CN113759323B - 基于改进K-Means联合卷积自编码器的信号分选方法及装置 - Google Patents
基于改进K-Means联合卷积自编码器的信号分选方法及装置 Download PDFInfo
- Publication number
- CN113759323B CN113759323B CN202110815494.9A CN202110815494A CN113759323B CN 113759323 B CN113759323 B CN 113759323B CN 202110815494 A CN202110815494 A CN 202110815494A CN 113759323 B CN113759323 B CN 113759323B
- Authority
- CN
- China
- Prior art keywords
- sequence
- toa
- encoder
- pulse
- self
- 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 35
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 230000004913 activation Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01S7/38—Jamming means, e.g. producing false echoes
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于改进K‑Means联合卷积自编码器的信号分选方法,包括:获取不同PRI调制类型的雷达对应的若干TOA序列;构建卷积自编码器,并利用TOA序列对其进行训练,得到若干训练好的卷积自编码器;对不同PRI调制类型的雷达信号进行仿真,得到混合PDW序列;基于改进的K‑Means聚类算法对混合PDW序列进行预分选,得到预分选后的TOA序列;利用训练好的卷积自编码器对预分选后的TOA序列进行脉冲提取,得到信号分选结果。本发明提供的信号分选方法适用于复杂环境下的雷达信号分选,提高了信号分选准确率和分选效率。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种基于改进K-Means联合卷积自编码器的信号分选方法及装置。
背景技术
电子战,又称电子对抗,是现代战争的重要作战手段,其主要是敌对双方为削弱、破坏对方电子设备的使用效能、保障己方电子设备发挥效能而采取的各种电子措施和行动。长期以来,雷达对抗一直在电子战中占据主导地位,而雷达侦察是雷达对抗的主要内容之一。通常,雷达侦察系统所截获的信号除了包含大量的雷达信号外,还包括一些其他电磁辐射源信号,这些信号与多种雷达信号随机混合,形成交错的信号流。在后续进行处理时,需要依据截获的雷达特征参数、到达时间以及到达方向等数据把各部雷达信号从信号流中分离出来,然后再对分选出来的信号进行参数提取和雷达型号识别,最后根据识别结果来获得雷达的类型、属性、用途以及威胁程度等情报。雷达辐射源信号分选是雷达侦察信号处理的关键环节,直接影响着雷达侦察设备性能的发挥,并关系到后续的作战决策。因此,信号分选的技术水平已成为衡量雷达侦察系统先进技术的重要标志。
目前,现有的雷达信号分选方法主要有两大类,一类是传统的雷达信号分选方法,其主要以PRI(脉冲重复间隔)为主要的分选特征参数实现信号分选。另一类是多参数雷达信号分选方法,其主要利用多种脉内参数作为分选特征参数实现信号分选。
然而,传统的雷达信号分选方法仅适用于拥有常规脉间调制方式的雷达信号,无法满足复杂环境下的雷达信号分选需求,而现有的多参数雷达信号分选方法对于丢失脉冲明显以及杂波较多的脉冲序列分选效果不理想,且分选效率较低,而错误或者不及时的信号分选将会导致大量的增批与漏批(对应虚警和漏警),严重影响对抗效果甚至关系作战的成败。因此,设计一种能够适用于复杂环境、且分选效果较好的雷达信号分选方法对雷达对抗具有至关重要的意义。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于改进K-Means联合卷积自编码器的信号分选方法及装置。本发明要解决的技术问题通过以下技术方案实现:
一种基于改进K-Means联合卷积自编码器的信号分选方法,包括:
获取不同PRI调制类型的雷达对应的若干TOA序列;
构建卷积自编码器,并利用所述TOA序列对其进行训练,得到若干训练好的卷积自编码器;
对不同PRI调制类型的雷达信号进行仿真,得到混合PDW序列;
基于改进的K-Means聚类算法对所述混合PDW序列进行预分选,得到预分选后的TOA序列;
利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取,得到信号分选结果。
在本发明的一个实施例中,所述获取不同PRI调制类型的雷达对应的若干TOA序列包括:
分别对固定PRI、组变PRI、参差PRI、抖动PRI以及滑变PRI调制类型的雷达TOA数据进行仿真,得到对应的TOA序列;其中,所述TOA序列具有一定比例的干扰脉冲。
在本发明的一个实施例中,构建卷积自编码器,并利用所述TOA序列对其进行训练,得到若干训练好的卷积自编码器,包括:
分别构建编码器网络和解码器网络;
将所述编码器网络与所述解码器网络连接成卷积自编码器网络,并设置相应的网络参数;
对所述TOA序列进行编码;
将编码后的TOA序列作为训练集分别输入到所述卷积自编码器网络中,并对网络权值迭代更新一定次数,得到若干训练好的卷积自编码器。
在本发明的一个实施例中,所述编码器网络包括3层一维卷积,其结构依次为:第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、平坦层、第一全连接层以及编码输出层;
所述解码器网络包括4层一维卷积,其结构依次为:第二全连接层、第三全连接层、第一上采样层、第四卷积层、第二上采样层、第五卷积层、第三上采样层、第六卷积层、第四上采样层以及解码输出层。
在本发明的一个实施例中,对所述TOA序列进行编码,包括:
设置一定的间隔单位;
当判断TOA序列的值在某一间隔单位内,则将该间隔的值置为1,否则置为0。
在本发明的一个实施例中,在得到混合PDW序列之后,对所述混合PDW序列进行预分选之前,还需对混合PDW序列进行预处理,以将脉冲参数映射到同一参数变化单位。
在本发明的一个实施例中,基于改进的K-Means聚类算法对所述混合PDW序列进行预分选,得到预分选后的TOA序列,包括:
将所述混合PDW序列的某一脉冲序列作为初始聚类中心;
根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离,并根据该距离对当前脉冲序列进行聚类,同时更新聚类中心;
将每个脉冲序列循环与所有聚类中心进行聚类,直至遍历完所有脉冲序列;
统计每个聚类的样本数,并删除孤立点,得到预分选后的TOA序列。
在本发明的一个实施例中,根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离,并根据该距离对当前脉冲序列进行聚类,同时更新聚类中心,包括:
设某一聚类中心为cen=(a,b),则当前脉冲序列i与该聚类中心的距离为:
其中,PWi表示表示当前第i个脉冲的脉宽,RFi表示当前第i个脉冲的载频;
若判断d小于预设距离阈值,则将当前脉冲分配给该聚类中心,同时搜索该类中的样本,并将所有样本取均值以更新该聚类中心;否则,将当前第i个脉冲添加为新的聚类中心。
在本发明的一个实施例中,利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取,得到信号分选结果,包括:
对所述预分选后的TOA序列进行二进制编码;
将编码后的数据依次输入到所述若干训练好的卷积自编码器,并构建脉冲检索式进行脉冲提取,得到信号分选结果。
本发明的另一个实施例提供了一种基于改进K-Means联合卷积自编码器的信号分选装置,包括:
第一数据获取模块1,用于获取不同PRI调制类型的雷达对应的若干TOA序列;
模型建立模块2,用于构建卷积自编码器,并利用所述TOA序列对其进行训练,得到若干训练好的卷积自编码器;
第二数据获取模块3,用于对不同PRI调制类型的雷达信号进行仿真,得到混合PDW序列;
预分选模块4,用于基于改进的K-Means聚类算法对所述混合PDW序列进行预分选,得到预分选后的TOA序列;
脉冲提取模块5,用于利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取,得到信号分选结果。
本发明的有益效果:
1、本发明通过引入卷积自编码器学习每部雷达脉冲序列的内部模式,从训练良好的自编码器中生成输出序列,对于丢失脉冲明显以及杂波较多的脉冲序列具有良好的分选效果,适用于复杂环境下的雷达信号分选,提高了信号分选准确率;
2、本发明通过对K-Means聚类算法进行改进,使其能够根据设定的距离阈值以及均值聚类中心的更新,自动确定聚类k值,在满足雷达信号分选需求的同时,提高了分选效率。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于改进K-Means联合卷积自编码器的信号分选方法流程示意图;
图2是本发明实施例提供的一种基于改进K-Means联合卷积自编码器的信号分选装置结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1是本发明实施例提供的一种基于改进K-Means联合卷积自编码器的信号分选方法流程示意图,其包括:
步骤1:获取不同PRI调制类型的雷达对应的若干TOA序列。
一般而言,脉冲描述字(PDW,Pulse Description Word)常被用于多参数雷达信号分选,其主要包括脉宽(PW,Pulse Width)、到达方向(DOA,Direction of Arrival)、载频(CF,Carrier Frequency)、脉幅(PA,Pulse Amplitude)、脉冲到达时间(TOA,Time OfArrival)等参数,这些参数能够很好地描述脉冲的内部特征,也顺理成章地成为重要的分选特征参数。其中,TOA是精确定位发射机位置的重要参数之一。
由于不同的TOA序列可能导致不同的自编码器性能指标。因此,本实施例选用若干不同PRI调制类型的TOA序列作为整个算法的输入,以得到不同的自编码器网络模型。
典型的PRI调制类型主要包括固定PRI、组变PRI、参差PRI、抖动PRI以及滑变PRI这五种,该五种调制类型基本涵盖了大部分的雷达信号,因此,本实施例选用这五种PRI调制类型的雷达对应的若干TOA序列作为输入数据,以表明本实施例提供的方法能够适应不同类型的雷达信号。
具体地,本实施例通过MATLAB环境仿真上述五种PRI调制类型的TOA数据,从而得到对应的五种TOA序列,且每种调制信号中均增加了一定会比例的干扰脉冲。其中,五种PRI调制类型的仿真参数分别为:
固定PRI调制雷达的重复周期为92us,脉冲数为800个,脉冲丢失率为10%,测量误差为0.1us,加入50%的干扰脉冲;
组变PRI调制雷达的重复周期为510us、534us、545us、578us,为6组变,脉冲数为144个,脉冲丢失率为5%,测量误差为0.1us,加入50%的干扰脉冲;
参差PRI调制雷达的重复周期为310us、417us、533us、577us、587us、687us、723us、823us,脉冲数为128个,脉冲丢失率为5%,测量误差为0.1us,加入50%的干扰脉冲;
滑变PRI调制雷达的重复周期为190us-208us,以3us为递增,脉冲数为371个,脉冲丢失率为10%,测量误差为0.1us,加入50%的干扰脉冲;
抖动PRI调制雷达的中心重复周期为380us,抖动率为10%,脉冲数为190个,脉冲丢失率为10%,测量误差为0.1us,加入50%的干扰脉冲;
通过MATLAB仿真工具,按照以上参数设置,仿真得到五种TOA序列其中,每种序列均包括10000组脉冲数据。
步骤2:构建卷积自编码器,并利用TOA序列对其进行训练,得到若干训练好的卷积自编码器;具体包括:
21)分别构建编码器网络和解码器网络。
首先,搭建一个含3层一维卷积的编码器网络,其结构依次为:第一卷积层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层→平坦层→第一全连接层→编码输出层。
进一步地,将第一至第三卷积层中卷积核的个数分别设置为16,32,64,卷积核的大小分别设置为31×1,31×1,16×1,步长均设置为2,激活函数为relu函数,第一至三池化层均采用最大池化方式,池化区域核的大小分别设置为2×1,2×1,2×1,步长均设置为2,第一全连接层节点为64,激活函数为relu函数,编码输出层节点为32,激活函数为relu函数。
具体地,激活函数为relu函数的数学模型表示如下:
其中,f(x)表示网络的输入值x经过激活函数relu后的响应。
然后,搭建一个含4层一维卷积的解码器网络,其结构依次为:第二全连接层→第三全连接层→第一上采样层→第四卷积层→第二上采样层→第五卷积层→第三上采样层→第六卷积层→第四上采样层→解码输出层。
进一步地,将第二全连接层节点为64,激活函数为relu函数,第三全连接层节点为3008,激活函数为relu函数;第一至第四上采样层的上采样因子依次设置为2,4,4,2;第四至第六卷积层中卷积核的个数分别设置为64,32,16,卷积核的大小分别设置为8×1,8×1,31×1,步长均设置为1,激活函数为relu函数;解码输出层为一维卷积层,卷积核的个数设置为1,卷积核的大小设置为9×1,激活函数为relu函数。
22)将编码器网络与解码器网络连接成卷积自编码器网络,并设置相应的网络参数。
在本实施例中,可设置形成的卷积自编码器网络的损失函数为binary_crossentropy,设置优化器为adam,训练批数为60,学习速率为0.001。
23)对TOA序列进行编码。
在本实施例中,在利用TOA序列对上述卷积自编码器进行训练之前,需要对TOA序列进行二进制编码。
具体地,可设置一个小的间隔单位tspace,当判断TOA序列的值在某一间隔单位内,则将该间隔的值置为1,否则置为0,其公式表达式如下:
其中,ti表示第i个序列的值。
采用上述编码方法分别对得到的五种TOA序列进行编码,分别得到对应的五种二进制码流。
24)将编码后的TOA序列作为训练集分别输入到卷积自编码器网络中,并对网络权值迭代更新一定次数,得到若干训练好的卷积自编码器。
本实施例采用Adam算法对网络权值进行迭代更新,并进一步设置当更新次数达到100次时,认为卷积自编码器已经训练完成。
具体地,将步骤三得到的五种二进制码流作为训练样本分别输入到训练好的卷积自编码器中,并利用Adam算法迭代更新网络的权值100次,得到五个训练好的卷积自编码器网络。
步骤3:对不同PRI调制类型的雷达信号进行仿真,得到混合PDW序列。
为了尽可能的模拟实际中接收到的雷达信号,本实施例通过MATLAB环境仿真多部雷达的混合信号进行仿真,得到混合PDW序列。其中,某些雷达在载频和脉宽维度存在参数相近的情况。
具体的,基于步骤1所选的五种调制类型,此处仍然选择该五种雷达进行仿真,每部雷达的脉冲描述字参数如下:
雷达一:脉宽6us,载频1800MHz,TOA序列为步骤1中固定雷达的序列参数;
雷达二:脉宽6.5us,载频1820MHz,TOA序列为步骤1中组变雷达的序列参数;
雷达三:脉宽9us,载频1913MHz,TOA序列为步骤1中参差雷达的序列参数;
雷达四:脉宽10us,载频1660MHz,TOA序列为步骤1中滑变雷达的序列参数;
雷达五:脉宽12.4us,载频1533MHz,TOA序列为步骤1中抖动雷达的序列参数。
将上述五部雷达的PDW序列按到达时间重排即得到混合PDW序列。
需要说明的是,由于接收机接收到的雷达信号脉冲描述字参数十分复杂,并且度量单位也不相同。其中,脉宽的变化范围为0.2~50us,载频的变化范围为2~18GHz。为了判断脉冲之间的相似关系,需要将脉冲参数进行预处理,以将其映射到同一个参数变化单位,以相同的量级进行聚类分析。
因此,在得到混合PDW序列之后,对混合PDW序列进行预分选之前,还需对混合PDW序列进行预处理。
首先,需要对PDW序列的矩阵进行标准化处理,将每个维度参数映射到均值为0,标准差为1的变化范围内,达到量纲消除的效果,公式表示如下:
其中,pik为第i个脉冲的第k维脉冲参数,n为脉冲个数,和sk分别为雷达信号脉冲描述字矩阵中每维参数的均值跟标准差,pi'k表示经过标准化处理的脉冲参数。
进一步地,为了将映射范围映射到[0,1]范围内,还需要再次进行极值化处理,得到标准化极值化矩阵。极值化过程下式所示:
其中,max(pi'k)、min(pi'k)分别代表标准化矩阵中每个维度参数的最大最小标准值,pi”k表示经过极值化处理的脉冲参数。
此外,如果输入信号的参数变化几乎相同,则此维参数在同一数值内进行波动,标准差趋近于0,经过标准化得到的此维参数的最大值最小值几乎相等,无法进行极值化处理。此时可对每维参数设置一定的容限范围,当此维参数的变化范围小于设定的容差范围时,则认为此维参数变化不大,差异性较小,此时可跳过极值化处理过程。
步骤4:基于改进的K-Means聚类算法对混合PDW序列进行预分选,得到预分选后的TOA序列。
41)将混合PDW序列的某一脉冲序列作为初始聚类中心。
优选的,本实施例可将经过标准化极化预处理后的混合PDW序列的第一个脉冲,也即第一个样本作为初始聚类中心。
42)根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离,并根据该距离对当前脉冲序列进行聚类,同时更新聚类中心。
具体的,设某一聚类中心为cen=(a,b),则当前脉冲序列i与该聚类中心的距离为:
其中,PWi表示当前第i个脉冲的脉宽,RFi表示当前第i个脉冲的载频。
若判断d小于预设距离阈值thre,则将当前脉冲分配给该聚类中心,同时搜索该类中的样本,并将所有样本取均值以更新该聚类中心;否则,将当前第i个脉冲添加为新的聚类中心。
43)将每个脉冲序列循环与所有聚类中心进行聚类,直至遍历完所有脉冲序列。
44)统计每个聚类的样本数,并删除孤立点,得到预分选后的TOA序列。
步骤5:利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取,得到信号分选结果。
51)对预分选后的TOA序列进行二进制编码。
具体地,此处参照步骤23)中的编码方式对预分选后的TOA序列进行二进制编码。
52)将编码后的数据依次输入到若干训练好的卷积自编码器,并构建脉冲检索式进行脉冲提取,得到信号分选结果。
具体地,将编码后的数据送入训练好的网络中,输出向量的值是sigmoid函数后0到1之间的小数。目标输出x值为0或1,其中,0表示未正确检索到脉冲,1表示正确检索到的脉冲。本实施例可通过设置一个阈值τ来确定精度并测量网络的精确损耗,其表达式如下:
其中,τ始终设置为0.5,以确保杂散脉冲和目标脉冲的平衡分布。
最终,得到输出矩阵x,其与输入维度相同,其中,矩阵中的1所在的位置即为正确检索到PRI的脉冲。假设x中第i位置的元素为1,脉冲检索公式如下:
其中,tspace为步骤23)中设置的间隔单位,则相应的TOA序列的范围表示为(tis,tie),在该时间间隔内的脉冲即为正确检索到PRI的脉冲。
分别利用步骤2得到的五个卷积自编码器对编码后的数据进行脉冲选择,从而得到匹配的结果。
本实施例通过引入卷积自编码器学习每部雷达脉冲序列的内部模式,从训练良好的自编码器中生成输出序列,对于丢失脉冲明显以及杂波较多的脉冲序列具有良好的分选效果,适用于复杂环境下的雷达信号分选,提高了信号分选准确率。
同时,本实施例通过对K-Means聚类算法进行改进,使其能够根据设定的距离阈值以及均值聚类中心的更新,自动确定聚类k值,在满足雷达信号分选需求的同时,提高了分选效率。
实施例二
在上述实施例一的基础上,本实施例提供了一种基于改进K-Means联合卷积自编码器的信号分选装置。请参见图2,图2是本发明实施例提供的一种基于改进K-Means联合卷积自编码器的信号分选装置结构示意图,其包括:
第一数据获取模块1,用于获取不同PRI调制类型的雷达对应的若干TOA序列;
模型建立模块2,用于构建卷积自编码器,并利用TOA序列对其进行训练,得到若干训练好的卷积自编码器;
第二数据获取模块3,用于对不同PRI调制类型的雷达信号进行仿真,得到混合PDW序列;
预分选模块4,用于基于改进的K-Means聚类算法对混合PDW序列进行预分选,得到预分选后的TOA序列;
脉冲提取模块5,用于利用训练好的卷积自编码器对预分选后的TOA序列进行脉冲提取,得到信号分选结果。
本实施例提供的装置可实现上述实施例一提供的信号分选方法,详细过程在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于改进K-Means联合卷积自编码器的信号分选方法,其特征在于,包括:
获取不同PRI调制类型的雷达对应的若干TOA序列;具体包括:
分别对固定PRI、组变PRI、参差PRI、抖动PRI以及滑变PRI调制类型的雷达TOA数据进行仿真,得到对应的TOA序列;其中,所述TOA序列具有一定比例的干扰脉冲;
构建卷积自编码器,并利用所述TOA序列对其进行训练,得到若干训练好的卷积自编码器;具体包括:
分别构建编码器网络和解码器网络;
将所述编码器网络与所述解码器网络连接成卷积自编码器网络,并设置相应的网络参数;
对所述TOA序列进行编码;
将编码后的TOA序列作为训练集分别输入到所述卷积自编码器网络中,并对网络权值迭代更新一定次数,得到若干训练好的卷积自编码器;
对不同PRI调制类型的雷达信号进行仿真,得到混合PDW序列;
基于改进的K-Means聚类算法对所述混合PDW序列进行预分选,得到预分选后的TOA序列;具体包括:
将所述混合PDW序列的某一脉冲序列作为初始聚类中心;
根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离,并根据该距离对当前脉冲序列进行聚类,同时更新聚类中心;
将每个脉冲序列循环与所有聚类中心进行聚类,直至遍历完所有脉冲序列;
统计每个聚类的样本数,并删除孤立点,得到预分选后的TOA序列;
利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取,得到信号分选结果;具体包括:
对所述预分选后的TOA序列进行二进制编码;
将编码后的数据依次输入到所述若干训练好的卷积自编码器,并构建脉冲检索式进行脉冲提取,得到信号分选结果。
2.根据权利要求1所述的基于改进K-Means联合卷积自编码器的信号分选方法,其特征在于,所述编码器网络包括3层一维卷积,其结构依次为:第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、平坦层、第一全连接层以及编码输出层;
所述解码器网络包括4层一维卷积,其结构依次为:第二全连接层、第三全连接层、第一上采样层、第四卷积层、第二上采样层、第五卷积层、第三上采样层、第六卷积层、第四上采样层以及解码输出层。
3.根据权利要求1所述的基于改进K-Means联合卷积自编码器的信号分选方法,其特征在于,对所述TOA序列进行编码,包括:
设置一定的间隔单位;
当判断TOA序列的值在某一间隔单位内,则将该间隔的值置为1,否则置为0。
4.根据权利要求1所述的基于改进K-Means联合卷积自编码器的信号分选方法,其特征在于,在得到混合PDW序列之后,对所述混合PDW序列进行预分选之前,还需对混合PDW序列进行预处理,以将脉冲参数映射到同一参数变化单位。
5.根据权利要求1所述的基于改进K-Means联合卷积自编码器的信号分选方法,其特征在于,根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离,并根据该距离对当前脉冲序列进行聚类,同时更新聚类中心,包括:
设某一聚类中心为cen=(a,b),则当前脉冲序列i与该聚类中心的距离为:
其中,PWi表示表示当前第i个脉冲的脉宽,RFi表示当前第i个脉冲的载频;
若判断d小于预设距离阈值,则将当前脉冲分配给该聚类中心,同时搜索该类中的样本,并将所有样本取均值以更新该聚类中心;否则,将当前第i个脉冲添加为新的聚类中心。
6.一种基于改进K-Means联合卷积自编码器的信号分选装置,其特征在于,包括:
第一数据获取模块(1),用于获取不同PRI调制类型的雷达对应的若干TOA序列;
模型建立模块(2),用于构建卷积自编码器,并利用所述TOA序列对其进行训练,得到若干训练好的卷积自编码器;
第二数据获取模块(3),用于对不同PRI调制类型的雷达信号进行仿真,得到混合PDW序列;
预分选模块(4),用于基于改进的K-Means聚类算法对所述混合PDW序列进行预分选,得到预分选后的TOA序列;
脉冲提取模块(5),用于利用训练好的卷积自编码器对所述预分选后的TOA序列进行脉冲提取,得到信号分选结果;
其中,所述第一数据获取模块(1)具体用于:
分别对固定PRI、组变PRI、参差PRI、抖动PRI以及滑变PRI调制类型的雷达TOA数据进行仿真,得到对应的TOA序列;其中,所述TOA序列具有一定比例的干扰脉冲;
所述模型建立模块(2)具体用于:
分别构建编码器网络和解码器网络;
将所述编码器网络与所述解码器网络连接成卷积自编码器网络,并设置相应的网络参数;
对所述TOA序列进行编码;
将编码后的TOA序列作为训练集分别输入到所述卷积自编码器网络中,并对网络权值迭代更新一定次数,得到若干训练好的卷积自编码器;
所述预分选模块(4)具体用于:
将所述混合PDW序列的某一脉冲序列作为初始聚类中心;
根据当前序列的PW和RF计算当前脉冲序列与聚类中心的距离,并根据该距离对当前脉冲序列进行聚类,同时更新聚类中心;
将每个脉冲序列循环与所有聚类中心进行聚类,直至遍历完所有脉冲序列;
统计每个聚类的样本数,并删除孤立点,得到预分选后的TOA序列;
所述脉冲提取模块(5)具体用于:
对所述预分选后的TOA序列进行二进制编码;
将编码后的数据依次输入到所述若干训练好的卷积自编码器,并构建脉冲检索式进行脉冲提取,得到信号分选结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815494.9A CN113759323B (zh) | 2021-07-19 | 2021-07-19 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815494.9A CN113759323B (zh) | 2021-07-19 | 2021-07-19 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759323A CN113759323A (zh) | 2021-12-07 |
CN113759323B true CN113759323B (zh) | 2024-02-06 |
Family
ID=78787633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110815494.9A Active CN113759323B (zh) | 2021-07-19 | 2021-07-19 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759323B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089285B (zh) * | 2022-01-24 | 2022-05-31 | 安徽京淮健锐电子科技有限公司 | 一种基于一阶脉冲重复间隔pri的信号分选方法 |
CN114595732B (zh) * | 2022-05-10 | 2022-07-29 | 西安晟昕科技发展有限公司 | 基于深度聚类的雷达辐射源分选方法 |
CN116774154B (zh) * | 2023-08-23 | 2023-10-31 | 吉林大学 | 一种雷达信号分选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101313051B1 (ko) * | 2012-03-23 | 2013-09-30 | 국방과학연구소 | 펄스반복주기 변조 형태 인식 방법 및 이를 적용한 인식 장치 |
CN109116312A (zh) * | 2018-07-20 | 2019-01-01 | 电子科技大学 | 基于qmfb与卷积神经网络的雷达信号分类方法 |
CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
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 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
-
2021
- 2021-07-19 CN CN202110815494.9A patent/CN113759323B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101313051B1 (ko) * | 2012-03-23 | 2013-09-30 | 국방과학연구소 | 펄스반복주기 변조 형태 인식 방법 및 이를 적용한 인식 장치 |
CN109116312A (zh) * | 2018-07-20 | 2019-01-01 | 电子科技大学 | 基于qmfb与卷积神经网络的雷达信号分类方法 |
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 |
CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
Non-Patent Citations (1)
Title |
---|
改进K-均值算法在雷达辐射源信号预分选中的应用;李浩;吴雪松;;航空电子技术(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113759323A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113759323B (zh) | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN111444790B (zh) | 一种对多功能雷达工作模式序列的脉冲级智能识别方法 | |
CN109471074B (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN111722199A (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN106855941A (zh) | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
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 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN110907908B (zh) | 基于包络分析的导航雷达信号分选方法 | |
CN114371474A (zh) | 基于卷积降噪自编码器的雷达信号智能分选方法及系统 | |
Apfeld et al. | The value of memory: Markov chain versus long short-term memory for electronic intelligence | |
Zhu et al. | An improved KSVD algorithm for ground target recognition using carrier-free UWB radar | |
CN109902589A (zh) | 一种基于雷达一维距离像的目标识别方法及系统 | |
CN112990125A (zh) | 一种辐射源雷达属于目标平台的判别方法 | |
CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
KR102407834B1 (ko) | 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 | |
CN114814776A (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
CN115510915A (zh) | 一种基于门控循环网络原理的已知雷达信号分选方法 | |
Wang et al. | FCM algorithm and index CS for the signal sorting of radiant points | |
CN113361639A (zh) | 一种基于深度学习的辐射源信号多模型综合分类方法 |
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 |