CN111190146A - 一种基于视觉图形特征的复杂信号分选方法 - Google Patents

一种基于视觉图形特征的复杂信号分选方法 Download PDF

Info

Publication number
CN111190146A
CN111190146A CN202010029358.2A CN202010029358A CN111190146A CN 111190146 A CN111190146 A CN 111190146A CN 202010029358 A CN202010029358 A CN 202010029358A CN 111190146 A CN111190146 A CN 111190146A
Authority
CN
China
Prior art keywords
frequency
time
signal
pulse
complex signal
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.)
Granted
Application number
CN202010029358.2A
Other languages
English (en)
Other versions
CN111190146B (zh
Inventor
王向敏
蒋迺倜
王谦诚
张玉喜
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.)
724th Research Institute of CSIC
Original Assignee
724th Research Institute of CSIC
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 724th Research Institute of CSIC filed Critical 724th Research Institute of CSIC
Priority to CN202010029358.2A priority Critical patent/CN111190146B/zh
Publication of CN111190146A publication Critical patent/CN111190146A/zh
Application granted granted Critical
Publication of CN111190146B publication Critical patent/CN111190146B/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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
    • 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
    • G01S7/2806—Employing storage or delay devices which preserve the pulse form of the echo signal, e.g. for comparing and combining echoes received during different periods

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

本发明涉及一种基于视觉图形特征的复杂信号分选方法。针对载频、重频快速变化的复杂体制雷达信号难于分选的现状，本发明基于图形可视化特征的识别信号参数为信号分选提供先验知识。根据预处理后的辐射源描述字(PDW)信息在时域和频域多维可视化特征，利用Hough变换对图形参数快速自动提取，并采用时间域内多维特征参数关联处理，实现指定参数的复杂信号分选。本发明基于视觉图形特征信息参数的复杂信号分选，克服了常规分选中频域难以聚类的困难，而从图形可视化特征信息中能够有效地发现隐藏的特征、类别、联系和趋势。该发明具有较好的通用性和实用性。

Description

一种基于视觉图形特征的复杂信号分选方法
技术领域
本发明属于雷达信号分选识别领域。
背景技术
随着雷达技术的快速发展，常规脉冲雷达信号在雷达信号环境中的使用比例已越来越少，复杂雷达信号的分选识别一直是电子对抗的关键技术和难题。复杂信号特征主要从时域、频域、脉内特征、空域等多维特征进行提取，雷达信号的脉内调制特征有线性调频、非线性调频、二相编码、四相编码、频率编码等；脉间调制特征有频域调制和时域调制，频域调制特征有脉间频率捷变、脉组频率捷变、脉间频率调制、同时频率分集和分时频率分集等；时域调制特征有脉冲重复周期参差、抖动、组变、滑变和群脉冲、脉冲编码等；脉冲宽度也有组变和宽、窄脉冲组合等形式。现代电子对抗信号环境的特点是信号密度大，波形复杂多变，工作频段宽且有部分重叠，在时域上信号密集而且交叠越来越严重，到达雷达侦察系统输入端的信号为随机脉冲流，常规雷达信号分选导致虚假目标增多，复杂信号难于分选。
目前复杂信号分选和识别重点关注研究的方法和技术手段主要可概括为六类：模板匹配法、PRI分选、多参数关联比较及多参数分选、聚类分选、人工智能和神经网络方法、基于脉内特征的信号分选等，雷达辐射源信号在传播和接收过程中存在大量噪声，SNR变化很大，在需要先验数据进行训练情况下，这种在许多电子侦察情形是很难满足的，也大大增加了分选处理的难度。因此，本发明采用可视化雷达图形特征快速自动关联识别的方法实现雷达信号分选，克服基于先验知识雷达信号特征识别和大脉冲流密度难于分析处理等难点。
发明内容
本发明的目的在于提供一种基于视觉图形特征的复杂信号分选方法。
实现本发明目的的技术解决方案为：首先对预处理后的辐射源描述字(PDW)信息进行实时显示通过频率(颜色)相关联的5个图像样本；在方位-幅度-颜色图样本中对像素的颜色采用K-Means聚类对每个像素重复此过程生成Ns个聚类结果，利用Hough变换对时间-频率图像样本的提取频率特性，根据频率特性对颜色不同的同一信号进行聚类结果合并，再遍历每个聚类结果，判定辐射源同一天线周期内的脉冲序列，确定辐射源的方位窗和时间窗。在方位窗和时间窗内图像样本分析提取辐射源目标的频率子集参数、脉宽参数，当判断辐射源参数是复杂信号时，将方位窗、时间窗、载频参数、脉宽参数输入到复杂信号处理模块。利用方位、载频、脉宽等进行多参数匹配或聚类来稀释脉冲流，将相同参数的辐射源脉冲信号分选出来，完成参数估计提取出辐射源信号脉间特征参数。
附图说明
图1基于视觉图形特征的复杂信号分选方法流程图。
具体实施方式
本发明的实现流程图如图1所示，其具体实施步骤如下：
1)图像样本
对辐射源脉冲描述字PDW进行预处理，剔除由于通道泄露产生的虚假PDW等虚假信号，再将预处理后的PDW信息进行实时显示，其信息包括脉冲到达时间、方位、频率、幅度、脉宽等，绘制时间-幅度-颜色、时间-频率-颜色、时间-脉宽-颜色、时间-时间差-颜色、方位-幅度-颜色等多维特征信息，形成5个快照图像样本，其中颜色是根据频率值划分20个颜色格子，即同一个PDW在5个图像样本中对应相同的颜色。
2)图像特征提取
利用Hough变换计算图像中每个像素的梯度幅值和方向，形成图像特征点，对特征点的坐标进行排序，当|θ|≥π/4时，按x坐标进行排序；当|θ|<π/4时，按y坐标进行排序,再对每点检测数据的连续性，设定ε为距离容忍度，当ε小于某一值则图像空间两点是邻接的，相关点数n＝n+1；当n>全局阈值T，这些特征点就构成了一条线段，否则就是不相关的数据点，再反复上述操作，检测到不同直线结果存放在集合集Line(m)中，可以得到直线(ρ,θ)。
在时间-频率图样本分析中满足为同一直线的检测条件为：ε值为10MHz频率值对应的像素值，T>＝10，集合m个特征点的到达时间保持连续。在检测到的多个线段中，当θ＝90°，ρ等间距或者随机变化时，就是脉组频率捷变信号，根据像素点与频率值的比例关系，直线间距ρ1,ρ2,.....ρn对应n组捷变频率信号，频率值为f1,f2,.....fn；当θ为固定斜率(θ≠90°)，ρ等间距变化时，就是线性调频信号；当θ＝90°，ρ固定不变时，就是固定频率信号。
在时间-脉宽图样本分析中首先检测特征点为同一直线的情况，则满足条件ε值为0.1us脉宽值对应的像素值，T>＝20，集合m个特征点的到达时间保持连续。当θ＝90°，ρ固定时，就是固定脉宽信号，其中ρ对应脉宽值PW；其次，再检测剩余的特征点，当满足条件ε值为脉宽平均值30％对应的像素值，T>＝30，集合m个特征点的到达时间保持连续，则表示脉宽抖动信号。
3)多维特征参数关联
在方位-幅度-颜色图样本中对像素的颜色使用K-Means聚类能有效地将颜色空间划分为数20个不相交的区域，对每个像素重复此过程生成Ns个聚类结果，根据时间-频率样本的频率特性对颜色不同的同一信号进行聚类结果合并，再遍历每个聚类结果，判定辐射源同一天线周期内的脉冲序列，确定辐射源的方位窗和时间窗。在方位窗和时间窗内利用时间-频率、时间-脉宽图样本分析提取辐射源目标的频率子集参数和脉宽参数，再对该时间窗和频率子集内的脉冲序列做时间差，从在时间-时间差图样本中提取重频参数信息，当判断辐射源参数是复杂信号时，将方位窗、时间窗、载频参数、脉宽参数和重频参数发送到复杂信号处理模块。
4)复杂信号处理
当接收到复杂信号输入参数时，对脉冲预处理后的PDW利用方位、载频、脉宽等进行多参数匹配或聚类来稀释脉冲流，将相同参数的辐射源脉冲信号分选出来，完成参数估计提取出辐射源信号脉间特征参数。

Claims (3)

1.一种基于视觉图形特征的复杂信号分选方法，其特征在于：
步骤1：图像样本显示：辐射源描述字进行预处理，剔除由于通道泄露产生的虚假信号，再对处理后的进行实时多维图形特征绘制，形成5个图像样本；
步骤2：图像特征提取：采用Hough变换对图像样本进行特征参数提取，根据线段分布特性确定信号的种类；
步骤3：多维特征参数提取：对5个图像样本分层次关联提取，当判断辐射源参数是复杂信号时，将方位窗、时间窗、载频参数和脉宽参数发送到复杂信号处理模块；
步骤4：复杂信号处理：当接收到复杂信号信息时，对脉冲预处理后的辐射源描述字进行多参数匹配或聚类来稀释脉冲流，将相同参数的辐射源脉冲信号分选出来，完成参数估计提取出辐射源信号脉间特征参数。
2.一种根据权利要求1所述的基于视觉图形特征的复杂信号分选方法，其特征在于：所述步骤2中信号种类确定的方法为：
对于时间-频率图样本满足为同一直线的检测条件为：ε值为10MHz频率值对应的像素值，T>＝10，集合m个特征点的到达时间保持连续；在检测到的多个线段中，当θ＝90°，ρ等间距或者随机变化时，就是脉组频率捷变信号，根据像素点与频率值的比例关系，直线间距ρ1,ρ2,…..ρn对应n组捷变频率信号，频率值为f1,f2,…..fn；当为θ≠90°，θ为固定斜率，ρ等间距变化时，就是线性调频信号；当θ＝90°，ρ固定不变时，就是固定频率信号。
3.一种根据权利要求1或权利要求2所述的基于视觉图形特征的复杂信号分选方法，其特征在于：所述步骤3中多维特征参数提取方法为：
首先对方位-幅度-颜色图样本使用K-Means聚类根据颜色进行聚类，根据时间-频率样本提取的频率特性对颜色不同的同一信号进行聚类结果合并，并确定辐射源的方位窗和时间窗，根据方位窗和时间窗内利用时间-频率、时间-脉宽图样本分析提取辐射源目标的频率子集参数和脉宽参数，再对该时间窗和频率子集内的脉冲序列做时间差，从时间-时间差图样本中提取重频参数信息。
CN202010029358.2A 2020-01-13 2020-01-13 一种基于视觉图形特征的复杂信号分选方法 Active CN111190146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010029358.2A CN111190146B (zh) 2020-01-13 2020-01-13 一种基于视觉图形特征的复杂信号分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010029358.2A CN111190146B (zh) 2020-01-13 2020-01-13 一种基于视觉图形特征的复杂信号分选方法

Publications (2)

Publication Number Publication Date
CN111190146A true CN111190146A (zh) 2020-05-22
CN111190146B CN111190146B (zh) 2021-02-09

Family

ID=70708850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010029358.2A Active CN111190146B (zh) 2020-01-13 2020-01-13 一种基于视觉图形特征的复杂信号分选方法

Country Status (1)

Country Link
CN (1) CN111190146B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184868A (zh) * 2020-09-29 2021-01-05 中国船舶重工集团公司第七二四研究所 一种被动雷达频率分布统计信息的三维显示方法
CN112836104A (zh) * 2020-12-31 2021-05-25 清源智翔(重庆)科技有限公司 一种数据库辅助自主聚类信号分选方法及系统
CN112986925A (zh) * 2021-02-01 2021-06-18 东南大学 一种基于图像特征的雷达脉冲序列分选方法
CN114839602A (zh) * 2022-07-04 2022-08-02 中国人民解放军国防科技大学 基于电磁数据聚类的雷达信号统计特征提取方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104267380A (zh) * 2014-08-25 2015-01-07 中国电子科技集团公司第二十九研究所 一种对全脉冲信号多维参数的关联显示方法
US20150066486A1 (en) * 2013-08-28 2015-03-05 Accusonus S.A. Methods and systems for improved signal decomposition
CN106526566A (zh) * 2016-12-07 2017-03-22 中国船舶重工集团公司第七二四研究所 基于fpga高速预处理的信号脉内特征实时分析处理方法
CN106772261A (zh) * 2016-12-07 2017-05-31 中国船舶重工集团公司第七二四研究所 雷达侦测信号多维特征聚类可视化显示方法
CN107843876A (zh) * 2017-09-14 2018-03-27 福建雷神网盾电子科技有限公司 一种雷达脉冲重频的分选方法及设备
CN108090412A (zh) * 2017-11-17 2018-05-29 西北工业大学 一种基于深度学习的雷达辐射源类别识别方法
CN108293125A (zh) * 2014-11-14 2018-07-17 华为技术有限公司 一种数字图像处理系统和方法
CN108416290A (zh) * 2018-03-06 2018-08-17 中国船舶重工集团公司第七二四研究所 基于残差深度学习的雷达信号特征提取方法
CN109270497A (zh) * 2018-10-28 2019-01-25 西南电子技术研究所（中国电子科技集团公司第十研究所） 雷达脉冲信号的多维参数预分选方法
CN109683143A (zh) * 2019-03-07 2019-04-26 西安电子科技大学 雷达信号分选方法、装置、计算机设备及可存储介质
CN109871757A (zh) * 2019-01-11 2019-06-11 中国船舶重工集团公司第七二四研究所 一种基于联合时频特征的雷达信号脉内调制类型识别方法
CN110109060A (zh) * 2019-03-27 2019-08-09 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号分选方法及系统
CN110426696A (zh) * 2019-07-20 2019-11-08 中国船舶重工集团公司第七二四研究所 一种脉冲缺损的雷达信号特征序列搜索方法
CN110531335A (zh) * 2019-09-18 2019-12-03 哈尔滨工程大学 一种基于并查集的低复杂度相似聚类信号分选方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066486A1 (en) * 2013-08-28 2015-03-05 Accusonus S.A. Methods and systems for improved signal decomposition
CN104267380A (zh) * 2014-08-25 2015-01-07 中国电子科技集团公司第二十九研究所 一种对全脉冲信号多维参数的关联显示方法
CN108293125A (zh) * 2014-11-14 2018-07-17 华为技术有限公司 一种数字图像处理系统和方法
CN106772261A (zh) * 2016-12-07 2017-05-31 中国船舶重工集团公司第七二四研究所 雷达侦测信号多维特征聚类可视化显示方法
CN106526566A (zh) * 2016-12-07 2017-03-22 中国船舶重工集团公司第七二四研究所 基于fpga高速预处理的信号脉内特征实时分析处理方法
CN107843876A (zh) * 2017-09-14 2018-03-27 福建雷神网盾电子科技有限公司 一种雷达脉冲重频的分选方法及设备
CN108090412A (zh) * 2017-11-17 2018-05-29 西北工业大学 一种基于深度学习的雷达辐射源类别识别方法
CN108416290A (zh) * 2018-03-06 2018-08-17 中国船舶重工集团公司第七二四研究所 基于残差深度学习的雷达信号特征提取方法
CN109270497A (zh) * 2018-10-28 2019-01-25 西南电子技术研究所（中国电子科技集团公司第十研究所） 雷达脉冲信号的多维参数预分选方法
CN109871757A (zh) * 2019-01-11 2019-06-11 中国船舶重工集团公司第七二四研究所 一种基于联合时频特征的雷达信号脉内调制类型识别方法
CN109683143A (zh) * 2019-03-07 2019-04-26 西安电子科技大学 雷达信号分选方法、装置、计算机设备及可存储介质
CN110109060A (zh) * 2019-03-27 2019-08-09 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号分选方法及系统
CN110426696A (zh) * 2019-07-20 2019-11-08 中国船舶重工集团公司第七二四研究所 一种脉冲缺损的雷达信号特征序列搜索方法
CN110531335A (zh) * 2019-09-18 2019-12-03 哈尔滨工程大学 一种基于并查集的低复杂度相似聚类信号分选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GAO LI-PENG ET AL.: "A radar signal sorting algorithm based on improved k-means dynamic clustering and sub linear time algorithm", 《2017 FIRST INTERNATIONAL CONFERENCE ON ELECTRONICS INSTRUMENTATION & INFORMATION SYSTEMS (EIIS)》 *
李英达 等: "一种脉冲重复间隔复杂调制雷达信号分选方法", 《电子与信息学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184868A (zh) * 2020-09-29 2021-01-05 中国船舶重工集团公司第七二四研究所 一种被动雷达频率分布统计信息的三维显示方法
CN112836104A (zh) * 2020-12-31 2021-05-25 清源智翔(重庆)科技有限公司 一种数据库辅助自主聚类信号分选方法及系统
CN112836104B (zh) * 2020-12-31 2023-03-14 清源智翔(重庆)科技有限公司 一种数据库辅助自主聚类信号分选方法及系统
CN112986925A (zh) * 2021-02-01 2021-06-18 东南大学 一种基于图像特征的雷达脉冲序列分选方法
CN112986925B (zh) * 2021-02-01 2024-03-12 东南大学 一种基于图像特征的雷达脉冲序列分选方法
CN114839602A (zh) * 2022-07-04 2022-08-02 中国人民解放军国防科技大学 基于电磁数据聚类的雷达信号统计特征提取方法及装置
CN114839602B (zh) * 2022-07-04 2022-09-16 中国人民解放军国防科技大学 基于电磁数据聚类的雷达信号统计特征提取方法及装置

Also Published As

Publication number Publication date
CN111190146B (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN111190146B (zh) 一种基于视觉图形特征的复杂信号分选方法
CN109270497B (zh) 雷达脉冲信号的多维参数预分选方法
CN106778610B (zh) 一种基于时频图像特征的脉内调制识别方法
CN107688170B (zh) 一种基于随机森林的雷达目标航迹起始方法
CN106772261B (zh) 雷达侦测信号多维特征聚类可视化显示方法
CN111428631B (zh) 无人机飞控信号可视化识别分选方法
CN110658516B (zh) 一种基于fmcw雷达方差频数统计的手势目标提取方法
CN112560803A (zh) 基于时频分析与机器学习的雷达信号调制识别方法
CN109100696B (zh) 基于点状杂波图的慢速运动目标消除方法
CN113109784B (zh) 一种基于盲源分离的雷达脉冲重复间隔估计方法
CN111142085B (zh) 一种基于航迹特征提取的外辐射源雷达目标分类识别方法
CN115856854B (zh) 一种模型与数据混合驱动的雷达探测方法及系统
Song et al. Pulse repetition interval modulation recognition using symbolization
CN113128584B (zh) 一种多功能雷达脉冲序列的模式级无监督分选方法
CN113177097B (zh) 一种基于属性聚类与时空约束的航迹起始判别方法
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
CN115980689A (zh) 基于点云检测的辐射源信号分选方法、装置、设备及介质
CN115755020A (zh) 一种机械扫描雷达天线扫描位置的跟踪方法
CN114519372B (zh) 基于支持向量机的一维距离像目标识别方法
Xiao et al. Multi-target ISAR imaging based on image segmentation and short-time Fourier transform
CN111768442B (zh) 一种基于层次聚类和逻辑法的航迹起始方法及系统
Dong et al. Target detection and recognition of ground penetrating radar using morphological image analysis and graph laplacian regularisation
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
Wang et al. Automatic jamming modulation classification exploiting convolutional neural network for cognitive radar
Liu et al. An anti-multipath radar specific emitter identification method

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