CN111060878B - 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 - Google Patents

适用于单脉冲的lfm雷达工作模式实时分类方法及装置 Download PDF

Info

Publication number
CN111060878B
CN111060878B CN201911390466.6A CN201911390466A CN111060878B CN 111060878 B CN111060878 B CN 111060878B CN 201911390466 A CN201911390466 A CN 201911390466A CN 111060878 B CN111060878 B CN 111060878B
Authority
CN
China
Prior art keywords
lfm
working mode
pulse signal
signal
pulse
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
CN201911390466.6A
Other languages
English (en)
Other versions
CN111060878A (zh
Inventor
方昊
邢月秀
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.)
Nanjing Dongke Youxin Network Security Technology Research Institute Co ltd
Original Assignee
Nanjing Dongke Youxin Network Security Technology Research Institute Co ltd
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 Nanjing Dongke Youxin Network Security Technology Research Institute Co ltd filed Critical Nanjing Dongke Youxin Network Security Technology Research Institute Co ltd
Priority to CN201911390466.6A priority Critical patent/CN111060878B/zh
Publication of CN111060878A publication Critical patent/CN111060878A/zh
Priority to PCT/CN2020/115324 priority patent/WO2021135390A1/zh
Application granted granted Critical
Publication of CN111060878B publication Critical patent/CN111060878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • 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
    • G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
    • 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
    • G01S7/28—Details of pulse systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种适用于单脉冲的LFM雷达工作模式实时分类方法及装置，方法包括：(1)实时接收发射机发射的LFM脉冲信号；(2)根据当前接收的LFM脉冲信号估计信号调制参数；(3)将当前接收的LFM脉冲信号的信号调制参数与目前工作模式库中的所有工作模式栈进行相似性比较，并存储至相似性最高的工作模式栈中；其中，所述工作模式库中存储若干工作模式栈，每个工作模式栈中存储属于同一类工作模式的LFM脉冲信号；(4)当已接收的LFM脉冲信号数量是Nw的整数倍时，删除由干扰脉冲组成的工作模式栈以精简工作模式库。本发明可以实时对单脉冲的LFM雷达信号的工作模式进行分类。

Description

适用于单脉冲的LFM雷达工作模式实时分类方法及装置
技术领域
本发明涉及脉冲工作模式识别，尤其涉及一种适用于单脉冲的LFM雷达工作模式实时分类方法及装置。
背景技术
雷达信号识别是指将被测辐射源信号参数和预先知道的辐射源参数进行比较以确认该辐射源本来属性的过程。雷达信号识别是保证雷达对抗侦查和干扰设备有效发挥其作战效能的重要前提。传统的雷达识别方式是基于脉冲描述字(pulse descriptor word，简称PDW)的技术。该技术提取脉冲信号的脉宽，频率，到达时间，到达角等参数对雷达的体制，用途和型号等信息进行识别，从而掌握其相关武器系统工作状态、制导方式、了解其战术运用特点、活动规律和作战能力的过程。但是随着各国电子信息技术的发展，电子战技术的要求也越来越高，雷达识别在电子对抗中扮演着重要的角色。但是随着电磁环境的日益复杂，雷达识别的要求也越来越高，随着一些复杂体制和特殊体制雷达的相继出现，雷达识别正面临着越来越严峻的挑战。
一方面，传统的对雷达脉冲分类的算法需要接收到很多脉冲信号后，通过聚类等方法实现，无法实时动态的对脉冲工作模式分类，在某些要求实时分析的系统中存在局限性。另一方面，新兴的基于设备物理指纹特征的雷达识别方案，对信号形式和调制参数敏感，需要输入调制参数相同的脉冲，并对每个单脉冲进行设备身份分类。但是传统的雷达工作模式分类方案是在多脉冲的前提下实施的。缺少基于单脉冲的工作模式分类算法以配合设备物理指纹方案的实施。因此我们需要一种适用于单脉冲的雷达工作模式实时分类方法解决上述问题。
进一步的，LFM(线性调频)信号具有非常好的探测能力和距离分辨能力。因此在声呐和雷达系统中得到了广泛应用。目前对LFM的单脉冲工作模式分类的研究不足。所以一种适用于单脉冲的LFM雷达工作模式实时分类方法是迫切需求的。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种适用于单脉冲的LFM雷达工作模式实时分类方法及装置，可以对单脉冲的LFM雷达信号进行实时分类。
技术方案：本发明所述的适用于单脉冲的LFM雷达工作模式实时分类方法包括：
(1)实时接收发射机发射的LFM脉冲信号，所述LFM脉冲信号为经过上变频和LFM调制的单脉冲信号；
(2)根据当前接收的LFM脉冲信号估计信号调制参数；
(3)将当前接收的LFM脉冲信号的信号调制参数与目前工作模式库中的所有工作模式栈进行相似性比较，并存储至相似性最高的工作模式栈中；其中，所述工作模式库中存储若干工作模式栈，每个工作模式栈中存储属于同一类工作模式的LFM脉冲信号；
(4)当已接收的LFM脉冲信号数量是Nw的整数倍时，检测工作模式库中所有工作模式栈的LFM脉冲信号数量，将LFM脉冲信号数量小于阈值λ的工作模式栈判定为干扰脉冲组成，删除该工作模式栈以精简工作模式库，其中，Nw为预设的脉冲流观测窗口，λ为预设的删除干扰脉冲工作模式的阈值。
进一步的，该方法还包括：
(5)计算目标脉冲比例RT、正确删除干扰脉冲的比例RI、以及工作模式库中最终存在的工作模式数NL，评估该方法的性能。
进一步的，步骤(1)中接收机接收到LFM脉冲信号后，先进行幅度归一化，幅度归一化后的LFM脉冲信号为：
Figure BDA0002344793320000021
式中，i表示当前LFM脉冲信号的序号，
Figure BDA0002344793320000022
表示对当前LFM脉冲信号进行幅度归一化后的信号，fi、μi、fi c、Ti分别表示
Figure BDA0002344793320000023
的初始频率、线性调频斜率、载波频率、脉冲宽度，四个参数构成该信号的调制参数，
Figure BDA0002344793320000024
表示初始相位，Zi RF(t)是均值为零且方差为σ2加性高斯白噪声。
进一步的，步骤(2)具体包括：
(2.1)通过对接收的LFM脉冲信号进行快速傅里叶变换，估计出综合频率fi e，fi e为包括初始频率fi和载波频率fi c的综合频率；
(2.2)通过对接收的LFM脉冲信号进行分数阶傅里叶变换，计算得到线性调频斜率μi；
(2.3)通过搜索接收的LFM脉冲信号的幅度，检测信号的开始和结束，获得脉冲宽度Ti；
(2.4)将综合频率fi e、线性调频斜率μi、脉冲宽度Ti作为信号
Figure BDA0002344793320000025
的信号调制参数集Θi＝[fi e,μi,Ti]。
进一步的，步骤(2.3)具体包括：
(2.3.1)检测接收的LFM脉冲信号
Figure BDA0002344793320000031
的幅度包络
Figure BDA0002344793320000032
Figure BDA0002344793320000033
式中，||表示取绝对值；
(2.3.2)对幅度包络
Figure BDA0002344793320000034
进行归一化；
(2.3.3)在归一化的包络上找到两个幅度值为0.5的采样点，分别记为
Figure BDA0002344793320000035
和
Figure BDA0002344793320000036
(2.3.4)计算脉冲宽度Ti：
Figure BDA0002344793320000037
进一步的，步骤(3)具体包括：
(3.1)若当前LFM脉冲信号为第一个LFM脉冲信号，即i＝1，当前工作模式库
Figure BDA0002344793320000038
为空，则在工作模式库
Figure BDA0002344793320000039
中创建一个工作模式栈
Figure BDA00023447933200000310
并将LFM脉冲信号
Figure BDA00023447933200000311
及其调制参数集Θ1加入到
Figure BDA00023447933200000312
中，即
Figure BDA00023447933200000313
(3.2)若当前LFM脉冲信号不是第一个LFM脉冲信号，即i≠1，则计算当前LFM脉冲信号
Figure BDA00023447933200000314
的调制参数Θi和工作模式库
Figure BDA00023447933200000315
中所有工作模式栈的距离；
计算距离时首先将当前LFM脉冲信号和工作模式栈的调制参数进行归一化，之后按照下式计算欧式距离：
Figure BDA00023447933200000316
Figure BDA00023447933200000317
是第n个工作模式栈
Figure BDA00023447933200000318
中的调制参数集合，
Figure BDA00023447933200000319
表示求Θi与
Figure BDA00023447933200000320
中所有元素的欧几里得距离的平均值，Nm表示工作模式库
Figure BDA00023447933200000321
中工作模式栈的数量；
(3.3)获取所有距离中的最小距离的索引Dmin：
Dmin＝D(Imin)
Imin＝arg min D(n)
其中D()表示求对应的索引；
(3.4)若Dmin＜γ，则判定当前LFM脉冲信号
Figure BDA0002344793320000041
与工作模式栈
Figure BDA0002344793320000042
相似性最高，将当前LFM脉冲信号
Figure BDA0002344793320000043
及其调制参数Θi加入最小距离对应的工作模式栈
Figure BDA0002344793320000044
中；否则创建新的工作模式栈
Figure BDA0002344793320000045
其中，γ为预设的距离门限。
进一步的，所述距离门限离γ满足：
γp＜γ＜γm
其中，γm表示所有目标工作模式之间的最小距离，γp是由于设备固有差异，计算误差引起的相同工作模式的脉冲信号之间的最大距离。
进一步的，所述预设的脉冲流观测窗口Nw和预设的干扰脉冲工作模式阈值λ满足：
Figure BDA0002344793320000046
式中，PI表示干扰工作的最大脉冲信号数在总脉冲信号数中的比例，PT表示目标工作的最小脉冲信号数在总脉冲信号数中的比例。
进一步的，接收脉冲信号时采样率大于奈奎斯特采样率。
本发明所述的适用于单脉冲的LFM雷达工作模式实时分类装置包括：
信号接收模块，用于实时接收发射机发射的LFM脉冲信号，所述LFM脉冲信号为经过上变频和LFM调制的单脉冲信号；
调制参数估计模块，用于根据当前接收的LFM脉冲信号估计信号调制参数；
工作模式库，库中存储有若干工作模式栈，每个工作模式栈中存储属于同一类工作模式的LFM脉冲信号；
相似性比较模块，用于将当前接收的LFM脉冲信号的信号调制参数与目前工作模式库中的所有工作模式栈进行相似性比较，并存储至相似性最高的工作模式栈中；其中，
工作模式库精简模块，用于当已接收的LFM脉冲信号数量是Nw的整数倍时，检测工作模式库中所有工作模式栈的LFM脉冲信号数量，将LFM脉冲信号数量小于阈值λ的工作模式栈判定为干扰脉冲组成，删除该工作模式栈以精简工作模式库，其中，Nw为预设的脉冲流观测窗口，λ为预设的干扰脉冲工作模式阈值。
有益效果：本发明与现有技术相比，其显著优点是：本发明更加适用于单脉冲情况下的工作模式识别。并且能有效配合新兴的射频指纹设备识别方案在LFM雷达设备上面的实施，有效地解决了LFM雷达单脉冲的工作模式的实时识别问题。
附图说明
图1为本发明的方法流程图；
图2为本发明工作模式库的自我精简的动态过程；
图3为本发明方法对于LFM雷达单脉冲工作模式分类结果示意图。
具体实施方式
本实施例提供了一种适用于单脉冲的LFM雷达工作模式实时分类方法，通过本方法，接收机接收到了LFM脉冲信号后，可以实时的对单脉冲进行工作模式分类，用于辅助雷达身份认证，如图1所示，该方法包括：
(1)接收机实时接收发射机发射的LFM脉冲信号，所述LFM脉冲信号为经过上变频和LFM调制的单脉冲信号。
其中，接收机接收脉冲信号时采样率大于奈奎斯特采样率，在接收到LFM脉冲信号后，先进行幅度归一化，幅度归一化后的LFM脉冲信号为：
Figure BDA0002344793320000051
式中，i表示当前LFM脉冲信号的序号，
Figure BDA0002344793320000052
表示对当前LFM脉冲信号进行幅度归一化后的信号，Zi RF(t)是均值为零且方差为σ2加性高斯白噪声，
Figure BDA0002344793320000053
表示初始相位，是随机的，并且在实际雷达系统中是不可配置的，fi、μi、fi c、Ti分别表示
Figure BDA0002344793320000054
的初始频率、线性调频斜率、载波频率、脉冲宽度，因此，一个LFM脉冲实际上由四个调制参数确定。
(2)根据当前接收的LFM脉冲信号估计信号调制参数。
该步骤具体包括：
(2.1)通过对接收的LFM脉冲信号进行快速傅里叶变换(FFT)，估计出综合频率fi e，fi e为包括初始频率fi和载波频率fi c的综合频率；
(2.2)通过对接收的LFM脉冲信号进行分数阶傅里叶变换(FrFT)，计算得到线性调频斜率μi；
(2.3)通过搜索接收的LFM脉冲信号的幅度，检测信号的开始和结束，获得脉冲宽度Ti；
由于LFM信号是振荡波形，所以直接检测原始信号的幅度时将获得多个点，这意味着不能精确地检测到脉冲宽度。因此，可以首先检测接收脉冲的包络如下：
Figure BDA0002344793320000061
式中，||表示取绝对值；然后对幅度包络
Figure BDA0002344793320000062
进行归一化；在归一化的包络上找到两个幅度值为0.5的采样点，分别记为
Figure BDA0002344793320000063
和
Figure BDA0002344793320000064
它们分别是脉冲上升沿和脉冲下降沿的到达时间。因此可计算脉冲宽度Ti：
Figure BDA0002344793320000065
(2.4)将综合频率fi e、线性调频斜率μi、脉冲宽度Ti作为信号
Figure BDA0002344793320000066
的信号调制参数集Θi＝[fi e,μi,Ti]。
(3)将当前接收的LFM脉冲信号的信号调制参数与目前工作模式库中的所有工作模式栈进行相似性比较，并存储至相似性最高的工作模式栈中；其中，所述工作模式库中存储若干工作模式栈，每个工作模式栈中存储属于同一类工作模式的LFM脉冲信号。
该步骤具体包括：
(3.1)若当前LFM脉冲信号为第一个LFM脉冲信号，即i＝1，当前工作模式库
Figure BDA0002344793320000067
为空，则在工作模式库
Figure BDA0002344793320000068
中创建一个工作模式栈
Figure BDA0002344793320000069
并将LFM脉冲信号
Figure BDA00023447933200000610
及其调制参数集Θ1加入到
Figure BDA00023447933200000611
中，即
Figure BDA00023447933200000612
(3.2)若当前LFM脉冲信号不是第一个LFM脉冲信号，即i≠1，则计算当前LFM脉冲信号
Figure BDA00023447933200000613
的调制参数Θi和工作模式库
Figure BDA00023447933200000614
中所有工作模式栈的距离；
计算距离时首先将当前LFM脉冲信号和工作模式栈的调制参数进行归一化，之后按照下式计算欧式距离：
Figure BDA00023447933200000615
Figure BDA00023447933200000616
是第n个工作模式栈
Figure BDA00023447933200000617
中的调制参数集合，
Figure BDA00023447933200000618
表示求Θi与
Figure BDA00023447933200000619
中所有元素的欧几里得距离的平均值，Nm表示工作模式库
Figure BDA00023447933200000620
中工作模式栈的数量；
(3.3)获取所有距离中的最小距离的索引Dmin：
Dmin＝D(Imin)
Imin＝arg min D(n)
其中D()表示求对应的索引；
(3.4)若Dmin＜γ，则判定当前LFM脉冲信号
Figure BDA0002344793320000071
与工作模式栈
Figure BDA0002344793320000072
相似性最高，将当前LFM脉冲信号
Figure BDA0002344793320000073
及其调制参数Θi加入最小距离对应的工作模式栈
Figure BDA0002344793320000074
中；否则创建新的工作模式栈
Figure BDA0002344793320000075
γ为预设的距离门限，满足：
γp＜γ＜γm
其中，γm表示所有目标工作模式之间的最小距离，γp是由于设备固有差异，计算误差引起的相同工作模式的脉冲信号之间的最大距离。在实际中，这两个参数一般是无法获得的，因此他们是经验值。
实际环境中由于脉冲叠加，脉冲截断，复杂的电磁环境效应等会存在干扰脉冲的产生，它们会对雷达识别产生负面影响。需要在对接收脉冲进行工作模式分类时将它们删除或标记为干扰脉冲。因此需要执行步骤(4)精简工作模式库。
(4)当已接收的LFM脉冲信号数量是Nw的整数倍时，检测工作模式库中所有工作模式栈的LFM脉冲信号数量，将LFM脉冲信号数量小于阈值λ的工作模式栈判定为干扰脉冲组成，删除该工作模式栈以精简工作模式库，其中，Nw为预设的脉冲流观测窗口，λ为预设的干扰脉冲工作模式阈值。所述预设的脉冲流观测窗口Nw和预设的干扰脉冲工作模式阈值λ满足：
Figure BDA0002344793320000076
式中，PI表示干扰模式的最大脉冲信号数在总脉冲信号数中的比例，PT表示目标模式的最小脉冲信号数在总脉冲信号数中的比例。在没有先验信息的情况下，它们是估计值或经验值。
最终，工作模式库中就存储了最后的分类结果，即每一个工作模式栈对应一类工作模式的脉冲。
(5)计算目标脉冲比例RT、正确删除干扰脉冲的比例RI、以及工作模式库中最终存在的工作模式数NL，评估该方法的性能。它们的理想值为：理想值为RT＝100％,RI＝100％并且NL等于目标模式的数量。
本实施例还提供了一种适用于单脉冲的LFM雷达工作模式实时分类装置，包括：
信号接收模块，用于实时接收发射机发射的LFM脉冲信号，所述LFM脉冲信号为经过上变频和LFM调制的单脉冲信号；
调制参数估计模块，用于根据当前接收的LFM脉冲信号估计信号调制参数；
工作模式库，库中存储有若干工作模式栈，每个工作模式栈中存储属于同一类工作模式的LFM脉冲信号；
相似性比较模块，用于将当前接收的LFM脉冲信号的信号调制参数与目前工作模式库中的所有工作模式栈进行相似性比较，并存储至相似性最高的工作模式栈中；其中，
工作模式库精简模块，用于当已接收的LFM脉冲信号数量是Nw的整数倍时，检测工作模式库中所有工作模式栈的LFM脉冲信号数量，将LFM脉冲信号数量小于阈值λ的工作模式栈判定为干扰脉冲组成，删除该工作模式栈以精简工作模式库，其中，Nw为预设的脉冲流观测窗口，λ为预设的删除干扰脉冲工作模式的阈值。
该装置与上述方法一一对应，未详尽之处请参考上述方法，例如各模块的详细介绍参见上述方法中的描述，不再赘述。
下面对本实施例进行实验验证。
实验对采集的3个实际LFM雷达的24000个脉冲进行了脉冲工作模式识别研究。其中每个雷达都包含四种工作模式，每个工作模式包括200个脉冲。同时由于实验采集的数据中没有干扰的脉冲，因此在实验中故意添加了一些干扰脉冲，以评估算法的抗干扰脉冲的能力。从采集的数据集中随机选择了2,400个脉冲，并通过截断，叠加或更改其参数等方式生成了脉冲干扰，目的是模拟不同类型的干扰脉冲。最后，将原始数据集和人为产生的干扰脉冲随机混合。此时，整个数据集包括26,400个脉冲。实验中距离阈值配置为γ＝0.1。观察窗的长度Nw和删除干扰工作模式的门限λ彼此相关。因此固定Nw＝500，λ以1为步长在[1，120]的区间中进行变化，以分析它工作模式识别结果的影响。
图2显示了工作模式库自我精简的动态变化过程。其中目标模式代表要识别的脉冲的工作模式栈，干扰模式表示由干扰脉冲导致的干工作模式栈(为清楚起见，在此图中仅显示了三种干扰模式)。最初，当输入脉冲数为0时，工作模式库是空的。当脉冲输入时，该脉冲将分配给现有工作模式或创建为新工作模式。只要输入脉冲的数量是观察窗口的整数倍时(本文中为500)，该算法就会通过比较每个现有工作模式的脉冲数和阈值λ来优化工作模式库。以区间[0，500]为例，随着输入脉冲数到达观察窗口长度，目标模式和干扰模式的脉冲数增加。当输入脉冲数为500时，将清除所有干扰模式，而目标模式将继续增。
图3显示门限λ对正确分类的目标脉冲比率RT，正确删除的干扰脉冲比率RI的比率以及库中最终存在的模式数量NL的影响。当1≤λ＜8时，RT稳定在100％，RI从0变为100％，NL大于4。这种现象意味着目标脉冲(属于目标工作模式的脉冲)均已正确分类。但是，干扰脉冲并未完全删除，因为它们被错误地判断为目标脉冲并被推入新模式。当91＜λ≤120时，RT从100％迅速下降到9.08％，RI稳定在100％，NL从4下降到2。这是因为清除了干扰脉冲。在8≤λ≤91的范围内，这些参数RT，RI和NL稳定在理想值，这表明λ在此范围内的值是合理的。
在本实验中，大多数人工干扰脉冲之间具有较大的距离，因此干扰工作模式下的最大脉冲数被认为小于100。然后，目标脉冲的最小脉冲数为6,000，总脉冲数为26,400，由此可以得到
Figure BDA0002344793320000091
即4＜λ＜113。实验结果与该理论结果基本一致。它们之间差异的一个原因可能是输入脉冲(目标脉冲和干扰脉冲)在观察窗口内不是完全随机混合的。因此，在实际应用中，λ的设置需要考虑到理论区间的左右极限可能会向中间移动。

Claims (9)

1.一种适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于该方法包括：
(1)实时接收发射机发射的LFM脉冲信号，所述LFM脉冲信号为经过上变频和LFM调制的单脉冲雷达信号；
(2)根据当前接收的LFM脉冲信号估计信号调制参数；具体包括：
(2.1)通过对接收的LFM脉冲信号进行快速傅里叶变换，估计出综合频率fi e，fi e为包括初始频率fi和载波频率fi c的综合频率；
(2.2)通过对接收的LFM脉冲信号进行分数阶傅里叶变换，计算得到线性调频斜率μi；
(2.3)通过搜索接收的LFM脉冲信号的幅度，检测信号的开始和结束，获得脉冲宽度Ti；
(2.4)将综合频率fi e、线性调频斜率μi、脉冲宽度Ti作为信号Si RF(t)的信号调制参数集Θi＝[fi e，μi，Ti]；
(3)将当前接收的LFM脉冲信号的信号调制参数与目前工作模式库中的所有工作模式栈进行相似性比较，并存储至相似性最高的工作模式栈中；其中，所述工作模式库中存储若干工作模式栈，每个工作模式栈中存储属于同一类工作模式的LFM脉冲信号；
(4)当已接收的LFM脉冲信号数量是Nw的整数倍时，检测工作模式库中所有工作模式栈的LFM脉冲信号数量，将LFM脉冲信号数量小于阈值λ的工作模式栈判定为由干扰脉冲组成，删除该工作模式栈以精简工作模式库，其中，Nw为预设的脉冲流观测窗口，λ为预设的干扰脉冲工作模式阈值。
2.根据权利要求书1所述的适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于：该方法还包括：
(5)计算目标脉冲信号比例RT、正确删除干扰脉冲的比例RI、以及工作模式库中最终存在的工作模式数NL，评估该方法的性能。
3.根据权利要求书1所述的适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于：步骤(1)中接收到LFM脉冲信号后，先进行幅度归一化，幅度归一化后的LFM脉冲信号为：
Figure FDA0003116597750000021
式中，i表示当前LFM脉冲信号的序号，
Figure FDA0003116597750000022
表示对当前LFM脉冲信号进行幅度归一化后的信号，fi、μi、fi c、Ti分别表示
Figure FDA0003116597750000023
的初始频率、线性调频斜率、载波频率、脉冲宽度，四个参数构成该信号的调制参数，
Figure FDA0003116597750000024
表示初始相位，Zi RF(t)是均值为零且方差为σ2加性高斯白噪声。
4.根据权利要求书1所述的适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于：步骤(2.3)具体包括：
(2.3.1)检测接收的LFM脉冲信号
Figure FDA0003116597750000025
的幅度包络
Figure FDA0003116597750000026
Figure FDA0003116597750000027
式中，||表示取绝对值；
(2.3.2)对幅度包络
Figure FDA0003116597750000028
进行归一化；
(2.3.3)在归一化的包络上找到两个幅度值为0.5的采样点，分别记为
Figure FDA0003116597750000029
和
Figure FDA00031165977500000210
(2.3.4)计算脉冲宽度Ti：
Figure FDA00031165977500000211
5.根据权利要求书1所述的适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于：步骤(3)具体包括：
(3.1)若当前LFM脉冲信号为第一个LFM脉冲信号，即i＝1，当前工作模式库
Figure FDA00031165977500000212
为空，则在工作模式库
Figure FDA00031165977500000213
中创建一个工作模式栈
Figure FDA00031165977500000214
并将LFM脉冲信号
Figure FDA00031165977500000215
及其调制参数集Θ1加入到
Figure FDA00031165977500000216
中，即
Figure FDA00031165977500000217
(3.2)若当前LFM脉冲信号不是第一个LFM脉冲信号，即i≠1，则计算当前LFM脉冲信号
Figure FDA00031165977500000218
的调制参数Θi和工作模式库
Figure FDA00031165977500000219
中所有工作模式栈的距离；
计算距离时首先将当前LFM脉冲信号和工作模式栈的调制参数进行归一化，之后按照下式计算欧式距离：
Figure FDA00031165977500000220
Figure FDA0003116597750000031
是第n个工作模式栈
Figure FDA0003116597750000032
中的调制参数集合，
Figure FDA0003116597750000033
表示求Θi与
Figure FDA0003116597750000034
中所有元素的欧几里得距离的平均值，Nm表示工作模式库
Figure FDA0003116597750000035
中工作模式栈的数量；
(3.3)获取所有距离中的最小距离的索引Dmin：
Dmin＝D(Imin)
Imin＝arg min D(n)
其中D()表示求对应的索引；
(3.4)若Dmin＜γ，则判定当前LFM脉冲信号
Figure FDA0003116597750000036
与工作模式栈
Figure FDA0003116597750000037
相似性最高，将当前LFM脉冲信号
Figure FDA0003116597750000038
及其调制参数Θi加入最小距离对应的工作模式栈
Figure FDA0003116597750000039
中；否则创建新的工作模式栈
Figure FDA00031165977500000310
其中，γ为预设的距离门限。
6.根据权利要求书5所述的适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于：所述距离门限γ满足：
γp＜γ＜γ m
其中，γm表示所有目标工作模式之间的最小距离，γp是由于设备固有差异，计算误差引起的相同工作模式的脉冲信号之间的最大距离。
7.根据权利要求1所述的适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于：所述预设的脉冲流观测窗口Nw和预设的干扰脉冲工作模式阈值λ满足：
Figure FDA00031165977500000311
式中，PI表示干扰工作模式的最大脉冲信号数在总脉冲信号数中的比例，PT表示目标模式的最小脉冲信号数在总脉冲信号数中的比例。
8.根据权利要求1所述的适用于单脉冲的LFM雷达工作模式实时分类方法，其特征在于：接收脉冲信号时采样率大于奈奎斯特采样率。
9.一种适用于单脉冲的LFM雷达工作模式实时分类装置，其特征在于包括：
信号接收模块，用于实时接收发射机发射的LFM脉冲信号，所述LFM脉冲信号为经过上变频和LFM调制的单脉冲信号；
调制参数估计模块，用于根据当前接收的LFM脉冲信号估计信号调制参数；估计过程包括：
(2.1)通过对接收的LFM脉冲信号进行快速傅里叶变换，估计出综合频率fi e，fi e为包括初始频率fi和载波频率fi c的综合频率；
(2.2)通过对接收的LFM脉冲信号进行分数阶傅里叶变换，计算得到线性调频斜率μi；
(2.3)通过搜索接收的LFM脉冲信号的幅度，检测信号的开始和结束，获得脉冲宽度Ti；
(2.4)将综合频率fi e、线性调频斜率μi、脉冲宽度Ti作为信号
Figure FDA0003116597750000041
的信号调制参数集Θi＝[fi e,μi,Ti]；
工作模式库，库中存储有若干工作模式栈，每个工作模式栈中存储属于同一类工作模式的LFM脉冲信号；
相似性比较模块，用于将当前接收的LFM脉冲信号的信号调制参数与目前工作模式库中的所有工作模式栈进行相似性比较，并存储至相似性最高的工作模式栈中；
工作模式库精简模块，用于当已接收的LFM脉冲信号数量是Nw的整数倍时，检测工作模式库中所有工作模式栈的LFM脉冲信号数量，将LFM脉冲信号数量小于阈值λ的工作模式栈判定为干扰脉冲组成，删除该工作模式栈以精简工作模式库，其中，Nw为预设的脉冲流观测窗口，λ为预设的删除干扰脉冲工作模式的阈值。
CN201911390466.6A 2019-12-30 2019-12-30 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 Active CN111060878B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911390466.6A CN111060878B (zh) 2019-12-30 2019-12-30 适用于单脉冲的lfm雷达工作模式实时分类方法及装置
PCT/CN2020/115324 WO2021135390A1 (zh) 2019-12-30 2020-09-15 适用于单脉冲的lfm雷达工作模式实时分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911390466.6A CN111060878B (zh) 2019-12-30 2019-12-30 适用于单脉冲的lfm雷达工作模式实时分类方法及装置

Publications (2)

Publication Number Publication Date
CN111060878A CN111060878A (zh) 2020-04-24
CN111060878B true CN111060878B (zh) 2021-08-24

Family

ID=70304566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911390466.6A Active CN111060878B (zh) 2019-12-30 2019-12-30 适用于单脉冲的lfm雷达工作模式实时分类方法及装置

Country Status (2)

Country Link
CN (1) CN111060878B (zh)
WO (1) WO2021135390A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060878B (zh) * 2019-12-30 2021-08-24 南京东科优信网络安全技术研究院有限公司 适用于单脉冲的lfm雷达工作模式实时分类方法及装置
CN115659162B (zh) * 2022-09-15 2023-10-03 云南财经大学 雷达辐射源信号脉内特征提取方法、系统及设备
CN115629360B (zh) * 2022-12-21 2023-03-28 西安电子科技大学 一种线性调频的短脉冲采样调制转发干扰信号生成方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101426863B1 (ko) * 2014-03-19 2014-08-06 국방과학연구소 특징인자를 이용한 레이더 펄스내 변조형태 인식 방법
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN108562875A (zh) * 2018-04-24 2018-09-21 扬州健行电子科技有限公司 一种先验数据库匹配法对雷达信号的分选方法
CN108983167A (zh) * 2018-05-22 2018-12-11 中国电子科技集团公司第三十八研究所 雷达通用描述建模方法及装置
CN109212491A (zh) * 2018-10-17 2019-01-15 中国航天科工集团八五研究所 一种基于雷达信号指纹特征的辐射源识别方法
CN109272040A (zh) * 2018-09-20 2019-01-25 中国科学院电子学研究所苏州研究院 一种雷达工作模式生成方法
CN110187313A (zh) * 2019-05-31 2019-08-30 中国人民解放军战略支援部队信息工程大学 基于分数阶Fourier变换的雷达信号分选识别方法及装置
CN110346763A (zh) * 2019-07-17 2019-10-18 东南大学 一种用于雷达lfm信号的抗噪声射频指纹识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749616B (zh) * 2012-06-29 2014-04-16 北京市遥感信息研究所 一种基于模糊聚类的宙斯盾系统信号分选方法
EP3589973A1 (en) * 2017-03-01 2020-01-08 University Court of The University of St Andrews Classification method and device
CN107817478B (zh) * 2017-10-31 2019-08-16 中国人民解放军国防科技大学 一种基于相位调制表面的异步闪烁角度欺骗干扰方法
CN108051813B (zh) * 2017-12-04 2021-12-07 湖南华诺星空电子技术有限公司 用于低空多目标分类识别的雷达探测系统及方法
CN108710110A (zh) * 2018-04-11 2018-10-26 哈尔滨工程大学 一种基于马尔可夫过程决策的认知干扰方法
CN111060878B (zh) * 2019-12-30 2021-08-24 南京东科优信网络安全技术研究院有限公司 适用于单脉冲的lfm雷达工作模式实时分类方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101426863B1 (ko) * 2014-03-19 2014-08-06 국방과학연구소 특징인자를 이용한 레이더 펄스내 변조형태 인식 방법
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN108562875A (zh) * 2018-04-24 2018-09-21 扬州健行电子科技有限公司 一种先验数据库匹配法对雷达信号的分选方法
CN108983167A (zh) * 2018-05-22 2018-12-11 中国电子科技集团公司第三十八研究所 雷达通用描述建模方法及装置
CN109272040A (zh) * 2018-09-20 2019-01-25 中国科学院电子学研究所苏州研究院 一种雷达工作模式生成方法
CN109212491A (zh) * 2018-10-17 2019-01-15 中国航天科工集团八五研究所 一种基于雷达信号指纹特征的辐射源识别方法
CN110187313A (zh) * 2019-05-31 2019-08-30 中国人民解放军战略支援部队信息工程大学 基于分数阶Fourier变换的雷达信号分选识别方法及装置
CN110346763A (zh) * 2019-07-17 2019-10-18 东南大学 一种用于雷达lfm信号的抗噪声射频指纹识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Robust Radio Frequency Fingerprint Identification Scheme for LFM Pulse Radars;Yuexiu Xing等;《2019 International Conference on Wireless and Mobile Computing,Networking and Communications》;20191205;第2页第2栏1-2段 *
雷达信号工作模式识别研究;方佳璐;《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》;20171115(第11期);第I136-673页 *

Also Published As

Publication number Publication date
WO2021135390A1 (zh) 2021-07-08
CN111060878A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111060878B (zh) 适用于单脉冲的lfm雷达工作模式实时分类方法及装置
Wu et al. False-target recognition against interrupted-sampling repeater jamming based on integration decomposition
CN111175718B (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN111722188B (zh) 基于stft预分选的pri变换雷达信号分选方法
Ozturk et al. RF-based low-SNR classification of UAVs using convolutional neural networks
Cain et al. Convolutional neural networks for radar emitter classification
CN110346763B (zh) 一种用于雷达lfm信号的抗噪声射频指纹识别方法
CN113721219B (zh) 一种基于多参数聚类的雷达信号分选方法和系统
CN111832462B (zh) 一种基于深度神经网络的跳频信号检测与参数估计方法
CN108919203B (zh) 一种雷达有源干扰的识别方法及系统
CN115993580A (zh) 一种被动侦察系统信号处理方法
Orduyilmaz et al. Machine learning-based radar waveform classification for cognitive EW
Cherniakov et al. Forward scattering micro sensor for vehicle classification
Xu et al. Research on active jamming recognition in complex electromagnetic environment
CN108535704B (zh) 一种基于自适应二维聚类的信号预分选方法
Liu et al. Unsupervised clustering method to discriminate dense deception jamming for surveillance radar
CN109031221A (zh) 数据层基于多维度特征提取的雷达抗密集假目标干扰方法
Neumann et al. Deep learning approach for radar applications
CN112213697A (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
Nguyen et al. A parallel neural network-based scheme for radar emitter recognition
CN115219991A (zh) 一种基于希尔伯特变换的二相编码调制信号识别方法
CN108154083B (zh) 一种基于svm的信号识别方法及终端
CN107340504A (zh) 基于frft域峰值特性的压制干扰存在性检测方法
Shi et al. Radar Emitter Signal Identification Based on Intra-pulse Features
Li et al. Signals Deinterleaving for ES systems using Improved CFSFDP Algorithm

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