CN112766326A - 一种基于跳频聚类分选结果的错误检测和修正方法 - Google Patents

Abstract

本发明公开了一种基于序列差分的跳频聚类分选结果的错误检测和修正方法，该方法能够在跳频聚类分选因数据集在样本空间产生交叠发生分选错误的情况下，检测分选结果是否发生违背信号时间连续性原则的错误并进行修正，首先对分选后的每个跳频信号进行中心峰值时刻的提取，随后对提取到的各跳中心时刻按照时间从小到大进行序号标记，并做出曲线，并对跳中心时刻序列进行依次差分，与设定的门限值进行比对进行错误检测，之后依据判断的错误类型和时间点是否能够匹配进行分选错误的修正，从而能够提升一定的分选准确率。

Description

一种基于跳频聚类分选结果的错误检测和修正方法

技术领域

本发明属于跳频分选技术领域，具体涉及一种基于跳频聚类分选结果的错误检测和修正方法。

背景技术

在现代信息技术高速发展的条件下，为了取得战争的胜利，各国军队都在大量使用常规或非常规的通信设备。由于无线通信所具有的开放性和无界性的特点，战场通信能够为己方带来即时的信息交互。1995年，美国国防部提出信息战的概念，随着信号处理技术的迅速发展，信息战已经作为一种作战方式融入到现代战争中，成为影响战场局势的重要因素。通信对抗是战场上有效打击对手的一种信息化手段，研究的内容是在非协作通信条件下对电磁环境中的隐蔽信号检测和估计，进而获取信息，对敌方的协作通信实施干扰进而完成对电子通信载体进行精准打击。因此，为了保障己方通信的安全性与隐蔽性，低截获、抗干扰等技术手段被广泛应用于通信电子对抗之中，而跳频通信便是最主要的常用技术之一。跳频分选技术是现代通信对抗中的一项关键技术，具有重大的战略意义。

在传统跳频分选中，会对侦收到的跳频信号进行参数估计生成每一跳信号的Hop描述字(Hop Descirption Word，HDW)，包括跳周期、跳时和到达角等，并依据相似性使用聚类算法进行盲分选，将属于同一跳信号的Hop筛选分类，分选成单独完整的跳频信号。

当不同跳频信号的HDW数据集在样本空间发生混叠时，聚类分选会产生错误，因此依据跳频信号在时间上的连续性和单一性，提出了基于序列差分的跳频聚类分选错误检测和修正方法，能够一定程度地提升分选准确率。

发明内容

本发明的目的是为了能够对跳频聚类分选结果进行检测和修正，提高准确率，传统跳频分选会依据特征参数的相似性使用聚类算法进行分选，并且以聚类的结果作为分选结果，当特征参数集在样本空间中产生重叠时，可能会产生违背跳频信号时间特性的分选错误问题，提出了一种基于序列差分的跳频聚类分选结果的错误检测和修正方法，能够提高跳频信号分选的准确率。

本发明技术方案为：基于序列差分的跳频聚类分选结果的错误检测和修正方法，包括以下步骤：

S1、搭建数据采集平台，并采集待分选的多个跳频信号测量参数组成的数据集；

S2、使用聚类算法进行分选，输出分选结果；

S3、根据分选后单个跳频信号的时频图，提取其中每一跳的中心时刻，组成中心时刻序列；

S4、根据中心时刻序列作出曲线，将序列依次差分并与设定的检测门限进行比较，并判断错误类型；

S5、将不同跳频信号之间发生错误的时间范围和类型进行匹配，若互相吻合则进行错误修正。

进一步地，步骤S2中当跳频信号的参数数据集在样本空间中产生交叠时，会发生分选错误，但由于跳频信号的时间连续性选择和单一性原则，分选结果可能会产生违背以上两种原则的错误，因而需要对其检测和修正。

进一步地，步骤S3中提取中心时刻包括以下分步骤：

S31、对于时频变换后的时频矩阵TF_x(f_q，t_p)，每个频点和时间点都会有对应的能量值，除了噪声的影响和信号载频点处和持续时长内本身信号具有的能量之外，因此需要设定一个阈值ε，将一些极小的非负的能量点置零，以此避免其对于接下来峰值检测和CT值确定产生很大的误差影响，这一步称为对时频矩阵的细化处理，得到TF′_x(f_q，t_p)；

S32、对经过细化处理的时频矩阵数据中TF′_x(f_q，t_p)的每一个频率点沿着时间轴利用二次差分法获

得每个频率点对应的峰值位置，得到峰值矩阵Peak₁(n，k)；

S33、对于每一个时间点沿着频率轴利用二次差分法获得每个时间点对应的峰值位置，获得峰值矩阵Peak₂(n，k)；

S34、将Peak₁(n，k)与Peak₂(n，k)进行“相乘

”，即作Hadamard积运算，得到最终的峰值矩阵，为1的位置即代表跳频信号每跳的峰值所在。

S35、对峰值进行修正其对应的时间轴坐标即为跳中心时刻(Center Time，CT)。

进一步地，步骤S4中对中心序列的拟合采用更合理的曲线拟合，理想状况下，隶属于同一跳频信号的CT值序列可以在直角坐标系中连成一条直线以CT值的序号数作为x轴，以CT值的大小作为y轴，可以将直线表示出来：

y＝ax+b

式中，a为斜率对应的该序列的跳周期，b为截距，对应第一跳的持续时间。由于噪声以及测量误差的影响，各跳CT值构建的序列并非是一条完美的直线，CT测量值会分布在直线的周围，虽然对前后的CT序列值以此进行差分操作。

进一步地，步骤S4中序列差分、门限检测包括以下分步骤：

S41、根据分选后的某一个整体的跳频信号的CT序列，CT＝[CT₁，CT₂，...，CT_N]，并与时频图中各跳相对位置进行标志联结。

S42、对同一个跳频信号的CT序列进行差分操作获得ΔCT，其中ΔCT_i＝CT_i+1-CT_i，由CT定义可知，相邻单跳信号CT差值就是一跳信号的驻留时间，即跳周期，因此ΔCT的数值会在估计的跳周期值

上下浮动。

S43、通过设定检测两个门限，判断是否产生I类错误和II类错误。若

则表明发生了I类错误，同一段跳周期的驻留时间内有多个单跳信号被分选到同一个跳频信号中。若

则表明发生了II类错误，某一段跳周期内没有任何一跳信号的存在，即所谓的丢跳现象。

Threshold₁≤ΔCT_i≤Threshold₂

进一步地，步骤S32中的二次差分法为：

对于一个序列x(n)，n＝1，2，...，N，将x(n)相邻的两个数据的值进行比较得到一次差分的结果，设为y₁(n)，n＝1，2，...，N然后对y₁(n)再次进行一次差分操作，这就相对于序列x(n)进行了二次差分，结果记为y₂(n)，n＝1，2，...，N；

进一步地，步骤S35中的峰值修正包括以下分步骤：

S351、搜寻峰值矩阵Peak(n，k)数值为1的坐标即峰值所在位置，得到(n1，k1)；

S352、以(n1，k1)为中心设置一个矩形的邻域Ω_n1，k1，邻域的长宽需根据实际情况进行设定；

S253、搜寻Peak(n，k)以(n1，k1)为中心邻域Ω_n1，k1内的所有峰值位置，并重新设定这片区域内的峰值坐标，假设搜索到M个峰值，那么新的峰值点为：

S354、令Peak(n′，k′)＝1，而原先的峰值全部都置0；

S355、对峰值矩阵Peak(n，k)所有峰值进行修正，得到修正后的峰值矩阵Peak′(n，k)；

S356、取每一个峰值位置的时间轴坐标，作为每跳信号的CT值。

本发明的有益效果是：

对于传统分选跳频聚类分选在数据集混叠情况下会发生分选错误，因此本发明提出了对于聚类分选后的跳频信号进行中心时刻序列提取并差分与门限进行检测，能够对违背跳频时间特性原则的错误进行检测和修正，提高分选准确率。

附图说明

图1所示为本发明实例提供的基于序列差分的跳频聚类分选结果的错误检测和修正方法流程图。

图2所示为本发明实例提供的两个跳频信号的参数测量数据集合和聚类分选结果图。

图3所示为本发明实例提供的分选错误结果类型示意图。

图4所示为本发明实例提供的二次差分法后提取峰值示意图。

图5所示为本发明实例提供的峰值修正后示意图。

图6所示为本发明实例提供的理想中心时刻曲线示意图。

图7所示为本发明实例提供的I类错误曲线和门限检测示意图。

图8所示为本发明实例提供的II类错误曲线和门限检测示意图。

具体实施方法

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实力提供一种一种基于跳频聚类分选结果的错误检测和修正方法，如图1所示，包括以下步骤：

S1、搭建数据采集平台，并采集生成待分选的多个跳频信号，如下表所示，测量参数组成的数据集；

S2、使用聚类算法进行分选，输出分选结果，如图2所示；

本发明实例中，步骤S2中跳频信号的参数数据集在样本空间中产生交叠时，会发生分选错误，但由于跳频信号的时间连续性选择和单一性原则，分选结果可能会产生违背以上两种原则的错误，如图3所示，因而需要对其检测和修正。

S3、根据分选后单个跳频信号的时频图，提取其中每一跳的中心时刻，组成中心时刻序列；

本发明实例中，步骤S3中提取中心时刻包括以下分步骤：

S31、对于时频变换后的时频矩阵TF_x(f_q，t_p)，每个频点和时间点都会有对应的能量值，除了噪声的影响和信号载频点处和持续时长内本身信号具有的能量之外，因此需要设定一个阈值ε，将一些极小的非负的能量点置零，以此避免其对于接下来峰值检测和CT值确定产生很大的误差影响，这一步称为对时频矩阵的细化处理，得到TF′_x(f_q，t_p)；

S32、对经过细化处理的时频矩阵数据中TF′_x(f_q，t_p)的每一个频率点沿着时间轴利用二次差分法获

得每个频率点对应的峰值位置，得到峰值矩阵Peak₁(n，k)；

本发明实例中，步骤S32中的二次差分法为：

对于一个序列x(n)，n＝1，2，...，N，将x(n)相邻的两个数据的值进行比较得到一次差分的结果，设为y₁(n)，n＝1，2，...，N然后对y₁(n)再次进行一次差分操作，这就相对于序列x(n)进行了二次差分，结果记为y₂(n)，n＝1，2，...，N；

S33、对于每一个时间点沿着频率轴利用二次差分法获得每个时间点对应的峰值位置，获得峰值矩阵Peak₂(n，k)；

S34、将Peak₁(n，k)与Peak₂(n，k)进行“相乘

”，即作Hadamard积运算，得到最终的峰值矩阵，为1的位置即代表跳频信号每跳的峰值所在，如图4所示。

S35、对峰值进行修正其对应的时间轴坐标即为跳中心时刻(Center Time，CT)，如图5所示。

本发明实例中，步骤S35中的峰值修正包括以下分步骤：

S351、搜寻峰值矩阵Peak(n，k)数值为1的坐标即峰值所在位置，得到(n1，k1)；

S352、以(n1，k1)为中心设置一个矩形的邻域Ω_n1，k1，邻域的长宽需根据实际情况进行设定；

S253、搜寻Peak(n，k)以(n1，k1)为中心邻域Ω_n1，k1内的所有峰值位置，并重新设定这片区域内的峰值坐标，假设搜索到M个峰值，那么新的峰值点为：

S354、令Peak(n′，k′)＝1，而原先的峰值全部都置0；

S355、对峰值矩阵Peak(n，k)所有峰值进行修正，得到修正后的峰值矩阵Peak′(n，k)；

S356、取每一个峰值位置的时间轴坐标，作为每跳信号的CT值。

S4、根据中心时刻序列作出曲线；将序列依次差分并与设定的检测门限进行比较，并判断错误类型；

本发明实例中，步骤S4中理想状况下，隶属于同一跳频信号的CT值序列可以在直角坐标系中连成一条直线以CT值的序号数作为x轴，以CT值的大小作为y轴，可以将直线表示出来，如图6所示：

y＝ax+b

式中，a为斜率对应的该序列的跳周期，b为截距，对应第一跳的持续时间。由于噪声以及测量误差的影响，各跳CT值构建的序列并非是一条完美的直线，CT测量值会分布在直线的周围，虽然对前后的CT序列值以此进行差分操作。

进一步地，本发明实例中，步骤S4中序列差分、门限检测包括以下分步骤：

S41、根据分选后的某一个整体的跳频信号的CT序列，CT＝[CT₁，CT₂，...，CT_N]，并与时频图中各跳相对位置进行标志联结。

S42、对同一个跳频信号的CT序列进行差分操作获得ΔCT，其中ΔCT_i＝CT_i+1-CT_i，由CT定义可知，相邻单跳信号CT差值就是一跳信号的驻留时间，即跳周期，因此ΔCT的数值会在估计的跳周期值

上下浮动。

S43、通过设定检测两个门限，判断是否产生I类错误和II类错误。若

则表明发生了I类错误，同一段跳周期的驻留时间内有多个单跳信号被分选到同一个跳频信号中，如图7所示。若

则表明发生了II类错误，某一段跳周期内没有任何一跳信号的存在，即所谓的丢跳现象，如图8所示。

Threshold₁≤ΔCT_i≤Threshold₂

S5、将不同跳频信号之间发生错误的时间范围和类型进行匹配，若互相吻合则进行错误修正，能够提升分选准确率，如下表所示。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.本发明提出了一种基于跳频聚类分选结果的错误检测和修正方法，其特征在于：包括以下步骤：

S1、搭建数据采集平台，并采集生成待分选的多个跳频信号测量参数组成的数据集；

S2、使用聚类算法进行分选，输出分选结果；

S3、根据分选后单个跳频信号的时频图，提取其中每一跳的中心时刻，组成中心时刻序列；

S4、根据中心时刻序列作曲线，将序列依次差分与设定的检测门限进行比较，并判断错误类型；

S5、将不同跳频信号之间发生错误的时间范围和类型进行匹配，若吻合则进行错误修正。

2.根据权利要求1所述的基于跳频聚类分选结果的错误检测和修正方法，其特征在于，所述步骤S2中：当跳频信号的参数数据集在样本空间中产生交叠时，会发生分选错误，但由于跳频信号的时间连续性选择和单一性原则，分选结果可能会产生违背以上两种原则的错误，因而需要对其检测和修正。

3.根据权利要求1所述的基于跳频聚类分选结果的错误检测和修正方法，其特征在于，所述步骤S3中提取中心时刻包括以下分步骤：

S31、对于时频变换后的时频矩阵TF_x(f_q，t_p)，每个频点和时间点都会有对应的能量值，除了噪声的影响和信号载频点处和持续时长内本身信号具有的能量之外，因此需要设定一个阈值ε，将一些极小的非负的能量点置零，以此避免其对于接下来峰值检测和CT值确定产生很大的误差影响，这一步称为对时频矩阵的细化处理，得到TF′_x(f_q，t_p)；

S32、对经过细化处理的时频矩阵数据中TF′_x(f_q，t_p)的每一个频率点沿着时间轴利用二次差分法获

得每个频率点对应的峰值位置，得到峰值矩阵Peak₁(n，k)；

S33、对于每一个时间点沿着频率轴利用二次差分法获得每个时间点对应的峰值位置，获得峰值矩阵Peak₂(n，k)；

S34、将Peak₁(n，k)与Peak₂(n，k)进行“相乘

”，即作Hadamard积运算，得到最终的峰值矩阵，为1的位置即代表跳频信号每跳的峰值所在；

S35、对峰值进行修正其对应的时间轴坐标即为跳中心时刻(Center Time，CT)。

4.根据权利要求1所述的基于跳频聚类分选结果的错误检测和修正方法，其特征在于，所述步骤S4中对中心序列的拟合采用更合理的曲线拟合，理想状况下，隶属于同一跳频信号的CT值序列可以在直角坐标系中连成一条直线，以CT值的序号数作为x轴，以CT值的大小作为y轴，可以将直线表示出来：

y＝ax+b

式中，a为斜率对应的该序列的跳周期，b为截距，对应第一跳的持续时间。由于噪声以及测量误差的影响，各跳CT值构建的序列并非是一条完美的直线，CT测量值会分布在直线的周围，虽然对前后的CT序列值以此进行差分操作。

5.根据权利要求1所述的基于跳频聚类分选结果的错误检测和修正方法，其特征在于，所述步骤S4包括以下分步骤：

S41、根据分选后的某一个整体的跳频信号的CT序列，CT＝[CT₁，CT₂，....，CT_N]，并与时频图中各跳相对位置进行标志连接；

S42、对同一个跳频信号的CT序列进行差分操作获得ΔCT，其中ΔCT_i＝CT_i+1-CT_i，由CT定义可知，相邻单跳信号CT差值就是一跳信号的驻留时间，即跳周期，因此ΔCT的数值会在估计的跳周期值

上下浮动；

S43、通过设定检测两个门限，判断是否产生I类错误和II类错误。

Threshold₁≤ΔCT_i≤Threshold₂

6.根据权利要求3所述的基于跳频聚类分选结果的错误检测和修正方法，其特征在于，所述步骤S32中的二次差分法为：

对于一个序列x(n)，n＝1，2，...，N，将x(n)相邻的两个数据的值进行比较得到一次差分的结果，设为y₁(n)，n＝1，2，...，N，然后对y₁(n)再次进行一次差分操作，这就相对于序列x(n)进行了二次差分，结果记为y₂(n)，n＝1，2，...，N。

7.根据权利要求3所述的基于跳频聚类分选结果的错误检测和修正方法，其特征在于，所述步骤S35中的峰值修正包括以下分步骤：

S351、搜寻峰值矩阵Peak(n，k)数值为1的坐标即峰值所在位置，得到(n1，k1)；

S352、以(n1，k1)为中心设置一个矩形的邻域Ω_n1，k1，邻域的长宽需根据实际情况进行设定；

S253、搜寻Peak(n，k)以(n1，k1)为中心邻域Ω_n1，k1内的所有峰值位置，并重新设定这片区域内的峰值坐标，假设搜索到M个峰值，那么新的峰值点为：

S354、令Peak(n′，k′)＝1，而原先的峰值全部都置0；

S355、对峰值矩阵Peak(n，k)所有峰值进行修正，得到修正后的峰值矩阵Peak′(n，k)；

S356、取每一个峰值位置的时间轴坐标，作为每跳信号的CT值。

Images