CN111832632A - 基于高次频谱对称Holder系数的雷达信号分选方法及系统 - Google Patents
基于高次频谱对称Holder系数的雷达信号分选方法及系统 Download PDFInfo
- Publication number
- CN111832632A CN111832632A CN202010593864.4A CN202010593864A CN111832632A CN 111832632 A CN111832632 A CN 111832632A CN 202010593864 A CN202010593864 A CN 202010593864A CN 111832632 A CN111832632 A CN 111832632A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency spectrum
- order
- holder
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达信号处理技术领域,特别涉及一种基于高次频谱对称Holder系数的雷达信号分选方法及系统,针对复杂博弈场景电磁环境下传统基于全脉冲参数的信号分选准确率下降等问题,通过利用对称Holder系数法提取信号高次频谱的脉内特征,将其与稳定的脉间参数组成新的特征向量,并使用K‑means算法对信号进行分选;信号的高次频谱对称Holder系数作为一种脉内特征,相比于一次频谱相像系数具有更大的寻优空间。本发明将该特征加入信号特征向量可使新的特征向量具有更强的可分性,能够有效提高对不同种调制类型雷达信号的分选正确率,在电子侦查等雷达信号处理领域具有较好地应用前景。
Description
技术领域
本发明属于雷达信号处理技术领域,特别涉及一种基于高次频谱对称Holder系数的雷达信号分选方法及系统。
背景技术
雷达信号分选是现代电子侦察的重要组成部分,其目的是从互相交错的脉冲序列中筛选出分属各部雷达的脉冲。信号分选结果的好坏直接影响后续辐射源个体识别、辐射源威胁等级判断等一系列工作。信号分选水平的高低在一定程度上反映着电子博弈能力的强弱。传统的信号分选算法主要可分为两大部分:一类是基于信号的全脉冲参数中的载频(Radio Frequency,RF)、脉宽(Pulse Width,PW)、到达角(Direction of Arrival,DOA)的分选算法,典型算法为模板匹配法;一类是利用信号到达时间信息提取脉冲重复周期(Pulse Recurrence Interval,PRI)的分选算法,典型算法包括累计差直方图法(Cumulative Difference Histogram,CDIF)、序列差值直方图法(Sequence DifferenceHistogram,SDIF)以及PRI变换法。然而随着电子科技的飞速发展,博弈现场电磁信号日益密集,每秒脉冲数已达百万级别。同时,新体制雷达的使用,使得雷达信号的PRI调制、脉内调制形式多样、变化迅速。这最终不仅导致单部雷达信号的全脉冲参数日益复杂,也导致不同雷达之间的全脉冲参数交叠严重。脉间参数复杂度的提升使得传统信号分选算法的分选正确率急剧下降。
发明内容
为此,本发明提供一种基于高次频谱对称Holder系数的雷达信号分选方法及系统,通过将高次频谱提取对称Holder系数作为脉内参数与全脉冲参数组合成新的特征向量,并运用K-means算法进行聚类分选,能够有效提高雷达信号的分选正确率,具有较好的应用前景。
按照本发明所提供的设计方案,一种基于高次频谱对称Holder系数的雷达信号分选方法,包含如下内容:
提取信号高次频谱对称Holder系数作为脉内特征,将该脉内特征与脉间特征组成特征向量,其中,高次频谱是对信号频谱进行k次方计算,k为预先确定高次频谱次数;
利用K-means算法对特征向量进行聚类分选。
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,引入矩形信号序列和三角形信号序列作为基准信号,提取不同脉内调制类型雷达脉冲信号的脉冲差异,对信号频谱进行k次方计算,以获取信号高次频谱对称Holder系数。
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,在计算信号高次频谱对称Holder系数时,首先对信号进行傅里叶变换得到一次频谱;然后对一次频谱进行能量归一化处理,并接着计算信号的高次频谱;计算每个雷达信号的高次频谱与两个基准信号的对称Holder系数,获取反应雷达信号频谱形状的脉内特征参数。
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,设定两个非负离散序列{S1(i)≥0,i=1,2,...,N}、{S2(j)≥0,j=1,2,...,N},p、q>1,且满足1/p+1/q=1,则用于描述两信号之间相似程度的序列S1、S2对称Holder系数表示为:
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,计算信号高次频谱对称Holder系数时,预先设定高次频谱次数k以及对称Holder系数表示中p两个参数值。
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,为确定高次频谱次数k以及对称Holder系数表示中p,在0dB信噪比条件下,分别绘制不同调制类型信号多次频谱的对称Holder系数随p值变化曲线;依据各曲线间隔变化来选择高次频谱次数k以及对称Holder系数表示中p。
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,将高次频谱对称Holder系数脉内特征,与脉冲描述字PDW中的脉宽PW、到达角DOA和载频RF组成特征向量。
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,特征向量在聚类分选前采用最大-最小化方法进行归一化处理,以消除特征向量各维度量纲不同的影响。
作为本发明基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,最大-最小化方法进行归一化处理过程表示为:
进一步地,本发明还提供一种基于高次频谱对称Holder系数的雷达信号分选系统,包含:信号特征提取模块和信号聚类分选模块,其中,
信号特征提取模块,用于提取信号高次频谱对称Holder系数作为脉内特征,将该脉内特征与脉间特征组成特征向量,其中,高次频谱是对信号频谱进行k次方计算,k为预先确定高次频谱次数;
信号聚类分选模块,用于利用K-means算法对特征向量进行聚类分选。
本发明的有益效果:
本发明针对复杂博弈场景电磁环境下传统基于全脉冲参数的信号分选准确率下降等问题,通过利用对称Holder系数法提取信号高次频谱的脉内特征,将其与稳定的脉间参数组成新的特征向量,并使用K-means算法对信号进行分选;信号的高次频谱对称Holder系数作为一种脉内特征,相比于一次频谱相像系数具有更强的可分性、更大的寻优空间;将提取到的脉内特征与稳定的脉间特征组合成联合特征向量进行聚类分选,使新的特征向量具有更强的可分性,能够有效提高对不同种调制类型雷达信号的分选正确率,在电子侦查等雷达信号处理领域具有较好地应用前景。
附图说明:
图1为实施例中基于高次频谱对称Holder系数的雷达信号分选方法流程示意图;
图2为实施例中k次频谱-矩形对称Holder系数示意;
图3为实施例中k次频谱-三角形对称Holder系数示意;
图4为实施例中信号分选流程示意;
图5为实施例中各部雷达聚类前分布情况示意;
图6为实施例中各部雷达分选正确率随信噪比变化曲线示意;
图7为实施例中平均分选正确率对比图示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
与越来越不稳定的脉间参数相比,雷达信号的脉内特征具有更强的稳定性。将信号的相像系数、高阶累积量、奇异谱熵、小波包特征等脉内特征成功应用到雷达信号分选中来,有效提高了信号分选的准确率。利用相像系数法提取信号模糊函数二维特征图的特征作为分选参数之一。相像系数作为一种比较两信号之间相似程度的方法,在雷达信号脉内特征提取领域广泛使用。对称Holder系数法也包括相像系数法。凡是可以将脉内信息转化为二维谱线的形式,均可以使用相像系数法、Holder系数法或对称Holder系数法对脉内特征进行提取。使用相像系数法对信号的高次频谱提取脉内信息。信号的高次频谱可以更好地反映信号的细微特征,使用相像系数法可以对这些特征进行提取,但对称Holder系数法由于可以更灵活地改变参数,从而比相像系数有更大的寻优空间。为此,本发明实施例,参见图1所示,提供一种基于高次频谱对称Holder系数的雷达信号分选方法,包含如下内容:
S101、提取信号高次频谱对称Holder系数作为脉内特征,将该脉内特征与脉间特征组成特征向量,其中,高次频谱是对信号频谱进行k次方计算,k为预先确定高次频谱次数;
S102、利用K-means算法对特征向量进行聚类分选。
针对复杂博弈场景电磁环境下传统基于全脉冲参数的信号分选准确率下降等问题,通过利用对称Holder系数法提取信号高次频谱的脉内特征,将其与稳定的脉间参数组成新的特征向量,并使用K-means算法对信号进行分选,以提高对不同种调制类型雷达信号的分选正确率。
对称Holder系数由Holder不等式演变而来,可以用来描述两信号之间的相似程度。作为本发明实施例中的基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,设定两个非负离散序列{S1(i)≥0,i=1,2,...,N}、{S2(j)≥0,j=1,2,...,N},p、q>1,且满足1/p+1/q=1,则用于描述两信号之间相似程度的序列S1、S2对称Holder系数表示为:
由Holder不等式可知,Hs取值介于[0,1]之间。
相像系数可看作对称Holder系数的特殊情况。对于两个非负离散序列S1、S2,其相像系数定义式为:
对比公式(1)与公式(2)可发现,当公式(1)中p=q=2时,公式(1)与公式(2)等价,即此时对称Holder系数与相像系数等价。因此,对称Holder系数可看作相像系数的推广。这两个参数都可以用来描述两个信号形状之间的相似程度,但对称Holder系数的优势在于它比相像系数具有更大的寻优空间,即可以取多组不同的p、q值,从中选取效果最优的一组。而相像系数的p、q值固定为2,不够灵活,不一定能够达到最优的描述效果。
对称Holder系数量化的是信号之间的相似程度,作为本发明实施例中基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,引入矩形信号序列和三角形信号序列作为基准信号,提取不同脉内调制类型雷达脉冲信号的脉冲差异,对信号频谱进行k次方计算,以获取信号高次频谱对称Holder系数。
其中,矩形信号序列可表示为:
三角形信号序列可表示为:
矩形信号序列能量分布较为均匀,而三角形信号序列能量分布较为集中,因而比较适合作为基准信号。
信号的频谱包含着信号的能量分布、频率等信息,不同脉内调制类型雷达脉冲的频谱之间存在着差异。通过提取脉冲差异的信息,可以更好地区分交错在一起的脉冲。高次频谱是指对信号频谱进行次方计算。信号的高次频谱可以更好地反映信号在频谱上的细节。作为本发明实施例中基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,在计算信号高次频谱对称Holder系数时,首先对信号进行傅里叶变换得到一次频谱;然后对一次频谱进行能量归一化处理,并接着计算信号的高次频谱;计算每个雷达信号的高次频谱与两个基准信号的对称Holder系数,获取反应雷达信号频谱形状的脉内特征参数。
作为本发明实施例中的基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,计算信号高次频谱对称Holder系数时,预先设定高次频谱次数k以及对称Holder系数表示中p两个参数值。进一步地,为确定高次频谱次数k以及对称Holder系数表示中p,在0dB信噪比条件下,分别绘制不同调制类型信号多次频谱的对称Holder系数随p值变化曲线;依据各曲线间隔变化来选择高次频谱次数k以及对称Holder系数表示中p。
对信号做FFT并做能量归一化后计算信号的高次频谱、提取信号高次频谱的对称Holder系数前,首先要确定高次频谱的次数k以及对称Holder系数公式中的p。为确定这两个参数,在0dB信噪比条件下,分别绘制常规雷达信号(Continuous Wave,CW)、线性调频(Linear Frequency Modulated,LFM)、频率编码(Frequency Shift Keying,FSK)、相位编码(Phase Shift Keying,PSK)等四种信号1-4次频谱的对称Holder系数随p值变化的曲线,如图2所示k次频谱-矩形对称Holder系数,图3所示k次频谱-三角形对称Holder系数,由两个图中的(a)可以看出,在一次频谱条件下,LFM信号的对称Holder系数曲线与其他三种信号曲线的间隔较大,但CW、FSK、PSK三种信号的曲线相邻很近;由图2(b)-图2(d)与图3(b)-图3(d)可以看出2次频谱的各条曲线相较于3次频谱、4次频谱,各条曲线之间间隔更为明显。从图2(b)和图3(b)中可以发现,从p=5往后,各条曲线的间隔变化不再明显增大。因此,本发明实施例中可选择k=2,p=5作为提取高次频谱对称Holder系数的参数。
作为本发明实施例中基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,将高次频谱对称Holder系数脉内特征,与脉冲描述字PDW中的脉宽PW、到达角DOA和载频RF组成特征向量。
参见图4所示,将对称Holder系数与脉冲描述字(Pulse Description Word,PDW)中的[RF,DOA,PW]组成新的特征向量;在雷达信号的PDW中,脉幅(Pulse Amplitude,PA)在接收过程中极易受影响,因此一般不采用PA作为分选参数。同时,对于单个脉冲来讲,到达时间(Time of Arrival,TOA)也是无意义的。因此选择RF、DOA以及PW与信号的高次频谱对称Holder系数组成新的特征向量作聚类参数。
特征向量各个维度参数之间的量纲不同,因而在数值上存在较大差异。若直接进行聚类,则数值较大的特征向量会在聚类中起决定性作用,使得聚类结果不能正确反映数据样本之间的关系。作为本发明实施例中的基于高次频谱对称Holder系数的雷达信号分选方法,进一步地,特征向量在聚类分选前采用最大-最小化方法进行归一化处理,以消除特征向量各维度量纲不同的影响。进一步地,最大-最小化方法进行归一化处理过程表示为:
,其中,x为特征向量,x*为归一化后的特征向量,通过归一化处理后确保特征向量各维度的值均在[0,1]之间。
进一步地,基于上述的方法,本发明实施例还提供一种基于高次频谱对称Holder系数的雷达信号分选系统,包含:信号特征提取模块和信号聚类分选模块,其中,
信号特征提取模块,用于提取信号高次频谱对称Holder系数作为脉内特征,将该脉内特征与脉间特征组成特征向量,其中,高次频谱是对信号频谱进行k次方计算,k为预先确定高次频谱次数;
信号聚类分选模块,用于利用K-means算法对特征向量进行聚类分选。
为验证本发明实施例中方案的有效性,下面通过仿真数据做进一步解释说明:
仿真条件:按照表1设置生成雷达信号:
表1各部雷达实验参数设置
实验设置的4部雷达分别具有不同的脉内调制类型(雷达1无调制),雷达2与雷达3在RF、DOA、PW上都有交叠;雷达3与雷达4在RF、DOA、PW三个维度同样也有交叠;雷达1与雷达4在RF、DOA上有交叠。聚类前各部雷达数据散点图5所示,使用本案申请中方案提取信号脉内特征,取高次频谱参数k=2,对称Holder系数参数p=5,然后联合[RF,DOA,PW]组成新的特征向量进行聚类分选。为量化分选效果,对正确率定义如下:
在-3dB到5dB信噪比条件下分别进行100次实验,对分选正确率结果求平均值。各部雷达分选正确率随信噪比变化的曲线如图6所示,四部雷达在不同信噪比下的分选正确率均在90%以上,其中,雷达1(CW)的分选正确率较高,这是因为雷达1(CW)样本点在特征空间中分布较为孤立,因此更容易被聚类到同一簇;各条分选正确率曲线均有起伏,这是受信号噪声以及K-means聚类算法初始聚类中心不确定共同影响的结果。
为验证本文所提算法的优异性,设置如下2个对比实验:
对比实验1:使用相像系数提取信号脉内特征,然后联合[RF,DOA,PW]组成新的特征向量进行聚类分选,称之为相像系数法;
对比实验2:不使用信号的脉内参数,仅使用常规三参数即[RF,DOA,PW]作为特征向量进行聚类分选,称之为脉间参数法。
4部雷达平均分选正确率随信噪比变化,如图7表示,通过引入高次频谱对称Holder系数这一稳定的脉内参数,有效提高了新特征向量的可分性;对不同种调制类型信号的仿真实验结果表明,均能有效提高信号分选正确率。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的系统,本发明实施例还提供一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的系统。
基于上述的系统,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的系统。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述系统实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述系统实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和系统,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于高次频谱对称Holder系数的雷达信号分选方法,其特征在于,包含如下内容:
提取信号高次频谱对称Holder系数作为脉内特征,将该脉内特征与脉间特征组成特征向量,其中,高次频谱是对信号频谱进行k次方计算,k为预先确定高次频谱次数;
利用K-means算法对特征向量进行聚类分选。
2.根据权利要求1所述的基于高次频谱对称Holder系数的雷达信号分选方法,其特征在于,引入矩形信号序列和三角形信号序列作为基准信号,提取不同脉内调制类型雷达脉冲信号的脉冲差异,对信号频谱进行k次方计算,以获取信号高次频谱对称Holder系数。
3.根据权利要求2所述的基于高次频谱对称Holder系数的雷达信号分选方法,其特征在于,在计算信号高次频谱对称Holder系数时,首先对信号进行傅里叶变换得到一次频谱;然后对一次频谱进行能量归一化处理,并接着计算信号的高次频谱;计算每个雷达信号的高次频谱与两个基准信号的对称Holder系数,获取反应雷达信号频谱形状的脉内特征参数。
5.根据权利要求4所述的基于高次频谱对称Holder系数的雷达信号分选方法,其特征在于,计算信号高次频谱对称Holder系数时,预先设定高次频谱次数k以及对称Holder系数表示中p两个参数值。
6.根据权利要求5所述的基于高次频谱对称Holder系数的雷达信号分选方法,其特征在于,为确定高次频谱次数k以及对称Holder系数表示中p,在0dB信噪比条件下,分别绘制不同调制类型信号多次频谱的对称Holder系数随p值变化曲线;依据各曲线间隔变化来选择高次频谱次数k以及对称Holder系数表示中p。
7.根据权利要求1所述的基于高次频谱对称Holder系数的雷达信号分选方法,其特征在于,将高次频谱对称Holder系数脉内特征,与脉冲描述字PDW中的脉宽PW、到达角DOA和载频RF组成特征向量。
8.根据权利要求1或7所述的基于高次频谱对称Holder系数的雷达信号分选方法,其特征在于,特征向量在聚类分选前采用最大-最小化方法进行归一化处理,以消除特征向量各维度量纲不同的影响。
10.一种基于高次频谱对称Holder系数的雷达信号分选系统,其特征在于,包含:信号特征提取模块和信号聚类分选模块,其中,
信号特征提取模块,用于提取信号高次频谱对称Holder系数作为脉内特征,将该脉内特征与脉间特征组成特征向量,其中,高次频谱是对信号频谱进行k次方计算,k为预先确定高次频谱次数;
信号聚类分选模块,用于利用K-means算法对特征向量进行聚类分选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593864.4A CN111832632B (zh) | 2020-06-28 | 2020-06-28 | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593864.4A CN111832632B (zh) | 2020-06-28 | 2020-06-28 | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832632A true CN111832632A (zh) | 2020-10-27 |
CN111832632B CN111832632B (zh) | 2024-01-23 |
Family
ID=72898203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010593864.4A Active CN111832632B (zh) | 2020-06-28 | 2020-06-28 | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832632B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112799053A (zh) * | 2020-12-09 | 2021-05-14 | 中国人民解放军战略支援部队信息工程大学 | 一种单脉冲信号的实时配对分选方法 |
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 |
Citations (3)
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 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
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 |
-
2020
- 2020-06-28 CN CN202010593864.4A patent/CN111832632B/zh active Active
Patent Citations (3)
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 |
CN107238817A (zh) * | 2017-07-04 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种参数自适应设置及自动调整的雷达辐射源信号分选方法 |
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 |
Non-Patent Citations (2)
Title |
---|
王海华;沈晓峰;: "基于对称Holder系数的雷达辐射源信号特征分析", 空间电子技术, no. 03 * |
许程成;周青松;张剑云;谌诗娃;: "导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法", 电子学报, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112799053A (zh) * | 2020-12-09 | 2021-05-14 | 中国人民解放军战略支援部队信息工程大学 | 一种单脉冲信号的实时配对分选方法 |
CN112799053B (zh) * | 2020-12-09 | 2023-08-15 | 中国人民解放军战略支援部队信息工程大学 | 一种单脉冲信号的实时配对分选方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111832632B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN113721219B (zh) | 一种基于多参数聚类的雷达信号分选方法和系统 | |
Wang et al. | Research and experiment of radar signal support vector clustering sorting based on feature extraction and feature selection | |
CN109613486B (zh) | 一种基于核簇支持向量聚类的雷达信号分选方法 | |
Xiao et al. | Radar emitter identification based on novel time-frequency spectrum and convolutional neural network | |
CN110187313B (zh) | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 | |
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 | |
CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
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 | |
Zhang et al. | Few-shot learning for fine-grained signal modulation recognition based on foreground segmentation | |
Li et al. | LPI Radar signal modulation recognition with feature fusion based on time-frequency transforms | |
CN109239680A (zh) | 一种低截获概率雷达lfm信号的参数估计方法 | |
CN112462343A (zh) | 一种通过频域变换处理提取雷达信号脉内特征参数的方法 | |
CN116842450A (zh) | 一种基于深度度量学习的雷达辐射源个体识别方法 | |
Lu et al. | Communication signal modulation mechanism based on artificial feature engineering deep neural network modulation identifier | |
Ren et al. | Radar emitter signal classification based on mutual information and fuzzy support vector machines | |
Nguyen et al. | A parallel neural network-based scheme for radar emitter recognition | |
Guo et al. | Radar signal recognition based on FCBF and Adaboost algorithm | |
CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
CN115496116A (zh) | 一种基于相空间重构的信号提取方法、系统及介质 | |
CN112347921B (zh) | Pdw序列预处理方法、系统、计算机设备及存储介质 | |
CN114710215A (zh) | 一种跳频信号快速盲检测的方法 | |
CN114358050A (zh) | 一种基于双三次插值和wvd特征方阵的雷达辐射源智能识别方法 | |
CN113156386A (zh) | 一种雷达、辐射源识别方法及计算机可读存储介质 | |
CN111208480B (zh) | 用于电子对抗装备侦收信号的载波的自适应辨识方法 |
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 |