CN114417943B - 重复频率调制类型的识别方法 - Google Patents

重复频率调制类型的识别方法 Download PDF

Info

Publication number
CN114417943B
CN114417943B CN202210315109.9A CN202210315109A CN114417943B CN 114417943 B CN114417943 B CN 114417943B CN 202210315109 A CN202210315109 A CN 202210315109A CN 114417943 B CN114417943 B CN 114417943B
Authority
CN
China
Prior art keywords
autocorrelation
sequence
value
pri
frequency modulation
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
Application number
CN202210315109.9A
Other languages
English (en)
Other versions
CN114417943A (zh
Inventor
关欣
温双燕
丁昊
胡玉新
郝文涛
林精敦
丁赤飚
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202210315109.9A priority Critical patent/CN114417943B/zh
Publication of CN114417943A publication Critical patent/CN114417943A/zh
Application granted granted Critical
Publication of CN114417943B publication Critical patent/CN114417943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种重复频率调制类型的识别方法,包括:根据脉冲重复间隔序列,构建脉冲重复间隔序列的一阶序列差分直方图;提取一阶序列差分直方图中脉冲重复间隔序列的典型值;利用典型值,对脉冲重复间隔序列的重复频率调制类型进行分类,得到分类结果;通过与分类结果对应的特征提取函数,提取脉冲重复间隔序列的自相关特征;以及基于自相关特征,识别重复频率调制类型。

Description

重复频率调制类型的识别方法
技术领域
本发明涉及无源探测领域,具体涉及一种低复杂度的重复频率调制类型的识别方法。
背景技术
在无源探测技术中,对截获的雷达辐射源信号进行分析处理,以获取雷达相关的参数信息,用于判断雷达型号、用途、探测距离等重要信息。对参数信息进行精细分析还可达到识别雷达个体的目的。
脉冲重复间隔(pulse repeat interval,PRI)是描述雷达特征的重要参数之一。雷达在设计过程中,出于抗干扰、防侦测、解模糊等目的,对雷达重频、脉宽、载频等参数会进行调制,以提高雷达性能。通常,在综合描述PRI参数的过程中,需要先估计PRI调制类型,进而估计PRI均值、变化范围。
由于现代雷达信号环境日益复杂,通过简单的计算方法识别对复杂雷达信号的PRI调制类型的进行识别,也显得尤为重要。
发明内容
鉴于上述问题,本发明提供了一种低复杂度的重复频率调制类型的识别方法、装置、设备、介质和程序产品。
本发明的第一个方面,提供了一种重复频率调制类型的识别方法,包括:根据脉冲重复间隔序列,构建所述脉冲重复间隔序列的一阶序列差分直方图;提取所述一阶序列差分直方图中所述脉冲重复间隔序列的典型值;利用所述典型值,对所述脉冲重复间隔序列的重复频率调制类型进行分类,得到分类结果;通过与所述分类结果对应的特征提取函数,提取所述脉冲重复间隔序列的自相关特征;以及基于所述自相关特征,识别重复频率调制类型。
根据本发明的实施例,所述通过与所述分类结果对应的自相关函数,提取所述脉冲重复间隔序列的自相关特征,包括:在确定存在典型值的情况下,获取所述典型值的数量;以及在确定所述数量大于1的情况下,根据所述脉冲重复间隔序列的自相关函数,计算第一特征提取函数,得到第一自相关特征值
根据本发明的实施例,所述根据所述脉冲重复间隔序列的自相关函数,计算第一特征提取函数,得到第一自相关特征值,包括:根据所述自相关函数,计算归一化自相关函数;以所述归一化自相关函数的第二峰值为中心,确定第一计算范围;以及计算所述归一化自相关函数在所述第一计算范围内的均值,所述均值为第一自相关特征值。
根据本发明的实施例,所述第一特征提取函数C 1
Figure 264074DEST_PATH_IMAGE001
其中,R n (k)为归一化自相关函数,k p R n (k)的第二主峰所对应的位置,K m 为正整数。
根据本发明的实施例,所述基于所述自相关特征,识别重复频率调制类型,包括:在确定所述第一自相关特征值大于或等于第一预设阈值的情况下,重复频率调制类型为驻留与切换调制;以及在确定所述第一自相关特征值小于第一预设阈值的情况下,重复频率调制类型为参差调制。
根据本发明的实施例,所述通过与所述分类结果对应的自相关函数,提取所述脉冲重复间隔序列的自相关特征,还包括:在确定不存在典型值的情况下,根据所述脉冲重复间隔序列的自相关函数,计算第二特征提取函数,得到第二自相关特征值。
根据本发明的实施例,所述根据所述脉冲重复间隔序列的自相关函数,计算第二特征提取函数,得到第二自相关特征值,包括:根据所述自相关函数,计算归一化自相关函数;根据所述归一化自相关函数的峰值分布特点,设置第二计算范围;以及计算所述归一化自相关函数在所述第二计算范围内的均值,所述均值为第二自相关特征值。
根据本发明的实施例,所述第二特征提取函数C 2
Figure 659283DEST_PATH_IMAGE002
其中,R n (k)为归一化自相关函数,K M K m 为正整数。
根据本发明的实施例,所述基于所述自相关特征,识别重复频率调制类型,包括:在确定所述第二自相关特征值小于或等于第二预设阈值的情况下,重复频率调制类型为抖动调制;以及在确定所述第二自相关特征值大于第二预设阈值的情况下,重复频率调制类型为滑变调制。
根据本发明的实施例,所述识别方法还包括获取辐射源发射的多个脉冲信号的到达时间;根据所述到达时间,计算所述脉冲重复间隔序列的多个序列值;剔除所述多个序列值的异常序列值;以及将剔除后的序列值构建为所述脉冲重复间隔序列。
本发明的第二方面提供了一种重复频率调制类型的识别装置,包括:构建模块,用于根据脉冲重复间隔序列,构建所述脉冲重复间隔序列的一阶序列差分直方图;第一提取模块,用于提取所述一阶序列差分直方图中所述脉冲重复间隔序列的典型值;分类模块,用于利用所述典型值,对所述脉冲重复间隔序列的重复频率调制类型进行分类,得到分类结果;第二提取模块,用于通过与所述分类结果对应的特征提取函数,提取所述脉冲重复间隔序列的自相关特征;以及识别模块,用于基于所述自相关特征,识别重复频率调制类型。
本发明的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述重复频率调制类型的识别方法。
本发明的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述重复频率调制类型的识别方法。
本发明提供了一种重复频率调制类型的识别方法,通过结合序列差分直方图和时间相关特性对重复频率调制类型进行识别,使得本方法既具有抗噪声脉冲和抗丢失脉冲能力,又具有较低的数据处理复杂度,提高识别速率。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的重复频率调制类型的识别方法的流程图;
图2示意性示出了根据本发明实施例的识别重复频率调制类型的流程图;
图3示意性示出了根据本发明另一实施例的识别重复频率调制类型的流程图;
图4A至4D示意性示出了根据本发明实施例的重复频率调制类型的识别正确率的示意图;
图5示意性示出了根据本发明实施例的重复频率调制类型的识别装置的结构框图;以及
图6示意性示出了根据本发明实施例的适于实现重复频率调制类型的识别方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
重复频率调制(也称为PRI调制)类型包括固定PRI、参差PRI、驻留与切换PRI、抖动PRI和滑变PRI等调制类型。PRI调制类型的识别依据包括PRI统计特征和PRI时序相关特。
例如,通过多级序列差分直方图(sequential difference histogram,SDIF),提取PRI的统计特征作为识别特征,用于识别PRI调制的类型。但是,在基于多级序列差分直方图统计特征的识别方法中,需要先计算高阶序列差值,再对差值结果进行直方图统计,使得该识别方法具有较高的计算复杂度。进而在面对实时脉冲信号、较多数量的待处理雷达和信号脉冲时,该识别方法实用性较差。此外,在面对随机变化或缓慢变化的PRI调制类型时,基于SDIF识别PRI类型的方法的处理能力较差。
再例如,通过PRI序列的自相关函数提取PRI时序相关特征作为识别特征,再通过神经网络分类器,将识别特征输入训练模型以识别PRI调制的类型。但是,基于自相关函数的PRI调制类型的识别方法的抗干扰能力差。由于在实际的PRI调制类型识别中,脉冲信号检测和雷达辐射源信号分选会存在一定的误差,待识别的雷达会产生较为严重的丢失脉冲和噪声脉冲现象,通过自相关函数提取的识别特征也会受丢失脉冲及噪声脉冲的影响,因而影响对PRI调制的识别。当噪声脉冲数量或丢失脉冲数量增加时,识别PRI调制类型的准确率会明显下降。
本发明的实施例提供了一种低复杂度重复频率调制类型的识别方法,包括:根据脉冲重复间隔序列,构建脉冲重复间隔序列的一阶序列差分直方图;提取一阶序列差分直方图中脉冲重复间隔序列的典型值;利用典型值,对脉冲重复间隔序列的重复频率调制类型进行初步分类,得到分类结果;通过与分类结果对应的特征提取函数,提取脉冲重复间隔序列的自相关特征;以基于自相关特征,识别重复频率调制类型。
图1示意性示出了根据本发明实施例的重复频率调制类型的识别方法的流程图。
如图1所示,该实施例的重复频率调制类型的识别方法包括操作S110~操作S150。
在操作S110,根据脉冲重复间隔序列,构建脉冲重复间隔序列的一阶序列差分直方图。
在本发明实施例中,通过计算辐射源发射的多个脉冲信号中任意两个相邻脉冲信号到达时间(time of arrival,TOA)之差,获得脉冲重复间隔PRI序列。
根据式(1)计算PRI序列的PRI值:
PRI(k)=TOA(k+1)-TOA(k) (1)
其中,PRI(k)为N个PRI值中的第k+1个PRI值;TOA(k)为N个脉冲信号中第k+1个脉冲信号的到达时间,N为PRI序列的长度,k=0,1,…,N-1,N正整数。示例性地,第1个PRI值为第2个脉冲信号和第1个脉冲信号的到达时间之差,记为PRI(0)=TOA(1)-TOA(0)。
由于接收到的脉冲信号中可能存在噪声脉冲和丢失脉冲,因此需要对脉冲信号进行预处理,以减少脉冲信号中明显异常的脉冲信号。
作为一种可选实施例,在操作S110,根据辐射源发射的多个脉冲信号,计算脉冲重复间隔序列的步骤之前,重复频率调制类型的识别方法还包括获取辐射源发射的多个脉冲信号的到达时间;据到达时间,计算脉冲重复间隔序列的多个序列值;剔除多个序列值的异常序列值;将剔除后的序列值构建为脉冲重复间隔序列。
通过异常的PRI值确定异常的脉冲信号。在确定PRI序列的序列值PRI(k)小于零的情况下,认为该序列值异常。在确定PRI序列的序列值PRI(k)大于整个PRI序列时长的情况下,认为该序列值异常。示例性地,剔除异常序列值的方法包括使用周边脉冲信号替代当前脉冲信号,再通过替代后的脉冲信号计PRI值。
由于通过预处理剔除明显异常的PRI值后,使得后续的PRI调制识别过程具有一定的抗干扰能力。
序列差分直方图用于提取PRI的统计特征。计算多个脉冲信号中第a+b个脉冲信号与第a个脉冲信号之间的到达时间之差,对计算结果进行直方图统计买得到b阶序列差分直方图。一阶序列差分直方图由对相邻两个脉冲信号之间的到达时间之差进行直方图统计得到。从直方图中可提取脉冲信号的相关参数作为识别特征,用于识别PRI调制类型。识别特征包括统计脉冲数量、统计脉冲间隔等参数。
在本发明实施例中,通过式(2)计算一阶差分序列SDIF1(k):
SDIF1(k)=TOA(k+1)-TOA(k) (2)
通常,构建直方图的方法是将PRI值域划分为多个等份,再将统计PRI序列值落入各区间内的数量。但是由于脉冲信号的抖动误差的影响,会使PRI序列值落入两个相邻直方图区间内,从而影响识别结果。
在本发明实施例中,对PRI序列的全部序列值进行降序排列,得到多个稳定的PRI序列集合;再以每个PRI序列结合中的最小序列值为直方图区间的起始边界构建一阶序列差分直方图。在每个稳定的PRI序列集合中,每个集合的全部序列值均位于该集合中最小序列值的抖动容限内。
本发明示例性地提供一种划分PRI序列集合的方法。
示例性地,PRI序列包括PRI(1)~PRI(6),在对PRI序列的全部序列值进行降序排列后,降序序列依次为PRI(6)、PRI(4)、PRI(2)、PRI(5)、PRI(3)和PRI(1);计算全部序列值中最小序列值PRI(1)的抖动容限,该最小序列值PRI(1)记为直方图第一个区间的起始边界;将降序序列中位于最小序列值PRI(1)的抖动容限内的所有PRI序列值PRI(1)、PRI(3)和PRI(5)依次落入第一区间内;再计算剩余序列值中最小序列值PRI(2)的抖动容限,该序列值PRI(2)记为直方图第二个区间的起始边界;将剩余降序序列中位于序列值PRI(2)的抖动容限内的所有PRI序列值PRI(2)、PRI(4)和PRI(6)依次落入第二区间内;对所有序列值划分后完成对一阶序列差分直方图的构建。PRI(5)、PRI(3)和PRI(1)被划分为一个稳定的PRI序列集合,PRI(6)、PRI(4)和PRI(2)被划分为另一个稳定的PRI序列集合。
在PRI序列中,可能存在异常PRI序列值,以及每个PRI序列值都存在抖动误差。当PRI序列被降序排列后,根据每个稳定的PRI序列集合中最小序列值定义直方图区间的边界,使得同一区间内的PRI序列值均位于该区间内最小序列值的抖动容限内,可以避免相邻区间之间PRI序列的意外外泄。
在操作S120,提取一阶序列差分直方图中脉冲重复间隔序列的典型值。
在操作S130,利用典型值,对脉冲重复间隔序列的重复频率调制类型进行分类,得到分类结果。
在本发明实施例中,通过提取的典型值对PRI类型进行分类,可以按存在典型值和不存在典型值分为两个类别。
序列差分直方图可以用于分选雷达信号。可以通过设置门限值在直方图中获取满足门限要求的PRI值,以提取出多种PRI调制类型的PRI典型值。由于门限值与PRI调制类型相关,因此在通过某一种PRI调制类型对应的门限值提取PRI典型值时,可能存在无法提取PRI典型值的情况。当无法提取出PRI典型值时,可初步确定出PRI调制不包括该种PRI调制类型。
本发明示例性地提供一种设置门限值的方法。
门限值可由式(3)表示:
Figure 411338DEST_PATH_IMAGE003
(3)
其中,T threshold 为门限值;N PRI 为可能的PRI典型值的数量,通常N PRI 取10以上。
在提取PRI典型值后,还需要通过提取PRI序列的自相关特征,以识别出重复频率调制类型。
在操作S140,通过与分类结果对应的特征提取函数,提取脉冲重复间隔序列的自相关特征。
在操作S150,基于自相关特征,识别重复频率调制类型。
根据存在典型值和不存典型值的分类结果,可将PRI调制类型分为两类。在确定存在典型值的情况下,PRI调制类型包括固定PRI、参差PRI和驻留与切换PRI调制;在确定不存在典型值的情况下,PRI调制类型包括抖动PRI和滑变PRI调制。因此,识别重复频率调制类型的方法也可以分为两类。
图2示意性示出了根据本发明实施例的识别重复频率调制类型的流程图。
如图2所示,在确定存在典型值的情况下,操作S140和操作S150包括操作S210~操作S250。
在操作S210,获取典型值的数量。
在操作S220,判断典型值的数量是否大于1。
在操作S230,在确定数量等于1的情况下,重复频率调制类型为固定PRI调制。
在操作S240,在确定数量大于1的情况下,根据脉冲重复间隔序列的自相关函数,计算第一特征提取函数,得到第一自相关特征值。
在操作S250,判断第一自相关特征值是否大于或等于第一预设阈值。
在操作S260,在确定第一自相关特征值大于或等于第一预设阈值的情况下,重复频率调制类型为驻留与切换调制。
在操作S270,在确定第一自相关特征值小于第一预设阈值的情况下,重复频率调制类型为参差调制。
在本发明实施例中,在操作S240步骤中,根据脉冲重复间隔序列的自相关函数,计算第一特征提取函数,得到第一自相关特征值,包括:根据自相关函数,计算归一化自相关函数;以归一化自相关函数的第二峰值为中心,确定第一计算范围;以及计算归一化自相关函数在第一计算范围内的均值,均值为第一自相关特征值。
PRI序列的自相关函数R(k)由式(4)表示:
Figure 233801DEST_PATH_IMAGE004
(4)
PRI序列的归一化自相关函数R n (k)由式(5)表示:
Figure 438517DEST_PATH_IMAGE005
(5)
其中,PRI(i)为N个PRI序列值中的第i+1个PRI序列值,i=0,1,…,N-1-kk=0, 1,…,N-1,N正整数,N为PRI序列长度;
Figure 637417DEST_PATH_IMAGE006
为PRI序列的均值。
第一特征提取函数C 1由式(6)表示:
Figure 306296DEST_PATH_IMAGE001
(6)
其中,k p R n (k)的第二主峰所对应的位置;常数K m 为可调参数,K m >4,K m 为正整数。第一计算范围为以第二主峰为中心的k p -K m ~k p +K m ,第一特征C 1为第二主峰局部特征值。
根据识别经验设置第一预设阈值T 1,第一预设阈值T 1为第二主峰局部特征阈值,通常可取0.2~0.3。在T 1C 1的情况下,PRI调制类型为驻留与切换PRI调制;在T 1C 1的情况下,PRI调制类型为参差PRI调制。
图3示意性示出了根据本发明另一实施例的识别重复频率调制类型的流程图。
如图3所示,在确定不存在典型值的情况下,操作S140和操作S150包括操作S310~操作S330。
在操作S310,根据脉冲重复间隔序列的自相关函数,计算第二特征提取函数,得到第二自相关特征值。
在操作S320,判断第二自相关特征值是否小于或等于第二预设阈值。
在操作S330,在确定第二自相关特征值小于或等于第二预设阈值的情况下,重复频率调制类型为抖动调制。
在操作S340,在确定第二自相关特征值大于第二预设阈值的情况下,重复频率调制类型为滑变调制。
在本发明实施例中,在操作S310步骤中,根据脉冲重复间隔序列的自相关函数,计算第二特征提取函数,得到第二自相关特征值,包括:根据自相关函数,计算归一化自相关函数;根据归一化自相关函数的峰值分布特点,设置第二计算范围;以及计算归一化自相关函数在第二计算范围内的均值,均值为第二自相关特征值。
在本发明实施例中,PRI序列的自相关函数和归一化自相关函数参见式(4)和式(5)。
第二特征提取函数C 2由式(7)表示:
Figure 735878DEST_PATH_IMAGE002
(7)
其中,常数K m 为可调参数,K m >4,K m 为正整数;常数K M 为可调参数,K M 的取值为10左右的正整数。第二计算范围为K m ~K M ,第二计算范围的范围很小,大致分布在第一主峰之后,紧靠第一主峰的位置。第二计算范围内PRI序列抖动平稳。第二特征值为C 2为自相关均值特征值。
根据识别经验,设置第二预设阈值T 2,第二预设阈值T 2为相关均值特征阈值,通常取0.2。在T 2C 2的情况下,PRI调制类型为抖动PRI调制;在T 2C 2的情况下,PRI调制类型为滑变PRI调制。
需要说明的是,本发明实施例中,参数T 1T 2K m K M 为经验取值,本领域的技术人员可以根据实际数据情况进行相应的设置,本发明对参数T 1T 2K m K M 的具体取值不作限定。
通过本发明实施例,将序列差分直方图和自相关函数相结合,在识别过程中,仅需要计算一阶序列差分直方图,减少计算高阶直方图而产生的计算量;同时优化自相关函数,提取抗干扰能力较强的识别特征,实现了适于实时处理需求的低复杂度PRI调制类型的识别。
本发明对本发明提供的重复频率调制类型的识别方法进行仿真,仿真结果如图4A至图4D所示。
图4A示意性示出了随丢失脉冲信号数量L s 与全部脉冲信号数量N s 比值变化的识别正确率的示意图。图4B示意性示出了随噪声脉冲信号数量N n 与全部脉冲信号数量N s 比值变化的识别正确率的示意图。
示例性地,设置T 1=0.2、T 2=0.2、K m =5和K M =15。
如图4A和4B所示,本发明提供的重复频率调制类型的识别方法对固定PRI(Constant PRI)、抖动PRI(Jittering PRI)、滑变PRI(Sliding PRI)、驻留与滑变PRI(D&SPRI)和参差PRI(Staggering PRI)有较好的识别结果,可适于实际应用需求。
本发明提供的重复频率调制类型的识别方法识别不同类型PRI调制的处理平均时间为0.0412s,其中计算一阶序列差分直方图SDIF1的时间约为0.0374s。在基于直方图识别PRI调制类型的方法中,还需要计算多阶差分序列直方图,所花费的处理时间约为F×0.0374s,F为需计算的差分序列直方图阶数。因此,本发明提供的重复频率调制类型的识别方法较仅基于直方图统计的识别方法具有更高处理效率,计算复杂度更低。
图4C示意性示出了随L s /N s 比值变化本发明方法与自相关函数方法的识别正确率的对比图。图4D示意性示出了随N n /N s 比值变化本发明方法与自相关函数方法的识别正确率的对比图。
如图4C和4D所示,基于自相关函数的识别方法在噪声脉冲及丢失脉冲环境下识别准确率相较于本发明的识别方法明显下降。因为基于自相关函数的识别方法是基于时序相关性曲线上的特定点提取识别特征,抗干扰能力较差。同时,基于自相关函数的识别方法不能准确的识别出参差PRI调制。因此,本发明提供的重复频率调制类型的识别方法较仅基于自相关函数识别方法具有更好的复杂环境的适应能力强,更适用于噪声及丢失脉冲环境。
基于上述重复频率调制类型的识别方法,本发明还提供了一种重复频率调制类型的识别装置。以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本发明实施例的重复频率调制类型的识别装置的结构框图。
如图5所示,该实施例的重复频率调制类型的识别装置500包括构建模块510、第一提取模块520、分类模块530、第二提取模块540和识别模块550。
构建模块510用于根据脉冲重复间隔序列,构建脉冲重复间隔序列的一阶序列差分直方图。在一实施例中,构建模块510可以用于执行前文描述的操作S110,在此不再赘述。
第一提取模块520用于提取一阶序列差分直方图中脉冲重复间隔序列的典型值。在一实施例中,第二提取模块520可以用于执行前文描述的操作S120,在此不再赘述。
分类模块530用于利用典型值,对脉冲重复间隔序列的重复频率调制类型进行分类,得到分类结果。在一实施例中,分类模块530可以用于执行前文描述的操作S130,在此不再赘述。
第二提取模块540用于通过与分类结果对应的特征提取函数,提取脉冲重复间隔序列的自相关特征。在一实施例中,第二提取模块540可以用于执行前文描述的操作S140,在此不再赘述。
识别模块550用于基于自相关特征,识别重复频率调制类型。在一实施例中,识别模块550可以用于执行前文描述的操作S150,在此不再赘述。
根据本发明的实施例,构建模块510、第一提取模块520、分类模块530、第二提取模块540和识别模块550中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,构建模块510、第一提取模块520、分类模块530、第二提取模块540和识别模块550中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,构建模块510、第一提取模块520、分类模块530、第二提取模块540和识别模块550中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本发明实施例的适于实现重复频率调制类型的识别方法的电子设备的方框图。
如图6所示,根据本发明实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器 601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的重复频率调制类型的识别方法。
在该计算机程序被处理器601执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分609被下载和安装,和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。

Claims (10)

1.一种重复频率调制类型的识别方法,包括:
根据脉冲重复间隔序列,构建所述脉冲重复间隔序列的一阶序列差分直方图;
提取所述一阶序列差分直方图中所述脉冲重复间隔序列的典型值;
利用所述典型值,对所述脉冲重复间隔序列的重复频率调制类型进行分类,得到分类结果;
通过与所述分类结果对应的特征提取函数,提取所述脉冲重复间隔序列的自相关特征;以及
基于所述自相关特征,识别重复频率调制类型。
2.根据权利要求1所述的识别方法,其中,所述通过与所述分类结果对应的自相关函数,提取所述脉冲重复间隔序列的自相关特征,包括:
在确定存在典型值的情况下,获取所述典型值的数量;以及
在确定所述数量大于1的情况下,根据所述脉冲重复间隔序列的自相关函数,计算第一特征提取函数,得到第一自相关特征值。
3.根据权利要求2所述的识别方法,其中,所述根据所述脉冲重复间隔序列的自相关函数,计算第一特征提取函数,得到第一自相关特征值,包括:
根据所述自相关函数,计算归一化自相关函数;
以所述归一化自相关函数的第二峰值为中心,确定第一计算范围;以及
计算所述归一化自相关函数在所述第一计算范围内的均值,所述均值为第一自相关特征值。
4.根据权利要求2或3所述的识别方法,其中,所述第一特征提取函数C 1
Figure 363415DEST_PATH_IMAGE001
其中,R n (k)为归一化自相关函数,k p R n (k)的第二主峰所对应的位置,K m 为正整数。
5.根据权利要求2所述的识别方法,其中,所述基于所述自相关特征,识别重复频率调制类型,包括:
在确定所述第一自相关特征值大于或等于第一预设阈值的情况下,重复频率调制类型为驻留与切换调制;以及
在确定所述第一自相关特征值小于第一预设阈值的情况下,重复频率调制类型为参差调制。
6.根据权利要求1所述的识别方法,其中,所述通过与所述分类结果对应的自相关函数,提取所述脉冲重复间隔序列的自相关特征,还包括:
在确定不存在典型值的情况下,根据所述脉冲重复间隔序列的自相关函数,计算第二特征提取函数,得到第二自相关特征值。
7.根据权利要求6所述的识别方法,其中,所述根据所述脉冲重复间隔序列的自相关函数,计算第二特征提取函数,得到第二自相关特征值,包括:
根据所述自相关函数,计算归一化自相关函数;
根据所述归一化自相关函数的峰值分布特点,设置第二计算范围;以及
计算所述归一化自相关函数在所述第二计算范围内的均值,所述均值为第二自相关特征值。
8.根据权利要求6或7所述的识别方法,其中,所述第二特征提取函数C 2
Figure 280555DEST_PATH_IMAGE002
其中,R n (k)为归一化自相关函数,K M K m 为正整数。
9.根据权利要求6所述的识别方法,其中,所述基于所述自相关特征,识别重复频率调制类型,包括:
在确定所述第二自相关特征值小于或等于第二预设阈值的情况下,重复频率调制类型为抖动调制;以及
在确定所述第二自相关特征值大于第二预设阈值的情况下,重复频率调制类型为滑变调制。
10.根据权利要求1所述的识别方法,还包括:
获取辐射源发射的多个脉冲信号的到达时间;
根据所述到达时间,计算所述脉冲重复间隔序列的多个序列值;
剔除所述多个序列值的异常序列值;以及
将剔除后的序列值构建为所述脉冲重复间隔序列。
CN202210315109.9A 2022-03-29 2022-03-29 重复频率调制类型的识别方法 Active CN114417943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210315109.9A CN114417943B (zh) 2022-03-29 2022-03-29 重复频率调制类型的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210315109.9A CN114417943B (zh) 2022-03-29 2022-03-29 重复频率调制类型的识别方法

Publications (2)

Publication Number Publication Date
CN114417943A CN114417943A (zh) 2022-04-29
CN114417943B true CN114417943B (zh) 2022-06-10

Family

ID=81263016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210315109.9A Active CN114417943B (zh) 2022-03-29 2022-03-29 重复频率调制类型的识别方法

Country Status (1)

Country Link
CN (1) CN114417943B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114488151B (zh) * 2022-04-08 2022-06-24 中国科学院空天信息创新研究院 针对观测船只的主被动联合探测方法、装置及设备和介质
CN115128569B (zh) * 2022-08-30 2022-11-25 中国电子科技集团公司第十五研究所 雷达侦察全脉冲数据可视化分选方法、服务器及存储介质
CN116821658B (zh) * 2023-06-29 2024-04-12 中国船舶集团有限公司第七二三研究所 一种适应不同重复间隔类型的时钟周期指纹特征提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2309289A1 (fr) * 2009-09-25 2011-04-13 Thales Procédé de séparation de trains d'impulsions radar imbriqués
US20120293363A1 (en) * 2011-05-20 2012-11-22 Kyu-Ha Song Method and device for recognizing pri modulation type of radar signal
CN107843876A (zh) * 2017-09-14 2018-03-27 福建雷神网盾电子科技有限公司 一种雷达脉冲重频的分选方法及设备
CN113109784A (zh) * 2021-04-28 2021-07-13 中国人民解放军63892部队 一种基于盲源分离的雷达脉冲重复间隔估计方法
CN114089285A (zh) * 2022-01-24 2022-02-25 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2309289A1 (fr) * 2009-09-25 2011-04-13 Thales Procédé de séparation de trains d'impulsions radar imbriqués
US20120293363A1 (en) * 2011-05-20 2012-11-22 Kyu-Ha Song Method and device for recognizing pri modulation type of radar signal
CN107843876A (zh) * 2017-09-14 2018-03-27 福建雷神网盾电子科技有限公司 一种雷达脉冲重频的分选方法及设备
CN113109784A (zh) * 2021-04-28 2021-07-13 中国人民解放军63892部队 一种基于盲源分离的雷达脉冲重复间隔估计方法
CN114089285A (zh) * 2022-01-24 2022-02-25 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种雷达脉冲序列重频类型识别方法;盛九朝 等;《舰船电子对抗》;20030831;第26卷(第04期);第4-6页 *
一种雷达脉冲的去交错和识别新算法;陶荣辉 等;《信息与电子工程》;20050331;第3卷(第01期);第18-21页 *
对基于PRI谱计算脉冲重复间隔的一种改进方法;王文光 等;《雷达与对抗》;20060430(第04期);第22-24页 *

Also Published As

Publication number Publication date
CN114417943A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114417943B (zh) 重复频率调制类型的识别方法
CN111178380B (zh) 数据分类方法、装置及电子设备
US8233873B2 (en) Device and methods for enhanced matched filtering based on correntropy
KR20170108330A (ko) 악성 코드 탐지 장치 및 방법
US20200125836A1 (en) Training Method for Descreening System, Descreening Method, Device, Apparatus and Medium
CN102592280B (zh) 采用多窗口特征分析的高光谱图像异常检测方法
CN106600602A (zh) 基于聚类自适应窗高光谱图像异常检测方法
US20200065664A1 (en) System and method of measuring the robustness of a deep neural network
CN114415112B (zh) 多星多辐射源数据动态关联方法、装置及电子设备
US20110270792A1 (en) Method and apparatus for hypothesis testing
US20210374864A1 (en) Real-time time series prediction for anomaly detection
Pasquini et al. A Benford-Fourier JPEG compression detector
US20210027202A1 (en) Method, system, and computer readable medium for performance modeling of crowd estimation techniques
CN112632609A (zh) 异常检测方法、装置、电子设备及存储介质
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN110941824B (zh) 一种基于对抗样本增强模型抗攻击能力的方法和系统
CN106407991B (zh) 图像属性识别方法和系统以及相关网络训练方法和系统
KR102209505B1 (ko) 데이터 빈도수 분석을 통한 인공지능 학습 방법 및 장치
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
CN115761842A (zh) 一种人脸底库自动更新方法、装置
KR20200046815A (ko) Hmm과 신경망을 이용한 레이더 신호 분류 방법
US20220124487A1 (en) Rf fingerprint signal processing device and rf fingerprint signal processing method
CN111640076B (zh) 一种图像补全方法、装置及电子设备
WO2020070792A1 (ja) 船舶検出システム、方法およびプログラム
CN113656314A (zh) 压力测试处理方法及装置

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