CN112986925B - 一种基于图像特征的雷达脉冲序列分选方法 - Google Patents
一种基于图像特征的雷达脉冲序列分选方法 Download PDFInfo
- Publication number
- CN112986925B CN112986925B CN202110136843.4A CN202110136843A CN112986925B CN 112986925 B CN112986925 B CN 112986925B CN 202110136843 A CN202110136843 A CN 202110136843A CN 112986925 B CN112986925 B CN 112986925B
- Authority
- CN
- China
- Prior art keywords
- sorting
- pulse
- radar
- line segment
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 title claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013079 data visualisation Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101150030330 MAJIN gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于图像特征的雷达脉冲序列分选方法，包括雷达脉冲序列预分选、主分选、后分选。预分选包括雷达脉冲序列数据可视化和频段分割；主分选包括基于图像特征的Hough线段聚类和DBSCAN聚类的综合应用；后分选包括基于脉冲重复间隔的再聚类和分选结果验证。本发明提出的雷达信号分选方法解决了传统分选方法过度依赖脉冲重复间隔的问题，适用于脉冲序列极多的复杂环境，系统鲁棒性强，分选精度高，提高了雷达侦察技术水平，对现代电子对抗具有重要意义。
Description
技术领域
本发明属于电子对抗技术领域，具体涉及一种基于图像特征的雷达脉冲序列分选方法。
背景技术
雷达对抗是使用特种电子设备针对雷达进行侦察、干扰和防御的技术，是现代电子对抗的重要组成部分。其中，雷达脉冲信号分选是雷达侦察的首要核心工作，也是整个雷达电子对抗的首要任务。
雷达脉冲信号分选的处理对象是时域上混叠在一起的多部雷达的脉冲序列，即雷达侦察作战中获得的原始数据，该脉冲序列一般为一组包含多个维度特征的脉冲点，整体呈点云状分布。分选过程是从脉冲点云中挑选并分离出每一部雷达各自对应脉冲序列的过程。其不仅是电子侦察中的重要处理环节，同时也是实现雷达辐射源识别、定位与干扰引导的基础与前提。这些在电子侦察中截获的脉冲信号通常采用脉冲描述字(PulseDescription Word，PDW)进行表征，主要包含：到达时间、频率、脉幅、脉宽、到达角、相位等参数，通过对脉冲描述字的处理实现雷达脉冲信号分选目的。
从现有的雷达分选算法来看，《复杂杂波背景下检测低慢小目标的雷达信号处理方法》(CN111913158A)提出了一种复杂杂波背景下运用多普勒数据进行雷达信号分选的方法，但只适用于低速的小雷达目标。《一种基于球覆盖的仿生模式识别算法的雷达信号分选方法》(CN112014804A)提出了一种利用仿生模式识别算法识别混淆矩阵的方法，但在信号数量较多时，分选结果有待考证。
发明内容
为解决上述问题，本发明公开了一种基于图像特征的雷达脉冲序列分选方法，解决了传统分选方法过度依赖脉冲重复间隔的问题，适用于脉冲序列极多的复杂环境，系统鲁棒性强，分选精度高，提高了雷达侦察技术水平，对现代电子对抗具有重要意义。
为达到上述目的，本发明的技术方案如下：
一种基于图像特征的雷达脉冲序列分选方法，包括以下步骤：
(1)基于频率和直方图统计法对脉冲描述字集合进行预分选，将原始脉冲描述字集合分割成若干脉冲描述字子集；
(2)针对每一个脉冲描述字子集，基于到达时间和相位进行图像化处理并使用Hough变换法从中提取出Hough线段，进而使用DBSCAN聚类法获取若干Hough线段簇；
(3)将步骤(2)中获取的图像化数据与Hough线段簇进行相位周期延拓，之后进行第二次DBSCAN聚类获取Hough线段簇分类标签，再基于层次聚类法获取雷达辐射源信息并进行脉冲序列分类；
(4)根据步骤(3)中获取的层次聚类结果，针对每一个原始脉冲信号点作信号捕获，将每个点归到某一雷达分类中，或归为不属于任何雷达类别的噪声信号；
(5)对步骤(4)中的分类结果，分析获取雷达辐射源脉冲重复间隔类型并优化冗余分选结果。
作为本发明的一种改进，所述步骤(1)在频率特征维度上进行两次分割：
第一次分割构建频率分布直方图，统计各频段脉冲序列出现次数；根据直方图结果计算方差，得到自适应切分阈值，以该阈值为界对全频段进行分割，将原雷达脉冲序列在频段上分成多段；
第二次分割考虑到部分频段内雷达脉冲仍分布密集，影响后续图形化分选效果，在第一次分割的每一段中再做一次预分选分割。对每一段在频率上做局部分组归一化处理，再构建直方图，统计各频段内部脉冲序列出些次数分布，计算局部最低点，作为分界对每一个频率段做二次分割。
作为本发明的一种改进，所述步骤(2)中使用网格统计法对脉冲描述字子集进行图像化处理，依据脉冲描述字的到达时间和相位归一化数据投射至大小为MxN的网格中进行统计，通过将投射密度映射至灰度色阶可以获得分辨率为MxN的灰度图像。
步骤(2)中DBSCAN聚类法获取Hough线段簇使用的是Hough线段延长线在相位不同相位i°和–i°处的到达时间截距(t+i°，t-i°)形成的特征空间进行DBSCAN聚类。
作为本发明的一种改进，所述步骤(3)中使用相位周期延拓将图像化数据与Hough线段簇在相位特征上进行重复，使得在-180°与+180°之间不连续的相位信号在-180°与+540°的区间内实现连续对齐。
步骤(3)中将Hough线段簇延长线在相位延拓空间的(180-i)°和(180+i)°处的到达时间截距(t(180-i)°，t(180+i)°)形成的特征空间再次进行DBSCAN聚类，由于相位延拓的原因，每个Hough线段簇都会有两个分类标签。
步骤(3)中针对每个Hough线段簇的两个分类标签进行层次聚类，直到所有Hough线段簇的标签不再有交集，此时每个Hough线段簇对应一部辐射源。
作为本发明的一种改进，所述步骤(4)中使用的脉冲信号点捕获方法，在得到各Hough线段斜截式解析式后，计算每个脉冲信号点到所有检出Hough线段的距离，其距离包括到线段本身的垂直距离和到线段短点的圆心距离，取其中最小距离所对应的Hough线段，将该距离与阈值比较，判断是否对该点归类。
作为本发明的一种改进，所述步骤(5)中使用的脉冲重复周期计算法，是根据步骤(4)最后的分类结果，对每一类内部的所有脉冲点进行排序，再对相邻点依次作差获取脉冲重复间隔值，分析脉冲重复间隔分布，修正分类结果。
本发明的有益效果是：
本发明提出了一种经预分选、主分选、后分选三大主要步骤的雷达脉冲信号分选技术方案，解决了传统分选方法过度依赖脉冲重复间隔的问题，适用于脉冲序列极多的复杂环境，系统鲁棒性强，分选精度高，提高了雷达侦察技术水平，对现代电子对抗具有重要意义。
附图说明
图1为本发明的流程图；
图2为本发明所述的预分选流程图；
图3为本发明所述的主分选流程图；
图4为本发明所述的后分选流程图；
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图所示，本发明所述的一种基于图像特征的雷达脉冲序列分选方法，可分为预分选、主分选、后分选几个步骤：
(1)预分选：使用到达时间、频率、振幅、相位和脉宽，结合该脉冲的序号，共同构成脉冲信号描述字。在频率维度对全数据进行分割，以转化成多个跨度不大的频段分别进行处理。
(2)主分选：选取脉冲信号描述字中的到达时间和相位两个维度，绘制二维网格平面，对所有信号点向该平面内作投射统计，根据网格统计数向0-255的灰度空间进行映射，获取点云灰度图像。点云分布近似呈正弦曲线。正弦曲线除拐点外总体可近似为直线，主分选部分基于图像特征使用Hough变换检测直线即可对点进行聚类，由于聚类结果过多，再使用DBSCAN聚类方法做进一步聚类，缩减Hough线段类数目，作为雷达类并依次编号。获取Hough线段类后，将所有脉冲信号点分别捕获到某一雷达类中并赋予对应编号，或不归到任一类中，作为噪声信号舍弃。
(3)后分选：计算主分选得到的各类结果的脉冲重复间隔，根据类间脉冲重复间隔关系进一步聚类，输出最终雷达分类结果和各雷达脉冲重复间隔类型。
本发明所述的预分选部分在频率维度上分割，将频率分布密集的点分到同一频段中，降低信号在频率维度上的混叠度。
具体步骤为：
(1)数据预处理
对原始数据中每一个脉冲信号提取脉冲信号描述字，包含到达时间、频率、脉复、相位和脉宽。
(2)数据归一化
提取待测数据频率值的最大、最小值，计算极差。根据公式(1)使用极差对待测数据中所有脉冲信号点的频率进行归一化处理，将频率范围等比映射至某一固定范围内(如0-100MHz)，将该范围视为直方图特征采样空间。
(3)直方图统计
归一化后，在固定区间内划分出100个等间隔的直方图特征空间子区段，将所有脉冲信号点频率做归一化处理后，向(0-100)各子区段内映射并根据各子区段映射后的脉冲信号点数量进行累加计数，
(4)自适应分割Ⅰ
直方图统计结果具有明显的区分性，统计数量较多的直方图特征空间子区段多为脉冲信号点离散程度较低的区段，和其他子区段之间存在显著低谷值，整体直方统计图呈多峰趋势。使用一维最大类间方差法自适应计算各子区段间的低谷值，一维最大类间方差法步骤如下，
步骤1，获取特征空间中直方图最高点对应的计数值vmax，以1为步长遍历0到vmax，得到m个阈值thresholdi，作为候选分割阈值。
步骤2，计算每个候选分割阈值thresholdi与各直方图采样子区段计数值之差Δi，同时计算所有Δi的平方和,获得针对该候选分割阈值的误差平方和；
步骤3，按步骤2计算所有候选分割阈值的误差平方和，选取其中最小平方和作为整个直方图特征空间的自适应分割阈值。
依据自适应阈值，对整个直方图特征空间进行遍历，计算每一个特征子区段内脉冲点数量与自适应阈值的大小。舍去小于阈值的子区段，将大于阈值的子区段依次分段，完成自适应分割Ⅰ。
(5)自适应分割Ⅱ
自适应分割Ⅰ后得到的频率分段成功筛选出过于稀疏的频段并进行舍弃，但在某些区段仍堆叠密集，故需进行进一步分割。步骤如下：
步骤1，对自适应分割Ⅰ后得到的各个子区段，再次做段内归一化和段内统计直方图。
步骤2，针对段内统计直方图的各个子区间，寻找脉冲点数量连续低于前后2个子区间的区间，视其为局部最低点
步骤3，按照局部最低点做分割，得到自适应分割Ⅱ的结果。
(6)综合自适应分割Ⅰ和自适应分割Ⅱ的结果，作为最终预分选结果，输出各分段的起止频率值。
本发明所述的主分选采用图形化方法，根据点云分布的图形化特征进行分选，这样解决了传统方法过分依赖脉冲重复间隔的问题，在点数极多时(数量级十万级以上)可以减小计算压力。
主分选技术方案针对预分选模块得到的各个频率分段中的脉冲描述字信号子集进行分选，主要使用到达时间和相位参数。具体步骤如下：
(1)统计直方图图像化
首先将脉冲描述字中用到达时间和相位数据转换为图像数据。本发明针对某一特定频段切片，设置MxN(如200x100)大小的二维统计网格，将该段数据进行归一化后映射到直方图的尺寸范围内并作直方图统计。获得二维统计直方图后，将结果映射到0-255的灰度空间中，得到直方灰度图。在直方灰度图中，灰度高的网格表示脉冲信号点投射落在该处的频率较高，即该处脉冲信号点数量较多。
(2)图像二值化处理
步骤(1)得到的灰度图像不能直接用作分选，本发明使用中值滤波对灰度图像进行降噪，之后使用最大类间方差的大津算法进行二值化处理。设置阈值将原图像分为前景、后景两个图像，适当选取最佳阈值使前后景图像的最大类间方差最大，以实现二值化处理。
(3)Hough检测聚类
雷达脉冲信号点整体呈现正弦式分布特征，但在时间维度上变化较慢，在很短的时间跨度内正弦波形拐点出现次数极少，大部分呈现直升直降波形，可以近似视为直线。本发明根据直线检测经典算法Hough检测模型，改进提出了一种适用于雷达信号图像化分选的检测方法，具体步骤为：
步骤1，对图像进行中值滤波以去除噪点。
步骤2，将图像空间中映射后的脉冲信号点再次映射到Hough空间，获取投票值。此时可能出现某一区间投票值远大于255，超过灰度空间所能承载的最大值，因此需要额外生成一个容器用来记录投票值。
步骤3，获取投票结果的局部最大值并设定阈值，过滤干扰直线。
步骤4，将投票结果反向映射回图像控件，找到属于同一条直线段的脉冲信号点并进行连线。
(4)DBSCAN再聚类
Hough聚类后得到的直线段多为多条细碎且方向杂乱的线段，这是由于将脉冲信号映射到图像空间、从图像空间映射到Hough空间时的采样造成的误差，此时聚类结果数量过多，不能作为最终雷达分选结果，因此仍需进一步聚类得到方向统一、粗细均匀、包含点数足够多的大类。
为了进一步聚类，将步骤(3)中得到的各短线段双向延长，获取相位-i°和+i°处的截距值，如选取-45°和+45°处的截距，以此截距值为参数进行再聚类。这样做的目的在于，短线段的斜率较大且相互接近，如果将各线段都延长到-180°和+180°处，会出现类间截距小于类内截距的情况。因此，需要在延长短线段至同一截距的基础上保证类内截距小于类间截距。
本发明使用DBSCAN聚类法。DBSCAN聚类是一种基于密度的聚类方法，与划分和层次聚类不同，其将聚类簇定义为密度相连的点的最大集合，将高密度区域分为簇，在噪声干扰中提取任意形状的聚类。具体步骤如下：
步骤1，将图像空间中所有点标记为“未访问”，遍历地随机选择一个未访问过的脉冲信号点p，同时将p标记为“已访问”。
步骤2，检查p的某一邻域内是否至少包含MinPts个对象。若不是，则将p标记为噪声点。若是，则为p创建一个新的簇C，并把p的该邻域中的所有对象放入候选集合N中。
步骤3，若步骤2中判别为是，则继续迭代的将N中不属于其他簇的对象添加到新建的簇C中，并不断将已添加的点的标签改为“已访问”，并回到步骤2，对该点再进行一次循环进行处理。
步骤4，循环步骤1-步骤3，直到所有簇C都不能扩展，输出此时的聚类结果。
(5)基于Ph的周期延拓
DBSCAN聚类的结果分选出的Hough线段簇在Ph维度上具有连续性，其值域为(-180，180)，由于雷达信号的连续性，一段雷达信号在相位到达180°之后的181°时，在图像表示为该点位于-179°处，这样就出现了Ph维度上的断裂。因此，将同一时刻的图像复制拓展，与原图像在Ph维度上级联，即可将值域由(-180，180)拓展到(-180，540)，使原本在±180°处断开的直线段在图像上得以连接。由于采用图像复制拓展的方式，每一个Hough线段簇将会在延拓图像上出现两次，分别用来处理-180°处的断裂和+180°处的断裂。
与第一次DBSCAN聚类类似，针对延拓图像中的Hough线段簇获取其上下截距进行聚类。这里由于Ph维度值域为(-180，540)，因此类似的选取获取相位(180-i)°和(180+i)°处的截距值，如选取90°和270°处的截距值进行DBSCAN聚类。由于周期延拓，任一线段一定归属于两个不同的雷达信号集合，而属于同一部雷达的信号簇归属应该至少有一个是相同的，以此为参照进行层次聚类，直到所有线段的归属均不相同时停止。此时，每个雷达信号类中的脉冲点可视为同一类。
(6)脉冲信号点捕获
针对已经分选得到的雷达信号类，在原始空间内找到其对应的所有脉冲信号点。具体步骤如下：
步骤1，由上下边界截距，求得每个雷达信号类线段集对应的直线斜率和截距。
步骤2，在原始空间中读取每个脉冲信号点的到达时间和相位，分别作为横坐标和纵坐标，并投影到结果坐标系下，获取此坐标系中的脉冲点二维坐标。
步骤3，遍历每个信号点，由该点向所有线段类的直线解析式作垂线，计算点到直线的距离。
步骤4，判断垂足是否落在线段上。若位于线段上，使用垂直距离作为下一步判断标准，若不在，则计算点到线段端点的距离作为下一步判断标准。
步骤5，设定距离比较阈值。若所有距离均大于阈值，则将该点视为噪声点舍弃；若有距离小于阈值，则选取距离最小时对应的线段，将该点归入此类线段中，即归入该部雷达中。
由此，主分选部分完成，所有脉冲信号点被归为某一类雷达，或被归为噪声信号舍弃。
本发明所述的主分选中的二次聚类根据图像特征将同一正弦曲线半边直线的所有点聚为一类，但未能将两侧对称处的点聚类，导致整体雷达检测类数仍然较高，且未能得到各部雷达的属性信息。所以要进行后分选，具体步骤如下：
(1)提取雷达类频率和脉宽均值
遍历主分选得到的每一部雷达中所有的点，计算各类雷达所有点的频率和脉宽的均值和方差。使用3σ原则去除各类中均值或方差中任意一个大于3σ的点，将其视为粗大误差。
(2)计算脉冲重复间隔
对每一雷达信号类使用累计差值直方图方法计算脉冲重复间隔(脉冲重复间隔)。
(3)根据脉冲重复间隔再分类
将雷达按脉冲重复间隔规律分为常规/抖动型、正弦调制型和参差型。按每一种型号分别再次聚类，缩小雷达部数，得到最终分类结果。
Claims (9)
1.一种基于图像特征的雷达脉冲序列分选方法，其特征在于：包括以下步骤：
(1)基于频率和直方图统计法对雷达脉冲描述字集合进行预分选，将原始脉冲描述字集合分割成若干脉冲描述字子集；使用到达时间、频率、振幅、相位和脉宽，结合该脉冲的序号，共同构成脉冲描述字；
(2)针对每一个脉冲描述字子集，基于到达时间和相位进行图像化处理并使用Hough变换法从中提取出Hough线段，进而使用DBSCAN聚类法获取若干Hough线段簇；
(3)将步骤(2)中获取的图像化数据与Hough线段簇进行相位周期延拓，之后进行第二次DBSCAN聚类获取Hough线段簇分类标签，再基于层次聚类法获取雷达辐射源信息并进行脉冲序列分类；
(4)根据步骤(3)中获取的层次聚类结果，针对每一个原始脉冲信号点作信号捕获，将每个点归到某一雷达分类中，或归为不属于任何雷达类别的噪声信号；
(5)对步骤(4)中的分类结果，分析获取雷达辐射源脉冲重复周期类型并优化冗余分选结果。
2.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：所述步骤(1)在频率特征维度上进行两次分割：
第一次分割构建频率分布直方图，统计各频段脉冲序列出现次数；根据直方图结果计算方差，得到自适应切分阈值，以该阈值为界对全频段进行分割，将原雷达脉冲序列在频段上分成若干段；
第二次分割考虑到部分频段内雷达脉冲仍分布密集，影响后续图形化分选效果，在第一次分割的每一段中再做一次预分选分割；对每一段在频率上做局部分组归一化处理，再构建直方图，统计各频段内部脉冲序列出现次数分布，计算局部最低点，作为分界对每一个频率段做二次分割。
3.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：所述步骤(2)中使用网格统计法对脉冲描述字子集进行图像化处理，依据脉冲描述字的到达时间和相位归一化数据投射至大小为M×N的网格中进行统计，通过将投射密度映射至灰度色阶获得分辨率为M×N的灰度图像。
4.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：步骤(2)中DBSCAN聚类法获取Hough线段簇使用的是Hough线段延长线在相位不同相位i°和–i°处的到达时间截距(t+i°，t-i°)形成的特征空间进行DBSCAN聚类。
5.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：所述步骤(3)中使用相位周期延拓将图像化数据与Hough线段簇在相位特征上进行重复，使得在-180°与+180°之间不连续的相位信号在-180°与+540°的区间内实现连续对齐。
6.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：步骤(3)中将Hough线段簇延长线在相位延拓空间的(180-i)°和(180+i)°处的到达时间截距(t(180-i)°，t(180+i)°)形成的特征空间再次进行DBSCAN聚类，由于相位延拓的原因，每个Hough线段簇都会有两个分类标签。
7.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：步骤(3)中针对每个Hough线段簇的两个分类标签进行层次聚类，直到所有Hough线段簇的标签不再有交集，此时每个Hough线段簇对应一部辐射源。
8.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：所述步骤(4)中所述的针对每一个原始脉冲信号点作信号捕获，将每个点归到某一雷达分类中，或归为不属于任何雷达类别的噪声信号；具体如下：
步骤1，由上下边界截距，求得每个雷达信号类线段集对应的直线斜率和截距；
步骤2，在原始空间中读取每个脉冲信号点的到达时间和相位，分别作为横坐标和纵坐标，并投影到结果坐标系下，获取此坐标系中的脉冲点二维坐标；
步骤3，遍历每个信号点，由该点向所有线段类的直线解析式作垂线，计算点到直线的距离；
步骤4，判断垂足是否落在线段上：若位于线段上，使用垂直距离作为下一步判断标准，若不在，则计算点到线段端点的距离作为下一步判断标准；
步骤5，设定距离比较阈值：若所有距离均大于阈值，则将该点视为噪声点舍弃；若有距离小于阈值，则选取距离最小时对应的线段，将该点归入此类线段中，即归入该部雷达中；
由此，主分选部分完成，所有脉冲信号点被归为某一类雷达，或被归为噪声信号舍弃。
9.根据权利要求1所述的一种基于图像特征的雷达脉冲序列分选方法，其特征在于：所述步骤(5)中使用的脉冲重复周期计算法，是根据步骤(4)最后的分类结果，对每一类内部的所有脉冲点进行排序，再对相邻点依次作差获取PRI值，分析脉冲重复间隔分布，修正分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110136843.4A CN112986925B (zh) | 2021-02-01 | 2021-02-01 | 一种基于图像特征的雷达脉冲序列分选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110136843.4A CN112986925B (zh) | 2021-02-01 | 2021-02-01 | 一种基于图像特征的雷达脉冲序列分选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112986925A CN112986925A (zh) | 2021-06-18 |
| CN112986925B true CN112986925B (zh) | 2024-03-12 |
Family
ID=76346052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110136843.4A Active CN112986925B (zh) | 2021-02-01 | 2021-02-01 | 一种基于图像特征的雷达脉冲序列分选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112986925B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113752090B (zh) * | 2021-07-15 | 2023-04-07 | 德铧恩特工业自动化技术(上海)有限公司 | 切断机中缺陷工件移出切断位置的判断方法及系统 |
| CN113731846B (zh) * | 2021-07-15 | 2024-03-19 | 德铧恩特工业自动化技术(上海)有限公司 | 切断机中缺陷工件移出切断位置的判断方法及系统 |
| CN113721219B (zh) * | 2021-10-08 | 2023-07-04 | 中国电子科技集团公司第三十八研究所 | 一种基于多参数聚类的雷达信号分选方法和系统 |
| CN114924234B (zh) * | 2022-07-21 | 2022-10-21 | 中国人民解放军国防科技大学 | 一种基于区域对比度的雷达辐射源目标信号检测方法 |
| CN117272086B (zh) * | 2023-11-22 | 2024-02-13 | 中国电子科技集团公司第二十九研究所 | 一种基于dbscan的雷达信号扫描包络分割方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101357689B1 (ko) * | 2012-09-04 | 2014-02-04 | 국방과학연구소 | 레이더 신호 펄스 열 분리 방법 |
| KR20160048441A (ko) * | 2014-10-24 | 2016-05-04 | 주식회사 빅텍 | 수집 레이더 신호의 클러스터링 방법 |
| 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 |
| 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 |
| CN111190146A (zh) * | 2020-01-13 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
| CN111708020A (zh) * | 2020-07-14 | 2020-09-25 | 南京理工大学 | 基于反辐射导引头的雷达信号分选跟踪方法及系统 |
| CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及系统 |
-
2021
- 2021-02-01 CN CN202110136843.4A patent/CN112986925B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101357689B1 (ko) * | 2012-09-04 | 2014-02-04 | 국방과학연구소 | 레이더 신호 펄스 열 분리 방법 |
| KR20160048441A (ko) * | 2014-10-24 | 2016-05-04 | 주식회사 빅텍 | 수집 레이더 신호의 클러스터링 방법 |
| 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 |
| 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 |
| CN111190146A (zh) * | 2020-01-13 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 一种基于视觉图形特征的复杂信号分选方法 |
| CN111708020A (zh) * | 2020-07-14 | 2020-09-25 | 南京理工大学 | 基于反辐射导引头的雷达信号分选跟踪方法及系统 |
| CN112036074A (zh) * | 2020-07-27 | 2020-12-04 | 西安电子科技大学 | 一种高脉冲密度环境下雷达信号分选方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于脉冲重复间隔的雷达信号分选算法;周镇涛;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑。(第10期);正文第6-34页 * |
| 一种改进的基于DTOA 统计的信号分选算法;黄桂根 等;《数据采集与处理》;第26卷(第4期);第430-435页 * |
| 基于脉冲特征重要性的信号预分选改进算法;陈涛 等;《现代雷达》;第42卷(第7期);第56-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112986925A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112986925B (zh) | 一种基于图像特征的雷达脉冲序列分选方法 | |
| CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
| CN102622607B (zh) | 一种基于多特征融合的遥感图像分类方法 | |
| Kälviäinen et al. | Probabilistic and non-probabilistic Hough transforms: overview and comparisons | |
| US11587222B2 (en) | Method and apparatus for detecting defect pattern on wafer based on unsupervised learning | |
| Tao et al. | Unsupervised detection of built-up areas from multiple high-resolution remote sensing images | |
| CN110992341A (zh) | 一种基于分割的机载LiDAR点云建筑物提取方法 | |
| Shan | Vehicle License Plate Recognition Based on Text-line Construction and Multilevel RBF Neural Network. | |
| CN109409400A (zh) | 基于k近邻和多类合并密度峰值聚类方法、图像分割系统 | |
| Prakash et al. | Detection of copy-move forgery using AKAZE and SIFT keypoint extraction | |
| CN106251332B (zh) | 基于边缘特征的sar图像机场目标检测方法 | |
| CN104751166A (zh) | 基于光谱角和欧氏距离的遥感影像分类方法 | |
| CN107239792A (zh) | 一种基于二进制描述子的工件识别方法及装置 | |
| CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
| CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
| CN108805028A (zh) | 基于电磁强散射点的sar图像地面目标检测与定位方法 | |
| Tu et al. | Airport detection in SAR images via salient line segment detector and edge-oriented region growing | |
| Chen et al. | Ship target discrimination in SAR images based on BOW model with multiple features and spatial pyramid matching | |
| Bhandarkar et al. | Leaf identification using morphology and structural decomposition | |
| CN105069403A (zh) | 一种基于分块统计特征与字典学习稀疏表示分类的三维人耳识别 | |
| CN108932468A (zh) | 一种适用于心理学的面部识别方法 | |
| CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
| CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
| Dogrusoz et al. | Modeling urban structures using graph-based spatial patterns | |
| Liu et al. | A contour-line color layer separation algorithm based on fuzzy clustering and region growing |
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 |