CN114839601B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114839601B
CN114839601B CN202210776416.7A CN202210776416A CN114839601B CN 114839601 B CN114839601 B CN 114839601B CN 202210776416 A CN202210776416 A CN 202210776416A CN 114839601 B CN114839601 B CN 114839601B
Authority
CN
China
Prior art keywords
pulse
time sequence
radar
frequent item
initial
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
CN202210776416.7A
Other languages
English (en)
Other versions
CN114839601A (zh
Inventor
刘章孟
袁硕
徐涛
尚文秀
罗政昊
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210776416.7A priority Critical patent/CN114839601B/zh
Publication of CN114839601A publication Critical patent/CN114839601A/zh
Application granted granted Critical
Publication of CN114839601B publication Critical patent/CN114839601B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

Abstract

本申请涉及一种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。通过先验知识设置重频间隔范围，计算重频间隔范围内的脉间时差，通过对频繁项进行提取，抽取相似的重频模式片段，可以大幅缩减雷达脉冲序列的冗余度，显著提高对参数测量误差、干扰脉冲等随机数据的适应能力。将频繁项进行评分获取初始一维时序特征，再通过关联度评分对初始一维时序特征进行扩展，最终获取到高维时序特征；使用高维时序特征表征雷达信号的电磁辐射规律，能够显著增强不同雷达信号之间的区分度，对提高同频雷达的识别能力、告警能力都有直接的帮助。

Description

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
技术领域
本发明涉及电磁信息处理技术领域，特别是涉及一种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。
背景技术
雷达是广泛搭载于各类军民用空中飞行器、海面舰船等平台的重要传感器，通过向特定空域辐射电磁波并接收处理信号回波进行工作，用于执行环境监视、威胁预警、目标识别与跟踪等任务，是借助电磁能量实现环境感知的重要手段。现代雷达往往同时具备目标搜索、跟踪、成像等多种功能，雷达信号载频、脉宽等参数和多个脉冲之间的时序结构等特征与雷达所执行的功能密切相关，是电子侦察系统识别雷达类型与型号、研判雷达工作状态与威胁等级、设置雷达干扰策略和参数的重要依据。但在实际电磁环境中，雷达辐射源往往在多种工作模式之间频繁切换，且非合作电子侦收系统截获的雷达信号通常会受到多类噪声的严重污染，主要包括雷达信号参数测量误差和漏脉冲、干扰脉冲等数据噪声，这些因素都导致雷达信号特征难以直接从电子侦察数据中快速提取。
尽管雷达信号参数呈现出显著的复杂性、多变性，但随着电子侦察系统截获数据的持续积累，侦察数据的数量往往大幅超过雷达信号参数特征的维数，因而可以采用机器学习的方法从雷达侦察大数据中提取雷达信号的稳定特征。高维时序特征是雷达信号特征的一个重要组成，多个信号沿时间轴的排列方式与雷达所执行的功能密切相关。但是，维数越高的时序特征越容易受到数据噪声的破坏，从电子侦察数据中成功提取的难度也越大。频繁项分析是数据科学领域的一类重要方法，在分析工程、商业等领域不同数据和事件之间关联性方面已取得显著应用成果。尽管雷达信号高维重频时序特征在电子侦察大数据中频繁出现，但是其特征形式、数据样式与频繁项技术所使用的传统领域中的特征和数据存在显著区别，需要对该技术加以创新才能较好地解决雷达信号高维时序特征提取的问题。
刘章孟等人2020年首次将频繁项分析技术应用于雷达侦察信号分析（“常规体制雷达侦察信号重频模式的自动解析”，电子对抗，2020.10），随后，于 2021年将该技术推广应用于多功能雷达侦察信号的分析（“多功能雷达脉冲序列的语义编码与模型重建”，雷达学报，2021.08）。这些成果从原理上初步验证了频繁项分析技术应用于提取雷达信号特征的可行性，但是，2020 年的成果仅适用于具有确定性全局重频模式的常规体制雷达，2021年的成果没有涉及对雷达脉组内部数据噪声的处理，它们所考虑的雷达信号形式与实际应用场景存在较大偏差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够消除各种参数测量误差、数据噪声等负面影响，提高同频雷达的识别能力、告警能力，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。
一种基于频繁项分析的雷达信号高维时序特征提取方法，所述方法包括：获取雷达原始脉冲序列，对所述雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列；设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对所述多个脉间时差进行聚类分析，得到载频簇；设定频次阈值，对所述载频簇进行筛选，得到重频频繁项集；其中，所述载频簇位于所述重频间隔范围内；根据择优准则，对重频频繁项集中各频繁项进行评分，选取评分最高的频繁项作为所述雷达脉冲子序列的初始一维时序特征，并存储对应的脉冲片段集合；将所述初始一维时序特征遍历所述重频频繁项集中所有频繁项，并对各频繁项与所述初始一维时序特征的关联度进行评分；选取评分超过设定关联度阈值且评分最高的频繁项，对所述初始一维时序特征进行关联扩展，并更新所述脉冲片段集合；进入新一轮时序特征迭代扩展。
在其中一个实施例中，还包括，获取雷达原始脉冲序列，对所述雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列，包括：通过电子侦察获取雷达原始脉冲序列，以及从接收机中获取信号载频，根据所述信号载频对所述雷达原始脉冲序列进行聚类分析，得到载频簇，根据载频簇中的载频参数，将所述雷达原始脉冲序列分解为多个雷达脉冲子序列；其中，每个雷达脉冲子序列对应一个特定的载频值。
在其中一个实施例中，还包括，设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对所述多个脉间时差进行聚类分析，得到载频簇；并设定阈值进行筛选，对所述载频簇进行筛选，得到重频频繁项集，包括：根据先验知识设置有效的重频间隔范围，计算两两相邻雷达脉冲子序列之间的脉间时差，得到多个脉间时差；获取重频间隔范围内的脉间时差及所述雷达脉冲子序列对应的脉冲片段集合序号作为脉间时差观测值；对所述脉间时差观测值进行聚类分析，并设定频次阈值，对聚类分析后的脉间时差观测值进行筛选，提取出现频次超过所述频次阈值的脉间时差观测值作为重频频繁项集。
在其中一个实施例中，还包括，所述择优准则包括：根据各频繁项的出现频次和脉间重频值之商作为所述初始一维时序特征的评价参数。
在其中一个实施例中，还包括，将所述初始一维时序特征遍历所述重频频繁项集中所有频繁项包括：遍历所述重频频繁项集时，考虑正向扩展评估和反向扩展评估两种可能，其中，正向表示为顺着时间轴的方向，反向表示为逆着时间轴的方向。
在其中一个实施例中，还包括，所述正向扩展评估包括：将所述初始一维时序特征遍历所述重频频繁项集，分别统计各频繁项中的首脉冲与所述初始一维时序特征中的尾脉冲的重复脉冲项数，记录重复脉冲项数最大值及对应的频繁项序号，将所述重复脉冲项数最大值作为正向扩展最高评分。
在其中一个实施例中，还包括，所述反向扩展评估包括：将所述初始一维时序特征遍历所述重频频繁项集，统计各频繁项中的尾脉冲与所述初始一维时序特征中的首脉冲的重复脉冲项数，记录重复脉冲项数最大值及对应的频繁项序号，将所述重复脉冲项数最大值作为反向扩展最高评分。
在其中一个实施例中，还包括，所述选取评分超过设定关联度阈值且评分最高的频繁项，对所述初始一维时序特征进行关联扩展，并更新所述脉冲片段集合；进入新一轮时序特征迭代扩展，包括：取所述正向扩展最高评分和所述反向扩展最高评分中的较大值；若较大值不小于所述设定关联度阈值且正向扩展最高评分不小于反向扩展最高评分，则选取正向扩展最高评分对应的频繁项作为扩展频繁项，对所述初始一维时序特征进行正向关联扩展；若较大值不小于所述设定关联度阈值且反向扩展最高评分大于正向扩展最高评分，则选取反向扩展最高评分对应的频繁项作为扩展频繁项，对所述初始一维时序特征进行反向关联扩展。将扩展频繁项对应的时序特征的尾脉冲衔接至所述初始一维时序特征对应的脉冲片段集合之后，得到新的脉冲片段集合；进入新一轮时序特征迭代扩展。
在其中一个实施例中，还包括：所述聚类分析采用直方图聚类分析。
一种基于频繁项分析的雷达信号高维时序特征提取装置，所述装置包括：
聚类分析模块，获取雷达原始脉冲序列，对所述雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列；设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对所述多个脉间时差进行聚类分析，得到载频簇。
重频频繁项提取模块，设定频次阈值，对所述载频簇进行筛选，得到重频频繁项集；其中，所述载频簇位于所述重频间隔范围内。
初始一维时序特征提取模块，用于根据择优准则，对重频频繁项集中各频繁项进行评分，选取评分最高的频繁项作为所述雷达脉冲子序列的初始一维时序特征，并存储对应的脉冲片段集合。
高维时序特征扩展模块，将所述初始一维时序特征遍历所述重频频繁项集中所有频繁项，并对各频繁项与所述初始一维时序特征的关联度进行评分；选取评分超过设定关联度阈值且评分最高的频繁项，对所述初始一维时序特征进行关联扩展，并更新所述脉冲片段集合；进入新一轮时序特征迭代扩展。
上述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，利用重频参数的聚类特性和时序关联性，通过先验知识设置重频间隔范围，计算重频间隔范围内的脉间时差，而电子侦察数据中隐藏的雷达信号特征具有丰富的冗余信息，雷达经常使用的重频间隔和时序在侦察数据中都会构成频繁项，通过对频繁项进行提取，抽取相似的重频模式片段，可以大幅缩减雷达脉冲序列的冗余度，显著提高对参数测量误差、干扰脉冲等随机数据的适应能力。
将频繁项进行评分获取初始一维时序特征，再通过关联度评分对初始一维时序特征进行扩展，最终获取到高维时序特征；使用高维时序特征表征雷达信号的电磁辐射规律，能够显著增强不同雷达信号之间的区分度，对提高同频雷达的识别能力、告警能力都有直接的帮助。
附图说明
图1为本发明所提供的基于频繁项分析的雷达信号高维时序特征提取方法的流程图；
图2为初始一维时序特征关联扩展流程图；
图3为一个实施例中电子侦察接收机在 0.44 秒左右时间里截获的雷达信号的载频随到达时间的散布图；
图4为一个实施例中雷达信号载频聚类的直方图；
图5为一个实施例中载频位于 5300MHz 附近的雷达信号脉间时差分布直方图；
图6为一个实施例中雷达信号时序特征由一维扩展到二维时各候选频繁项的评分图，其中，（a）为正向扩展频繁项评分图，（b）为反向扩展频繁项评分图；
图7为一个实施例中雷达信号高维时序特征对应脉冲序列的脉宽分布直方图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
应当知道的是，雷达在执行目标探测任务，持续向空间辐射电磁脉冲，脉冲的基本参数包括载频、脉宽、发射时间等，其中各脉冲的发射时间构成了脉冲列的时序结构。雷达针对特定的距离和方位上的目标执行一次搜索或跟踪等任务的脉冲组合称为脉组，各脉组通常具有确定的时序结构，也可能包含少量的捷变参数，是雷达脉冲序列的基本信息单元。
如图1所示，为本发明所提供的基于频繁项分析的雷达信号高维时序特征提取方法的流程图，包括以下步骤：
S1，获取雷达原始脉冲序列，对雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列。
具体的，利用重频参数的聚类特性，根据接收机获取的信号载频对通过电子侦察获取的雷达原始脉冲序列进行聚类分析，得到载频簇，根据载频簇将雷达原始脉冲序列分解为多个雷达脉冲子序列；其中，每个雷达脉冲子序列对应一个特定的载频值。
值得说明的是，本发明雷达原始脉冲序列为非合作电子侦察系统截获的。
S2，设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对多个脉间时差进行聚类分析，得到载频簇。
具体的，利用重频模式的时序关联性，根据先验知识设置有效的重频间隔范围，计算两两相邻雷达脉冲子序列之间的脉间时差，得到多个脉间时差（DTOA）；获取重频间隔范围内的脉间时差及所述雷达脉冲子序列对应的首、尾脉冲序号作为脉间时差观测值；对脉间时差观测值进行聚类分析，得到载频簇。
S3，设定频次阈值，对载频簇进行筛选，得到重频频繁项集；其中，载频簇位于重频间隔范围内。
具体的，设定阈值，通过对载频簇进行筛选，得到脉冲列中多次出现的脉间时差（DTOA），将其定义为重频频繁项集；其中，每个脉间时差（DTOA）对应一个频繁项。
值得说明的是，上述频次阈值，是指对载频簇进行聚类分析时，用于判定某个重频间隔是否为频繁项的出现频次门限值，将出现频次高于该阈值的重频间隔定为频繁项。频次阈值的最优取值依赖于雷达脉冲子序列中所包含的脉冲数、雷达重频模式的复杂度、雷达脉冲子序列中数据噪声大小等因素，难以准确确定，可选取子序列脉冲数的1/100作为经验值。
S4，根据择优准则，对重频频繁项集中各频繁项进行评分，选取评分最高的频繁项作为雷达脉冲子序列的初始一维时序特征，并存储对应的脉冲片段集合。
值得说明的是，上述对初始一维时序特征的提取，以三维特征为例，可表示为三个连续脉冲间隔的串联形式：[PRI1,PRI2,PRI3]，其中所包含的三个元素PRI1、PRI2、PRI3称为雷达脉冲子序列的一维时序特征，通过对各频繁项进行评分，选取评分最高的作为初始一维时序特征。本发明的主要实现过程是先提取这些一维时序特征，然后对它们进行关联扩展，经两次关联之后，得到符合实际数据的三维特征。
脉冲片段集合为时序特征的首、尾脉冲序号。
S5，将初始一维时序特征遍历所述重频频繁项集中所有频繁项，并对各频繁项与初始一维时序特征的关联度进行评分；选取评分超过设定关联度阈值且评分最高的频繁项，对初始一维时序特征进行关联扩展，并更新所述脉冲片段集合；进入新一轮时序特征迭代扩展。
具体的，如图2所示，为初始一维时序特征关联扩展流程图，以已提取的初始一维时序特征为基础考虑正向（顺着时间轴方向）关联和反向（逆着时间轴方向）关联两种可能，遍历频繁项集中的所有频繁项，对每个频繁项与已提取的初始一维时序特征的关联度进行评分，依据最高评分确定是否对时序特征继续进行维数扩展，以及扩展方向和对应的脉冲间隔频繁项。
设已提取的初始一维时序特征为
Figure 858410DEST_PATH_IMAGE001
，对应的雷达脉冲子列在雷达原始脉冲列中的需要矩阵为
Figure 41130DEST_PATH_IMAGE002
,该矩阵每一行对应符合所提取初始一维时序特征的一个脉冲片段，首脉冲在前，尾脉冲在后；脉冲间隔聚类得到的
Figure 289708DEST_PATH_IMAGE003
个频繁项集记为
Figure 888180DEST_PATH_IMAGE004
，各频繁项对应的脉冲序号集合依次为
Figure 968131DEST_PATH_IMAGE005
，选取各频繁项与已提取的初始一维时序特征的关联脉冲数作为关联度评分准则，将时序特征维数扩展的关联度阈值设置为
Figure 259436DEST_PATH_IMAGE007
，对初始一维时序特征维数进行扩展。
考虑正向扩展评估：遍历所有
Figure 729731DEST_PATH_IMAGE008
个频繁项
Figure 397473DEST_PATH_IMAGE009
，分别统计各时差频繁项对应的脉冲对序号集合
Figure 331931DEST_PATH_IMAGE010
中的首脉冲与已提取的初始一维时序特征对应的脉冲片段矩阵
Figure 27092DEST_PATH_IMAGE012
中尾脉冲集合的重复项数，记录重复脉冲数最大值
Figure 250263DEST_PATH_IMAGE013
及对应的时差频繁项序号。
考虑反向扩展评估：遍历所有
Figure 252854DEST_PATH_IMAGE014
个频繁项
Figure 245081DEST_PATH_IMAGE015
，分别统计各时差频繁项对应的脉冲对序号集合
Figure 878188DEST_PATH_IMAGE016
中的尾脉冲与已提取的初始一维时序特征对应的脉冲片段矩阵
Figure 588655DEST_PATH_IMAGE017
中首脉冲集合的重复项数，记录重复脉冲数最大值
Figure 129357DEST_PATH_IMAGE018
及对应的时差频繁项序号；
确定特征扩展策略：记正向和后向扩展的最高评分为
Figure 976091DEST_PATH_IMAGE019
，若
Figure 576836DEST_PATH_IMAGE020
，则终止特征维数扩展过程；若
Figure 774599DEST_PATH_IMAGE021
且
Figure 56676DEST_PATH_IMAGE022
，则选取评分等于
Figure 522030DEST_PATH_IMAGE023
的时差频繁项对已有初始一维时序特征进行正向扩展；否则，选取评分等于
Figure 762519DEST_PATH_IMAGE025
的时差频繁项对已有时序特征进行反向扩展。
若对初始一维时序特征进行扩展，则更新该特征及对应的脉冲片段集合，然后继续进行新一轮的特征关联尝试；否则，终止迭代，从雷达脉冲子列中抽取已提取高维时序特征对应的脉冲序列，统计该脉冲列的脉宽参数，输出{载频，高维重频时序，脉宽}参数。
值得说明的是，上述关联度阈值，是指对两个脉冲间隔进行关联判决时，用于判定关联合理性的关联度门限值，依赖于两个脉冲间隔对应脉冲片段集合的重叠脉冲数目。例如，记两个一维特征分别为a、b，对应脉冲片段集合分别为A、B，如果将两者扩展得到二维特征a-b，则其关联度评分为脉冲片段集合A的尾脉冲集合与脉冲片段集合B的首脉冲集合中重叠元素的数目。与重频频繁项出现频次阈值类似，一维特征关联度阈值的最优取值也依赖于雷达脉冲子序列中所包含的脉冲数、雷达重频模式的复杂度、雷达脉冲子序列中数据噪声大小等因素，难以准确确定，可选取子序列脉冲数的1/200作为经验值。
本发明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，利用重频参数的聚类特性和时序关联性，通过先验知识设置重频间隔范围，计算重频间隔范围内的脉间时差，而电子侦察数据中隐藏的雷达信号特征具有丰富的冗余信息，雷达经常使用的重频间隔和时序在侦察数据中都会构成频繁项，通过对频繁项进行提取，抽取相似的重频模式片段，可以大幅缩减雷达脉冲序列的冗余度，显著提高对参数测量误差、干扰脉冲等随机数据的适应能力。
将频繁项进行评分获取初始一维时序特征，再通过关联度评分对初始一维时序特征进行扩展，最终获取到高维时序特征；使用高维时序特征表征雷达信号的电磁辐射规律，能够显著增强不同雷达信号之间的区分度，对提高同频雷达的识别能力、告警能力都有直接的帮助。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中，还包括；获取雷达原始脉冲序列，对所述雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列，包括：
通过电子侦察获取雷达原始脉冲序列，以及从接收机中获取信号载频，根据所述信号载频对所述雷达原始脉冲序列进行聚类分析，得到载频簇，根据载频簇中的载频参数，将所述雷达原始脉冲序列分解为多个雷达脉冲子序列；其中，每个雷达脉冲子序列对应一个特定的载频值。
具体的，如图3所示，为电子侦察接收机在 0.44 秒左右时间里截获的雷达信号的载频随到达时间的散布图；可以较明显地看出该雷达的信号比较集中地分布在一系列离散频率点上，但由于电子侦察过程中引入了显著的参数测量误差和一定数量的干扰信号，待分析雷达信号的载频、重频等规律并没有在观测数据中直观呈现出来，很难采用观测值求平均的方法直接进行统计分析。
图4是对图3中电子侦察脉冲列的载频进行直方图聚类分析所得到的结果。可以看出，雷达信号载频集中分布在 5300MHz、5360MHz、5420MHz、5540MHz、5660MHz 等几个典型值附近，对应的脉冲数相对于其他载频脉冲有明显的数量优势，可以依据该统计结果确定雷达信号载频集，以及对应的脉冲序列。
在其中一个实施例中，设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对多个脉间时差进行聚类分析，得到载频簇；并设定频次阈值，对载频簇进行筛选，得到重频频繁项集，包括：
根据先验知识设置有效的重频间隔范围，计算两两相邻雷达脉冲子序列之间的脉间时差，得到多个脉间时差；获取重频间隔范围内的脉间时差及所述雷达脉冲子序列对应的首、尾脉冲序号作为脉间时差观测值。
对脉间时差观测值进行聚类分析，并设定阈值，对聚类分析后的脉间时差观测值进行筛选，提取出现频次超过所述频次阈值的脉间时差观测值作为重频频繁项集。
具体的，如图5所示，是基于图4所得到的信号载频聚类结果，选取载频值位于5300MHz附近的雷达脉冲列进行脉间时差计算，并对取值位于
Figure 978736DEST_PATH_IMAGE026
范围内的时差值进行直方图聚类分析所得到的结果。可以看出，雷达信号脉间重频也集中在几个典型值附近，其中取值为448微秒的重频间隔的出现次数最多，这些典型时差值及对应的脉冲片段集合构成了脉间时差频繁项，也是后续步骤中进行高维时序特征扩展时用于关联的候选特征集。
值得说明的是，上述先验知识主要来源于对雷达功能、作用距离、工作原理等信息，以及雷达信号参数测量值等，例如，假设某雷达的最大探测距离为R、雷达信号收发转换时间为T，则雷达重频间隔应小于2R/c（c表示光速）以避免测距模糊，同时应大于T以保证对回波的可靠接收。
在其中一个实施例中，择优准则，包括：根据各频繁项的出现频次和脉间重频值之商作为所述初始一维时序特征的评价参数。
具体的，上述择优准则为根据各频繁项的出现频次和脉间重频值之商作为评价参数，对各频繁项进行评分，最终确定取值为448微秒的脉间时差作为高维时序特征关联的初始以为特征。
择优准则具体可表示为：NPRI/PRI，其中PRI表示该一维时序特征对应的脉间重频间隔值，NPRI表示该一维时序特征在子序列中的出现频次。
在其中一个实施例中，将初始一维时序特征遍历所述重频频繁项集中所有频繁项包括：
遍历所述重频频繁项集时，考虑正向扩展评估和反向扩展评估两种可能，其中，正向表示为顺着时间轴的方向，反向表示为逆着时间轴的方向。
在其中一个实施例中，正向扩展评估包括：
将初始一维时序特征遍历重频频繁项集，分别统计各频繁项中的首脉冲与初始一维时序特征中的尾脉冲的重复脉冲项数，记录重复脉冲项数最大值及对应的频繁项序号，将重复脉冲项数最大值作为正向扩展最高评分。
在其中一个实施例中，反向扩展评估包括：
将初始一维时序特征遍历重频频繁项集，统计各频繁项中的尾脉冲与初始一维时序特征中的首脉冲的重复脉冲项数，记录重复脉冲项数最大值及对应的频繁项序号，将重复脉冲项数最大值作为反向扩展最高评分。
在其中一个实施例中，选取评分超过设定关联度阈值且评分最高的频繁项，对初始一维时序特征进行关联扩展，并更新首尾脉冲片段集合；进入新一轮时序特征迭代扩展，包括：
取正向扩展最高评分和反向扩展最高评分中的较大值。
若较大值不小于所述设定关联度阈值且正向扩展最高评分不小于反向扩展最高评分，则选取正向扩展最高评分对应的频繁项作为扩展频繁项，对初始一维时序特征进行正向关联扩展。
若较大值不小于所述设定关联度阈值且反向扩展最高评分大于正向扩展最高评分，则选取反向扩展最高评分对应的频繁项作为扩展频繁项，对初始一维时序特征进行反向关联扩展。将扩展频繁项对应的时序特征的尾脉冲衔接至初始一维时序特征对应的首、尾脉冲序号之后，得到新的首、尾脉冲序号。
进入新一轮时序特征迭代扩展。
具体的，如图6所示，显示了遍历各时差频繁项并尝试对第初始一维时序特征进行关联扩展时， 各频繁项在正向和反向两种关联方式条件下的评分，其中评分准则设置为成功关联的脉冲数量，（a）对应于沿时间轴正向扩展时的评分，（b）对应于沿时间轴反向扩展时的评分。在正向和反向两种关联方式条件下，序号为 8（对应的时差值为 448微秒）的脉冲间隔频繁项都获得了最高分值，且两者分值相等， 都大于预设分值阈值
Figure 330083DEST_PATH_IMAGE028
。依据技术方案部分给出的本发明方法的特征扩展准则，选取该频繁项对已有初始一维时序特征进行正向关联扩展，得到二维时序特征，并将新增特征的尾脉冲衔接至原有一维特征对应脉冲片段集合之后，得到新的脉冲片段集。随后，进入新一轮的时序特征关联循环。执行该特征扩展操作，直至特征维数达到20维，当进行第21维特征关联尝试时，所得到的正向和反向特征扩展评分都低于阈值
Figure 885830DEST_PATH_IMAGE030
，因而终止该循环过程，输出所得到的20维时差序列作为雷达信号高维时序特征分析结果。
图7是对输出的20维脉间时序特征对应的脉冲片段集合中各脉冲的脉宽进行直方图统计的结果。可以看出，该时序特征对应的大部分雷达信号的脉宽集中在 2.5微秒至3微秒之间，但受到各种测量误差和干扰脉冲的影响，少量脉冲的脉宽值偏离了这一范围。采用求平均值的方法对该重频模式对应脉冲的脉宽参数进行统计，得到其脉宽值约为2.83微秒。最后，输出脉宽值2.83微秒和上述20维脉间重频特征作为该雷达信号在5300MHz载频处的特征。采用同样的方法，可以对图4中其他各显著载频值对应的雷达信号进行高维时序特征提取。
在其中一个实施例中，所述聚类分析采用直方图聚类分析。
一种基于频繁项分析的雷达信号高维时序特征提取装置，包括：
聚类分析模块，获取雷达原始脉冲序列，对雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列；设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对多个脉间时差进行聚类分析，得到载频簇。
重频频繁项提取模块，设定频次阈值，对载频簇进行筛选，得到重频频繁项集；其中，载频簇位于所述重频间隔范围内。
初始一维时序特征提取模块，用于根据择优准则，对重频频繁项集中各频繁项进行评分，选取评分最高的频繁项作为所述雷达脉冲子序列的初始一维时序特征，并存储对应的脉冲片段集合。
高维时序特征扩展模块，将初始一维时序特征遍历重频频繁项集中所有频繁项，并对各频繁项与初始一维时序特征的关联度进行评分；选取评分超过设定关联度阈值且评分最高的频繁项，对初始一维时序特征进行关联扩展，并更新所述脉冲片段集合；进入新一轮时序特征迭代扩展。
关于基于频繁项分析的雷达信号高维时序特征提取装置的具体限定可以参见上文中对于基于频繁项分析的雷达信号高维时序特征提取方法的限定，在此不再赘述。上述基于频繁项分析的雷达信号高维时序特征提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于频繁项分析的雷达信号高维时序特征提取方法，其特征在于，所述方法包括：
获取雷达原始脉冲序列，对所述雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列；
设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对所述多个脉间时差进行聚类分析，得到载频簇；
设定频次阈值，对所述载频簇进行筛选，得到重频频繁项集；其中，所述载频簇位于所述重频间隔范围内；
根据择优准则，对重频频繁项集中各频繁项进行评分，选取评分最高的频繁项作为所述雷达脉冲子序列的初始一维时序特征，并存储对应的脉冲片段集合；
将所述初始一维时序特征遍历所述重频频繁项集中所有频繁项，并对各频繁项与所述初始一维时序特征的关联度进行评分；选取评分超过设定关联度阈值且评分最高的频繁项，对所述初始一维时序特征进行关联扩展，并更新所述脉冲片段集合；进入新一轮时序特征迭代扩展，最终获取到高维时序特征；否则，终止迭代，从雷达脉冲子列中抽取已提取高维时序特征对应的脉冲序列，统计该脉冲列的脉宽参数，输出载频、高维重频时序、脉宽参数。
2.根据权利要求1所述的方法，其特征在于，获取雷达原始脉冲序列，对所述雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列，包括：
通过电子侦察获取雷达原始脉冲序列，以及从接收机中获取信号载频，根据所述信号载频对所述雷达原始脉冲序列进行聚类分析，得到载频簇；根据载频簇中的载频参数，将所述雷达原始脉冲序列分解为多个雷达脉冲子序列；其中，每个雷达脉冲子序列对应一个特定的载频值。
3.根据权利要求1或2所述的方法，其特征在于，设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对所述多个脉间时差进行聚类分析，得到载频簇；并设定频次阈值，对所述载频簇进行筛选，得到重频频繁项集，包括：
根据先验知识设置有效的重频间隔范围，计算两两相邻雷达脉冲子序列之间的脉间时差，得到多个脉间时差；获取重频间隔范围内的脉间时差及所述雷达脉冲子序列对应的脉冲片段集合作为脉间时差观测值；
对所述脉间时差观测值进行聚类分析，并设定频次阈值，对聚类分析后的脉间时差观测值进行筛选，提取出现频次超过所述频次阈值的脉间时差观测值作为重频频繁项集。
4.根据权利要求1所述的方法，其特征在于，所述择优准则，包括：
根据各频繁项的出现频次和脉间重频值之商作为所述初始一维时序特征的评价参数。
5.根据权利要求1所述的方法，其特征在于，将所述初始一维时序特征遍历所述重频频繁项集中所有频繁项，包括：
遍历所述重频频繁项集时，考虑正向扩展评估和反向扩展评估两种可能，其中，正向表示为顺着时间轴的方向，反向表示为逆着时间轴的方向。
6.根据权利要求5所述的方法，其特征在于，所述正向扩展评估包括：
将所述初始一维时序特征遍历所述重频频繁项集，分别统计各频繁项中的首脉冲与所述初始一维时序特征中的尾脉冲的重复脉冲项数，记录重复脉冲项数最大值及对应的频繁项序号，将所述重复脉冲项数最大值作为正向扩展最高评分。
7.根据权利要求6所述的方法，其特征在于，所述反向扩展评估包括：
将所述初始一维时序特征遍历所述重频频繁项集，统计各频繁项中的尾脉冲与所述初始一维时序特征中的首脉冲的重复脉冲项数，记录重复脉冲项数最大值及对应的频繁项序号，将所述重复脉冲项数最大值作为反向扩展最高评分。
8.根据权利要求7所述的方法，其特征在于，所述选取评分超过设定关联度阈值且评分最高的频繁项，对所述初始一维时序特征进行关联扩展，并更新所述首尾脉冲片段集合；进入新一轮时序特征迭代扩展，包括：
取所述正向扩展最高评分和所述反向扩展最高评分中的较大值；
若较大值不小于所述设定关联度阈值且正向扩展最高评分不小于反向扩展最高评分，则选取正向扩展最高评分对应的频繁项作为扩展频繁项，对所述初始一维时序特征进行正向关联扩展；
若较大值不小于所述设定关联度阈值且反向扩展最高评分大于正向扩展最高评分，则选取反向扩展最高评分对应的频繁项作为扩展频繁项，对所述初始一维时序特征进行反向关联扩展；
将扩展频繁项对应的时序特征的尾脉冲衔接至所述初始一维时序特征对应的脉冲片段集合之后，得到新的脉冲片段集合；
进入新一轮时序特征迭代扩展。
9.根据权利要求3所述的方法，其特征在于，所述对所述脉间时差观测值进行聚类分析，包括：
所述聚类分析采用直方图聚类分析。
10.一种基于频繁项分析的雷达信号高维时序特征提取装置，其特征在于，所述装置包括：
聚类分析模块，获取雷达原始脉冲序列，对所述雷达原始脉冲序列进行分解，得到多个雷达脉冲子序列；设置重频间隔范围，计算两两相邻雷达脉冲子序列的脉间时差，得到多个脉间时差，对所述多个脉间时差进行聚类分析，得到载频簇；
重频频繁项提取模块，通过设定频次阈值，对所述载频簇进行筛选，得到重频频繁项集；其中，所述载频簇位于所述重频间隔范围内；
初始一维时序特征提取模块，用于根据择优准则，对重频频繁项集中各频繁项进行评分，选取评分最高的频繁项作为所述雷达脉冲子序列的初始一维时序特征，并存储对应的脉冲片段集合；
高维时序特征扩展模块，将所述初始一维时序特征遍历所述重频频繁项集中所有频繁项，并对各频繁项与所述初始一维时序特征的关联度进行评分；选取评分超过设定关联度阈值且评分最高的频繁项，对所述初始一维时序特征进行关联扩展，并更新所述脉冲片段集合；进入新一轮时序特征迭代扩展，最终获取到高维时序特征；否则，终止迭代，从雷达脉冲子列中抽取已提取高维时序特征对应的脉冲序列，统计该脉冲列的脉宽参数，输出载频、高维重频时序、脉宽参数。
CN202210776416.7A 2022-07-04 2022-07-04 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 Active CN114839601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776416.7A CN114839601B (zh) 2022-07-04 2022-07-04 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776416.7A CN114839601B (zh) 2022-07-04 2022-07-04 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

Publications (2)

Publication Number Publication Date
CN114839601A CN114839601A (zh) 2022-08-02
CN114839601B true CN114839601B (zh) 2022-09-16

Family

ID=82573578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776416.7A Active CN114839601B (zh) 2022-07-04 2022-07-04 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

Country Status (1)

Country Link
CN (1) CN114839601B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016177437A1 (en) * 2015-05-05 2016-11-10 Balabit S.A. Computer-implemented method for determining computer system security threats, security operations center system and computer program product
CN108073575A (zh) * 2016-06-14 2018-05-25 电子科技大学 一种基于改进Prefixspan算法的雷达数据频繁模式挖掘方法
CN109344150A (zh) * 2018-08-03 2019-02-15 昆明理工大学 一种基于fp-树的时空数据挖掘分析方法
CN111309777A (zh) * 2020-01-14 2020-06-19 哈尔滨工业大学 一种基于互斥表达的改进关联规则报表数据挖掘方法
CN112367325A (zh) * 2020-11-13 2021-02-12 中国人民解放军陆军工程大学 基于闭合频繁项挖掘的未知协议报文聚类方法和系统
CN114019505A (zh) * 2021-11-09 2022-02-08 中国人民解放军海军航空大学 一种基于pri区间信息的雷达信号分选方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6941303B2 (en) * 2000-09-20 2005-09-06 Ndsu Research Foundation System and method for organizing, compressing and structuring data for data mining readiness
JP4676498B2 (ja) * 2005-10-07 2011-04-27 株式会社日立製作所 相関ルールを抽出する方法及びシステム
US9983294B2 (en) * 2013-02-01 2018-05-29 Mitsubishi Electric Corporation Radar system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016177437A1 (en) * 2015-05-05 2016-11-10 Balabit S.A. Computer-implemented method for determining computer system security threats, security operations center system and computer program product
CN108073575A (zh) * 2016-06-14 2018-05-25 电子科技大学 一种基于改进Prefixspan算法的雷达数据频繁模式挖掘方法
CN109344150A (zh) * 2018-08-03 2019-02-15 昆明理工大学 一种基于fp-树的时空数据挖掘分析方法
CN111309777A (zh) * 2020-01-14 2020-06-19 哈尔滨工业大学 一种基于互斥表达的改进关联规则报表数据挖掘方法
CN112367325A (zh) * 2020-11-13 2021-02-12 中国人民解放军陆军工程大学 基于闭合频繁项挖掘的未知协议报文聚类方法和系统
CN114019505A (zh) * 2021-11-09 2022-02-08 中国人民解放军海军航空大学 一种基于pri区间信息的雷达信号分选方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Optimization Algorithm Improvement of Association Rule Mining Based on Particle Swarm Optimization;Hao Feng 等;《2018 10th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA)》;20180416;第524-529页 *
基于频繁项集挖掘的雷达PRI模式提取方法;宗士强 等;《指挥信息系统与技术》;20180430;第9卷(第2期);第34-38页 *
常规体制雷达交错脉冲列中的重频模式自动解析;康仕乾 等;《信号处理》;20211130;第37卷(第11期);第2069-2076页 *

Also Published As

Publication number Publication date
CN114839601A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Williams Marginal multi-Bernoulli filters: RFS derivation of MHT, JIPDA, and association-based MeMBer
CN109508000A (zh) 异构多传感器多目标跟踪方法
CA2835026C (en) Method, system and program product for deinterleaving and classifying arbitrary radar pulse patterns using non-determinsitic finite state automata
EP2581758B1 (en) Methods for resolving radar ambiguities using multiple hypothesis tracking
KR102065980B1 (ko) 표적 탐지 방법
CN108957437B (zh) 一种基于环境态势分析的雷达目标跟踪方法
CN107561518A (zh) 基于二维滑窗局部极值的三坐标雷达点迹凝聚方法
CN113933790A (zh) 一种相控阵雷达工作模式的反演识别方法、装置及介质
CN115372995A (zh) 一种基于欧式聚类的激光雷达目标检测方法及系统
CN108535704B (zh) 一种基于自适应二维聚类的信号预分选方法
CN114839601B (zh) 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
Fontana et al. Bernoulli merging for the Poisson multi-Bernoulli mixture filter
CN110231602B (zh) 一种基于二维分区处理的大批量海面目标点迹提取算法
CN114660566B (zh) 虚假目标剔除方法、装置、计算机设备及存储介质
CN106842142B (zh) 基于子区处理的海面搜索雷达大批量点迹提取算法
CN113109761B (zh) 一种基于多假设跟踪算法的面向轨迹减少计算时间方法
CN111624575B (zh) 一种未知雷达目标脉冲序列的快速提取方法及系统
Smock et al. DynaMax+ ground-tracking algorithm
US20240069187A1 (en) Tracking apparatus
CN114019490B (zh) 一种多目标天线扫描周期估算方法
CN112068089B (zh) 一种基于粒子滤波的序列检索方法
CN116482678B (zh) 天基雷达海面探测波位优化方法、设备及存储介质
Li et al. Radar signal sorting technology based on image processing and Hough transform
KR102065979B1 (ko) 일정 오경보율 처리의 임계치 설정 방법 및 기록 매체
Zhang et al. Research on target detection and segmentation in forward looking multi-beam sonar images

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