的1帧对数正态幅度模型数据的统计直方图。
进行循环迭代产生num0帧数正态幅度模型仿真数据，并且在数据标签上标记为L3,0～L3,1表示为该模型仿真数据标签，其中num1为8000、num0为10000、L3,0为20001、 L3,1为30000。
所述Suzuki幅度模型具体为：
这类是属于组合统计模型中常见的组合模型，它可以看做是由对数正态幅度模型和瑞利 幅度模型的混合模型，其概率密度是瑞利幅度模型与对数正态幅度模型的联合变形。
使用幅度模型仿真方法中的组合法构建Suzuki幅度模型仿真数据，先分别独立产生瑞 利幅度模型数据x和对数正态幅度模型y,之后将二者相乘即可获得Suzuki幅度模型的一 个距离元数据。其中x,y数据的产生方法见瑞利幅度模型、对数正态幅度模型一个距离元仿 真数据产生流程，之后连续生成num1个距离元数据组成一帧仿真数据，重复将上述方法进 行迭代产生num0帧Suzuki幅度模型仿真数据，图6为该方法生成的1帧Suzuki幅度模型 仿真数据的统计直方图，并且在数据标签上标记为L4,0～L4,1表示为该模型仿真数据标签， 其中num1为8000、num0为10000、L3,0为30001、L3,1为40000。
步骤1中所述功率谱模型数据的典型模型为：
Jakes功率谱模型、Flat功率谱模型、Guassian功率谱模型、Jakes混合冲激功率谱模 型、ButterWorth功率谱模型、Jakes混合ButterWorth功率谱模型。
所述Jakes功率谱模型函数为：
Figure BDA0002134346050000121
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为多普勒频移；i取值范围为[L1,2,L1,3]表示第L1,2～L1,3帧数据、k取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B4,B5)均匀分布随机数，其中L1,2为1、 L1,3为10000、K1,2为1、K1,1为2001、B4为20、B5为60。
使用功率谱模型仿真方法：先将f取值为[A0,A1]范围采样间隔为S0的一维有序数列 并命名为F1，在将F1代入Jakes功率谱模型函数中得到Pdb(F1)一维序列值构成1帧Jakes功率谱模型仿真数据，图7为该方法生成的1帧Jakes功率谱模型仿真数据图谱。之后进行重复迭代得到num0帧仿真数据，并且标记为L1,2～L1,3作为该模型仿真数据的标识符，其 中A0为-100、A1为100、S0为0.1、num0为10000、L1,2为1、L1,3为10000。
所述Flat功率谱模型函数为：
Figure BDA0002134346050000122
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fc为雷达回波功率谱的 截止频率点；i取值范围为[L2,2,L2,3]表示第L2,2～L2,3帧数据、k取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fc为服从Unit(B4,B5)均匀分布随机数， 其中L2,2为10001、L2,3为20000、K1,2为1、K1,1为2001、B4为20、B5为60。
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F2，在将F2代入Flat功率谱模型函数中得到Pdb(F2)一维序列值构成1帧Flat 功率谱模型仿真数据，图8为该方法生成的1帧Flat功率谱模型数据图谱。之后进行重复 迭代得到num0帧仿真数据，并且标记为L2,2～L2,3作为该模型仿真数据的标识符，其中 A0为-100、A1为100、S0为0.1、num0为10000、L2,2为10001、L2,3为20000。
所述Guassian功率谱模型函数为：
Figure BDA0002134346050000123
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，σ为其形状参数；i取值范围为[L3,2,L3,3]表示第L3,2～L3,3帧数据、k取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B6,B7)均匀 分布随机数、σ取值范围为[B8,B9]，其中L3,2为20001、L3,3为30000、K1,2为1、 K1,1为2001、B6为20、B7为60、B8为0.5、B9为2.0。
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F3，在将F3代入Guassian功率谱模型函数中得到Pdb(F3)一维序列值构成1帧Guassian功率谱模型仿真数据，图9为该方法生成的1帧Guassian功率谱模型数据图谱。 之后进行重复迭代得到num0帧仿真数据，并且标记为L3,2～L3,3作为该模型仿真数据的标 识符，其中A0为-100、A1为100、S0为0.1、num0为10000、L3,2为20001、L3,3为30000。
所述Jakes混合多普勒冲激模型为：
Figure BDA0002134346050000131
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，fx为脉冲突变点；i取值范围为[L4,2,L4,3]表示第L4,2～L4,3帧数据、k取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B10,B11) 均匀分布随机数、fx取值范围[-fd,fd]，其中L4,2为30001、L4,3为40000、K1,2为1、 K1,1为2001、B10为20、B11为60。
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F4，在将F4代入Jakes混合多普勒冲激模型函数中得到Pdb(F4)一维序列值构成1帧Jakes混合冲激功率谱模型仿真数据，其中A0为-100、A1为100、S0为0.1、 num0为10000、L3,2为20001、L3,3为30000。之后进行重复迭代得到num0帧仿真数据， 并且标记为L4,2～L4,3作为该模型仿真数据的标识符，其中A0为-100、A1为100、S0为0.1、 num0为10000、L4,2为30001、L4,3为40000。
所述ButterWorth功率谱模型函数为：
Figure BDA0002134346050000132
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，n为形状阶数，fx为脉冲突变点；i取值范围为[L5,2,L5,3]表示第L5,2～L5,3帧数据、j取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B12,B13)均匀分布随机数、n取值为[B14,B15]之间的随机数、fx取值范围[-fd,fd]， 其中L5,2为40001、L5,3为50000、K1,2为1、K1,1为2001、B12为20、B13为60、B14为1.1、 B15为2.1。
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F5，在将F5代入ButterWorth功率谱模型函数中得到Pdb(F5)一维序列值构成1帧ButterWorth功率谱模型仿真数据，图11为该方法生成的1帧ButterWorth功率谱模型 数据图谱。之后进行重复迭代得到num0帧仿真数据，并且标记为L5,2～L5,3作为该模型仿 真数据的标识符，其中A0为-100、A1为100、S0为0.1、num0为10000、L5,2为40001、 L5,3为50000。
所述Jakes混合ButterWorth模型为：
Figure BDA0002134346050000133
其中fik为第i帧数据的第k个雷达回波傅里叶变换后的频点，fd为雷达回波的功率谱 频移点，n为形状阶数，fx为脉冲突变点；i取值范围为[L6,2,L6，3]表示第L6,2～L6,3帧数据、k取值范围为[K1,0,K1,1]表示一帧数据中的第K1,0～K1,1个频点功率值数据、fd为服从Unit(B16,B17)均匀分布随机数、n取值为[B18,B19]之间的随机数、fx取值范围[-fd,fd]， 其中L6,2为50001、L6,3为60000、K1,2为1、K1,1为2001、B16为20、B17为60、B18为1.1、 B19为2.1。
使用功率谱模型仿真方法：先将f取值范围为[A0,A1]采样间隔为S0的一维有序数列 并命名为F6，在将F6代入Jakes混合ButterWorth功率谱模型函数中得到Pdb(F6)一维序列值构成1帧ButterWorth功率谱模型仿真数据，图12为该方法生成的1帧Jakes混合ButterWorth功率谱模型数据图谱。之后进行重复迭代得到num0帧仿真数据，并且标记为L6,2～L6,3作为该模型仿真数据的标识符，其中A0为-100、A1为100、S0为0.1、 num0为10000、L6,2为50001、L6,3为60000。
步骤2：对幅度模型仿真数据Pij以及功率谱模型仿真数据Pdb(fik)进行数据预处理，分 别得到预处理后的幅度模型仿真数据P`ij、预处理后的功率谱模型仿真数据P`db(fik)；
作为优选，步骤2中所述幅度模型仿真数据的典型模型为：
瑞利幅度模型、莱斯幅度模型、对数正态幅度模型、Suzuki幅度模型；
步骤2中所述功率谱模型仿真数据的典型模型为：
Jakes功率谱模型、Flat功率谱模型、Gaussian功率谱模型、Jakes混合冲激功率谱模 型、ButterWorth功率谱模型、Jakes混合ButterWorth功率谱模型；
对幅度模型仿真数据和功率谱模型仿真数据进行归一化处理达到让各个幅度模型仿真 数据之间和功率谱模型仿真数据之间具有统一的量值；
幅度模型仿真数据Pij归一化处理，处理公式如下：
Pi'＝Pi/max(Pi),其中Pi＝[Pi1,Pi2,PiN]
其中Pi＝[Pi1,Pi2,...,PiN]为第i帧幅度模型仿真数据序列集合，Pij'表示为Pij经过归一 化处理后的第i帧第j个距离元的幅度值，即预处理后的幅度模型仿真数据，i取值范围为 [L0,0,L0,1]，其中L0,0为1、L0,1为40000、N取值为8000。
功率谱模型仿真数据Pdb(fij)归一化处理，处理公式如下：
P`db(Fi)＝Pdb(Fi)/max[Pdb(Fi)],其中Fi＝[fi1,fi2,...fiN]
其中，Pdb(Fi)＝[Pdb(fi1),Pdb(fi2),...,Pdb(fiK)]为第i帧仿真数据序列集合,P`db(fik)表 示为Pdb(fik)经过归一化处理后的第i帧第k个频率点功率值，即预处理后的功率谱模型仿 真数据，i取值范围为[L1,0,L1,1],k取值范围为[1,N]，其中L1,0为1、L1,1为60000、N取值 为8000；
步骤3：根据预处理之后的幅度模型仿真数据P′ij进行统计特征提取得到幅度模型特征 值矩阵Flagi，根据预处理之后的功率谱模型仿真数据P`db(fik)做数据长度截取得到功率谱 裁剪值P``db(fik)；
作为优选，步骤3中所述根据预处理之后的幅度仿真模型数据进行统计特征提取操作为：
选定统计特征提取值为：均值、标准差、中位数、偏度、峰度、平均绝对误差。
所述均值为：
Figure BDA0002134346050000141
所述标准差为：
Figure BDA0002134346050000142
所述中位数midi为：
将数据进行有序排列之后选取中间的那个数值即是中位数；
先对离散数据P`ij做从小到大排序成一个有序队列；选取有序队列中的第N/2的数据担 当中位数，当N/2不可整除时使用四舍五入法取值，其中中位数为midi。
所述偏度为：
偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征， 其计算公式如下：
Figure BDA0002134346050000151
所述峰度为：
峰度表征概率密度分布曲线在平均值处峰值高低的特征数，其计算公式如下：
Figure BDA0002134346050000152
所述平均绝对误差为：
平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均，其计算公式为：
Figure BDA0002134346050000153
上式中i表示第1帧预处理后的幅度仿真数据，N为该帧数据的长度与num1大小相同， 将上述特征值汇总成一个幅度模型特征值矩阵Flagi为：
Flagi＝[ui,σi,midi,skewi,Kurti,MADi]
通过数据筛查比对，这个幅度模型特征值矩阵可以将这些幅度模型的差异提取出来；
步骤3中所述根据预处理之后的功率谱模型仿真数据做数据长度截取操作为：
由于后续的分类器网络的输入节点个数是num3个，这里需要将预处理之后的功率谱模 型仿真数据P`db(Fi)从num2个采样点缩减到num3个采样点得到功率谱裁剪值P``db(fik),其 中num2为2001、num3为1001。
直接将仿真数据P`db(Fi)中的每间隔2个数据的值取平均，其中第Nmid个数值直接选用 原始值，这样便可获得长度值为num3的功率谱裁剪值P``db(fik)，其中num3为1001、Nmid为1001。
步骤4：将幅度模型特征值矩阵数据Flagi与功率谱裁剪值数据P``db(fik)分别进行数据 分集，按N1:N2:N3比例划分成训练集、测试集、验证集数据，其中N1为6、N2为2、N3为2；
作为优选，步骤4中所述将幅度模型特征值矩阵数据Flagi按N1:N2:N3比例划分成训练集、测试集、验证集数据为：
直接将每个幅度模型特征值矩阵数据Flagi的第 (X1*10^4+0001)～(X1*10^4+60)0帧F0lagi数据选为幅度模型训练集数据Data11， 将第(X1*10^4+6001)～(X1*10^4+800)0帧Flagi数据选为幅度模型测试集数据 Data12，第(X1*10^4+8001)～((X1+1)*10^4+0000)帧Flagi数据选为幅度模型验证 集数据Data13，并将选定数据在各自数据集内进行打包处理，其中X1取值为区间[C1,C2]整 数范围,C1为0、C2为3；
将划分好的数据集，分别在各自的数据集包内进行乱序处理，以防止后续幅度模型神经 网络分类器在进行网络训练的时候由于数据输入分块化导致的过拟合现象。
步骤4中所述将功率谱裁剪值数据P``db(fik)按N1:N2:N3比例划分成训练集、测试集、 验证集数据为：
将每个模型的功率谱裁剪值数据P``db(fik)的第 (X2*10^4+0001)～(X2*10^4+6000)帧P``db(fik)数据选为功率谱模型训练集数据 Data21，将第(X2*10^4+6001)～(X2*10^4+8000)帧P``db(fik)数据选为功率谱模型测 试集数据Data22，第(X2*10^4+8001)～((X2+1)*10^4+0000)帧P``db(fik)数据选为功 率谱模型验证集数据Data23，并将选定数据在各自数据集内进行打包处理，其中X2取值为 区间[C3,C4]整数范围,C3为0、C4为5；
将划分好的数据集，分别在各自的数据集包内进行乱序处理，以防止后续功率谱模型神 经网络分类器在进行网络训练的时候由于数据输入分块化导致的过拟合现象。
步骤5：通过幅度模型训练集数据Data11、幅度模型测试集数据Data12、幅度模型验证集数据Data13建立幅度模型神经网络分类器；
作为优选，步骤5中所述幅度模型神经网络分类器具体为：
所述幅度模型神经网络分类器由输入层，隐含层，输出层构成；
所述幅度模型神经网络分类器每层神经元的数量：
输入层为M1,1个单元；隐含层有M2层，第一层为M2,1个单元、第二层为M2,2个单元、第三层为M2,3个单元，输出层有M3,1个单元，其中M1,1为6、M2为3、M2,1为128、M2,2为512、M2,3为128、M3,1为4，图15为幅度模型神经网络分类器的组成结构。
幅度模型神经网络分类器中各神经元权重和偏置值为：
Figure BDA0002134346050000161
Figure BDA0002134346050000165
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA0002134346050000166
表示第 k层网络第j个节点的偏置值。
步骤5中所述幅度模型神经网络分类器的目标模型为：
Figure BDA0002134346050000162
其中，Hy'(y)为整个分类器的目标模型，yk为分类器预测的为第k类的softmax归一化输出，softmax函数如下：
Figure BDA0002134346050000163
为训练数据的真实类别标签，取值1表示为是第k类数据，取值0表示不是第k类数据， 由上式softmax函数可知当分类器分类越准确时对应的分量越接近1其他分量越接近0，从 而目标模型的值越小。
目标模型优化求解方法为：Adam梯度优化算法
利用步骤中选定的幅度模型训练集Data1,1、测试集Data1,2数据进行优化后幅度模型神 经网络分类器中各神经元权重为：
Figure BDA0002134346050000164
Figure BDA0002134346050000167
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA0002134346050000168
表示第 k层网络第j个节点的偏置值。使用tensorflow框架构建网络模型，训练达到我们预期的超过95％正确率和训练步数后，权重值被打包成一个1.52MB的数据包中，训练过程详情见图16，其中权重个数经过精确计算为：
6*128+128+128*512+512+512*128+128+128*4+4＝133124
权重值为一个10万数量级的数据包，图17为训练优化后的神经元权重文件包。
利用功率谱模型验证集数据Data1,3计算预测判断可以得知该分类器正确率为R1，其中R1为0.9241，到此幅度模型神经网络分类器的模型设计与训练工作完成；
在该幅度神经网络分类器对未知幅度模型数据的预测分类过程中，先将未知幅度模型数 据
Figure BDA0002134346050000175
通过步骤2～3进行处理得到未知幅度模型的特征值矩阵数据
Figure BDA0002134346050000176
将未知幅度模型 的特征值矩阵数据
Figure BDA0002134346050000177
输入该幅度神经网络分类器，经过该神经网络的计算得到幅度模型 类别数值为
Figure BDA0002134346050000178
其中
Figure BDA0002134346050000179
取值为集合{0,1,2,3}中任意值，其中0表示预测模型为瑞利幅度模型、 1表示预测模型为莱斯幅度模型、2表示预测模型为对数正态幅度模型、3表示预测模型为 Suzuki幅度模型；
步骤6：通过功率谱模型训练数据集Data2,1、功率谱模型测试数据集Data2,2、功率谱 模型验证数据集Data2,3建立功率谱模型神经网络分类器；
作为优选，步骤6中所述功率谱模型神经网络分类器模型具体为：
所述功率谱模型神经网络分类器由输入层，隐含层，输出层构成；
步骤6中所述功率谱模型神经网络分类器每层神经元的数量：
输入层为
Figure BDA00021343460500001710
个单元；隐含层有N2层，第一层为
Figure BDA00021343460500001711
个单元、第二层为
Figure BDA00021343460500001712
个单元、第三层为
Figure BDA00021343460500001713
个单元，输出层有
Figure BDA00021343460500001714
个单元，其中
Figure BDA00021343460500001715
为1001、
Figure BDA00021343460500001716
为3、
Figure BDA00021343460500001717
为128、
Figure BDA00021343460500001718
为512、
Figure BDA00021343460500001719
为128、
Figure BDA00021343460500001720
为6，图18为功率谱模型神经网络分类器的结构图。
幅度神经网络分类中各神经元权重和偏置值为：
Figure BDA0002134346050000171
Figure BDA00021343460500001721
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA00021343460500001722
表示第 k层网络第j个节点的偏置值。
步骤3中所述幅度神经网络分类的目标模型为：
Figure BDA0002134346050000172
其中为整个分类器的目标模型，为分类器预测的为第k类的softmax归一化输出，softmax函数如下：
Figure BDA0002134346050000173
目标模型优化求解方法为：Adam梯度优化算法
利用步骤4中选定的功率谱模型训练集Data2,1、测试集Data2,2数据进行优化后功率 谱模型神经网络分类中各神经元权重为：
Figure BDA0002134346050000174
Figure BDA00021343460500001723
表示第k层网络的前一层第i个节点到当前层第j个节点的权重值；
Figure BDA00021343460500001724
表示第 k层网络第j个节点的偏置值。
使用tensorflow框架构建的模型，训练达到我们预期的超过95％正确率和训练步数后， 权重值被打包成一个2MB的数据包中，训练过程详情见图19，其中权重个数经过精确计算 为：
1001*128+128+128*512+512+512*128+128+128*6+6＝260742
(28)
权重值为一个10万数量级的数据包，图20为训练优化后的神经元权重返回文件包。
利用功率谱模型验证集数据Data2,3计算预测判断可以得知该分类器正确率为R2，其中R2为0.9989，到此功率谱模型神经网络分类器的模型设计、训练、验证工作完成；
在该功率谱神经网络分类器对未知功率谱模型数据的预测分类过程中，先将未知功率谱 模型数据
Figure BDA0002134346050000182
通过步骤2～3进行处理得到未知功率谱模型的裁剪数据
Figure BDA0002134346050000183
将未 知功率谱模型的裁剪数据
Figure BDA0002134346050000184
输入该功率谱神经网络分类器，经过该神经网络的计算得 到功率谱模型类别数值为
Figure BDA0002134346050000185
Figure BDA0002134346050000186
取值为集合{0,1,2,3,4,5}中任意值，其中0表示预测模型 为Jakes功率谱模型、1表示预测模型为Flat功率谱模型、2表示预测模型为Gaussian功 率谱模型、3表示预测模型为Jakes混合冲激功率谱模型、4表示预测模型为ButterWorth 功率谱模型、5表示预测模型为Jakes混合ButterWorth功率谱模型；
步骤7：将预测的幅度模型类别和预测的功率谱模型类别进行联合判决，根据电磁环境 联合判决矩阵得到电磁环境类别数据；
步骤7中所述预测的幅度模型类别为
Figure BDA0002134346050000187
具体计算过程为：
将待预测雷达数据的幅度数据
Figure BDA0002134346050000188
通过上述步骤2～3进行处理得到幅度特征值矩阵数 据
Figure BDA0002134346050000189
将幅度特征值矩阵数据
Figure BDA00021343460500001810
输入步骤5中的幅度模型神经网络分类器，经过该 神经网络的计算得到幅度模型类别为
Figure BDA00021343460500001811
步骤7中所述预测的功率谱模型类别为
Figure BDA00021343460500001812
具体计算过程为：
将待预测雷达数据的功率谱数据
Figure BDA00021343460500001813
通过上述步骤2～3进行处理得到功率谱裁剪 数据
Figure BDA00021343460500001814
将功率谱裁剪数据
Figure BDA00021343460500001815
输入步骤6中的功率谱模型神经网络分类器，经 过该神经网络的计算得到预测的功率谱模型类别为
Figure BDA00021343460500001816
步骤7中所述根据电磁环境联合判决矩阵得到电磁环境类别数据为：
利用上面得到的幅度模型类别数值
Figure BDA00021343460500001817
和功率谱模型类别数值
Figure BDA00021343460500001818
进行联合判决，将
Figure BDA00021343460500001819
Figure BDA00021343460500001820
代入电磁环境联合判决矩阵T中返回当前外辐射源雷达所处环境的电磁环境类别数值
Figure BDA00021343460500001821
Figure BDA0002134346050000181
式中电磁环境联合判决矩阵T为4行6列的二维矩阵，并且这里定义由上到下为第0、 1、2、3行，由左到右为第0、1、2、3、4、5列。进行幅度模型和功率谱模型联合判决时， 返回电磁环境联合判决矩阵T中由幅度模型类别
Figure BDA00021343460500001822
决定的第
Figure BDA00021343460500001823
行和由功率谱模型类别
Figure BDA00021343460500001824
决定的第
Figure BDA00021343460500001825
列位点上的电磁环境类别数值
Figure BDA00021343460500001826
Figure BDA00021343460500001827
取值为(1,2,3,4,5,6),1表示经典电磁环 境、2表示平坦电磁环境、3表示经典电磁环境、4表示莱斯电磁环境、5表示对数正态电磁 环境、6表示Suzuki电磁环境；
利用外辐射源雷达系统的实测数据进行算法准确性验证，数据来源：
接收天线为7元线阵接收天线、发射天线为DTMB_618MHz发射天线；
两天线直线距离7.5公里，周围环境属于城市高楼大厦环境，但是有直射路径，理论上 幅度模型应该是瑞利幅度模型；由于反射体众多且发射天线和接收天线位置固定无相对运动， 理论上应该高斯或平坦功率谱模型。
实测数据经雷达信号处理得到幅度数据和功率谱数据，如图22为幅度数据
Figure RE-GDA00021966612900001826
其统计直 方图。
根据步骤2～5对幅度数据
Figure BDA00021343460500001830
进行预测获得预测矩阵Pre1和幅度模型类别数值
Figure BDA00021343460500001831
结果 为:
Pre1＝[0.9815,1.752-e2,9.271e-4,7.734e-24]
Figure BDA0002134346050000191
根据步骤2～4和6对功率谱数据
Figure BDA0002134346050000193
进行预测获得预测矩阵Pre2和功率谱模型类别数值
Figure BDA0002134346050000194
结果为:
Pre2＝[2.77e-12,1.00,2.04e-9,0.00,0.00,0.00]
Figure BDA0002134346050000192
根据上面的结果
Figure BDA0002134346050000195
为0，
Figure BDA0002134346050000196
为1表示当前雷达实测数据的幅度模型预测为瑞利幅度模 型、功率谱模型为flat模型；根据
Figure BDA0002134346050000197
数据的联合判决返回电磁环境联合判决矩阵T中 第0行第1列电磁环境类别数值
Figure BDA0002134346050000198
为2，表示当前雷达实测数据为平坦电磁环境，与现实环 境理论值相符。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专 利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所 保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求 保护范围应以所附权利要求为准。

Claims (1)

1.一种适用于外辐射源雷达的电磁环境辨识方法，其特征在于，包括以下步骤：
步骤1：通过幅度模型仿真方法对雷达回波的幅度模型数据进行仿真产生Pn帧幅度模型仿真数据，通过功率谱模型仿真方法对雷达回波的功率谱模型数据进行仿真产生Dn帧功率谱模型仿真数据；
步骤2：对幅度模型仿真数据以及功率谱模型仿真数据进行数据预处理，分别得到预处理后的幅度模型仿真数据以及预处理后的功率谱模型仿真数据；
步骤3：根据预处理之后的幅度模型仿真数据进行统计特征提取得到幅度模型特征值矩阵，根据预处理之后的功率谱模型仿真数据进行数据长度截取得到功率谱裁剪值；
步骤4：将幅度模型特征值矩阵与功率谱裁剪值分别进行数据分集，按N1:N2:N3比例划分成训练集、测试集、验证集数据；
步骤5：通过幅度模型训练集数据、幅度模型测试集数据、幅度模型验证集数据建立幅度模型神经网络分类器；
步骤6：通过功率谱模型训练集数据、功率谱模型测试集数据、功率谱模型验证集数据建立功率谱模型神经网络分类器；
步骤7：将实时采集的真实雷达回波数据的幅度数据使用所述幅度模型神经网络分类器获取预测的幅度模型类别，将实时采集的真实雷达回波数据的功率谱数据使用所述功率谱模型神经网络分类器获取预测的功率谱模型类别；
将预测的幅度模型类别和预测的功率谱模型类别进行联合判决，根据电磁环境联合判决矩阵得到电磁环境类别数据。
CN201910648399.7A 2019-07-18 2019-07-18 一种适用于外辐射源雷达的电磁环境辨识方法 Active CN110489797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910648399.7A CN110489797B (zh) 2019-07-18 2019-07-18 一种适用于外辐射源雷达的电磁环境辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910648399.7A CN110489797B (zh) 2019-07-18 2019-07-18 一种适用于外辐射源雷达的电磁环境辨识方法

Publications (2)

Publication Number Publication Date
CN110489797A CN110489797A (zh) 2019-11-22
CN110489797B true CN110489797B (zh) 2023-03-24

Family

ID=68547347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910648399.7A Active CN110489797B (zh) 2019-07-18 2019-07-18 一种适用于外辐射源雷达的电磁环境辨识方法

Country Status (1)

Country Link
CN (1) CN110489797B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257844B (zh) * 2019-12-19 2021-10-12 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于相参累积增益的目标起伏特性表征方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN109471074A (zh) * 2018-11-09 2019-03-15 西安电子科技大学 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN109507648A (zh) * 2018-12-19 2019-03-22 西安电子科技大学 基于VAE-ResNet网络的雷达辐射源识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN109471074A (zh) * 2018-11-09 2019-03-15 西安电子科技大学 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN109507648A (zh) * 2018-12-19 2019-03-22 西安电子科技大学 基于VAE-ResNet网络的雷达辐射源识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多维特征及BP网络的高分辨雷达目标识别;曹伟等;《计算机工程与应用》;20120116(第08期);第213-216页 *
雷达相关杂波的建模与仿真研究;沈慧芳等;《雷达科学与技术》;20091215(第06期);第447-451页 *

Also Published As

Publication number Publication date
CN110489797A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
Davò et al. Post-processing techniques and principal component analysis for regional wind power and solar irradiance forecasting
CN102915445B (zh) 一种改进型的神经网络高光谱遥感影像分类方法
CN106503867A (zh) 一种遗传算法最小二乘风电功率预测方法
CN111308471B (zh) 基于半监督域适应的雨、雪、冰雹分类监测方法
CN112052755A (zh) 基于多路注意力机制的语义卷积高光谱图像分类方法
Tabari et al. Utility of coactive neuro-fuzzy inference system for pan evaporation modeling in comparison with multilayer perceptron
CN111126471A (zh) 微地震事件检测方法及系统
CN110135167A (zh) 一种随机森林的边缘计算终端安全等级评估方法
CN104732240A (zh) 一种应用神经网络敏感性分析的高光谱影像波段选择方法
Joseph et al. Rainfall prediction using data mining techniques
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
Haque et al. Crop yield analysis using machine learning algorithms
CN109753874A (zh) 一种基于机器学习的低慢小雷达目标分类方法
CN107180260A (zh) 基于进化神经网络的短波通信频率选择方法
CN115877483A (zh) 一种基于随机森林和gru的台风路径预报方法
CN110489797B (zh) 一种适用于外辐射源雷达的电磁环境辨识方法
CN108631817B (zh) 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法
CN114004158A (zh) 基于遗传算法优化支持向量机的海面电磁散射预测方法
CN107577896B (zh) 基于混合Copula理论的风电场多机聚合等值方法
Xue et al. A novel intelligent antenna synthesis system using hybrid machine learning algorithms
CN116341363A (zh) 一种多层土壤湿度反演方法
CN114339855B (zh) 无线网络覆盖率评估方法、装置及计算设备
US11288856B2 (en) Method and system for wave propagation prediction
CN115345207A (zh) 一种自适应的多气象要素预测方法
Nouir et al. Comparison of neural network learning algorithms for prediction enhancement of a planning tool

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