CN114019505A - 一种基于pri区间信息的雷达信号分选方法及系统 - Google Patents
一种基于pri区间信息的雷达信号分选方法及系统 Download PDFInfo
- Publication number
- CN114019505A CN114019505A CN202111318772.6A CN202111318772A CN114019505A CN 114019505 A CN114019505 A CN 114019505A CN 202111318772 A CN202111318772 A CN 202111318772A CN 114019505 A CN114019505 A CN 114019505A
- Authority
- CN
- China
- Prior art keywords
- sequence
- pulse
- radar
- pri
- difference
- 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.)
- Pending
Links
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于PRI区间信息的雷达信号分选方法及系统,属于雷达信号处理领域,首先对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;根据差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值;根据邻域半径和密度阈值,利用密度聚类算法对差值序列进行密度聚类,得到聚类后的多个簇;计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息;采用改进脉冲序列搜索法,对与待提取PRI区间信息对应的雷达脉冲信号进行提取;所述改进脉冲序列搜索法为带容差控制的脉冲序列搜索法。该方法能够提高PRI估值精度和信息维度,从而提高雷达脉冲信号的分选成功率。
Description
技术领域
本发明涉及雷达信号处理领域,特别是涉及一种基于PRI区间信息的雷达信号分选方法及系统。
背景技术
雷达信号分选作为现代战场中电子战设备的关键技术之一,分选结果直接影响后续对目标的身份识别、精确定位、威胁判定和对抗策略。常用的信号分选主要是基于两类参数,一类是脉冲宽度、载波频率、方位角、脉冲幅度和调制类型等非时间参数,采用分类算法将来自不同雷达的脉冲信号分开;另一类是利用脉冲到达时间(Time Of Arrival,TOA)提取出二次参数脉冲重复间隔,其包含了同一雷达信号在时域上的重复规律特点,将来自同一部雷达的脉冲信号以脉冲串的形式从混叠脉冲中提取出来。随着现代电磁环境的日趋复杂,在同一时间空间内可能会存在大量的雷达辐射源,同一雷达的脉宽、载频等参数也会出现抖动甚至跳变等调制,在参数空间内会出现严重交叠,导致基于该类参数的分选方法难以适应现代战场环境。只有从随机交迭的信号流中分选出各个雷达信号的脉冲序列,才能进行雷达参数的测量、分析、识别和目标截获。
雷达信号分选的基本原理就是分析截获信号的各种参数,将随机交叠的脉冲信号流自动分离成各个雷达的单独脉冲序列。用于雷达信号分选的主要参数有脉冲到达方向(DOA)、载频(RF)、脉宽(PW)、脉幅(PA)等。现有的信号分选方法都是在根据这些雷达参数进行预分选的基础上,再利用脉冲到达时间进行脉冲序列的主分选,即脉冲重复间隔(PulseRepetition Interval,PRI)分选,从而完成对目标的识别和截获。其中,常用的基于脉冲重复间隔PRI的分选方法主要包括动态扩展关联法、累积差直方图法、序列差直方图法、PRI变换法、平面变换法等,但这些方法估算的PRI值并不准确,普遍存在PRI估值精度低的问题,而PRI值的估值精度直接影响脉冲串抽取的准确率,从而最终影响分选成功率。当PRI估值误差较大时,会导致大量脉冲信号分选错误甚至分选失败。因此,如何提高PRI估值精度,以提高现有基于PRI信息分选方法的分选成功率,是目前复杂环境下雷达信号分选亟待解决的问题。
发明内容
本发明的目的是提供一种基于PRI区间信息的雷达信号分选方法及系统,以提高复杂环境下混合交叠脉冲的PRI估值精度,从而达到提高雷达脉冲信号分选成功率的目的,解决现有的雷达信号分选方法存在的PRI估值精度低、分选成功率低的问题。
为实现上述目的,本发明提供了如下方案:
一方面,本发明提出了一种基于PRI区间信息的雷达信号分选方法,包括:
对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值;
根据所述邻域半径和密度阈值,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇;
计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息;
采用改进脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取;所述改进脉冲序列搜索法是指带容差控制的脉冲序列搜索法,在搜索脉冲序列时,将每一次脉冲序列搜索中待提取PRI区间信息对应的抖动幅度作为容差值,并根据待提取PRI区间信息的不同,对所述容差值进行动态调整,提取出相应的雷达脉冲信号。
可选的,在步骤“对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列”之前,还包括:
从待分选雷达侦察数据中导出混合交叠脉冲的到达时间序列;
根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标;
当所述到达时间序列的元素数量大于第一预设阈值时或者脉冲密度大于第二预设阈值时,则判断为有雷达目标,执行步骤“对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列”;
当所述到达时间序列的元素数量小于等于第一预设阈值时或者脉冲密度小于等于第二预设阈值时,则判断为无雷达目标,结束雷达信号分选。
可选的,在步骤“采用带容差控制的脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取”之后,还包括:
以剩余的雷达脉冲流为输入,返回到“根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标”的步骤,以对剩余的雷达脉冲信号进行提取,直至判断无雷达目标为止。
可选的,所述对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列,具体包括:
对混合交叠雷达脉冲流的到达时间序列TOA1,TOA2,…,TOAn进行多级差值计算,其中,TOA1表示第1个脉冲的到达时间,TOAn表示第n个脉冲的到达时间,则到达时间序列的多级差值表示为:
diff1=[TOA2-TOA1,TOA3-TOA2,…,TOAn-TOAn-1]
diff2=[TOA3-TOA1,TOA4-TOA2,…,TOAn-TOAn-2]
diff3=[TOA4-TOA1,TOA5-TOA2,…,TOAn-TOAn-3]
其中,diff1、diff2、diff3分别表示脉冲到达时间的一级差值序列、二级差值序列和三级差值序列,则生成的差值序列D表示为:
D=[diff1,diff2,diff3,…]。
可选的,所述根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值,具体包括:
根据差值序列D生成距离分布矩阵DIST,表示为:
DIST=[dist(p,q)|p,q∈D]
其中,p和q为差值序列D中的任意元素,dist表示欧式距离函数;
将距离分布矩阵DIST中每行的距离值从小到大重新排列,每行的第k个距离值在统计特性上符合泊松分布,则第k个距离值的期望值表示为:
其中,λ表示期望值,i=1,2,…,n,n表示差值序列D的数据维数,k∈[1,n]为正整数;
将距离分布矩阵DIST中各行的第4个距离值的平均值作为领域半径ε;密度阈值MinPts为所有数据点的4邻域内平均点数,即密度阈值MinPts等于4。
可选的,所述根据所述邻域半径和密度阈值,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇,具体包括:
采用DBSCAN密度聚类算法,根据邻域半径和密度阈值对差值序列进行密度聚类,经过密度聚类后形成多个簇。
可选的,所述计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息,具体包括:
针对密度聚类后得到的多个簇,分别计算每一个簇的提取优先级:
Priority(i)=Cn(i)/[Cc(i)×Cj(i)]
其中,Priority(i)表示第i个簇的PRI区间信息的提取优先级,i=1,2,…,m,m表示簇数目,Cn(i)表示各个簇对应的类内点数,Cc(i)表示各个簇对应的类内点均值,Cj(i)表示各个簇对应的类内点分布区间长度;
则有正整数k满足:
Priority(k)≥Priority(i)
其中,Priority(k)表示第k个簇的PRI区间信息的提取优先级;
此时第k个簇对应的提取优先级最高,则对该簇进行PRI区间信息提取,生成的待提取PRI区间信息的格式表示为(PRI_cen,jitter);
其中,PRI_cen=Cc(k)表示中心值,jitter=Cj(k)/(2×PRI_cen)表示抖动幅度。
另一方面,本发明还提出了一种基于PRI区间信息的雷达信号分选系统,包括:
差值序列生成模块,用于对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
密度聚类参数确定模块,用于根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值;
密度聚类处理模块模块,用于根据所述邻域半径和密度阈值,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇;
提取优先级计算及PRI信息生成模块,用于计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息;
容差控制及信号提取模块,用于采用改进脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取;所述改进脉冲序列搜索法是指带容差控制的脉冲序列搜索法,在搜索脉冲序列时,将每一次脉冲序列搜索中待提取PRI区间信息对应的抖动幅度作为容差值,并根据待提取PRI区间信息的不同,对所述容差值进行动态调整,提取出相应的雷达脉冲信号。
可选的,还包括:
到达时间序列获取模块,用于从待分选雷达侦察数据中导出混合交叠脉冲的到达时间序列;
雷达目标判断模块,用于根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标;
当所述到达时间序列的元素数量大于第一预设阈值时或者脉冲密度大于第二预设阈值时,则判断为有雷达目标,利用差值序列生成模块对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
当所述到达时间序列的元素数量小于等于第一预设阈值时或者脉冲密度小于等于第二预设阈值时,则判断为无雷达目标,结束雷达信号分选;
雷达脉冲信号重复提取模块,用于以剩余的雷达脉冲流为输入,返回到“根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标”的步骤,以对剩余的雷达脉冲信号进行提取,直至判断无雷达目标为止。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种基于PRI区间信息的雷达信号分选方法及系统,通过对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成基于到达时间的差值序列;利用密度聚类算法对差值序列进行密度聚类,并计算出各个簇提取PRI区间信息时的优先级,按照优先级顺序依次进行PRI区间信息提取,从而能够优先提取脉冲数量多、脉冲间隔小、抖动幅度小的雷达脉冲,进而能够优先保证较高的提取成功率,同时还能降低后续脉冲分选难度。
本发明在提取出包括中心值和抖动幅度的PRI区间信息之后,结合带容差控制的脉冲序列搜索法,完成混合交叠脉冲流的分选工作。并且,采用的是带容差控制的脉冲序列搜索法,容差控制指的是根据不同地抖动幅度设置相应脉冲提取时的TOA容差范围,从而实现对容差值的灵活调整,解决了容差值设置过小不利于抖动幅度大的脉冲序列提取,设置过大时又容易造成错误分选的问题,提升了PRI估值精度和分选成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本发明的主旨。
图1为本发明实施例1提供的基于PRI区间信息的雷达信号分选方法的流程图;
图2为本发明实施例1提供的基于PRI区间信息的雷达信号分选方法的原理流程图;
图3为本发明实施例1提供的雷达脉冲信号密度聚类前TOA差值散点分布示意图;
图4为本发明实施例1提供的雷达脉冲信号密度聚类后TOA差值散点分布示意图;
图5为本发明实施例1提供的本发明、CDIF法和PRI变换法在不同抖动幅度下的PRI估值误差率的曲线对比图;
图6为本发明实施例1提供的本发明、CDIF法和PRI变换法在不同抖动幅度情况下的分选成功率的曲线对比图;
图7为本发明实施例1提供的对脉冲流的PRI值提取结果的示意图;
图8为本发明实施例1提供的本发明、CDIF法和PRI变换法的分选成功率实验结果的对比图;
图9为本发明实施例2提供的基于PRI区间信息的雷达信号分选系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本发明的目的是提供一种基于PRI区间信息的雷达信号分选方法及系统,以提高复杂环境下混合交叠脉冲的PRI估值精度和信息维度,从而达到提高雷达脉冲信号分选成功率的目的,解决现有的雷达信号分选方法存在的PRI估值精度低、分选成功率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供了一种基于PRI区间信息的雷达信号分选方法,该方法具体包括以下步骤:
步骤S1、从待分选雷达侦察数据中导出混合交叠脉冲的到达时间序列。
步骤S2、根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标。
在判断到达时间序列中是否有雷达目标时,当所述到达时间序列的元素数量大于第一预设阈值时或者脉冲密度大于第二预设阈值时,则判断为有雷达目标,此时继续进行雷达信号分选,执行步骤S3;
当所述到达时间序列的元素数量小于等于第一预设阈值时或者脉冲密度小于等于第二预设阈值时,则判断为无雷达目标,结束雷达信号分选。
本实施例中,第一预设阈值时设置为20,第二预设阈值设置为0.1/ms,满足条件则进入步骤S3,否则判定为无雷达目标并结束分选。容易理解的是,这两个预设阈值并不是固定的、唯一的,该判断标准可根据实际应用场景和对象灵活调整。
步骤S3、对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列。具体包括:
步骤S3.1、对混合交叠雷达脉冲流的到达时间序列TOA1,TOA2,…,TOAn进行多级差值计算,其中,TOA1表示第1个脉冲的到达时间,TOAn表示第n个脉冲的到达时间,则到达时间序列的多级差值表示为:
diff1=[TOA2-TOA1,TOA3-TOA2,…,TOAn-TOAn-1]
diff2=[TOA3-TOA1,TOA4-TOA2,…,TOAn-TOAn-2]
diff3=[TOA4-TOA1,TOA5-TOA2,…,TOAn-TOAn-3]
其中,diff1、diff2、diff3分别表示脉冲到达时间的一级差值序列、二级差值序列和三级差值序列。
容易理解的是,本实施例中一级差值序列、二级差值序列和三级差值序列的差值序列级数仅仅是举例说明,这个级数并不是一个固定值,也就是在diff3后还可以设置更多级的差值序列,具体级数根据应用场景中可能存在的辐射源数量而定,辐射源数量与所设定的级数呈正相关关系,级数一般取值3至10之间的整数,可根据实际情况自行设定。
步骤S3.2、则生成的差值序列D表示为:
D=[diff1,diff2,diff3,…]。
步骤S4、根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值。即对步骤S3中的差值序列D内的每个数据点,以欧式距离计算该数据点到其他数据点之间的相对距离,形成距离分布矩阵DIST,再根据距离分布矩阵DIST,确定DBSCAN密度聚类算法的参数邻域半径ε和密度阈值MinPts。
步骤S4具体包括:
步骤S4.1、根据差值序列D生成距离分布矩阵DIST,表示为:
DIST=[dist(p,q)|p,q∈D]
其中,p和q为差值序列D中的任意元素,dist表示欧式距离函数;
步骤S4.2、将距离分布矩阵DIST中每行的距离值从小到大重新排列,每行的第k个距离值在统计特性上符合泊松分布,则第k个距离值的期望值表示为:
其中,λ表示期望值,i=1,2,…,n,n表示差值序列D的数据维数,k∈[1,n]为正整数;
步骤S4.3、将距离分布矩阵DIST中各行的第4个距离值的平均值作为领域半径ε;密度阈值MinPts为所有数据点的4邻域内平均点数,即密度阈值MinPts等于4。本实施例中,根据经验和实际数据验证确定密度阈值MinPts等于4、领域半径时,密度聚类结果最优。
步骤S5、根据所述邻域半径ε和密度阈值MinPts,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇。
本实施例采用的密度聚类算法是DBSCAN密度聚类算法,利用DBSCAN密度聚类算法根据邻域半径ε和密度阈值MinPts对差值序列进行密度聚类,从而经过密度聚类后形成多个簇。
本发明的DBSCAN密度聚类算法具体包括以下步骤:
设x为待聚类数据集中任意元素,本实施例的待聚类数据集具体为差值序列D,定义x的ε邻域为Nε(x),表示为:
Nε(x)={y∈D:dist(y,x)<ε}
其中,y表示差值序列D中处于x的ε邻域内的元素,dist表示欧式距离函数。
定义x的密度为ρ(x)=|Nε(x)|,其中,Nε(x)为x的ε邻域,x的密度ρ(x)即为x的ε邻域内的元素数量。若元素x的密度ρ(x)>MinPts,则称该元素为核心对象,否则称为非核心对象或噪声。
本发明中的DBSCAN密度聚类算法有三个概念定义,即直接密度可达、密度可达和密度相连。具体为下面三种情况:
(1)直接密度可达,设定Dc为所有核心对象的集合,若x∈Dc,y∈Nε(x),则称y是x的直接密度可达的。
(2)密度可达,设P1,P2,...,Pm∈D,其中m为正整数且2≤m≤n,若满足Pi+1是从Pi直接密度可达的,i=1,2,···,m-1为下标,则称Pm是从P1密度可达的。
(3)密度相连,设x,y,z∈D,若y、z分别与x密度可达,则称y与z密度相连。
在DBSCAN密度聚类算法中,从脉冲到达时间差值序列y∈Nε(x),则称y是x的直接密度可达的;密度可达,设P1,P2,...,Pm∈D,其中m为正整数且2≤m≤n,若满足Pi+1是从Pi直接密度可达的,i=1,2,···,m-1为下标,则称Pm是从P1密度可达的;密度相连,设x,y,z∈D,若y、z分别与x密度可达,则称y与z密度相连。
本发明中的DBSCAN密度聚类算法的基本步骤为:从脉冲到达时间差值序列D中取一未D中取一未被标记的点,如果该点是核心对象,则找出所有与该点密度可达的对象,形成一个簇;否则将该点标记为噪声后,继续对其他未标记的点进行上述操作,直到遍历集合D内所有点。若待分选脉冲序列中不包含雷达信号仅为随机杂乱脉冲噪声,则差值序列D经过密度聚类后全部被标记为噪声进而分选结束;反之,若待分选脉冲序列中包含雷达信号,则差值序列D经过密度聚类后会形成若干个簇。
步骤S6、计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息;所述待提取PRI区间信息包括待提取PRI的中心值和抖动幅度。具体包括:
针对密度聚类后得到的多个簇,分别计算每一个簇的提取优先级:
Priority(i)=Cn(i)/[Cc(i)×Cj(i)]
其中,Priority(i)表示第i个簇的PRI区间信息的提取优先级,i=1,2,…,m,m表示簇数目,Cn(i)表示各个簇对应的类内点数,Cc(i)表示各个簇对应的类内点均值,Cj(i)表示各个簇对应的类内点分布区间长度;
则有正整数k满足:
Priority(k)≥Priority(i)
其中,Priority(k)表示第k个簇的PRI区间信息的提取优先级。
此时第k个簇对应的提取优先级最高,则对该簇进行PRI区间信息提取,生成的待提取PRI区间信息的格式表示为(PRI_cen,jitter),其中,PRI_cen=Cc(k)表示中心值,jitter=Cj(k)/(2×PRI_cen)表示抖动幅度。
本发明计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息,这样做优点有两个,第一个是提取PRI值(即PRI区间信息)小,脉冲数量多,抖动幅度小的脉冲串,由于抖动小,容易保证较高的提取准确率,从而保证了分选成功率;第二个是PRI值小即表示脉冲数量多,重复频率高,这样使得单次能够提取尽可能多的脉冲,从而减轻后续分选压力,提高了总体分选成功率。总的来说,通过选择优先级最高进行提取能够保证在每一轮的提取中都可以优先提取脉冲数量多、脉冲间隔小、抖动幅度小的雷达脉冲,从而提高了分选成功率。
步骤S7、根据步骤S6得到的待提取PRI区间信息,采用改进脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取。具体包括:
采用改进脉冲序列搜索法,根据所述待提取PRI区间信息提取出相应的雷达脉冲信号;所述改进脉冲序列搜索法是指带容差控制的脉冲序列搜索法,在搜索脉冲序列时,将每一次脉冲序列搜索中待提取PRI区间信息对应的抖动幅度作为容差值,并根据待提取PRI区间信息的不同,对所述容差值进行动态调整,提取出相应的雷达脉冲信号。
本发明采用的是改进脉冲序列搜索法,即带容差控制的脉冲序列搜索法,在传统的脉冲序列搜索法中加入与每一次脉冲序列搜索中的待提取PRI区间信息相对应的抖动幅度作为TOA容差值,根据待提取PRI区间信息的不同,相应地动态调整容差值。举例说明,在首轮用脉冲序列搜索法提取PRI1对应的雷达信号时,采用的容差为PRI1对应的抖动幅度;提取出PRI1后,再用脉冲序列搜索法提取PRI2时,采用的是PRI2对应的抖动幅度,以此类推。常规的脉冲序列搜索法使用的是固定的一个容差值,该容差值一般为PRI值的5%或10%,固定容差值的弊端是设置过小不利于抖动幅度大的脉冲序列提取,设置过大时又容易造成错误分选。而本发明采用的是带容差控制的脉冲序列搜索法,容差控制指的是根据不同地抖动幅度设置相应脉冲提取时的TOA容差范围,从而实现对容差值的灵活调整,解决了容差值设置过小不利于抖动幅度大的脉冲序列提取,设置过大时又容易造成错误分选的问题,进而有效提升了PRI估值精度和分选成功率。
假设待分选雷达脉冲流中包含脉冲重复间隔分别为PRI1、固定重复频率(抖动幅度<0.1%),PRI2、1%抖动幅度,PRI3、5%抖动幅度的三部雷达脉冲信号,此处设置的三个不同抖动幅度是举例说明,实际上抖动幅度可视实际情况自行设置,抖动幅度设置不同会导致后续PRI区间信息的提取顺序不同。根据上述PRI参数及抖动设置,依据步骤S6中的提取优先级,则PRI1对应的雷达脉冲信号会被首先提取出来。然后再利用步骤S7中带容差控制的脉冲序列搜索法进行脉冲信号串的提取工作。带容差控制的脉冲序列搜索法进行脉冲信号串抽取的具体步骤如下:
①首先设定搜索参数PRI为PRI1,对应容差范围为±0.1%;
②以第一个脉冲到达时间为起点,判断在间隔一倍PRI1、二倍PRI1、三倍PRI1处是否都有满足容差范围的脉冲,有则认为脉冲信号串的起始部分已找到,并将该脉冲进行标记,转入第④步,否则进行第③步;
③起点向后移一个脉冲,转入第②步;
④以被标记的最后一个脉冲为起点向后寻找在间隔PRI1(1-0.1%)到PRI1(1+0.1%)的区间内是否有脉冲存在,若找到则将该脉冲标记并重复进行第④步,否则转入第⑤步;
⑤以被标记的最后一个脉冲为起点向后寻找在间隔2PRI1(1-0.1%)到2PRI1(1+0.1%)或3PRI1(1-0.1%)到3PRI1(1+0.1%)的区间内是否有脉冲存在,若有则对该脉冲进行标记,并返回第④步,否则认为脉冲串结束,并转入第⑥步;
⑥本轮脉冲搜索结束,将所有被标记的脉冲从待分选脉冲流中提取出来。
步骤S8、以剩余的雷达脉冲流为输入,返回到“根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标”的步骤,以对剩余的雷达脉冲信号进行提取,直至判断无雷达目标为止。
本实施例中,在将优先级最高的待提取PRI区间信息提取出来后,针对剩余的雷达脉冲流,重复上述过程继续进行提取,直至满足以下终止条件的任意一个时终止:(1)在步骤S7的第②步中,遍历所有待分选脉冲仍未找到脉冲串的起始部分;(2)在步骤S6中所有簇对应的类内点均值其中i=1,2,…,m,m为簇数目,PRImin、PRImax为限定的最小PRI值和最大PRI值,这两个值可根据应用场景的不同灵活设置,一般在海上船用雷达信号的分选中PRImin=100us、PRImax=10ms。
如图2所示,本发明的雷达信号分选的原理是:首先从待分选雷达侦察数据中获得混合交叠脉冲的到达时间序列;然后判断到达时间序列内元素数量是否大于20或脉冲密度是否大于0.1个/ms,满足条件则进入下一步,否则判定无雷达目标并结束分选;再对到达时间序列进行多级差值计算,生成差值序列D;然后对上述差值序列D内的每个数据点,以欧式距离计算该点到其他数据点之间的相对距离,形成距离分布矩阵DIST;再根据距离分布矩阵DIST,确定DBSCAN密度聚类算法的参数邻域半径ε和密度阈值MinPts;再根据确定的邻域半径ε和密度阈值MinPts,利用DBSCAN密度聚类算法对差值序列D进行密度聚类,得到聚类后的多个簇;然后针对聚类后的各个簇,计算各自簇的类内均值和分布区间,再计算各个簇的提取优先级Priority,选取Priority值最大的簇生成待提取PRI区间信息(PRI_cen,jitter),其中PRI_cen为待提取PRI的中心值,可由对应聚类簇中差值散点均值得到,jitter为对应待提取PRI的抖动幅度;再根据提取的PRI区间信息,结合带容差控制的脉冲序列搜索法,对相应雷达的脉冲序列进行抽取。最后以剩余脉冲序列作为输入,重复上述步骤,继续进行PRI区间信息估计和脉冲序列抽取,直至脉冲序列不满足最低分选要求,则结束分选,整个脉冲序列的分选工作完成。
为进一步说明本发明的方法,采用Matlab仿真平台对本发明方法进行实现。以往的PRI分选方法中,只能提取PRI值而缺乏PRI抖动幅度信息,导致后续序列抽取只能按照脉冲序列中存在的最大抖动幅度设置容差,很容易出现误分选的情况。如图3所示为PRI设定值为855us,抖动幅度为2%的雷达脉冲信号密度聚类前TOA差值散点分布情况。如图4所示为密度聚类后TOA差值散点分布,根据聚类后所得簇内点的分布情况,可得其对应雷达PRI值的抖动幅度范围,这里的PRI值就是PRI区间信息。假设某雷达脉冲串对应的簇内散点分布为[d1,d2],则通过本发明方法提取出的PRI值的格式为(PRI_cen,jitter),其中PRI_cen为PRI中心值,其数值等于对应簇内散点均值,jitter=(d2-d1)/(2×PRI_cen)为对应PRI的抖动幅度,一般采用百分制表示,如图4经过本发明算法提取结果为(855.2,2.1%),与雷达PRI参数设定值基本一致。
为验证本发明方法的在PRI估值和分选成功率方面的优越性,分别针对存在不同程度PRI抖动情况,就本发明方法与典型的差直方图法(CDIF法)和PRI变换法进行仿真对比实验,从PRI值提取精确度和分选成功率两个方面进行对比分析。
设定只有一部雷达,脉冲重复周期设定为175.4μs,PRI抖动依次设定为1%、2%、5%、10%,为模拟复杂电磁环境,加入脉冲总数200%的杂散噪声脉冲,仿真时间设定为20ms。将本发明方法与PRI分选常用的CDIF法和PRI变换法进行对比分析,每组实验进行100次蒙特卡洛仿真,结果如表1所示。
表1PRI值提取结果对比表
各个PRI分选方法在不同抖动幅度情况下的PRI估值误差率和分选成功率分别如图5和图6所示。可以看出,随着PRI抖动幅度的不断增大,三种方法的PRI估值误差率均不断上升,分选成功率不断下降。但本发明方法在估值误差率和分选成功率的表现均优于其他两种方法,特别是在抖动幅度较大时,CDIF法和PRI变换法的表现急剧下降,但本发明方法依然能够保持较低的估值误差率和较高的分选成功率,具有较强的应对PRI抖动的能力。
在实际战场环境中,经常会出现多部雷达信号相互交叠重合的情况,且脉宽、载频、到达角等参数重叠严重,此时基于PRI的分选就显得尤为重要。为验证本发明方法在上述情形中的多目标分选能力,设置4组雷达脉冲信号:其中第一组PRI值为250μs,抖动1%;第二组PRI值为333μs,抖动5%;第三组PRI值为为855μs,抖动5%;第四组PRI值为583μs,抖动2%。设置仿真时间20ms,添加脉冲总数20%的杂乱脉冲。
采用本发明方法对仿真混合交叠脉冲流进行PRI值提取,进而结合序列搜索法进行基于PRI的精细化分选。如图7所示为本发明方法对脉冲流包含的PRI值精细化提取结果,由图可见,提取结果与设定的PRI值和PRI抖动范围基本一致。其中,最先被提取出的是雷达1的脉冲信号,由于其PRI值和抖动幅度比较小,即TOA差值散点分布中表现地最为密集;其次是雷达2和雷达4,其TOA差值散点分布密度较为类似;最后被提取出的是雷达3的脉冲信号,由于其PRI值和抖动幅度都相对较大,故TOA差值点分布较为分散,只有当其他雷达脉冲被提取以后,雷达3所处高密度区域才能显现出来。
采用本发明方法、CDIF法和PRI变换法分别对上述雷达脉冲进行基于PRI的分选,每组实验进行100次蒙特卡罗仿真,实验结果对比如图8所示。对比分析可知,对于同一雷达脉冲信号,由于本发明方法所提取的PRI值精度相对较高,且包含PRI抖动幅度信息,因此脉冲分选成功率均高于其他两种方法。对于不同雷达脉冲信号,本发明方法可根据不同雷达PRI抖动幅度的不同设置相应脉冲提取TOA容差范围,优先提取脉冲数量多、抖动幅度小的雷达脉冲,优先保证较高的提取成功率,同时还能降低后续脉冲分选难度,而其他两种方法只能按照最大容差设置,因此分选成功率难以提高,还会增加后续分选中脉冲丢失和杂乱脉冲等类型的干扰。
采用了该发明的基于PRI区间信息的雷达信号分选方法,其通过对混合交叠脉冲到达时间TOA做多级差值生成到达时间差值序列,利用密度聚类算法提取PRI区间信息,包括PRI中心值和PRI抖动幅度,进而结合带容差控制的脉冲序列搜索法完成混合交叠脉冲流的分选工作。相比于CDIF法和PRI变换法等传统分选方法,本发明提出的分选方法能够提高PRI估值精度、丰富PRI信息维度,对于不同雷达脉冲信号,本发明可根据不同雷达PRI抖动幅度的不同设置相应脉冲提取TOA容差范围,优先提取脉冲数量多、抖动幅度小的雷达脉冲,优先保证较高的提取成功率,同时还能降低后续脉冲分选难度。
并且,相比CDIF法和PRI变换法等传统分选方法只能按照最大容差进行信号分选,本发明提出的分选方法能够提高PRI估值精度并丰富PRI信息维度,从而能够有效提升分选成功率,具有较强的应对PRI抖动的能力。
实施例2
如图9所示,本实施例提供了一种基于PRI区间信息的雷达信号分选系统,该系统具体包括:
到达时间序列获取模块M1,用于从待分选雷达侦察数据中导出混合交叠脉冲的到达时间序列;
雷达目标判断模块M2,用于根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标;
当所述到达时间序列的元素数量大于第一预设阈值时或者脉冲密度大于第二预设阈值时,则判断为有雷达目标,利用差值序列生成模块M3对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
当所述到达时间序列的元素数量小于等于第一预设阈值时或者脉冲密度小于等于第二预设阈值时,则判断为无雷达目标,结束雷达信号分选;
差值序列生成模块M3,用于对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
密度聚类参数确定模块M4,用于根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值;
密度聚类处理模块模块M5,用于根据所述邻域半径和密度阈值,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇;
提取优先级计算及PRI信息生成模块M6,用于计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息;
容差控制及信号提取模块M7,用于采用改进脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取;所述改进脉冲序列搜索法是指带容差控制的脉冲序列搜索法,在搜索脉冲序列时,将每一次脉冲序列搜索中待提取PRI区间信息对应的抖动幅度作为容差值,并根据待提取PRI区间信息的不同,对所述容差值进行动态调整,提取出相应的雷达脉冲信号;
雷达脉冲信号重复提取模块M8,用于以剩余的雷达脉冲流为输入,返回到“根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标”的步骤,以对剩余的雷达脉冲信号进行提取,直至判断无雷达目标为止。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (9)
1.一种基于PRI区间信息的雷达信号分选方法,其特征在于,包括:
对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值;
根据所述邻域半径和密度阈值,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇;
计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息;
采用改进脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取;所述改进脉冲序列搜索法是指带容差控制的脉冲序列搜索法,在搜索脉冲序列时,将每一次脉冲序列搜索中待提取PRI区间信息对应的抖动幅度作为容差值,并根据待提取PRI区间信息的不同,对所述容差值进行动态调整,提取出相应的雷达脉冲信号。
2.根据权利要求1所述的基于PRI区间信息的雷达信号分选方法,其特征在于,在步骤“对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列”之前,还包括:
从待分选雷达侦察数据中导出混合交叠脉冲的到达时间序列;
根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标;
当所述到达时间序列的元素数量大于第一预设阈值时或者脉冲密度大于第二预设阈值时,则判断为有雷达目标,执行步骤“对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列”;
当所述到达时间序列的元素数量小于等于第一预设阈值时或者脉冲密度小于等于第二预设阈值时,则判断为无雷达目标,结束雷达信号分选。
3.根据权利要求2所述的基于PRI区间信息的雷达信号分选方法,其特征在于,在步骤“采用改进脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取”之后,还包括:
以剩余的雷达脉冲流为输入,返回到“根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标”的步骤,以对剩余的雷达脉冲信号进行提取,直至判断无雷达目标为止。
5.根据权利要求4所述的基于PRI区间信息的雷达信号分选方法,其特征在于,所述根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值,具体包括:
根据差值序列D生成距离分布矩阵DIST,表示为:
DIST=[dist(p,q)|p,q∈D]
其中,p和q为差值序列D中的任意元素,dist表示欧式距离函数;
将距离分布矩阵DIST中每行的距离值从小到大重新排列,每行的第k个距离值在统计特性上符合泊松分布,则第k个距离值的期望值表示为:
其中,λ表示期望值,i=1,2,…,n,n表示差值序列D的数据维数,k∈[1,n]为正整数;
将距离分布矩阵DIST中各行的第4个距离值的平均值作为领域半径ε;密度阈值MinPts为所有数据点的4邻域内平均点数,即密度阈值MinPts等于4。
6.根据权利要求1所述的基于PRI区间信息的雷达信号分选方法,其特征在于,所述根据所述邻域半径和密度阈值,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇,具体包括:
采用DBSCAN密度聚类算法,根据邻域半径和密度阈值对差值序列进行密度聚类,经过密度聚类后形成多个簇。
7.根据权利要求1所述的基于PRI区间信息的雷达信号分选方法,其特征在于,所述计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息,具体包括:
针对密度聚类后得到的多个簇,分别计算每一个簇的提取优先级:
Priority(i)=Cn(i)/[Cc(i)×Cj(i)]
其中,Priority(i)表示第i个簇的PRI区间信息的提取优先级,i=1,2,…,m,m表示簇数目,Cn(i)表示各个簇对应的类内点数,Cc(i)表示各个簇对应的类内点均值,Cj(i)表示各个簇对应的类内点分布区间长度;
则有正整数k满足:
Priority(k)≥Priority(i)
其中,Priority(k)表示第k个簇的PRI区间信息的提取优先级;
此时第k个簇对应的提取优先级最高,则对该簇进行PRI区间信息提取,生成的待提取PRI区间信息的格式表示为(PRI_cen,jitter);
其中,PRI_cen=Cc(k)表示中心值,jitter=Cj(k)/(2×PRI_cen)表示抖动幅度。
8.一种基于PRI区间信息的雷达信号分选系统,其特征在于,包括:
差值序列生成模块,用于对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
密度聚类参数确定模块,用于根据所述差值序列的分布特点,确定密度聚类算法的邻域半径和密度阈值;
密度聚类处理模块模块,用于根据所述邻域半径和密度阈值,利用密度聚类算法对所述差值序列进行密度聚类,得到聚类后的多个簇;
提取优先级计算及PRI信息生成模块,用于计算各个簇的提取优先级,并为优先级最高的簇生成待提取PRI区间信息;
容差控制及信号提取模块,用于采用改进脉冲序列搜索法,对与所述待提取PRI区间信息对应的雷达脉冲信号进行提取;所述改进脉冲序列搜索法是指带容差控制的脉冲序列搜索法,在搜索脉冲序列时,将每一次脉冲序列搜索中待提取PRI区间信息对应的抖动幅度作为容差值,并根据待提取PRI区间信息的不同,对所述容差值进行动态调整,提取出相应的雷达脉冲信号。
9.根据权利要求8所述的基于PRI区间信息的雷达信号分选系统,其特征在于,还包括:
到达时间序列获取模块,用于从待分选雷达侦察数据中导出混合交叠脉冲的到达时间序列;
雷达目标判断模块,用于根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标;
当所述到达时间序列的元素数量大于第一预设阈值时或者脉冲密度大于第二预设阈值时,则判断为有雷达目标,利用所述差值序列生成模块对混合交叠雷达脉冲流的到达时间序列进行多级差值计算,生成差值序列;
当所述到达时间序列的元素数量小于等于第一预设阈值时或者脉冲密度小于等于第二预设阈值时,则判断为无雷达目标,结束雷达信号分选;
雷达脉冲信号重复提取模块,用于以剩余的雷达脉冲流为输入,返回到“根据所述到达时间序列的元素数量和脉冲密度,判断所述到达时间序列中是否有雷达目标”的步骤,以对剩余的雷达脉冲信号进行提取,直至判断无雷达目标为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111318772.6A CN114019505A (zh) | 2021-11-09 | 2021-11-09 | 一种基于pri区间信息的雷达信号分选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111318772.6A CN114019505A (zh) | 2021-11-09 | 2021-11-09 | 一种基于pri区间信息的雷达信号分选方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114019505A true CN114019505A (zh) | 2022-02-08 |
Family
ID=80063000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111318772.6A Pending CN114019505A (zh) | 2021-11-09 | 2021-11-09 | 一种基于pri区间信息的雷达信号分选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114019505A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660560A (zh) * | 2022-03-11 | 2022-06-24 | 中国人民解放军战略支援部队信息工程大学 | 基于等效dtoa密度曲线的脉冲重复间隔分选方法 |
CN114706055A (zh) * | 2022-03-30 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
CN114839601A (zh) * | 2022-07-04 | 2022-08-02 | 中国人民解放军国防科技大学 | 基于频繁项分析的雷达信号高维时序特征提取方法及装置 |
CN116559817A (zh) * | 2023-07-04 | 2023-08-08 | 西安晟昕科技股份有限公司 | 一种用于复杂电磁环境的雷达信号分选方法 |
CN117272086A (zh) * | 2023-11-22 | 2023-12-22 | 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 |
CN117554919A (zh) * | 2024-01-11 | 2024-02-13 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
-
2021
- 2021-11-09 CN CN202111318772.6A patent/CN114019505A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660560A (zh) * | 2022-03-11 | 2022-06-24 | 中国人民解放军战略支援部队信息工程大学 | 基于等效dtoa密度曲线的脉冲重复间隔分选方法 |
CN114660560B (zh) * | 2022-03-11 | 2022-12-06 | 中国人民解放军战略支援部队信息工程大学 | 基于等效dtoa密度曲线的脉冲重复间隔分选方法 |
CN114706055A (zh) * | 2022-03-30 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
CN114706055B (zh) * | 2022-03-30 | 2022-11-04 | 中国人民解放军战略支援部队航天工程大学 | 面向非均衡样本的雷达字提取方法 |
CN114839601A (zh) * | 2022-07-04 | 2022-08-02 | 中国人民解放军国防科技大学 | 基于频繁项分析的雷达信号高维时序特征提取方法及装置 |
CN114839601B (zh) * | 2022-07-04 | 2022-09-16 | 中国人民解放军国防科技大学 | 基于频繁项分析的雷达信号高维时序特征提取方法及装置 |
CN116559817A (zh) * | 2023-07-04 | 2023-08-08 | 西安晟昕科技股份有限公司 | 一种用于复杂电磁环境的雷达信号分选方法 |
CN116559817B (zh) * | 2023-07-04 | 2023-09-26 | 西安晟昕科技股份有限公司 | 一种用于复杂电磁环境的雷达信号分选方法 |
CN117272086A (zh) * | 2023-11-22 | 2023-12-22 | 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 |
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 |
CN117554919A (zh) * | 2024-01-11 | 2024-02-13 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
CN117554919B (zh) * | 2024-01-11 | 2024-03-29 | 成都金支点科技有限公司 | 一种基于双向lstm网络的雷达信号分选搜索方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114019505A (zh) | 一种基于pri区间信息的雷达信号分选方法及系统 | |
CN110764063B (zh) | 一种基于sdif与pri变换法结合的雷达信号分选方法 | |
CN109839619B (zh) | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 | |
CN112986928B (zh) | 一种复杂电磁环境下信号分选多源融合处理方法 | |
CN110598738B (zh) | 一种基于空间信息的分布式聚类方法 | |
CN111079859B (zh) | 一种无源多站多目标测向交叉定位与虚假点去除方法 | |
CN110751121B (zh) | 基于聚类与sofm的无监督雷达信号分选方法 | |
CN103954935A (zh) | 一种最小l1范数下的雷达信号分选方法 | |
CN113109784B (zh) | 一种基于盲源分离的雷达脉冲重复间隔估计方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN111709457A (zh) | 一种基于双谱特征的电磁目标智能化聚类方法 | |
Apfeld et al. | Recognition of unknown radar emitters with machine learning | |
CN110806563A (zh) | 基于雷达脉冲混叠程度判定的辐射源信号聚类分选方法 | |
CN108535704B (zh) | 一种基于自适应二维聚类的信号预分选方法 | |
Arasaratnam et al. | Tracking the mode of operation of multi-function radars | |
CN115166678B (zh) | 复杂场景雷达辐射源脉冲信号分选与认知对抗系统 | |
KR101468560B1 (ko) | 마할라노비스 거리 기반 레이더 신호에 대한 이상치 펄스 탐지 방법 | |
CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
Zhao et al. | A multi-station signal sorting method based on TDOA grid clustering | |
CN113075620B (zh) | 一种基于多站时差网格聚类的信号分选方法 | |
CN110781963B (zh) | 基于K-means聚类的空中目标分群方法 | |
Li et al. | Signals Deinterleaving for ES systems using Improved CFSFDP Algorithm | |
Yu et al. | Radar emitter signal sorting method based on density clustering algorithm of signal aliasing degree judgment | |
CN115166679B (zh) | 基于任务属性的未知雷达辐射源目标的表征识别方法 |
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 |