CN114355298A - 一种雷达复合调制脉冲信号识别方法 - Google Patents

一种雷达复合调制脉冲信号识别方法 Download PDF

Info

Publication number
CN114355298A
CN114355298A CN202210003711.9A CN202210003711A CN114355298A CN 114355298 A CN114355298 A CN 114355298A CN 202210003711 A CN202210003711 A CN 202210003711A CN 114355298 A CN114355298 A CN 114355298A
Authority
CN
China
Prior art keywords
frequency
pulse signal
time
signal
wavelet
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.)
Granted
Application number
CN202210003711.9A
Other languages
English (en)
Other versions
CN114355298B (zh
Inventor
管金称
邓宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 10 Research Institute
Original Assignee
CETC 10 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 10 Research Institute filed Critical CETC 10 Research Institute
Priority to CN202210003711.9A priority Critical patent/CN114355298B/zh
Publication of CN114355298A publication Critical patent/CN114355298A/zh
Application granted granted Critical
Publication of CN114355298B publication Critical patent/CN114355298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
    • 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

本发明公开了一种雷达复合调制脉冲信号识别方法，所述雷达复合调制脉冲信号识别方法为对脉冲中频AD采样数据依次进行信号时频分析处理、特征参数提取处理和分类识别决策处理，最终获得信号调制样式识别结果。本发明针对雷达脉冲信号的LFM/Barker、LFM/PSK、FSK/Barker、FSK/PSK四种复合调制样式分类识别的需求，公开了兼顾频率与时间分辨率，性能稳定可靠，可实现多样式准确识别的雷达复合调制脉冲信号识别方法。

Description

一种雷达复合调制脉冲信号识别方法
技术领域
本发明涉及一种在电子信号侦察对抗领域对雷达复合调制脉冲信号进行识别的方法。基于雷达复合调制脉冲信号的连续小波变换时频数据，提取脉冲信号的小波脊线，计算分析时频线性拟合优度、瞬时频率波动程度等特征参数，采用决策树结构模式进行复合调制样式脉冲信号识别的一种新方法。
背景技术
随着雷达技术的发展，各种新体制雷达不断出现，使得雷达信号形式更加多样更加复杂。特别是复合调制脉冲信号波形，因为能够满足雷达信号低截获概率(LPI)的要求，现已实际应用于各种新型雷达及其组网探测中。
当前，采用编码理论进行数字调频和调相为复合调制脉冲波形的主流技术，主要调制类型有线性调频与Barker码复合调制(LFM/Barker)、线性调频与相位编码复合调制(LFM/PSK)、频率编码与Barker码复合调制(FSK/Barker)、频率编码与相位编码复合调制(FSK/PSK)等。作为脉冲压缩信号，上述四种复合调制信号都具有大时宽带宽积、高分辨特性、抗干扰特性和低截获特性，是当前应用最广泛的LPI雷达信号形式。在电子战中，雷达信号的分析和识别是雷达侦察情报系统的重要组成部分，雷达复合调制脉冲信号识别是雷达脉冲信号分析的基础，已成为当代雷达信号侦察处理的热点和难点。
基于不同雷达复合调制脉冲信号的特征，研究人员一直探索追求采用先验信息少、受调制参数影响小、运算速度快的识别途径，提出了众多复合脉冲调制样式识别的方法，但这些方法大多数都只针对LFM/BPSK、FSK/BPSK等某一类复合调制类型信号，且很少充分考虑信噪比(SNR)变化时对识别效果的影响。
基于瞬时特征的识别方法需要对信号的瞬时幅度、瞬时相位和中频进行分类，利用特征参数对信号进行分类识别，但由于选取的参数对噪声非常敏感，因此该方法要求较高的信噪比，有极大的实际应用局限性。基于短时傅立叶变换(STFT)的时频分析方法，存在时间分辨率和频率分辨率矛盾问题；基于Wigner-Hough变换的时频分析方法，存在计算量大的不足。虽然基于高阶累积量的方法具有良好的抗噪声性能，但该方法对基于同步采样序列的同步技术提出极高要求，这种方法只适用于特定的复合调制信号。
发明内容
本发明针对雷达脉冲信号的LFM/Barker、LFM/PSK、FSK/Barker、FSK/PSK四种复合调制样式分类识别的需求，提供一种兼顾频率与时间分辨率，性能稳定可靠，可实现多样式准确识别的雷达复合调制脉冲信号识别方法。
本发明目的通过下述技术方案来实现：
一种雷达复合调制脉冲信号识别方法，所述雷达复合调制脉冲信号识别方法为对脉冲中频AD采样数据依次进行信号时频分析处理、特征参数提取处理和分类识别决策处理，最终获得信号调制样式识别结果。
根据一个优选的实施方式，所述信号时频分析处理包括：对脉冲中频AD采样数据进行连续小波变换，通过尺度频率变换获的脉冲信号时频分析数据矩阵；计算时频数据矩阵的各时刻最大值小波脊点，按照小波脊点分布规律连接构成获得脉冲信号的小波脊线。
根据一个优选的实施方式，特征参数提取处理包括：基于信号时频分析获得的小波脊线数据，采用最小二乘求解线性回归系数，计算信号数据变化平方和、残差平方和，进而求解信号的时频线性拟合优度；
同时，基于时频分析小波脊线各时间点瞬时频率，进行相连瞬时频率差分计算，基于信号瞬时频率特性估计频率跳变门限，进而完成瞬时频率跳变点的判别、统计，完成瞬时频率波动程度的表征。
根据一个优选的实施方式，分类识别决策处理包括：选择决策树结构模式构建分类判别规则，基于时频线性拟合优度、瞬时频率波动程度特征参数，并基于预设的特征参数各节点的阈值，进行决策树各层级、各节点的判别分流，完成脉冲信号复合调制样式的分类与识别结果输出。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案
本发明的有益效果：
兼顾频率与时间分辨率。本发明选用连续小波变换对信号进行时频分析，是一种时间窗和频率窗都可改变的时频局部化分析方法，实现对信号的低频、高频采用不同分辨率进行分析，在低频部分具有较高的频率分辨率，在高频部分具有较高的时间分辨率，满足在处理非平稳信号时兼顾频率与时间分辨率的需求。
性能稳定可靠。本发明针对雷达脉冲信号的LFM/Barker、LFM/PSK、FSK/Barker、FSK/PSK四种复合调制样式，构建时频线性拟合优度、瞬时频率波动程度特征参数进行分类识别。时频线性拟合优度，选用最小二乘法对线性回归模型的回归系数进行无偏估计，定义拟合优度测量标准来说明回归方程对原始数据的拟合程度，可稳定判别线性频率调频(LFM)与频率编码(FSK)调制类样式；瞬时频率波动程度，基于时频分析小波脊线各时间点瞬时频率，进行相连瞬时频率差分计算，选择频率跳变门限进行跳变点判别，通过统计跳变点数量来表征，对Barker编码(Barker)与相位编码(PSK)调制类样式有较大区分度；综合运用两个特征参数的特点性能，可稳定可靠地实现上述四类复合调制信号的分类识别。
可实现多样式准确识别。本发明针对雷达脉冲信号的LFM/Barker、LFM/PSK、FSK/Barker、FSK/PSK四种复合调制样式，基于各调制样式信号的特征参数表征特点，构建决策树结构模式的分类识别流程，通过脉冲信号的时频线性拟合优度、瞬时频率波动程度特征参数值与不同层级节点处设定的阈值进行比较，从而得到脉冲信号经过该决策树各个节点的分类方向，进而实现脉冲信号多复合调制样式的类别判定。
附图说明
图1是本发明雷达复合调制脉冲信号方法的流程示意图。
图2是本发明方法中进行信号时频分析与特征参数计算提取的流程示意图。
图3是本发明方法中基于决策树进行复合调制样式识别的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
实施例1：
参考图1所示，本发明公开了一种雷达复合调制脉冲信号识别方法，所述雷达复合调制脉冲信号识别方法为对脉冲中频AD采样数据依次进行信号时频分析处理、特征参数提取处理和分类识别决策处理，最终获得信号调制样式识别结果。
优选地，所述信号时频分析处理包括：对脉冲中频AD采样数据进行连续小波变换，通过尺度频率变换获的脉冲信号时频分析数据矩阵；计算时频数据矩阵的各时刻最大值小波脊点，按照小波脊点分布规律连接构成获得脉冲信号的小波脊线。
优选地，特征参数提取处理包括：基于信号时频分析获得的小波脊线数据，采用最小二乘求解线性回归系数，计算信号数据变化平方和、残差平方和，进而求解信号的时频线性拟合优度。
同时，基于时频分析小波脊线各时间点瞬时频率，进行相连瞬时频率差分计算，基于信号瞬时频率特性估计频率跳变门限，进而完成瞬时频率跳变点的判别、统计，完成瞬时频率波动程度的表征。
优选地，分类识别决策处理包括：选择决策树结构模式构建分类判别规则，基于时频线性拟合优度、瞬时频率波动程度特征参数，并基于预设的特征参数各节点的阈值，进行决策树各层级、各节点的判别分流，完成脉冲信号复合调制样式的分类与识别结果输出。
参考图2所示，雷达复合调制脉冲信号识别算法进行信号时频分析具体包括如下步骤：
步骤S101：选择Morlet连续小波作为小波基，根据Morlet小波类型计算中心频率，设定进行小波变换尺度序列长度，然后对脉冲信号进行小波变获取小波系数幅度值。
优选地，选择时频特性都比较好的Morlet连续小波作为小波基。设定进行小波变换尺度序列长度，使得小波尺度图的频率范围为(0,fs)，实际应用中只需取尺度足够大(一般选取256)。
步骤S102：基于尺度序列与实际频率对应关系获得脉冲信号的时频分析数据矩阵为S，矩阵长度为M×N，M为尺度序列长度，N为信号长度。
步骤S103：在各时刻通过对获得的时频分析数据矩阵S求时刻最大值yn的方法来获取小波脊点，
yn＝MAX(Smn)m＝1,2,…,M
直至求出所有的脊点，将脊点按照分布规律连接起来得到小波脊线y，数据长度为N。
本发明选用连续小波变换对信号进行时频分析，是一种时间窗和频率窗都可改变的时频局部化分析方法，实现对信号的低频、高频采用不同分辨率进行分析，在低频部分具有较高的频率分辨率，在高频部分具有较高的时间分辨率，满足在处理非平稳信号时兼顾频率与时间分辨率的需求。
参考图2所示，雷达复合调制脉冲信号识别算法中特征参数提取处理具体包括：
步骤S201：基于线性调频调制样式的时频特性，构建线性回归模型为：
yi＝p0+p1ti+ε
式中，p0和p1为回归系数，ε是随机误差项，用最小二乘法估计p0和p1的值，即取p0和p1的一组估计值
Figure BDA0003454602310000051
和
Figure BDA0003454602310000052
使得
Figure BDA0003454602310000053
的误差平方和达到最小，
则基于信号小波脊点数列可得：
Figure BDA0003454602310000054
其中ti＝i*Δt，Δt为信号数据采样周期，
Figure BDA0003454602310000055
步骤S202：计算时频线性拟合优度特征参数值，小波脊原始数据yi的总变化平方和为：
Figure BDA0003454602310000056
小波脊原始数据yi的残差平方和为：
Figure BDA0003454602310000057
则表征回归方程对原始数据的拟合程度的信号时频线性拟合优度特征参数值为：
Figure BDA0003454602310000058
当ε为1时说明拟合点数据与原数据完全吻合。
步骤S203：计算脉冲信号瞬时频率波动程度特征参数，对小波脊线数据列y作相连差分计算，得瞬时频率波动数据列x，数据长度为N-1，其中，
xi＝diff(yi)＝yi+1-yi i＝1,2,…,N-1；
计算信号瞬时频率波动的均值为：
Figure BDA0003454602310000059
并基于选择的频率跳变点的判别阈值，对大于频率跳变点的判别阈值的脉冲信号瞬时频率进行信号瞬时频率跳变点统计计数，其计数值即为瞬时频率波动程度特征参数η。
进一步地，一般选择频率波动平均值的0.4～0.6倍作为频率跳变点的判别阈值。
步骤S204：选择S202计算的信号时频线性拟合优度值，以及S203计算统计的信号瞬时频率跳变点统计值组合成脉冲信号的识别特征参数，再进行分类识别决策处理完成复合调制样式的判别。
参考图3所示。雷达复合调制脉冲信号识别算法基于决策树进行复合调制样式识别，基于时频线性拟合优度、瞬时频率波动程度特征参数，第一决策层级进行时频线性拟合度特征判别，然后针对第一层级输出结果进行第二层级的瞬时频率波动程度特征判别，最后获得四种复合调制样式的识别结果。具体包括如下步骤：
步骤S301：基于复合调制雷达脉冲线性调频的特性，设定时频线性拟合优度判别的阈值Thε。阈值Thε一般选择为0.8～0.9，可根据雷达脉冲信号数据实际情况调整。
步骤S302：基于雷达脉冲信号的时频线性拟合优度特征参数ε，与S301中设定的判别阈值Thε进行比较，大于阈值的则分类为LFM/Barker、LFM/PSK复合调制样式脉冲信号，小于阈值的则分类为FSK/Barker、FSK/PSK复合调制样式脉冲信号。
步骤S303：基于复合调制脉冲信号的频率编码、Barker码、以及相位编码特性，分别设定一层决策树分类后的瞬时频率波动程度参数阈值。
即是，设置LFM/Barker、LFM/PSK复合调制样式阈值
Figure BDA0003454602310000061
以及设置FSK/Barker、FSK/PSK复合调制样式阈值
Figure BDA0003454602310000062
复合调制样式阈值
Figure BDA0003454602310000063
一般选择为30～35，复合调制样式阈值
Figure BDA0003454602310000064
一般选择为35～40；可根据雷达脉冲信号数据实际情况进行评估、调整。
步骤S304：基于雷达脉冲信号的瞬时频率波动程度特征参数η，LFM/Barker、LFM/PSK复合调制样式与S303中设定的判别阈值
Figure BDA0003454602310000065
进行比较，大于阈值的则分类为LFM/PSK复合调制样式脉冲信号，小于阈值的则分类为LFM/Barker复合调制样式脉冲信号。
步骤S305：基于雷达脉冲信号的瞬时频率波动程度特征参数η，FSK/Barker、FSK/PSK复合调制样式与S303中设定的判别阈值
Figure BDA0003454602310000066
进行比较，大于阈值的则分类为FSK/PSK复合调制样式脉冲信号，小于阈值的则分类为FSK/Barker复合调制样式脉冲信号。
本发明针对雷达脉冲信号的LFM/Barker、LFM/PSK、FSK/Barker、FSK/PSK四种复合调制样式，构建时频线性拟合优度、瞬时频率波动程度特征参数进行分类识别。时频线性拟合优度，选用最小二乘法对线性回归模型的回归系数进行无偏估计，定义拟合优度测量标准来说明回归方程对原始数据的拟合程度，可稳定判别线性频率调频(LFM)与频率编码(FSK)调制类样式；瞬时频率波动程度，基于时频分析小波脊线各时间点瞬时频率，进行相连瞬时频率差分计算，选择频率跳变门限进行跳变点判别，通过统计跳变点数量来表征，对Barker编码(Barker)与相位编码(PSK)调制类样式有较大区分度；综合运用两个特征参数的特点性能，可稳定可靠地实现上述四类复合调制信号的分类识别。
本发明针对雷达脉冲信号的LFM/Barker、LFM/PSK、FSK/Barker、FSK/PSK四种复合调制样式，基于各调制样式信号的特征参数表征特点，构建决策树结构模式的分类识别流程，通过脉冲信号的时频线性拟合优度、瞬时频率波动程度特征参数值与不同层级节点处设定的阈值进行比较，从而得到脉冲信号经过该决策树各个节点的分类方向，进而实现脉冲信号多复合调制样式的类别判定。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种雷达复合调制脉冲信号识别方法，其特征在于，所述雷达复合调制脉冲信号识别方法为对脉冲中频AD采样数据依次进行信号时频分析处理、特征参数提取处理和分类识别决策处理，最终获得信号调制样式识别结果。
2.如权利要求1所述的雷达复合调制脉冲信号识别方法，其特征在于，所述信号时频分析处理包括：对脉冲中频AD采样数据进行连续小波变换，通过尺度频率变换获的脉冲信号时频分析数据矩阵；计算时频数据矩阵的各时刻最大值小波脊点，按照小波脊点分布规律连接构成获得脉冲信号的小波脊线。
3.如权利要求2所述的雷达复合调制脉冲信号识别方法，其特征在于，所述信号时频分析处理具体包括：
S101：选择Morlet连续小波作为小波基，根据Morlet小波类型计算中心频率，设定进行小波变换尺度序列长度，然后对脉冲信号进行小波变获取小波系数幅度值；
S102：基于尺度序列与实际频率对应关系获得脉冲信号的时频分析数据矩阵为S，矩阵长度为M×N，M为尺度序列长度，N为信号长度；
S103：在各时刻通过对获得的时频分析数据矩阵S求时刻最大值yn的方法来获取小波脊点，
yn＝MAX(Smn) m＝1,2,…,M
直至求出所有的脊点，将脊点按照分布规律连接起来得到小波脊线y，数据长度为N。
4.如权利要求3所述的雷达复合调制脉冲信号识别方法，其特征在于，特征参数提取处理包括：基于信号时频分析获得的小波脊线数据，采用最小二乘求解线性回归系数，计算信号数据变化平方和、残差平方和，进而求解信号的时频线性拟合优度；
同时，基于时频分析小波脊线各时间点瞬时频率，进行相连瞬时频率差分计算，基于信号瞬时频率特性估计频率跳变门限，进而完成瞬时频率跳变点的判别、统计，完成瞬时频率波动程度的表征。
5.如权利要求4所述的雷达复合调制脉冲信号识别方法，其特征在于，所述特征参数提取处理具体包括：
S201：基于线性调频调制样式的时频特性，构建线性回归模型为：
yi＝p0+p1ti+ε
式中，p0和p1为回归系数，ε是随机误差项，用最小二乘法估计p0和p1的值，即取p0和p1的一组估计值
Figure FDA0003454602300000021
和
Figure FDA0003454602300000022
使得
Figure FDA0003454602300000023
的误差平方和达到最小，
则基于信号小波脊点数列可得：
Figure FDA0003454602300000024
其中ti＝i*Δt，Δt为信号数据采样周期，
Figure FDA0003454602300000025
S202：计算时频线性拟合优度特征参数值，小波脊原始数据yi的总变化平方和为：
Figure FDA0003454602300000026
小波脊原始数据yi的残差平方和为：
Figure FDA0003454602300000027
则表征回归方程对原始数据的拟合程度的信号时频线性拟合优度特征参数值为：
Figure FDA0003454602300000028
当ε为1时说明拟合点数据与原数据完全吻合。
6.如权利要求5所述的雷达复合调制脉冲信号识别方法，其特征在于，所述特征参数提取处理还包括：
S203：计算脉冲信号瞬时频率波动程度特征参数，对小波脊线数据列y作相连差分计算，得瞬时频率波动数据列x，数据长度为N-1，其中，
xi＝diff(yi)＝yi+1-yi i＝1,2,…,N-1；
计算信号瞬时频率波动的均值为：
Figure FDA0003454602300000029
并基于选择的频率跳变点的判别阈值，对大于频率跳变点的判别阈值的脉冲信号瞬时频率进行信号瞬时频率跳变点统计计数，其计数值即为瞬时频率波动程度特征参数η；
S204：选择S202计算的信号时频线性拟合优度值，以及S203计算统计的信号瞬时频率跳变点统计值组合成脉冲信号的识别特征参数，再进行分类识别决策处理完成复合调制样式的判别。
7.如权利要求6所述的雷达复合调制脉冲信号识别方法，其特征在于，步骤S203中，选择频率波动平均值的0.4～0.6倍作为频率跳变点的判别阈值。
8.如权利要求6所述的雷达复合调制脉冲信号识别方法，其特征在于，分类识别决策处理包括：选择决策树结构模式构建分类判别规则，基于时频线性拟合优度、瞬时频率波动程度特征参数，并基于预设的特征参数各节点的阈值，进行决策树各层级、各节点的判别分流，完成脉冲信号复合调制样式的分类与识别结果输出。
9.如权利要求8所述的雷达复合调制脉冲信号识别方法，其特征在于，分类识别决策处理具体包括：
S301：基于复合调制雷达脉冲线性调频的特性，设定时频线性拟合优度判别的阈值Thε；
S302：基于雷达脉冲信号的时频线性拟合优度特征参数ε，与S301中设定的判别阈值Thε进行比较，大于阈值的则分类为LFM/Barker、LFM/PSK复合调制样式脉冲信号，小于阈值的则分类为FSK/Barker、FSK/PSK复合调制样式脉冲信号；
S303：基于复合调制脉冲信号的频率编码、Barker码、以及相位编码特性，分别设定一层决策树分类后的瞬时频率波动程度参数阈值，
即是，设置LFM/Barker、LFM/PSK复合调制样式阈值
Figure FDA0003454602300000031
以及设置FSK/Barker、FSK/PSK复合调制样式阈值
Figure FDA0003454602300000032
S304：基于雷达脉冲信号的瞬时频率波动程度特征参数η，LFM/Barker、LFM/PSK复合调制样式与S303中设定的判别阈值
Figure FDA0003454602300000033
进行比较，大于阈值的则分类为LFM/PSK复合调制样式脉冲信号，小于阈值的则分类为LFM/Barker复合调制样式脉冲信号；
S305：基于雷达脉冲信号的瞬时频率波动程度特征参数η，FSK/Barker、FSK/PSK复合调制样式与S303中设定的判别阈值
Figure FDA0003454602300000034
进行比较，大于阈值的则分类为FSK/PSK复合调制样式脉冲信号，小于阈值的则分类为FSK/Barker复合调制样式脉冲信号。
10.如权利要求9所述的雷达复合调制脉冲信号识别方法，其特征在于，阈值Thε选择为0.8～0.9；
Figure FDA0003454602300000041
选择为30～35；
Figure FDA0003454602300000042
选择为35～40。
CN202210003711.9A 2022-01-04 2022-01-04 一种雷达复合调制脉冲信号识别方法 Active CN114355298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210003711.9A CN114355298B (zh) 2022-01-04 2022-01-04 一种雷达复合调制脉冲信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210003711.9A CN114355298B (zh) 2022-01-04 2022-01-04 一种雷达复合调制脉冲信号识别方法

Publications (2)

Publication Number Publication Date
CN114355298A true CN114355298A (zh) 2022-04-15
CN114355298B CN114355298B (zh) 2023-08-18

Family

ID=81107877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210003711.9A Active CN114355298B (zh) 2022-01-04 2022-01-04 一种雷达复合调制脉冲信号识别方法

Country Status (1)

Country Link
CN (1) CN114355298B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116344012A (zh) * 2023-05-29 2023-06-27 北京梆梆安全科技有限公司 一种基于诊疗日志的医疗管理系统
CN117289236A (zh) * 2023-11-27 2023-12-26 成都立思方信息技术有限公司 短时雷达信号脉内调制类型识别方法、装置、设备及介质
CN118519097A (zh) * 2024-05-08 2024-08-20 南京航空航天大学 算子向量化表示的雷达干扰样式识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4623914A (en) * 1983-10-15 1986-11-18 Fuji Photo Film Co., Ltd. Discrimination circuit for a line sequential signal
WO2010047931A1 (en) * 2008-10-22 2010-04-29 Bae Systems Information And Electronic Systems Integration Inc. Monobit based low cost high performance radar warning receiver
CN103093244A (zh) * 2013-01-25 2013-05-08 西南交通大学 一种基于稀疏分解的雷达信号识别方法
CN107607920A (zh) * 2017-09-14 2018-01-19 金陵科技学院 基于gp分布拟合检验的复合调制信号分析结果校验方法
CN108226889A (zh) * 2018-01-19 2018-06-29 中国人民解放军陆军装甲兵学院 一种雷达目标识别的分类器模型训练方法
CN109167746A (zh) * 2018-08-31 2019-01-08 西南电子技术研究所（中国电子科技集团公司第十研究所） 连续波与脉冲信号快速识别装置
CN109359633A (zh) * 2018-12-10 2019-02-19 西北工业大学 基于希尔伯特-黄变换和小波脊线的信号联合分类方法
CN110133632A (zh) * 2019-05-20 2019-08-16 哈尔滨工程大学 一种基于cwd时频分析的复合调制信号识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4623914A (en) * 1983-10-15 1986-11-18 Fuji Photo Film Co., Ltd. Discrimination circuit for a line sequential signal
WO2010047931A1 (en) * 2008-10-22 2010-04-29 Bae Systems Information And Electronic Systems Integration Inc. Monobit based low cost high performance radar warning receiver
CN103093244A (zh) * 2013-01-25 2013-05-08 西南交通大学 一种基于稀疏分解的雷达信号识别方法
CN107607920A (zh) * 2017-09-14 2018-01-19 金陵科技学院 基于gp分布拟合检验的复合调制信号分析结果校验方法
CN108226889A (zh) * 2018-01-19 2018-06-29 中国人民解放军陆军装甲兵学院 一种雷达目标识别的分类器模型训练方法
CN109167746A (zh) * 2018-08-31 2019-01-08 西南电子技术研究所（中国电子科技集团公司第十研究所） 连续波与脉冲信号快速识别装置
CN109359633A (zh) * 2018-12-10 2019-02-19 西北工业大学 基于希尔伯特-黄变换和小波脊线的信号联合分类方法
CN110133632A (zh) * 2019-05-20 2019-08-16 哈尔滨工程大学 一种基于cwd时频分析的复合调制信号识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116344012A (zh) * 2023-05-29 2023-06-27 北京梆梆安全科技有限公司 一种基于诊疗日志的医疗管理系统
CN116344012B (zh) * 2023-05-29 2023-08-18 北京梆梆安全科技有限公司 一种基于诊疗日志的医疗管理系统
CN117289236A (zh) * 2023-11-27 2023-12-26 成都立思方信息技术有限公司 短时雷达信号脉内调制类型识别方法、装置、设备及介质
CN117289236B (zh) * 2023-11-27 2024-02-09 成都立思方信息技术有限公司 短时雷达信号脉内调制类型识别方法、装置、设备及介质
CN118519097A (zh) * 2024-05-08 2024-08-20 南京航空航天大学 算子向量化表示的雷达干扰样式识别方法及系统

Also Published As

Publication number Publication date
CN114355298B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN114355298B (zh) 一种雷达复合调制脉冲信号识别方法
CN110826630B (zh) 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN108600135B (zh) 一种信号调制方式的识别方法
CN116866129A (zh) 一种无线通信信号检测方法
CN110187321B (zh) 基于深度学习的复杂环境下雷达辐射源特征参数提取方法
CN114531729B (zh) 基于信道状态信息的定位方法、系统、存储介质及设备
CN116359851A (zh) 一种基于融合网络的雷达有源干扰检测识别方法及装置
CN110046593B (zh) 基于分段改进s变换和随机森林的复合电能质量扰动识别方法
CN112732748A (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN109061577A (zh) 一种不同类型的遮盖式干扰和欺骗式干扰的识别方法
CN114114166A (zh) 一种基于dtm算法的雷达脉冲去交错方法
Huang et al. Radar waveform recognition based on multiple autocorrelation images
CN113191224A (zh) 一种无人机信号提取和识别方法、系统
KR102407834B1 (ko) 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치
KR102407835B1 (ko) 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치
CN111796250A (zh) 一种基于风险评估的虚假点迹多维层次化抑制方法
Xie et al. A novel method for deinterleaving radar signals: First‐order difference curve based on sorted TOA difference sequence
Zhao et al. A hierarchical framework for drone identification based on radio frequency machine learning
CN115061094B (zh) 一种基于神经网络与svm的雷达目标识别方法
CN114710215B (zh) 一种跳频信号快速盲检测的方法
Jiang et al. Frequency hopping signal parameter estimation algorithm based on time-frequency point correlation
Qian et al. Large-scale kpi anomaly detection based on ensemble learning and clustering
CN110632563A (zh) 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法
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
Dai et al. Clustering of DOA data in radar pulse based on SOFM and CDbw

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