CN114114166A - 一种基于dtm算法的雷达脉冲去交错方法 - Google Patents
一种基于dtm算法的雷达脉冲去交错方法 Download PDFInfo
- Publication number
- CN114114166A CN114114166A CN202111420021.5A CN202111420021A CN114114166A CN 114114166 A CN114114166 A CN 114114166A CN 202111420021 A CN202111420021 A CN 202111420021A CN 114114166 A CN114114166 A CN 114114166A
- Authority
- CN
- China
- Prior art keywords
- pulse
- sequence
- interlacing
- radar
- radar pulse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 38
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 12
- 238000012805 post-processing Methods 0.000 claims abstract description 9
- 239000000203 mixture Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 239000000523 sample Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 5
- 238000004801 process automation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
- 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于DTM算法的雷达脉冲去交错方法,包括:生成交错的雷达脉冲描述字序列的样本集合,将每个序列按照特征维度分为两个序列;构造循环去交错网络,预训练得到模型权重文件;利用循环去交错网络和模型权重文件进行预去交错,得到去交错结果,然后进行后处理重聚类,得到最终的去交错结果;对网络进行微调,依据更新后的权重文件与循环去交错网络对后续的雷达脉冲序列进行去交错,直到完成整个雷达脉冲描述字序列的去交错。相较于现有技术,本发明在保证雷达脉冲去交错实时性的前提下,提高了去交错的准确率和算法的鲁棒性。即使在环境存在噪声,并且对于雷达脉冲发射器先验知识完全未知的情况下,也能够取得很好的去交错效果。
Description
技术领域
本发明涉及雷达信号处理技术领域,尤其涉及一种基于DTM(深度到达时间掩膜,Deep ToA Mask)算法的雷达脉冲去交错方法。
背景技术
电子战(Electronic Warefare,EW)已经成为现代战争中至关重要的一环,电子支援系统(Electronic Support Measure,ESM)在电子战中有着至关重要的地位。ESM系统的功能在于拦截并分析电磁信号,迅速识别出具有威胁的信号源。而雷达信号去交错则是ESM系统处理过程中的一项关键技术。从混杂交错的雷达脉冲序列中去交错出属于不同信号源的信号,然后进行信号源分类、目标模式识别与追踪等不同任务。参考文献:S.Q.Wang,G.P.Hu,Q.L.Zhang,C.Y.Gao,T.Cai,The background and significance of radarsignal sorting research in modern warfare,Procedia Computer Science 154(2019)519-533.
ESM系统所接收到的脉冲流通过脉冲描述字(Pulse Description Words,PDW)来进行描述。其中到达时间序列的一阶差分又被称为脉冲重复间隔(Pulse RepetitionInterval,PRI),是脉冲序列的本征属性。对脉冲序列调制样式的识别随着雷达运行模式的复杂化,高密度的电磁信号空间,信号参数的极端复杂和信号截获概率低等因素而变得更具挑战性。在这样的高噪声环境中,PDW的各项参数在测量过程中都有一定概率丢失或者受到干扰,这使得雷达信号去交错的难度急速上升。参考文献:R.Wiley,ELINT:TheInterception and Analysis of Radar Signals|Artech books.
传统雷达脉冲去交错去交错算法,如累计差值直方图法(CDIF)、序列差值直方图法(SDIF)具有清晰直观的理论,但对于环境噪声和脉冲重复间隔(PRI)的抖动、缺失不具有鲁棒性。基于PDW的聚类方法包括fuzzy clustering,支持向量聚类,DBSCAN密度聚类等。这类方法主要基于相同雷达具有相似参数,不同雷达参数也不同的假设,通过设计PDW特征之间的距离进行聚类。但聚类方法主要关注于数据的相似性,而不能很好地针对问题目标本身进行解决。还有研究者提出将雷达信号编码为图像,之后再进行基于图像分割的聚类,但也存在聚类的时间分辨率不高,聚类雷达脉冲数目难以确定等问题。基于特征轨迹的预测方法主要通过RNN网络结合PA对进行信号去交错,受到了卡尔曼滤波和霍夫变换PA去交错方法的启发,在使用的PDW参数观测准确时可以取得不错的效果,只是当其中任意一个参数缺失,甚至出现误导性干扰时,会产生巨大结果波动。并且其中一部分方法很难在现实中几千种雷达类型,并且每种雷达还有不同模式的情况下使用,更不能够分离那些没有经过训练的脉冲序列,泛化性很差。基于去噪自编码器的方法能够很好地分离多脉冲重复间隔模态的到达时间序列。并且包括上述算法在内的许多算法只有在已知雷达脉冲重复间隔值和雷达发射机数目的前提下才能有良好表现,而实际情况中,大部分情况下以上知识是无法提取获得的。参考文献:H.Li,Y.Han,Y.Cai,R.-h.Tao,Overview of the crucialtechnology research for radar signal sorting,Systems Engineering andElectronics27(12)(2005)2035-2040.
脉冲重复间隔变换法属于传统的单参数去交错方法,看起来似乎无法提供足够的多模态的雷达信息。但实际上雷达脉冲到达时间序列在合适的特征空间上(例如脉冲重复间隔自相关变换域)是一个非常稀疏的信号,即使多个雷达脉冲混合在一起,也能够通过他们的谱信息实现雷达脉冲的去交错。传统的脉冲重复间隔变换法首先需要使用其他参数进行预去交错,去交错过程中不仅需要很高的时间分辨率(约10ns),计算自相关函数,还需要进行序列搜索并人为设定阈值。这导致了去交错时速度较慢,并且在不同环境中使用相同阈值会导致精度下降。参考文献:Z.Ge,X.Sun,W.Ren,W.Chen,G.Xu,Improved algorithmof radar pulse repetition interval deinterleaving based on pulse correlation,IEEE Access 7(2019)30126-30134.
发明内容
发明目的:现有技术中,多种模式的多个雷达信号在电子环境中密集交错,雷达参数重叠严重,并随着时间不断变化。本发明为了克服聚类方法时间分辨率不高,聚类雷达脉冲数目难以确定和聚类未能利用时序信息的缺陷;也为了克服当前深度学习算法只能够预测已知脉冲重复间隔的雷达脉冲序列,而对于复杂环境鲁棒性和准确性不高的缺陷,通过构造脉冲去交错网络结构,仅仅只使用最本质特征,即雷达脉冲到达时间序列的基础上就能得到鲁棒抗噪的雷达脉冲去交错结果,具有良好的泛化性。相较于现有技术,本发明不需要事先获知脉冲重复间隔和雷达发射机数量等知识,有利于实际的使用。如果PDW中的其他特征含噪较少,也可以利用巧妙的预处理和后处理将这些特征融入到DTM算法框架之中,在保证实时性的同时进一步确保精度。
为了解决上述技术问题,本发明公开了一种基于DTM算法的雷达脉冲去交错方法,该方法可以用于已知或未知脉冲重复间隔、已知或未知雷达脉冲发射器个数和各种程度的噪声环境下的雷达脉冲去交错问题,所述方法包括如下步骤:
步骤1,通过模拟多个雷达脉冲发射器,生成交错的雷达脉冲描述字PDW序列的样本集合D;
步骤2,将所述样本集合D中的每个序列P按照特征维度分为到达时间序列T和其他特征序列V,将所述到达时间序列T映射为0-1脉冲序列S,包括交错脉冲序列Sm和每个雷达脉冲发射器单独发射的真实脉冲序列Sk;
步骤3,构造循环去交错网络RDN,将所述交错脉冲序列Sm输入循环去交错网络,用真实脉冲序列Sk和雷达脉冲发射器的个数N作为标签,对所述交错脉冲序列Sm进行预训练,得到模型权重文件F1;
步骤4,利用所述循环去交错网络RDN和模型权重文件F1,对扫描得到的雷达脉冲进行在线预去交错,得到第一去交错结果R1后,对所述第一去交错结果R1中显著异常的预测结果进行更正,得到第二去交错结果R2;
步骤5,利用所述第二去交错结果R2和雷达脉冲描述字PDW中的其它特征序列V,使用高斯混合模型(Gaussian Mixture Model,GMM)进行后处理重聚类,得到最终的去交错结果R3,将真实雷达脉冲描述字序列Pk与最终的去交错结果R3中置信度大于预设置信度阈值的部分对应保存到缓存队列Q中;
步骤6,从所述缓存队列Q中取出真实雷达脉冲描述字序列Pk,以及所述交错雷达脉冲序列的去交错结果R3,在后台对所述循环去交错网络RDN进行微调,微调结束后更新模型权重文件为F2;
步骤7,依据更新后的权重文件F2与所述循环去交错网络RDN对后续的雷达脉冲序列进行去交错,直到完成整个雷达脉冲描述字PDW序列的去交错。
进一步地,在一种实现方式中,所述步骤1,包括:
步骤1-1,根据雷达脉冲描述字概率分布的先验知识,生成所述雷达脉冲描述字的模拟数据的参数,所述雷达脉冲描述字概率分布的先验知识包括序列P的特征:到达时间(Time of Arrival,ToA)、脉冲宽度(Pulse Width,PW)、脉冲幅度(Pulse Amplitude,PA)、到达角度和载波频率(Radio Frequency,RF)的范围,以及脉冲时间分辨率、发射器数量范围、抖动率和丢失率;
步骤1-2,依照所述参数的范围,为每一部所述雷达脉冲发射器随机从参数中采样,并依据采样得到的到达时间和脉冲宽度生成一条单独的雷达脉冲,再将采样得到的除了到达时间和脉冲宽度的其余参数填充到真实雷达脉冲描述字序列Pk中;
步骤1-3,将多个所述真实雷达脉冲描述字序列Pk混合,再依据抖动率和丢失率加入高斯噪声,得到交错的雷达脉冲描述字序列Pm;
步骤1-4,重复所述步骤1-2与步骤1-3生成雷达脉冲描述字PDW序列样本,构成所述样本集合D,所述样本集合D中的每个序列P由交错的雷达脉冲描述字序列Pm与真实雷达脉冲描述字序列Pk组成。
进一步地,在一种实现方式中,所述步骤2,包括:
步骤2-1,将所述样本集合D中的每个序列P按照特征维度划分为到达时间序列T和其他特征序列V;
步骤2-2,通过将所述到达时间序列T中存在的时间点标记为1,其余不存在的时间点标记为0;
步骤2-3,将所述到达时间序列T按照步骤1-1参数中的到达时间的范围进行分帧,把所述到达时间序列T映射为一组0-1脉冲序列S,包括:将所述样本集合D中的交错的雷达脉冲描述字序列Pm映射为交错脉冲序列Sm,将所述每个雷达脉冲发射器单独发射的真实雷达脉冲描述字序列Pk映射为真实脉冲序列Sk,将其余特征原样保留;
其中,所述其余特征包括第一其余特征Vk和第二其余特征Vm,所述第一其余特征Vk表示真实雷达脉冲描述字序列Pk除了到达时间以外的特征,包括脉冲宽度、脉冲幅度、到达角度和载波频率;所述第二其余特征Vm表示交错雷达脉冲描述字序列Pm除了到达时间以外的特征,包括脉冲宽度、脉冲幅度、到达角度和载波频率。
进一步地,在一种实现方式中,所述步骤3,包括:
步骤3-1,依据非负矩阵分解(NMF)思想,结合空洞卷积、深度可分离卷积和递归去交错架构,构造所述循环去交错网络RDN;所述循环去交错网络RDN包括特征提取模块、递归掩膜分离模块、双分支的发射器个数和脉冲分类预测模块;
步骤3-2,将所述交错脉冲序列Sm输入循环去交错网络RDN,暂存预测的去交错结果,包括每个脉冲点属于每一个雷达脉冲发射器的概率和雷达脉冲发射器的预测个数;
步骤3-3,计算去交错脉冲点概率与分离的真实脉冲序列Sk之间的交叉熵损失,以及雷达脉冲发射器的预测个数和实际个数N之间的交叉熵损失;对两个损失值加权求和得到总损失值;
步骤3-4,用梯度下降法以预设的学习率,通过Adam优化器训练所述循环去交错网络RDN,直到验证集的损失不再下降或者训练达到K轮为止,每一轮训练使用M条一定长度的脉冲序列;将预训练得到的权重文件保存为.pth文件,记为模型权重文件F1。
进一步地,在一种实现方式中,所述步骤4,包括:
步骤4-1,利用所述循环去交错网络RDN和模型权重文件F1,对一定数目的脉冲点进行在线预去交错,得到第一去交错结果R;所述一定数目的脉冲点为实际战场环境中扫描得到的一整段经过转换的脉冲序列中,最前面未经过去交错处理的脉冲点;所述第一去交错结果R1包括去交错结果与雷达脉冲发射器的预测个数;
步骤4-2,把所述第一去交错结果R1中的去交错结果转换回到达时间序列,求取序列的平均脉冲重复间隔;
步骤4-3,将偏离所述平均脉冲重复间隔超过预设偏离阈值的到达时间点确定为第一去交错结果R1中显著异常的预测结果,对所述偏离平均脉冲重复间隔超过预设偏离阈值的到达时间点进行修正,最终得到第二去交错结果R2。
进一步地,在一种实现方式中,所述步骤5包括如下步骤:
步骤5-1,利用所述循环去交错网络RDN预测脉冲点属于每个发射器的概率值,初始化高斯混合模型GMM各个高斯分量权重,再结合所述第二去交错结果R2中的去交错结果和雷达脉冲描述字PDW中的其它特征序列V,计算高斯混合模型GMM各个高斯分量的初始平均值和初始协方差矩阵;所述高斯混合模型GMM的高斯分量个数与第二去交错结果R2中雷达脉冲发射器的预测个数相同;
步骤5-2,利用所述其它特征序列V训练初始化后的高斯混合模型GMM直至收敛;
步骤5-3,使用训练好的所述高斯混合模型GMM对雷达脉冲描述字PDW序列重新进行聚类,并得到最终的去交错结果R3;
步骤5-4,将所述最终的去交错结果R3中,置信度大于所述预设置信度阈值的序列部分的到达时间特征转换为脉冲形式,与所述交错脉冲序列Sm一一对应地保存在总长度为L的缓存队列Q中。
进一步地,在一种实现方式中,所述步骤6,包括:
从所述缓存队列Q中取出原始脉冲序列,将转换为脉冲形式的所述最终的去交错结果R3作为原始脉冲序列的标签,依据所述步骤3的方法和比步骤3中更小的学习率在后台对循环去交错网络RDN进行微调;
所述微调与去交错过程同时进行,互不影响;微调过程中,应使得训练去交错网络的轮次少于步骤3中的训练轮次,并且每轮只使用缓存的一定长度的脉冲数据;当对所述循环去交错网络RDN的微调结束后,更新所述模型权重文件F1为模型权重文件F2。
进一步地,在一种实现方式中,所述步骤7中,根据更新后的所述模型权重文件F2,重复所述步骤4到步骤6,不断使用所述循环去交错网络RDN对后续交错雷达脉冲序列进行去交错,并不断更新模型权重文件,直到完成整个雷达脉冲描述字PDW序列的去交错。
有益效果:相较于现有技术,本发明的显著优点在于保证雷达脉冲去交错实时性的前提下,提高了去交错的准确率和算法的鲁棒性。即使在环境存在噪声,并且对于雷达脉冲发射器先验知识完全未知的情况下,也能够取得很好的去交错效果。因此,本发明破除了系统运行环境的限制性,结合合适的预处理和后处理方法,能够更好地实现在线雷达交错。此外,本发明实现了雷达脉冲发射器个数的自适应精确预测,对于DTM算法在实际场景中的应用有着极大的帮助。
附图说明
为了更清楚地说明本发明的技术方案,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,对于本领域普通技术人员而言,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。
图1是本发明实施例部分提供的一种基于DTM算法的雷达脉冲去交错方法的系统运行流程示意图;
图2是本发明实施例部分提供的一种基于DTM算法的雷达脉冲去交错方法中循环去交错网络结构(RDN)和雷达去交错的工作流程示意图;
图3是本发明实施例部分提供的一种基于DTM算法的雷达脉冲去交错方法中RDN子网络:循环掩膜分离模块(RMM)和空洞卷积层(Dilated Convolution Layer)的结构示意图;
图4是本发明实施例部分提供的一种基于DTM算法的雷达脉冲去交错方法经过DTM算法进行雷达去交错后得到的结果示意图。其中左图是两个雷达脉冲去交错得到的概率分布图和真实脉冲点的对比;右图是六个雷达脉冲去交错结果及其局部放大展示。
图5是本发明实施例部分提供的一种基于DTM算法的雷达脉冲去交错方法中的DTM算法在不同雷达脉冲发射器数目下的去交错结果。
图6是本发明实施例部分提供的一种基于DTM算法的雷达脉冲去交错方法的DTM算法与一些常用算法的对比结果表。
具体实施方式
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。
本发明实施例公开一种基于DTM算法的雷达脉冲去交错方法,本方法应用于军事领域,特别是电子战环境中。在该应用环境下,敌方雷达的脉冲重复间隔未知,数目未知,脉冲密集程度高,信号交错严重,干扰脉冲多,单部雷达有效数较少。因此,雷达脉冲描述字参数提取困难或者不准,脉冲宽度易受多径效应及脉冲相互重叠的影响很难测准,侦敌双方平台相对运动,导致多普勒效应,影响载波频率的测量精度。此外,只有一维角度参数,无法获取的雷达位置参数。
针对现有技术在以上应用场景中存在的问题,本发明实施例提供一种基于DTM算法的雷达脉冲去交错方法,如图1所示,本方法包括如下步骤:
步骤1,通过模拟多个雷达脉冲发射器,生成交错的雷达脉冲描述字PDW序列的样本集合D;
步骤2,将所述样本集合D中的每个序列P按照特征维度分为到达时间序列T和其他特征序列V,将所述到达时间序列T映射为0-1脉冲序列S,包括交错脉冲序列Sm和每个雷达脉冲发射器单独发射的真实脉冲序列Sk;
步骤3,构造循环去交错网络RDN,将所述交错脉冲序列Sm输入循环去交错网络,用真实脉冲序列Sk和雷达脉冲发射器的个数N作为标签,对所述交错脉冲序列Sm进行预训练,得到模型权重文件F1;
步骤4,利用所述循环去交错网络RDN和模型权重文件F1,对扫描得到的雷达脉冲进行在线预去交错,得到第一去交错结果R1后,对所述第一去交错结果R1中显著异常的预测结果进行更正,得到第二去交错结果R2;
步骤5,利用所述第二去交错结果R2和雷达脉冲描述字PDW中的其它特征序列V,使用高斯混合模型GMM进行后处理重聚类,得到最终的去交错结果R3,将真实雷达脉冲描述字序列Pk与最终的去交错结果R3中置信度大于预设置信度阈值的部分对应保存到缓存队列Q中;
步骤6,从所述缓存队列Q中取出真实雷达脉冲描述字序列Pk,以及所述交错雷达脉冲序列的去交错结果R3,在后台对所述循环去交错网络RDN进行微调,微调结束后更新模型权重文件为F2;
步骤7,依据更新后的权重文件F2与所述循环去交错网络RDN对后续的雷达脉冲序列进行去交错,直到完成整个雷达脉冲描述字PDW序列的去交错。
在军事领域这一应用场景,特别是以电子战环境为代表的复杂电磁环境中,本发明中提供的DTM算法相较于现有技术中基于聚类和序列搜索的方法更有优势。具体的,DTM算法噪声鲁棒,能够只使用到达时间单参数对未知数目和脉冲重复间隔的雷达脉冲序列进行准确处理。
本发明实施例所述的一种基于DTM算法的雷达脉冲去交错方法中,所述步骤1,包括:
步骤1-1,根据雷达脉冲描述字概率分布的先验知识,生成所述雷达脉冲描述字的模拟数据的参数,所述雷达脉冲描述字概率分布的先验知识包括序列P的特征:到达时间(Time of Arrival,ToA)、脉冲宽度(Pulse Width,PW)、脉冲幅度(Pulse Amplitude,PA)、到达角度(Direction Of Arrival,DOA)和载波频率(Radio Frequency,RF)的范围,以及脉冲时间分辨率、发射器数量范围、抖动率和丢失率;
具体的,本实施例中,选择的到达时间ToA范围为1-60000μs,脉冲重复间隔为100-600μs,PW为1-5μs,到达角度DOA为30-90度,载波频率RF为5.0-15.0MHZ,脉冲时间分辨率为1μs,发射器数量为1-6个,抖动率和丢失率均为0-0.3。
步骤1-2,依照所述参数的范围,为每一部所述雷达脉冲发射器随机从参数中采样,并依据采样得到的到达时间和脉冲宽度生成一条单独的雷达脉冲,再将采样得到的除了到达时间和脉冲宽度的其余参数填充到真实雷达脉冲描述字序列Pk中;
步骤1-3,将多个所述真实雷达脉冲描述字序列Pk混合,再依据抖动率和丢失率加入高斯噪声,得到交错的雷达脉冲描述字序列Pm;具体的,本实施例中,即依据抖动率和丢失率0-0.3随机地加入高斯噪声。
步骤1-4,重复所述步骤1-2与步骤1-3生成雷达脉冲描述字PDW序列样本,构成所述样本集合D,所述样本集合D中的每个序列P由交错的雷达脉冲描述字序列Pm与真实雷达脉冲描述字序列Pk组成。
本发明实施例所述的一种基于DTM算法的雷达脉冲去交错方法中,所述步骤2,包括:
步骤2-1,将所述样本集合D中的每个序列P按照特征维度划分为到达时间序列T和其他特征序列V;
步骤2-2,通过将所述到达时间序列T中存在的时间点标记为1,其余不存在的时间点标记为0;
步骤2-3,将所述到达时间序列T按照步骤1-1参数中的到达时间的范围进行分帧,把所述到达时间序列T映射为一组0-1脉冲序列S,包括:将所述样本集合D中的交错的雷达脉冲描述字序列Pm映射为交错脉冲序列Sm,将所述每个雷达脉冲发射器单独发射的真实雷达脉冲描述字序列Pk映射为真实脉冲序列Sk,将其余特征原样保留;
其中,所述其余特征包括第一其余特征Vk和第二其余特征Vm,所述第一其余特征Vk表示真实雷达脉冲描述字序列Pk除了到达时间以外的特征,包括脉冲宽度、脉冲幅度、到达角度和载波频率;所述第二其余特征Vm表示交错雷达脉冲描述字序列Pm除了到达时间以外的特征,包括脉冲宽度、脉冲幅度、到达角度和载波频率。
本发明实施例所述的一种基于DTM算法的雷达脉冲去交错方法中,所述步骤3,包括:
步骤3-1,依据非负矩阵分解(NMF)思想,结合空洞卷积、深度可分离卷积和递归去交错架构,构造所述循环去交错网络RDN;所述循环去交错网络RDN包括特征提取模块、递归掩膜分离模块、双分支的发射器个数和脉冲分类预测模块;具体的,本实施例中,所述循环去交错网络RDN模型架构如图3所示,RDN中的递归掩膜分离模块(RMM)和更基础的空洞卷积层(Dilated Convolution Layer)如图4所示。
步骤3-2,将所述交错脉冲序列Sm输入循环去交错网络RDN,暂存预测的去交错结果,包括每个脉冲点属于每一个雷达脉冲发射器的概率和雷达脉冲发射器的预测个数;
步骤3-3,计算去交错脉冲点概率与分离的真实脉冲序列Sk之间的交叉熵损失,以及雷达脉冲发射器的预测个数和实际个数N之间的交叉熵损失;对两个损失值加权求和得到总损失值;
步骤3-4,用梯度下降法以预设的学习率,通过Adam优化器训练所述循环去交错网络RDN,直到验证集的损失不再下降或者训练达到K轮为止,每一轮训练使用M条一定长度的脉冲序列;将预训练得到的权重文件保存为.pth文件,记为模型权重文件F1。具体的,本实施例中,用梯度下降法以0.001的学习率,通过Adam优化器训练RDN,直到验证集的损失不再下降或者训练达到80轮为止,每一轮训练使用1000条长度为60ms,即60000个脉冲点的脉冲序列。
本发明实施例所述的一种基于DTM算法的雷达脉冲去交错方法中,所述步骤4,包括:
步骤4-1,利用所述循环去交错网络RDN和模型权重文件F1,对一定数目的脉冲点进行在线预去交错,本实施例中,即对一整段经过转换的脉冲序列中,最前面未经过去交错处理的60000个脉冲点进行去交错,得到第一去交错结果R;所述一定数目的脉冲点为实际战场环境中扫描得到的一整段经过转换的脉冲序列中,最前面未经过去交错处理的脉冲点;所述第一去交错结果R1包括去交错结果与雷达脉冲发射器的预测个数;
步骤4-2,把所述第一去交错结果R1中的去交错结果转换回到达时间序列,求取序列的平均脉冲重复间隔;
步骤4-3,将偏离所述平均脉冲重复间隔超过预设偏离阈值的到达时间点确定为第一去交错结果R1中显著异常的预测结果,对所述偏离平均脉冲重复间隔超过预设偏离阈值的到达时间点进行修正,最终得到第二去交错结果R2。
本发明实施例所述的一种基于DTM算法的雷达脉冲去交错方法中,所述步骤5包括如下步骤:
步骤5-1,利用所述循环去交错网络RDN预测脉冲点属于每个发射器的概率值,初始化高斯混合模型GMM各个高斯分量权重,再结合所述第二去交错结果R2中的去交错结果和雷达脉冲描述字PDW中的其它特征序列V,计算高斯混合模型GMM各个高斯分量的初始平均值和初始协方差矩阵;所述高斯混合模型GMM的高斯分量个数与第二去交错结果R2中雷达脉冲发射器的预测个数相同;
步骤5-2,利用所述其它特征序列V训练初始化后的高斯混合模型GMM直至收敛;
步骤5-3,使用训练好的所述高斯混合模型GMM对雷达脉冲描述字PDW序列重新进行聚类,并得到最终的去交错结果R3;
步骤5-4,将所述最终的去交错结果R3中,置信度大于所述预设置信度阈值的序列部分的到达时间特征转换为脉冲形式,与所述交错脉冲序列Sm一一对应地保存在总长度为L的缓存队列Q中。具体的,本实施例中,所述缓存队列Q的长度为1s,在1μs的时间分辨率条件下,总共包含1×106个雷达脉冲点。
本发明实施例所述的一种基于DTM算法的雷达脉冲去交错方法中,所述步骤6,包括:
从所述缓存队列Q中取出原始脉冲序列,将转换为脉冲形式的所述最终的去交错结果R3作为原始脉冲序列的标签,依据所述步骤3的方法和比步骤3中更小的学习率在后台对循环去交错网络RDN进行微调;具体的,本实施例中,依据步骤3的方法和比步骤3更小的学习率1×10-4在后台对RDN进行微调。
所述微调与去交错过程同时进行,互不影响;微调过程中,应使得训练去交错网络的轮次少于步骤3中的训练轮次,并且每轮只使用缓存的一定长度的脉冲数据;具体的,本实施例中,微调过程中,最多训练去交错网络10轮,每轮只使用缓存的1s脉冲数据。当对所述循环去交错网络RDN的微调结束后,更新所述模型权重文件F1为模型权重文件F2。
本发明实施例所述的一种基于DTM算法的雷达脉冲去交错方法中,所述步骤7中,根据更新后的所述模型权重文件F2,重复所述步骤4到步骤6,不断使用所述循环去交错网络RDN对后续交错雷达脉冲序列进行去交错,并不断更新模型权重文件,直到完成整个雷达脉冲描述字PDW序列的去交错。
实施例:
为了进行系统运行前预处理,本发明需要进行系统算法模型的训练。由于雷达脉冲去交错任务不具有通用的数据集,所以主要使用了依据先验知识模拟生成的多雷达交错脉冲数目,并且加入了一定程度的噪声以增加算法的鲁棒性。
本发明生成的数据集被分为训练数据集、验证数据集和测试数据集,每个数据集由不同的随机种子独立生成。一帧数据包含60ms的PDW信息,在RDN网络去交错过程中只会使用到达时间信息,并且会转化为脉冲形式。脉冲的下标总是从1开始,到60000结束。生成的一帧数据样本中包括每个雷达脉冲发射器的单独脉冲序列作为训练RND网络的标签,而混合脉冲数据则作为待去交错数据(训练数据集中存在只包含1个雷达脉冲发射器的情况)。
每一个雷达的参数(或者参数的均值)从步骤1设定的参数范围中随机选取。其中脉冲重复间隔的标准差为0.05倍均值。PW的标准差为0.5倍均值。因为模型的时间分辨率仅为1μs,所以脉冲重复间隔与PW均按四舍五入取整。为了模拟复杂战场环境中动态变化的信号,生成过程中会依据抖动率和丢失率加入不同程度的高斯分布噪声。脉冲抖动会导致某一些雷达的脉冲重复间隔在抖动率范围内随机变化,而脉冲的丢失会导致混合雷达脉冲序列中的脉冲点以一定概率缺失。而生成数据的脉冲重复间隔也会随着训练过程不断变化,而不是在训练过程中保持不变。
利用上述的模拟生成的雷达脉冲交错数据集,按照以下步骤进行系统模型的训练以及评估:
1、基于离线模拟数据的RDN模型训练:
1.1构建适合于脉冲去交错的RDN模型。
在具体实施时,RDN的网络架构如图2所示。首先通过编码器提取时域脉冲的系数矩阵,即映射到合适的特征空间。接着使用递归掩膜分离的方法进行去交错系数矩阵的估计。如图3左,RMM的主体部分是融合局部和全局信息后对系数矩阵进行分解的可分离空洞卷积模块。在RMM中使用了步长为2b,b=1,2,3,…,B的空洞卷积模块。雷达脉冲变化很快,必须在兼顾时间分辨率的情况下尽可能地扩大感受野。空洞卷积模块通过深度可分离卷积减少参数量,加快推理速度。以500μs脉冲重复间隔的脉冲序列为例,平均500个采样点才会出现一个脉冲。在本发明设计可分离卷积模块中,对于经过编码器Encoder降采样16倍的脉冲序列,每个可分离空洞卷积模块包含B=11个空洞卷积层,其结构如图3右所示。每个空洞卷积层的感受野为8191,已经足够提取到脉冲的周期信息。双分支预测保证了网络能够利用脉冲公共特征对去交错掩膜和雷达数目均能进行准确度预测。经过信号解码器S-Decoder分支,RMM预测得到的系数矩阵被信号解码器S-Decoder的基矩阵解码为脉冲出现概率,从而实现脉冲去交错;而经过数量解码器N-Decoder分支,RDN网络可以准确地预测出每个通道中雷达发射机出现概率,具体地预测到哪几个雷达存在,从而进一步确定雷达脉冲发射器个数;
1.2从生成的PDW数据中取出到达时间部分,并且将到达时间序列转换为脉冲序列。
在具体实施时,还会对脉冲序列进行数据增强。即人为地进一步对脉冲序列的参数进行随机扰动,在时域和频域对轻微地改变其特征。
1.3将经过数据增加的脉冲序列和其对应的多组单发射器脉冲序列以及发射器数量作为样本对输入RDN模型,依据交叉熵损失函数对其进行训练,保存训练获得的相关参数;
1.4得到训练好的RDN网络并保存;
2、基于在线脉冲序列的算法测试(包括RDN性能测试,预处理和后处理效果测试):
2.1对于在线的雷达序列,本发明使用低频预处理和高频后处理去交错相结合的方式对多段雷达PDW序列进行去交错处理;
2.2在高频去交错中,使用训练好的RDN对当前缓存队列最前面的长为60ms雷达PDW脉冲进行去交错。通过去交错阈值0.8和雷达数目阈值0.5,将概率转换为0-1标签,初步得到去交错脉冲概率和准确的雷达脉冲发射器个数预测结果。
2.3利用去交错脉冲概率初始化高斯混合模型(GMM)的参数,并设定混合高斯数目为预测的雷达个数,对高斯混合模型进行在线训练;
2.4用在线训练好的高斯混合模型对PDW特征序列进行重聚类,从而得到融合了其余PDW参数信息的更鲁棒和准确的去交错结果,并利用预测置信度大于0.8的结果标注出单发射器脉冲序列,作为可信交错PDW序列的标签。将可信序列、标签和预测的发射器数目作为样本对存入样本队列;
2.5从样本队列取出长为1s的可信交错序列样本对,在后台对RDN进行预处理微调。微调结束后用当前参数替换原来的RDN参数;
2.6重复2.2到2.5的步骤,直到在线去交错过程结束。
2.7对去交错结果进行评估。
基于上述的训练以及测试步骤,最终获得了一个可以在普通PC端运行的实时雷达脉冲去交错系统。RDN网络编码解码结构设计解决了脉冲非平稳信号的特征提取问题:RMM的空洞卷积增加了感受野,深度可分离卷积提升了网络的去交错速度。循环迭代的掩膜分离方法和恰当的损失函数设计使得网络能在多脉冲丢失和重叠时也能具有较好的效果。盲信号分离和NMF思想使得网络能够应对未知脉冲重复间隔的交错雷达信号。而预热和重聚类方法使得DTM算法利用到了PDW中的其余特征,得到了更准确的去交错结果。最终我们通过模拟实验证明,DTM算法能够去交错未知发射机数目和未知脉冲重复间隔模式的到达时间序列,在线去交错准确度达到了97%以上。所以本发明具有噪声鲁棒,去交错准确率高,实时性好的优点,比起常用的雷达去交错算法效果更好。
图4为本发明中原始脉冲序列以及经过DTM算法进行雷达去交错后得到的结果图。其中,左图是六个交错的雷达脉冲序列;右图是这六个雷达脉冲去交错的结果。通过对比交错的雷达序列及去交错结果能够发现,经过DTM算法处理后,雷达去交错结果与真实的雷达脉冲基本一致,证明了该算法能够在有一定噪声和多部雷达的环境中能够准确地进行雷达脉冲去交错。
图5为本发明中的DTM算法在不同雷达脉冲发射器数目下的去交错结果。从图中可以发现,随着雷达数目不断增加,去交错效果会逐渐变差。但即使当六部雷达脉冲发射器同时发射信号,DTM算法也能够达到90.6%的准确率。在这样的准确率下,算法可以很轻松地估计出每个雷达的实际脉冲重复间隔,并修正预测错误的到达时间。另一方面,RDN网络的能够以99%以上的置信度预测每个发射器是否存在,对雷达脉冲个数的预测准确率达到了100%。这说明DTM算法能够鲁棒地应对战场中雷达数目变化,无论雷达数目是多少都能准确给出预测信息。需要说明的是,准确预测雷达数目的意义不仅仅在于提高RDN去交错的准确性,更重要的是它为其他后处理方法也提供了重要的信息。
图6为本发明的DTM算法与一些常用算法的对比结果表。表格中的一些指标含义如下:“固定脉冲重复间隔”表示所有雷达的脉冲重复间隔是已知并且固定的,“2,无噪声”表示待去交错的雷达信号由两个雷达脉冲发射器生成,并且生成过程中没有添加任何噪声,在后处理过程中,我们使用了K均值和高斯混合模型两种方法进行重聚类。聚类个数由RDN预测的雷达脉冲发射器个数决定,聚类的初始中心由置信度大于0.8的RDN预测标签和雷达脉冲描述字特征加权平均得到。从表格中能够发现,DTM算法的性能指标显著优于常用的基于聚类、序列搜索和其它基于神经网络的方法。
基于聚类的算法,K均值聚类,高斯混合模型和神经网络聚类均使用了所有的雷达脉冲描述字特征,聚类数目设定为6。聚类算法效果不好最主要原因是聚类数目的未知和不固定。如果将聚类算法作为DTM算法中的后处理模块,在聚类数目已知并且有初始化类中心的情况下,K均值聚类和高斯混合模型能够辅助RDN网络做出更加精确的预测。序列差值直方图法SDIF3和改进的直方图方法IHM在信噪比较低和雷达数目较多的情况下效果并不好。去噪自编码器只能够应对固定脉冲重复间隔的情况,在固定脉冲重复间隔时效果不错。LSTM算法在两部雷达,不包含噪声的情况下能够获得不错的效果。但算法除了使用到达时间参数外,还额外使用了脉冲幅度和一些基于到达时间和脉冲幅度构造的特征。LSTM对于起始点比较敏感,去交错是必须要进行预热。而DTM算法中的RDN仅仅通过到达时间进行脉冲去交错。实验证明,适当的预处理和后处理都可以在不同程度上进一步提升DTM算法的预测准确率。在丢失率和抖动率为30%,雷达数目未知和脉冲重复间隔不固定的条件下,DTM算法最高能够达到97.64%的准确率,比两部雷达,不包含噪声情况下的LSTM算法的准确率还要高。
本发明提供了一种基于深度到达时间掩膜(Deep ToA Mask,DTM)算法的雷达脉冲去交错方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的一种基于DTM算法的雷达脉冲去交错方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (8)
1.一种基于DTM算法的雷达脉冲去交错方法,其特征在于,包括如下步骤:
步骤1,通过模拟多个雷达脉冲发射器,生成交错的雷达脉冲描述字PDW序列的样本集合D;
步骤2,将所述样本集合D中的每个序列P按照特征维度分为到达时间序列T和其他特征序列V,将所述到达时间序列T映射为0-1脉冲序列S,包括交错脉冲序列Sm和每个雷达脉冲发射器单独发射的真实脉冲序列Sk;
步骤3,构造循环去交错网络RDN,将所述交错脉冲序列Sm输入循环去交错网络,用真实脉冲序列Sk和雷达脉冲发射器的个数N作为标签,对所述交错脉冲序列Sm进行预训练,得到模型权重文件F1;
步骤4,利用所述循环去交错网络RDN和模型权重文件F1,对扫描得到的雷达脉冲进行在线预去交错,得到第一去交错结果R1后,对所述第一去交错结果R1中显著异常的预测结果进行更正,得到第二去交错结果R2;
步骤5,利用所述第二去交错结果R2和雷达脉冲描述字PDW中的其它特征序列V,使用高斯混合模型GMM进行后处理重聚类,得到最终的去交错结果R3,将真实雷达脉冲描述字序列Pk与最终的去交错结果R3中置信度大于预设置信度阈值的部分对应保存到缓存队列Q中;
步骤6,从所述缓存队列Q中取出真实雷达脉冲描述字序列Pk,以及所述交错雷达脉冲序列的去交错结果R3,在后台对所述循环去交错网络RDN进行微调,微调结束后更新模型权重文件为F2;
步骤7,依据更新后的权重文件F2与所述循环去交错网络RDN对后续的雷达脉冲序列进行去交错,直到完成整个雷达脉冲描述字PDW序列的去交错。
2.根据权利要求1所述的一种基于DTM算法的雷达脉冲去交错方法,其特征在于,所述步骤1,包括:
步骤1-1,根据雷达脉冲描述字概率分布的先验知识,生成所述雷达脉冲描述字的模拟数据的参数,所述雷达脉冲描述字概率分布的先验知识包括序列P的特征:到达时间、脉冲宽度、脉冲幅度、到达角度和载波频率的范围,以及脉冲时间分辨率、发射器数量范围、抖动率和丢失率;
步骤1-2,依照所述参数的范围,为每一部所述雷达脉冲发射器随机从参数中采样,并依据采样得到的到达时间和脉冲宽度生成一条单独的雷达脉冲,再将采样得到的除了到达时间和脉冲宽度的其余参数填充到真实雷达脉冲描述字序列Pk中;
步骤1-3,将多个所述真实雷达脉冲描述字序列Pk混合,再依据抖动率和丢失率加入高斯噪声,得到交错的雷达脉冲描述字序列Pm;
步骤1-4,重复所述步骤1-2与步骤1-3生成雷达脉冲描述字PDW序列样本,构成所述样本集合D,所述样本集合D中的每个序列P由交错的雷达脉冲描述字序列Pm与真实雷达脉冲描述字序列Pk组成。
3.根据权利要求2所述的一种基于DTM算法的雷达脉冲去交错方法,其特征在于,所述步骤2,包括:
步骤2-1,将所述样本集合D中的每个序列P按照特征维度划分为到达时间序列T和其他特征序列V;
步骤2-2,通过将所述到达时间序列T中存在的时间点标记为1,其余不存在的时间点标记为0;
步骤2-3,将所述到达时间序列T按照步骤1-1参数中的到达时间的范围进行分帧,把所述到达时间序列T映射为一组0-1脉冲序列S,包括:将所述样本集合D中的交错的雷达脉冲描述字序列Pm映射为交错脉冲序列Sm,将所述每个雷达脉冲发射器单独发射的真实雷达脉冲描述字序列Pk映射为真实脉冲序列Sk,将其余特征原样保留;
其中,所述其余特征包括第一其余特征Vk和第二其余特征Vm,所述第一其余特征Vk表示真实雷达脉冲描述字序列Pk除了到达时间以外的特征,包括脉冲宽度、脉冲幅度、到达角度和载波频率;所述第二其余特征Vm表示交错雷达脉冲描述字序列Pm除了到达时间以外的特征,包括脉冲宽度、脉冲幅度、到达角度和载波频率。
4.根据权利要3所述的一种基于DTM算法的雷达脉冲去交错方法,其特征在于,所述步骤3,包括:
步骤3-1,依据非负矩阵分解思想,结合空洞卷积、深度可分离卷积和递归去交错架构,构造所述循环去交错网络RDN;所述循环去交错网络RDN包括特征提取模块、递归掩膜分离模块、双分支的发射器个数和脉冲分类预测模块;
步骤3-2,将所述交错脉冲序列Sm输入循环去交错网络RDN,暂存预测的去交错结果,包括每个脉冲点属于每一个雷达脉冲发射器的概率和雷达脉冲发射器的预测个数;
步骤3-3,计算去交错脉冲点概率与分离的真实脉冲序列Sk之间的交叉熵损失,以及雷达脉冲发射器的预测个数和实际个数N之间的交叉熵损失;对两个损失值加权求和得到总损失值;
步骤3-4,用梯度下降法以预设的学习率,通过Adam优化器训练所述循环去交错网络RDN,直到验证集的损失不再下降或者训练达到K轮为止,每一轮训练使用M条一定长度的脉冲序列;将预训练得到的权重文件保存为.pth文件,记为模型权重文件F1。
5.根据权利要求4所述的一种基于DTM算法的雷达脉冲去交错方法,其特征在于,所述步骤4,包括:
步骤4-1,利用所述循环去交错网络RDN和模型权重文件F1,对一定数目的脉冲点进行在线预去交错,得到第一去交错结果R;所述一定数目的脉冲点为实际战场环境中扫描得到的一整段经过转换的脉冲序列中,最前面未经过去交错处理的脉冲点;所述第一去交错结果R1包括去交错结果与雷达脉冲发射器的预测个数;
步骤4-2,把所述第一去交错结果R1中的去交错结果转换回到达时间序列,求取序列的平均脉冲重复间隔;
步骤4-3,将偏离所述平均脉冲重复间隔超过预设偏离阈值的到达时间点确定为第一去交错结果R1中显著异常的预测结果,对所述偏离平均脉冲重复间隔超过预设偏离阈值的到达时间点进行修正,最终得到第二去交错结果R2。
6.根据权利要求5所述的一种基于DTM算法的雷达脉冲去交错方法,其特征在于,所述步骤5包括如下步骤:
步骤5-1,利用所述循环去交错网络RDN预测脉冲点属于每个发射器的概率值,初始化高斯混合模型GMM各个高斯分量权重,再结合所述第二去交错结果R2中的去交错结果和雷达脉冲描述字PDW中的其它特征序列V,计算高斯混合模型GMM各个高斯分量的初始平均值和初始协方差矩阵;所述高斯混合模型GMM的高斯分量个数与第二去交错结果R2中雷达脉冲发射器的预测个数相同;
步骤5-2,利用所述其它特征序列V训练初始化后的高斯混合模型GMM直至收敛;
步骤5-3,使用训练好的所述高斯混合模型GMM对雷达脉冲描述字PDW序列重新进行聚类,并得到最终的去交错结果R3;
步骤5-4,将所述最终的去交错结果R3中,置信度大于所述预设置信度阈值的序列部分的到达时间特征转换为脉冲形式,与所述交错脉冲序列Sm一一对应地保存在总长度为L的缓存队列Q中。
7.根据权利要求6所述的一种基于DTM算法的雷达脉冲去交错方法,其特征在于,所述步骤6,包括:
从所述缓存队列Q中取出原始脉冲序列,将转换为脉冲形式的所述最终的去交错结果R3作为原始脉冲序列的标签,依据所述步骤3的方法和比步骤3中更小的学习率在后台对循环去交错网络RDN进行微调;
所述微调与去交错过程同时进行,互不影响;微调过程中,应使得训练去交错网络的轮次少于步骤3中的训练轮次,并且每轮只使用缓存的一定长度的脉冲数据;当对所述循环去交错网络RDN的微调结束后,更新所述模型权重文件F1为模型权重文件F2。
8.根据权利要求7所述的一种基于DTM算法的雷达脉冲去交错方法,其特征在于,所述步骤7中,根据更新后的所述模型权重文件F2,重复所述步骤4到步骤6,不断使用所述循环去交错网络RDN对后续交错雷达脉冲序列进行去交错,并不断更新模型权重文件,直到完成整个雷达脉冲描述字PDW序列的去交错。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420021.5A CN114114166A (zh) | 2021-11-26 | 2021-11-26 | 一种基于dtm算法的雷达脉冲去交错方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420021.5A CN114114166A (zh) | 2021-11-26 | 2021-11-26 | 一种基于dtm算法的雷达脉冲去交错方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114114166A true CN114114166A (zh) | 2022-03-01 |
Family
ID=80369829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111420021.5A Pending CN114114166A (zh) | 2021-11-26 | 2021-11-26 | 一种基于dtm算法的雷达脉冲去交错方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114114166A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358094A (zh) * | 2022-03-18 | 2022-04-15 | 成都迅翼卫通科技有限公司 | 基于雷达通信系统的信号去噪方法及系统 |
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 |
CN114970607A (zh) * | 2022-05-06 | 2022-08-30 | 北京谛声科技有限责任公司 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
-
2021
- 2021-11-26 CN CN202111420021.5A patent/CN114114166A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358094A (zh) * | 2022-03-18 | 2022-04-15 | 成都迅翼卫通科技有限公司 | 基于雷达通信系统的信号去噪方法及系统 |
CN114358094B (zh) * | 2022-03-18 | 2022-06-03 | 成都迅翼卫通科技有限公司 | 基于雷达通信系统的信号去噪方法及系统 |
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 |
CN114970607A (zh) * | 2022-05-06 | 2022-08-30 | 北京谛声科技有限责任公司 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
CN114970607B (zh) * | 2022-05-06 | 2024-03-29 | 北京谛声科技有限责任公司 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN110632572B (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
CN107703486B (zh) | 一种基于卷积神经网络cnn的声源定位方法 | |
Li et al. | Work modes recognition and boundary identification of MFR pulse sequences with a hierarchical seq2seq LSTM | |
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 | |
Cain et al. | Convolutional neural networks for radar emitter classification | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
Wei et al. | PRI modulation recognition based on squeeze-and-excitation networks | |
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 | |
Ni et al. | LPI radar waveform recognition based on multi-resolution deep feature fusion | |
KR102407835B1 (ko) | 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치 | |
CN112083393A (zh) | 基于谱图平均时间特征的间歇采样转发干扰识别方法 | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
CN112036239A (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 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
Du et al. | Balanced neural architecture search and its application in specific emitter identification | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
CN112859012A (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
CN115409064A (zh) | 一种基于集成学习的多维特征虚警剔除方法 | |
Xiang et al. | Deep ToA mask-based recursive radar pulse deinterleaving | |
Feng et al. | Radar pulse repetition interval modulation recognition with combined net and domain-adaptive few-shot learning | |
CN114355298A (zh) | 一种雷达复合调制脉冲信号识别方法 |
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 |