CN114254141A - 一种基于深度分割的端到端雷达信号分选方法 - Google Patents

Abstract

本发明属于雷达信号分选技术领域，具体涉及一种基于深度分割的端到端雷达信号分选方法。本发明通过对PDW的处理和深度分割网络的结合实现未知复杂环境下的端到端雷达信号分选，操作简单，无需按照传统的预分选和主分选每一步都预设参数、阈值等信息。本发明能够分选脉间调制类型多变的雷达信号、时域频域交叠严重的PDW，适应复杂环境和未知信号。此外本发明还能够分选出从未训练过且没有先验信息的信号，对于脉冲丢失20％的情况也适用良好。

Description

一种基于深度分割的端到端雷达信号分选方法

技术领域

本发明属于雷达信号分选技术领域，具体涉及一种基于深度分割的端到端雷达信号分选方法。

背景技术

雷达信号分选技术是关键技术之一，它主要是将接收机接收到的未知的、交叠的脉冲信号按照不同的辐射源个体区分开，如图1所示，为接下来的进一步分析和采取对抗策略提供基础。学者们根据传统的统计模式识别算法研制了许多雷达信号分选方法。

实际应用中比较广泛的信号分选算法是利用脉冲描述字(pulse descriptionword，PDW)进行分析。PDW包含了每个脉冲的不同属性特征，如到达方向(direction ofarrival,DOA)、载频(carrier frequency，CF)、脉冲宽度(pulse width,PW)、脉冲幅度(pulse amplitude,PA)、脉冲到达时间(time of arrival,TOA)等。常见的信号分选算法大多都是利用这些信息对脉冲流进行去交错，采用预分选和主分选相结合的方式，将交叠混乱的PDW分选出不同辐射源脉冲描述字(emitter description word，EDW)。对于预分选，有较多的学者采用聚类算法将PDW进行初步的聚类，如k-means聚类算法及其改进算法、基于密度的聚类算法DBSCAN等，这些预分选方法需要事先设定聚类中心、阈值、容差等参数；在预分选的基础上，有学者采用统计直方图算法进行主分选，如一些学者利用CDIF、SDIF等算法统计聚类后每组脉冲的脉冲重复间隔，然后配合脉冲搜索完成主分选；还有很多学者在预分选的基础上，采用脉冲重复间隔(pulse repetition interval，PRI)变换法进行主分选，同样利用PRI变换算法对聚类后的脉冲分组估计PRI值，然后配合脉冲搜索完成主分选，算法中采用了可变的移动因子，并选用了固定的箱分辨率以及合理的门限，能够适应PRI值分布在较大范围内雷达信号。此外，由于深度学习的良好的处理大数据能力，有些学者将深度学习相关算法引入到信号分选中来，但是仅仅是针对雷达信号的PRI调制方式进行识别。

这些传统的基于模板和固定顺序流程的算法，针对传统的雷达信号取得了不错的效果。但是随着现代电子对抗和雷达发展的发展，电磁环境时域、频域和空域上也更复杂。表现为雷达信号脉冲流密度已经达到数百万级别，信号交叠严重；雷达信号参数调制复杂多变，多样的调制方式使得从复杂的交叠脉冲序列分选辐射源描述字EDW更为艰难。这些传统算法的固定参数和人工经验设定的阈值无法自适应很多复杂调制类型的信号，对没有先验信息的信号也无法分选成功。预分选加主分选的前后结构互相制约，缺乏灵活性，无法实现端到端的处理过程。利用深度学习方法得到脉冲组的PRI调制方式只能作为分选过程中的一个参考，目前还未见有人将脉冲聚类，脉冲搜索等与深度学习相结合，具体实现由交叠的PDW到有序的EDW分选过程。

近年来，学者们将深度学习应用到图像处理领域，并取得了非常好成果，其中深度分割相关模型可以实现像素级分类。本发明受此启发，利用PDW构成PDW序列图像，单个PDW表现为像素点，EDW的PDW序列表现为像素分类结果，从而可以考虑将深度分割方法引入到信号分选中，比如U-Net网络。避免了预分选、主分选的传统分选中的前后制约的影响，构建端到端的实现方案，从而能灵活应对未知复杂电磁环境。

发明内容

本发明的目的在于提供一种基于深度分割的端到端雷达信号分选方法。

一种基于深度分割的端到端雷达信号分选方法，包括以下步骤：

步骤1：PDW采集，截取时间长度为T、带宽为B的PDW并保存为PDW脉冲序列；

步骤2：PDW序列图像生成；

选择PDW中CF、PW、TOA这三个参数进行图像变换处理，TOA、CF值用于描述像素点位置，PW值用于描述像素点颜色深度，从而构成tl(TOA)×fw(CF)×pd(PW)大小的三维脉冲矩阵P；同时为适应深度分割网络的图像的分辨率大小输入需求，需完成图像比例变换，构建图像矩阵Q，并根据对应的比例变换关系，构建像素点与脉冲之间的索引表；

步骤3：利用训练好的U-Net深度分割模型进行像素点分类，得到像素点分类结果图像矩阵Q₂；

步骤4：PDW序列搜索；根据像素点的分类结果图像矩阵Q₂和步骤2中得到的像素点与脉冲之间的索引表，按照像素点的分类情况对脉冲进行搜索归类；对于一个像素点索引多个脉冲的情况，采用参数匹配法，实现PDW的归类，获得最终不同辐射源信号的EDW。

进一步地，所述步骤2中构建像素点与脉冲之间的索引表的方法具体为：

假设每个维度上脉冲与像素点对应的比例变换关系为β₁,β₂,β₃，根据三维脉冲矩阵P以及脉冲序列图像矩阵Q，可以得到不同维度上的变换关系分别为β₁,β₂,β₃：

若第n个脉冲的TOA和CF为{TOA_n,CF_n}，它对应像素点在PDW序列图像的二维位置坐标则为：

(x,y)＝(β₁×TOA_n,β₂×CF_n)

这样脉冲流中每个脉冲信号都对应PDW序列图像上一个像素点，进而构建像素点索引表，如表1所示：

表1像素点与脉冲之间的索引表

表中K表示K个脉冲像素点，每个像素点最多对应M个脉冲；脉冲参数{TOA,CF,PW}_k,m的下角标k,m表示由第k个像素点可以搜索到m个脉冲，同时得到该脉冲的TOA、CF、PW参数值。

进一步地，所述步骤3中U-Net深度分割模型具体为：

U-Net深度分割模型对输入的PDW序列图像的像素点进行深度分割，得到像素点分类结果图像Q₂，U-Net深度分割模型的详细结构如表2所示：

表2U-Net网络参数

U-Net深度分割过程分为下采样和上采样，各自包含5个网络层，每次下采样包括两个卷积核为3x3的卷积，每个卷积后面跟着一个激活函数ReLU和一个归一化函数BatchNormlization，两次卷积能够提取出图像的深层特征，2x2的最大池操作使图像尺寸缩小；在每个下采样步骤中，特征通道的数量增加一倍，图像尺寸减半；上采样过程采用反卷积结构，每个反卷积的卷积核为2x2，后面继续进行两个卷积核为3x3的卷积，同样每个卷积后面跟着一个激活函数ReLU和一个归一化函数BatchNormlization；每个上采样特征通道减半，图像尺寸放大一倍；同时为了优化输出和提高特征的利用率，需要将反卷积的所得深层特征和前面下采样对应提取的特征向量进行拼接融合；网络的最后一层是一个3x3卷积，接着是一个激活函数Sigmoid。

进一步地，所述步骤3中U-Net深度分割模型的训练方法具体为：

在训练过程中，训练集中输入为PDW序列图像，目标输出为像素点分类好的图像；训练的目的是让U-Net更注重区分不同像素点间的差距，像素点不会丢失，PDW序列中像素点的位置也不会改变，即U-Net的输入Q和输出Q₂对应；训练在基于PyTorch框架的基础上，采用了衡量模型输出与目标输出之间的交叉损失函数熵：

其中，o_i代表网络模型的输出，对应的是中PDW图进入网络后的预测结果；t_i代表目标输出，对应PDW图像的像素点分类结果标签；I是网络计算一次损失所需要的样本数；σ_i是网络的需要学习的权重参数；模型参数优化器选择Adam函数，它利用梯度的一阶矩和二阶矩自适应调整每个参数的学习速率；设定学习率初始值、对数据集的迭代次数、损失阈值，训练时当损失收敛达到损失阈值时停止训练保存训练好的模型。

进一步地，所述步骤4中进行PDW序列搜索的方法具体为：

步骤4.1：初筛；先将一个像素点索引一个脉冲的情况优先挑选归类出来，形成该辐射源信号的EDW；

步骤4.2：统计该辐射源信号的EDW范围；遍历EDW所有脉冲的参数信息，统计好该辐射源信号CF、PW、TOA的范围[CF_min,CF_max]，[PW_min,PW_max]，[TOA_min,TOA_max]，若不存在一个像素点对应多个脉冲的情况则完成该辐射源信号的分选，可继续对下一类像素点进行搜索归类；若存在一个像素点对应多个脉冲的情况，则需要进参数匹配；

步骤4.3：参数匹配：将一个像素点对应的多个脉冲依次与上述统计辐射源信号的参数范围进行匹配，若某个脉冲参数均匹配成功，则将该脉冲挑选出来归类到这个辐射源信号的EDW中，完成对这类像素点的脉冲搜索归类操作；匹配不成功则存放至剩余脉冲组中，当所有类像素点完成对应脉冲搜索归类后，将个别剩余的脉冲与不同的辐射源EDW参数范围再次匹配归类，最终PDW搜索结束完成分选。

本发明的有益效果在于：

本发明通过对PDW的处理和深度分割网络的结合实现未知复杂环境下的端到端雷达信号分选，操作简单，无需按照传统的预分选和主分选每一步都预设参数、阈值等信息。本发明能够分选脉间调制类型多变的雷达信号、时域频域交叠严重的PDW，适应复杂环境和未知信号。此外本发明还能够分选出从未训练过且没有先验信息的信号，对于脉冲丢失20％的情况也适用良好。

附图说明

图1是雷达信号分选过程的示意图。

图2是本发明的流程框图。

图3是PDW序列图像生成过程示意图。

图4是深度分割模型U-Net结构图。

图5是不同PDW输入的分选结果图。

图6是不同方法分选结果对比图。

图7是脉冲丢失下分选结果图。

图8是不同方法脉冲丢失情况分选结果对比图。

具体实施方式

下面结合附图对本发明做进一步描述。

为减少信号分选对预置的参数和流程以及人工经验的依赖，加强信号分选方法对参数捷变，如频率捷变雷达、脉组捷变雷达、重频参差、抖动雷达等雷达，对时频域混叠严重、脉冲丢失严重，对未知复杂电磁环境的分选能力，同时加深深度学习相关网络模型与实际分选应用之间的结合，本发明设计了一种基于深度分割的端到端雷达信号分选方法，通过对PDW的处理和深度分割网络的结合实现未知复杂环境下的端到端雷达信号分选。

本发明的实现方案步骤如图2所示：

第一步：PDW采集。可截取时间长度为T、带宽为B的PDW并保存为PDW脉冲序列。

第二步：PDW序列图像生成。选择PDW中CF、PW、TOA这三个参数进行图像变换处理：TOA、CF值用于描述像素点位置，PW值用于描述像素点颜色深度。从而构成tl(TOA)×fw(CF)×pd(PW)大小的三维脉冲矩阵P。同时为适应深度分割网络的图像的分辨率大小输入需求，如l(长)×w(宽)×d(深度)，需完成图像比例变换，构建图像矩阵Q。并根据对应的比例变换关系，构建像素点与脉冲之间的索引表。

第三步：U-Net深度分割。利用训练好的U-Net深度分割模型像素点分类，同时得到输出像素点分类结果图像矩阵Q₂。

第四步：PDW序列搜索。根据像素点的分类结果图像矩阵Q₂和第二步的像素点索引表，按照像素点的分类情况对脉冲进行搜索归类。对于一个像素点索引多个脉冲的情况，可采用参数匹配法，实现PDW的归类，获得最终不同辐射源信号的EDW。

在网络训练过程中，输入可采用多部雷达辐射源交叠的PDW序列。现有的深度分割模型有许多，本发明选取10层U-Net网络对PDW序列图像进行像素点分类。U-Net网络最初提出用于细胞图像的分割，通过下采样和上采样的结构产生非常好的分割效果。

由以上步骤可看出，该分选方案实现了端到端的过程，且由于引入了深度网络，可适应未知环境。

本发明适用的条件：

(1)足够的样本。需要采样固定时长、固定带宽的大量PDW数据对U-Net网络进行训练。

(2)PDW序列图像的大小需要适应具体深度网络的输入需求。需要利用PDW矩阵和PDW序列图像的对应比例变换关系，适应具体的深度网络输入。

本发明实现了端到端分选，操作简单，无需按照传统的预分选和主分选每一步都预设参数、阈值等信息。本发明能够分选脉间调制类型多变的雷达信号，时域频域交叠严重的PDW，适应复杂环境和未知信号。此外还能够分选出从未训练过且没有先验信息的信号，对于脉冲丢失20％的情况也适用良好，如图5至图8所示，

实施例1：

(1)PDW采集

在空间中存在许许多多信号，接收机可以采集到空间中的一些信号。假设在固定时长T内，固定带宽B条件下，接收机截获N个雷达脉冲信号形成PDW，如图3所示(a)到(b)过程所示。PDW之间都是相互独立，每个PDW包含这个脉冲的许多特征参数，比如载频CF、脉宽PW、到达时间TOA等，若根据这三个参数的PDW三维示意图如图(c)所示。接下来就是将采集到的PDW保存起来为PDW序列图像的生成提供数据。

(2)PDW序列图像生成

PDW序列图像生成示意图如图3中(c)到(d)映射过程，将每一个脉冲可视化为二维平面图像上的一个像素点。选择PDW中CF、PW、TOA这三个参数进行图像变换处理：TOA、CF值用于描述像素点位置，PW值用于描述像素点颜色深度。从而构成tl(TOA)×fw(CF)×pd(PW)大小的三维脉冲矩阵P。同时为适应深度分割网络的图像的分辨率大小输入需求，如l(长)×w(宽)×d(深度)，需完成图像比例变换，构建图像矩阵Q。

假设每个维度上脉冲与像素点对应的比例变换关系为β₁,β₂,β₃，根据三维脉冲矩阵P以及脉冲序列图像矩阵Q则，可以得到不同维度上的变换关系分别为β₁,β₂,β₃：

对于一个脉冲而言，它的TOA描述其在PDW序列图像横轴方向上的位置，CF描述其纵轴方向上的位置，若第n个脉冲的TOA和CF为{TOA_n,CF_n}，它对应像素点在PDW序列图像的二维位置坐标则为：

(x,y)＝(β₁×TOA_n,β₂×CF_n) (2-4)

这样脉冲流中每个脉冲信号都对应PDW序列图像上一个像素点，可以构建像素点索引表，如表1所示。

表中K表示K个脉冲像素点，每个像素点最多对应M个脉冲(M<<N)。表中脉冲参数{TOA,CF,PW}_k,m的下角标k,m表示由第k个像素点可以搜索到m个脉冲，同时得到该脉冲的TOA、CF、PW参数值。

表1像素点索引表

像素点索引包含了PDW脉冲序列和PDW序列图像之间的连接关系，为后续利用U-Net得到像素点分类结果索引出同属于一类信号的辐射源脉冲描述字EDW提供条件。

(3)U-Net深度分割模块

U-Net深度分割模块是利用U-Net对输入的PDW序列图像的像素点进行深度分割，得到像素点分类结果图像Q₂。U-Net网络为详细结构如表2所示，U-Net深度分割过程如图4所示，主要分为下采样和上采样，各自包含5个网络层。

表2U-Net网络参数

每次下采样包括两个卷积核为3x3的卷积(无填充卷积)，每个卷积后面跟着一个激活函数(ReLU)和一个归一化函数(BatchNormlization)。两次卷积能够提取出图像的深层特征，2x2的最大池操作(步幅为2)，使图像尺寸缩小。在每个下采样步骤中，特征通道的数量增加一倍，图像尺寸减半。上采样过程采用反卷积结构，每个反卷积的卷积核为2x2，后面继续进行两个卷积核为3x3的卷积，同样每个卷积后面跟着ReLU和BatchNormlization。每个上采样特征通道减半，图像尺寸放大一倍。同时为了优化输出和提高特征的利用率，需要将反卷积的所得深层特征和前面下采样对应提取的特征向量进行拼接融合。网络的最后一层是一个3x3卷积，接着是一个激活函数Sigmoid。

在训练过程中，训练集中输入为PDW序列图像，目标输出为像素点分类好的图像。训练的目的是让U-Net更注重区分不同像素点间的差距，像素点不会丢失，PDW序列中像素点的位置也不会改变，即U-Net的输入Q和输出Q₂对应。训练在基于PyTorch框架的基础上，采用了衡量模型输出与目标输出之间的交叉损失函数熵：

o_i代表网络模型的输出，对应的是中PDW图进入网络后的预测结果，t_i代表目标输出，对应PDW图像的像素点分类结果标签，I是网络计算一次损失所需要的样本数，σ_i是网络的需要学习的权重参数。

训练时模型的超参设置如表3所示：

表3模型超参设置

模型参数优化器选择适应性矩估计(adaptive moment estimation，Adam)函数，它利用梯度的一阶矩和二阶矩自适应调整每个参数的学习速率。默认的学习率初始值为0.001，对数据集的迭代次数为10，训练时当损失收敛达到0.01时停止训练保存训练好的模型。

(4)PDW搜索模块

经过深度分割模型对PDW序列图像的每个像素点的深度分割，可以得到PDW序列图像像素点分类结果。知道了像素点的分类结果，也就知道了脉冲的分类结果。最后需要做的就是将同属于一个辐射源信号的所有脉冲从PDW脉冲流中挑选出来，即选出每一类信号的辐射源描述字EDW，这就是PDW搜索。PDW搜索依靠的就是前面第二个步骤中构建的像素点索引表。

在搜索时遇到的大部分都是一个像素点对应一个脉冲，但也存在一个像素点索引多个脉冲情况，比如表1中像素点3对应2个脉冲。出现这种现象的原因可能是这两个脉冲的到达时间TOA和载频CF的数值相同或者相近，导致这两脉冲对应的像素点重叠，在这种情况下，利用像素点挑选脉冲的时候需要进行另外的参数匹配。

下面具体介绍一下对每一类像素点的PDW搜索方法：

(1)初筛：先将一个像素点索引一个脉冲的情况优先挑选归类出来，形成该辐射源信号的EDW；

(2)统计该辐射源信号的EDW范围：遍历EDW所有脉冲的参数信息，统计好该辐射源信号CF、PW、TOA的范围[CF_min,CF_max]，[PW_min,PW_max]，[TOA_min,TOA_max]，若不存在一个像素点对应多个脉冲的情况则完成该辐射源信号的分选，可继续对下一类像素点进行搜索归类。若存在一个像素点对应多个脉冲的情况，则需要进参数匹配；

(3)参数匹配：将一个像素点对应的多个脉冲依次与上述统计辐射源信号的参数范围进行匹配，若某个脉冲参数均匹配成功，则将该脉冲挑选出来归类到这个辐射源信号的EDW中，完成对这类像素点的脉冲搜索归类操作。匹配不成功则存放至剩余脉冲组中，当所有类像素点完成对应脉冲搜索归类后，将个别剩余的脉冲与不同的辐射源EDW参数范围再次匹配归类，最终PDW搜索结束完成分选。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于深度分割的端到端雷达信号分选方法，其特征在于，包括以下步骤：

步骤1：PDW采集，截取时间长度为T、带宽为B的PDW并保存为PDW脉冲序列；

步骤2：PDW序列图像生成；

选择PDW中CF、PW、TOA这三个参数进行图像变换处理，TOA、CF值用于描述像素点位置，PW值用于描述像素点颜色深度，从而构成tl(TOA)×fw(CF)×pd(PW)大小的三维脉冲矩阵P；同时为适应深度分割网络的图像的分辨率大小输入需求，需完成图像比例变换，构建图像矩阵Q，并根据对应的比例变换关系，构建像素点与脉冲之间的索引表；

步骤3：利用训练好的U-Net深度分割模型进行像素点分类，得到像素点分类结果图像矩阵Q₂；

步骤4：PDW序列搜索；根据像素点的分类结果图像矩阵Q₂和步骤2中得到的像素点与脉冲之间的索引表，按照像素点的分类情况对脉冲进行搜索归类；对于一个像素点索引多个脉冲的情况，采用参数匹配法，实现PDW的归类，获得最终不同辐射源信号的EDW。

2.根据权利要求1所述的一种基于深度分割的端到端雷达信号分选方法，其特征在于：所述步骤2中构建像素点与脉冲之间的索引表的方法具体为：

假设每个维度上脉冲与像素点对应的比例变换关系为β₁,β₂,β₃，根据三维脉冲矩阵P以及脉冲序列图像矩阵Q，可以得到不同维度上的变换关系分别为β₁,β₂,β₃：

若第n个脉冲的TOA和CF为{TOA_n,CF_n}，它对应像素点在PDW序列图像的二维位置坐标则为：

(x,y)＝(β₁×TOA_n,β₂×CF_n)

这样脉冲流中每个脉冲信号都对应PDW序列图像上一个像素点，进而构建像素点索引表，如表1所示：

表1像素点与脉冲之间的索引表

表中K表示K个脉冲像素点，每个像素点最多对应M个脉冲；脉冲参数{TOA,CF,PW}_k,m的下角标k,m表示由第k个像素点可以搜索到m个脉冲，同时得到该脉冲的TOA、CF、PW参数值。

3.根据权利要求1所述的一种基于深度分割的端到端雷达信号分选方法，其特征在于：所述步骤3中U-Net深度分割模型具体为：

U-Net深度分割模型对输入的PDW序列图像的像素点进行深度分割，得到像素点分类结果图像Q₂，U-Net深度分割模型的详细结构如表2所示：

表2 U-Net网络参数

U-Net深度分割过程分为下采样和上采样，各自包含5个网络层，每次下采样包括两个卷积核为3x3的卷积，每个卷积后面跟着一个激活函数ReLU和一个归一化函数BatchNormlization，两次卷积能够提取出图像的深层特征，2x2的最大池操作使图像尺寸缩小；在每个下采样步骤中，特征通道的数量增加一倍，图像尺寸减半；上采样过程采用反卷积结构，每个反卷积的卷积核为2x2，后面继续进行两个卷积核为3x3的卷积，同样每个卷积后面跟着一个激活函数ReLU和一个归一化函数BatchNormlization；每个上采样特征通道减半，图像尺寸放大一倍；同时为了优化输出和提高特征的利用率，需要将反卷积的所得深层特征和前面下采样对应提取的特征向量进行拼接融合；网络的最后一层是一个3x3卷积，接着是一个激活函数Sigmoid。

4.根据权利要求1所述的一种基于深度分割的端到端雷达信号分选方法，其特征在于：所述步骤3中U-Net深度分割模型的训练方法具体为：

在训练过程中，训练集中输入为PDW序列图像，目标输出为像素点分类好的图像；训练的目的是让U-Net更注重区分不同像素点间的差距，像素点不会丢失，PDW序列中像素点的位置也不会改变，即U-Net的输入Q和输出Q₂对应；训练在基于PyTorch框架的基础上，采用了衡量模型输出与目标输出之间的交叉损失函数熵：

其中，o_i代表网络模型的输出，对应的是中PDW图进入网络后的预测结果；t_i代表目标输出，对应PDW图像的像素点分类结果标签；I是网络计算一次损失所需要的样本数；σ_i是网络的需要学习的权重参数；模型参数优化器选择Adam函数，它利用梯度的一阶矩和二阶矩自适应调整每个参数的学习速率；设定学习率初始值、对数据集的迭代次数、损失阈值，训练时当损失收敛达到损失阈值时停止训练保存训练好的模型。

5.根据权利要求1所述的一种基于深度分割的端到端雷达信号分选方法，其特征在于：所述步骤4中进行PDW序列搜索的方法具体为：

步骤4.1：初筛；先将一个像素点索引一个脉冲的情况优先挑选归类出来，形成该辐射源信号的EDW；

步骤4.2：统计该辐射源信号的EDW范围；遍历EDW所有脉冲的参数信息，统计好该辐射源信号CF、PW、TOA的范围[CF_min,CF_max]，[PW_min,PW_max]，[TOA_min,TOA_max]，若不存在一个像素点对应多个脉冲的情况则完成该辐射源信号的分选，可继续对下一类像素点进行搜索归类；若存在一个像素点对应多个脉冲的情况，则需要进参数匹配；

步骤4.3：参数匹配：将一个像素点对应的多个脉冲依次与上述统计辐射源信号的参数范围进行匹配，若某个脉冲参数均匹配成功，则将该脉冲挑选出来归类到这个辐射源信号的EDW中，完成对这类像素点的脉冲搜索归类操作；匹配不成功则存放至剩余脉冲组中，当所有类像素点完成对应脉冲搜索归类后，将个别剩余的脉冲与不同的辐射源EDW参数范围再次匹配归类，最终PDW搜索结束完成分选。

Images