CN112069987A - 一种基于统计流形寻优降维的干扰类型自动识别方法 - Google Patents

一种基于统计流形寻优降维的干扰类型自动识别方法 Download PDF

Info

Publication number
CN112069987A
CN112069987A CN202010919093.3A CN202010919093A CN112069987A CN 112069987 A CN112069987 A CN 112069987A CN 202010919093 A CN202010919093 A CN 202010919093A CN 112069987 A CN112069987 A CN 112069987A
Authority
CN
China
Prior art keywords
interference
space
dimensional manifold
manifold space
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
CN202010919093.3A
Other languages
English (en)
Other versions
CN112069987B (zh
Inventor
王超宇
陆翔
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 CN202010919093.3A priority Critical patent/CN112069987B/zh
Publication of CN112069987A publication Critical patent/CN112069987A/zh
Application granted granted Critical
Publication of CN112069987B publication Critical patent/CN112069987B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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

Abstract

本发明公开了一种基于统计流形寻优降维的干扰类型自动识别方法。首先，利用到达角、载频、脉宽、到达时间、幅度等脉冲描述字构造干扰信号空时频统计特征集合；然后，利用噪声调幅、噪声调频、复制转发、梳状谱等干扰样式先验信息构造多维流形空间；最后，将干扰类型识别问题转化为流形上的信息几何估计问题，并通过多维流形空间信号分量和噪声分量分离等技术手段，降维估计高分离度的干扰信号多维流形空间，作为高置信度干扰信号分类识别的依据。

Description

一种基于统计流形寻优降维的干扰类型自动识别方法
技术领域
本发明涉及电子对抗技术领域。
背景技术
对干扰类型的精准实时判别是认知化干扰抑制的基本前提。实时干扰类型识别方法虽然具备良好的工程应用潜力和一定鲁棒性，但是在应对辐射样式灵活多变的新体制干扰设备时可能存在如下缺陷：首先，通过对干扰源侦收信号进行多维度时频分析可从不同角度定义大量特征参量，特征参量的扩张一方面将极大的复杂化识别处理流程，另一方面也将在一定程度上降低识别流程的鲁棒性；其次，该方法中所采纳的硬判决方式难以自动兼容未知的新型复杂干扰样式。从干扰样式/类型识别的角度出发，前述各种时频参量重要性不一，也即其所能提供的鉴别能力不同。如何有效的自动凝练各参量提供的鉴别能力和鉴别角度是干扰认知领域一个难题。
本发明利用信息几何(Information Geometry)给出面向干扰样式自动识别的干扰特征参量降维分类方法。
发明内容
本发明提出了一种基于统计流形寻优降维的干扰类型自动识别方法，能够提升雷达系统在复杂电磁环境下的电磁环境综合感知能力，为自适应抗干扰雷达系统辅助性决策提供关键信息支撑。
实现本发明的技术解决方案为：从信息几何的角度出发，利用观测干扰信号有限维的奇异值特征矢量自动凝练干扰信号观察样本蕴含的多维流形空间特征，实现干扰信号观察样本空时频特征的降维提取，即以有标签干扰实测数据作为训练样本，通过多维流形空间信号分量U和噪声分量Λ降维分离等技术手段，迭代估计干扰信号空时频统计特征f(x)和多维流形空间g(x)，实现高置信度干扰信号分类识别。具体步骤如下：
步骤1：利用脉冲描述字初始化干扰信号空时频统计特征f(x)，
Figure BDA0002666051090000011
x为干扰信号样本，
Figure BDA0002666051090000012
为干扰信号描述字构成的观察样本集合；同时，利用干扰样式先验信息初始化多维流形空间g(y)，其中
Figure BDA0002666051090000013
y为干扰信号样本，
Figure BDA0002666051090000014
为干扰类型集合；
步骤2：从观测样本集合中选n个样本，对于每个样本(xi,yi)估计干扰信号空时频特征的分布PX(xi)，并更新干扰信号空时频统计特征：
Figure BDA0002666051090000021
其中，Δ为常数；
步骤3：从观测样本集合中选n个样本，利用观测干扰信号样本(xi,yi)估计多维流形空间特征分布PY(yi)，并更新典型干扰类型多维流形空间：
Figure BDA0002666051090000022
其中，Δ为常数；
步骤4：利用n个干扰信号样本对干扰类型高维流形空间的实时转移牵引效应，归一化干扰类型多维流形空间估计结果
Figure BDA0002666051090000023
其中
Figure BDA0002666051090000024
表示对n干扰信号样本统计所得干扰多维流形空间数学期望；
步骤5：基于归一化干扰类型多维流形空间估计结果，构造干扰几何流形空间相关矩阵：
Figure BDA0002666051090000025
步骤6：利用干扰几何流形空间相关矩阵，采用SVD方式降维提取干扰多维流形空间信号分量U和噪声分量Λ：
[U Λ]＝eig(Φ)；
步骤7：利用信号分量和噪声分量，重构干扰多维流形空间：
Figure BDA0002666051090000026
步骤8：重复步骤1～步骤7，直至
Figure BDA0002666051090000027
变化率≤5％。
本发明从信息几何(Information Geometry)角度出发，利用干扰信号在多维流形空间的低冗余、高分离度特征，构建了基于统计流形寻优降维的干扰类型自动识别方法，从本质上解决因干扰参数交叠和复杂体制干扰源样式随机变化所带来的干扰类型分类识别困难，提高雷达对复杂电磁环境的综合感知能力，为雷达抗干扰提供关键信息支撑，具备良好的工程应用潜力。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为一种基于统计流形寻优降维的干扰类型自动识别方法摘要附图；
具体实施方式
下面结合附图和具体实施方式对本发明做更进一步的具体说明。
本发明提出了一种基于统计流形寻优降维的干扰类型自动识别方法，利用电子侦察与分析模块输出的各脉冲特征参数与已知干扰类型的先验信息构造多维流形空间；基于多维度统计量和干扰类型在多维流形空间上的匹配关系，迭代估计干扰信号空时频统计特征和多维流形空间。然后基于干扰类型多维流形空间估计结果，构造干扰几何流形空间相关矩阵，并采用SVD方式降维提取干扰多维流形空间信号分量和噪声分量，重构干扰多维流形空间。最后利用降维凝练的低冗余干扰多维流形空间，完成干扰信号类型的识别。如图1所示，本发明实施例步骤如下：
步骤1：利用到达角、载频、脉宽、到达时间、幅度等脉冲描述字初始化干扰信号空时频统计特征f(x)，
Figure BDA0002666051090000031
x为干扰信号样本，
Figure BDA0002666051090000032
为干扰信号描述字构成的观察样本集合；同时，利用典型噪声调幅、噪声调频、复制转发、梳状谱等干扰样式先验信息初始化多维流形空间g(y)，
Figure BDA0002666051090000033
y为干扰信号样本，
Figure BDA0002666051090000034
为干扰类型集合。
步骤2：从观测样本集合中选n个样本，对于每个样本(xi,yi)估计干扰信号空时频特征的分布PX(xi)，并更新干扰信号空时频统计特征
Figure BDA0002666051090000035
其中，Δ为常数。
步骤3：从观测样本集合中选n个样本，利用观测干扰信号样本(xi,yi)估计多维流形空间特征分布PY(yi)，并更新典型干扰类型多维流形空间
Figure BDA0002666051090000036
其中，Δ为常数。
步骤4：利用n个干扰信号样本对干扰类型高维流形空间的实时转移牵引效应，归一化干扰类型多维流形空间估计结果
Figure BDA0002666051090000037
其中
Figure BDA0002666051090000038
表示对n干扰信号样本统计所得干扰多维流形空间数学期望。
步骤5：基于归一化干扰类型多维流形空间估计结果，构造干扰几何流形空间相关矩阵
Figure BDA0002666051090000039
步骤6：利用干扰几何流形空间相关矩阵，采用SVD方式降维提取干扰多维流形空间信号分量和噪声分量U和Λ
[U Λ]＝eig(Φ)
步骤7：利用信号分量和噪声分量，重构干扰多维流形空间
Figure BDA0002666051090000041
步骤8：重复步骤1～步骤7，直至
Figure BDA0002666051090000042
变化率≤5％。

Claims (1)

1.一种基于统计流形寻优降维的干扰类型自动识别方法，其特征在于：
步骤1：利用脉冲描述字初始化干扰信号空时频统计特征f(x)，
Figure FDA0002666051080000018
x为干扰信号样本，
Figure FDA00026660510800000110
为干扰信号描述字构成的观察样本集合；同时，利用干扰样式先验信息初始化多维流形空间g(y)，其中
Figure FDA0002666051080000019
y为干扰信号样本，
Figure FDA00026660510800000111
为干扰类型集合；
步骤2：从观测样本集合中选n个样本，对于每个样本(xi,yi)估计干扰信号空时频特征的分布PX(xi)，并更新干扰信号空时频统计特征：
Figure FDA0002666051080000011
其中，Δ为常数；
步骤3：从观测样本集合中选n个样本，利用观测干扰信号样本(xi,yi)估计多维流形空间特征分布PY(yi)，并更新典型干扰类型多维流形空间：
Figure FDA0002666051080000012
其中，Δ为常数；
步骤4：利用n个干扰信号样本对干扰类型高维流形空间的实时转移牵引效应，归一化干扰类型多维流形空间估计结果
Figure FDA0002666051080000013
其中
Figure FDA0002666051080000014
表示对n干扰信号样本统计所得干扰多维流形空间数学期望；
步骤5：基于归一化干扰类型多维流形空间估计结果，构造干扰几何流形空间相关矩阵：
Figure FDA0002666051080000015
步骤6：利用干扰几何流形空间相关矩阵，采用SVD方式降维提取干扰多维流形空间信号分量U和噪声分量Λ：
[U Λ]＝eig(Φ)；
步骤7：利用信号分量和噪声分量，重构干扰多维流形空间：
Figure FDA0002666051080000016
步骤8：重复步骤1～步骤7，直至
Figure FDA0002666051080000017
变化率≤5％。
CN202010919093.3A 2020-09-04 2020-09-04 一种基于统计流形寻优降维的干扰类型自动识别方法 Active CN112069987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010919093.3A CN112069987B (zh) 2020-09-04 2020-09-04 一种基于统计流形寻优降维的干扰类型自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010919093.3A CN112069987B (zh) 2020-09-04 2020-09-04 一种基于统计流形寻优降维的干扰类型自动识别方法

Publications (2)

Publication Number Publication Date
CN112069987A true CN112069987A (zh) 2020-12-11
CN112069987B CN112069987B (zh) 2023-04-18

Family

ID=73665067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010919093.3A Active CN112069987B (zh) 2020-09-04 2020-09-04 一种基于统计流形寻优降维的干扰类型自动识别方法

Country Status (1)

Country Link
CN (1) CN112069987B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628481A (zh) * 2023-07-21 2023-08-22 江西红声技术有限公司 电子对抗信源识别方法、系统、计算机及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108919203A (zh) * 2018-05-21 2018-11-30 西安电子科技大学 一种雷达有源干扰的识别方法及系统
CN110084126A (zh) * 2019-03-29 2019-08-02 西安电子科技大学 一种基于Xgboost的卫星通信干扰样式识别方法
CN110426680A (zh) * 2019-07-20 2019-11-08 中国船舶重工集团公司第七二四研究所 一种基于干扰信号时频及相关系数多维特征联合分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108919203A (zh) * 2018-05-21 2018-11-30 西安电子科技大学 一种雷达有源干扰的识别方法及系统
CN110084126A (zh) * 2019-03-29 2019-08-02 西安电子科技大学 一种基于Xgboost的卫星通信干扰样式识别方法
CN110426680A (zh) * 2019-07-20 2019-11-08 中国船舶重工集团公司第七二四研究所 一种基于干扰信号时频及相关系数多维特征联合分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
罗彬?等: "噪声调制类有源干扰信号识别技术研究", 《雷达科学与技术》 *
郝万兵等: "基于时频特征提取的雷达有源干扰识别", 《火控雷达技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628481A (zh) * 2023-07-21 2023-08-22 江西红声技术有限公司 电子对抗信源识别方法、系统、计算机及可读存储介质

Also Published As

Publication number Publication date
CN112069987B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Oyedare et al. Estimating the required training dataset size for transmitter classification using deep learning
CN111050315B (zh) 一种基于多核双路网络的无线发射机识别方法
CN111144458A (zh) 子空间嵌入特征分布对齐的不同工况下机械故障识别方法
Ghadimi et al. Deep learning-based approach for low probability of intercept radar signal detection and classification
CN111222442A (zh) 一种电磁信号分类方法和装置
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
Tsai et al. Refined autoencoder-based CSI hidden feature extraction for indoor spot localization
CN112069987B (zh) 一种基于统计流形寻优降维的干扰类型自动识别方法
Chen et al. Automatic modulation classification of radar signals utilizing X-net
CN115982613A (zh) 一种基于改进卷积神经网络的信号调制识别系统及方法
CN108108666B (zh) 一种基于小波分析和时频单源检测的混合矩阵估计方法
Wang et al. Classification methods with signal approximation for unknown interference
Guven et al. Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system
Liao et al. Fast Fourier Transform with Multi-head Attention for Specific Emitter Identification
Upadhyay et al. Principal component analysis as a dimensionality reduction and data preprocessing technique
Mukhopadhyay et al. Blind system identification in noise using a dynamic-based estimator
CN115204237A (zh) 一种基于Swin-Transformer的短波协议信号自动识别方法
Ferréol et al. Higher order direction finding for arbitrary noncircular sources: The NC-2q-MUSIC algorithm
Xin et al. Efficient noisy data transmission using denoising autoencoder in Internet of Things
Tong et al. Specific Emitter Identification Based on Multichannel Depth Feature Fusion
CN113556132A (zh) 一种基于信号奇异性检测改进的电力信号压缩感知新方法
CN110784887B (zh) 网格化无线电信号监测系统中异常信号源数量的检测方法
Huang et al. A method for extracting fingerprint feature of communication satellite signal

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