CN115166678B - 复杂场景雷达辐射源脉冲信号分选与认知对抗系统 - Google Patents

Abstract

本发明提出了一种复杂场景雷达辐射源脉冲信号分选与认知对抗系统，它包括特征学习模块、首次聚类模块、参数调整模块、脉内信息分选模块、脉间信息分选模块、已知雷达辐射源目标的电磁信号智能表征特征库模块、已知雷达辐射源目标的智能表征模型、未知雷达辐射源目标的表征识别模块、训练样本聚类模块、训练样本分区模块、训练样本学习模块、未知雷达辐射源目标的功能识别模块、未知雷达辐射源目标的行为意图推理模块。本发明能够分析出未知雷达随着观测时间变化而呈现出的功能/状态变化，构建未知雷达电磁目标行为意图表征模型，实现对雷达辐射源的全面认知，从而实现反辐射源导弹攻击的电磁对抗。

Description

复杂场景雷达辐射源脉冲信号分选与认知对抗系统

技术领域

本发明涉及复杂场景下雷达辐射源脉冲信号的认知技术领域，具体地指一种复杂场景雷达辐射源脉冲信号分选与认知对抗系统。

背景技术

反辐射导弹是现代电子战中对雷达等电磁辐射源进行硬杀伤的最有效武器，与先进电磁频谱战设备相配合的反辐射源导弹攻击是未来电磁对抗中的重要手段。

但复杂战场场景给反辐射导弹的精准导引带来了巨大挑战，由于战场空间电磁设备规模使用的不断扩张，形成了战场复杂电磁环境，如未知电磁辐射源种类多、信号密度大，时域、频域电磁信号混叠严重，电磁侦察设备难以对接收到的、属于同一辐射源的电磁信号进行脉冲分离；而且，战时很有可能出现大量未知的雷达信号，由于对于未知电磁辐射源的数据库资源缺乏，这会对安装在制导武器头部的导弹导引头的电磁辐射源感知与识别造成严重影响，进而对反辐射导弹的导引精准带来了巨大挑战；另外，未知雷达辐射源目标的行为意图难以推测，这些将对作战构成巨大的潜在威胁。

发明内容

针对现有技术的不足之处，本发明提出一种复杂场景雷达辐射源脉冲信号分选与认知对抗系统，首先将脉冲信号的脉内信息分选与脉间信息分选相结合，对时频域高度混叠的信号进行分离，实现多目标电磁信号盲分选；然后构建适应典型任务应用的已知雷达辐射源目标的智能表征模型，实现对已知电磁辐射源目标的精准识别和未知雷达辐射源目标的准确表征；最后分析出未知雷达随着观测时间变化而呈现出的功能/状态变化，构建电磁目标行为意图表征模型，实现对雷达辐射源的全面认知，从而实现反辐射源导弹攻击的电磁对抗。

为达到上述目的，本发明所设计的一种复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特别之处在于：包括特征学习模块、首次聚类模块、参数调整模块、脉内信息分选模块、脉间信息分选模块、已知雷达辐射源目标的电磁信号智能表征特征库模块、已知雷达辐射源目标的智能表征模型、未知雷达辐射源目标的表征识别模块、训练样本聚类模块、训练样本分区模块、训练样本学习模块、未知雷达辐射源目标的功能识别模块、未知雷达辐射源目标的行为意图推理模块；其中，

所述特征学习模块用于通过大数据分析软件对复杂场景下的雷达辐射源脉冲信号进行特征学习，将复杂冗长的脉冲信号用简短、有效的脉冲特征来替代，构建成脉冲的深度特征空间；

所述首次聚类模块用于根据脉冲的深度特征空间对雷达辐射源信号进行初次聚类，将脉冲密度特征一致的雷达辐射源信号聚类成若干个形状各异的簇；

所述参数调整模块用于通过调整每个簇的密度参数，确定每个簇的核心点和边界点，并将核心点脉冲作为纯净、无混叠脉冲，将边界点、以及核心点与边界点之间的脉冲作为多个脉冲串在同一时间段混叠而成的时频混叠脉冲；

所述脉内信息分选模块用于将每个簇的核心点处的纯净、无混叠脉冲划分为需要进行脉冲特征学习的训练集，将每个簇的边界点、以及核心点与边界点之间的时频混叠脉冲划分为需要进行脉冲映射的分析集；通过大数据分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过该大数据分析软件将获取的单脉冲信号样本集应用到分析集中，对分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净脉冲的聚类结果；

所述脉间信息分选模块用于对每个新簇中的每种类别单脉冲进行脉冲重复频率的分选，分选出每种类别单脉冲的脉冲重复间隔，从而将脉内信息相同、但脉间信息不同的脉冲进一步区分开来；

所述已知雷达辐射源目标的电磁信号智能表征特征库模块用于对分选后的单脉冲已知雷达辐射源目标建立面向多任务需求的电磁信号智能表征特征库，所述智能表征特征库包括与雷达用途、类型、以及工作状态对应的多种雷达重频调制类型、天线扫描方式、数据率、以及脉内波形；

所述已知雷达辐射源目标的智能表征模型用于分别构建已知雷达辐射源目标的雷达重频调制类型的学习识别模型、天线扫描方式的学习识别模型、数据率的学习识别模型、脉内波形的学习识别模型，并将构建的所有学习识别模型作为训练样本，通过深度神经网络对训练样本进行特征学习训练，获得适应典型任务应用的已知雷达辐射源目标的智能表征模型；

所述未知雷达辐射源目标的表征识别模块用于通过已知雷达辐射源目标的智能表征模型中的深度神经网络对未知雷达辐射源目标进行迁移学习，根据所执行的任务属性类别，选取相应的智能表征模型，实现基于任务属性的未知雷达辐射源目标的准确表征；

所述训练样本聚类模块用于采用粗糙K-均值分类器对已知雷达辐射源目标的智能表征模型中的训练样本数据首先进行K-均值聚类，确定训练样本数据中的聚类个数K，将训练样本数据分成K个聚类，计算出每个聚类中的初始聚类中心；并再次进行粗糙K-均值聚类，获得每个聚类中的新聚类中心；

所述训练样本分区模块用于采用粗糙K-均值分类器在每个聚类中，以新聚类中心为球心，将训练样本数据划分为拒绝区、线性可分的确定区、以及线性不可分的不确定区；所述训练样本学习模块用于采用粗糙K-均值分类器对确定区的训练样本进行训练学习，采用SVM分类器对不确定区的训练样本进行训练学习；

所述未知雷达辐射源目标的功能识别模块用于将未知雷达辐射源目标的表征识别模块中的基于任务属性的未知雷达辐射源目标的准确表征输入到基于粗糙K-均值分类器与SVM联合分类器，分析出未知雷达随着观测时间变化而呈现出的状态变化；

所述未知雷达辐射源目标的行为意图推理模块用于根据新体制雷达随着观测时间变化而呈现出的功能/状态变化，输出电磁目标行为意图表征模型(Q,V_s,C,F),其中，Q表示功能/状态集合，Q＝(s₀,s₁,...,s_N)；V_s表示功能/状态确认向量，V_s＝【v₀,v₁,...,v_N】,v_N表示功能/状态s_N重复出现并得到确认；C表示功能/状态转换确认矩阵，它的元素c_ij的值表示s_i→s_j功能/状态转换是否经过多次检测而确认；F表示功能/状态转换次数统计矩阵，矩阵的元素F_ij代表在观测时间内发生s_i→s_j功能/状态转换的次数。

本发明的优点在于：

1.本发明首先对复杂场景下的雷达辐射源脉冲信号进行初次聚类，形成若干个形状各异的簇，再将每个簇的核心点处的脉冲信号划分为由纯净、无混叠脉冲组成的训练集，将每个簇的边界点、以及核心点与边界点之间的脉冲信号划分为由时频混叠脉冲组成的分析集；然后通过CapsNet分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过训练后的CapsNet分析软件将获取的单脉冲信号样本集应用到分析集中，对分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净单脉冲的聚类结果，将交织的多部雷达脉冲信号进行解交织，得到每一部雷达对应的脉冲信号；

2.然后通过对已知雷达辐射源的电磁信号智能表征特征库进行挖掘，线下训练得到适应典型任务应用的已知雷达辐射源目标的智能表征模型(包括雷达重频调制类型的学习识别模型、天线扫描方式的学习识别模型、数据率的学习识别模型、以及脉内波形的学习识别模型)，再通过迁移学习，根据所执行的任务属性类别，选取相应的智能表征模型，实现基于任务属性的未知雷达辐射源目标的准确表征；

3.最后对已知雷达辐射源目标的功能识别/状态过程中，将上、下近似的概念引入到K-均值聚类中，形成粗糙K-均值聚类算法，并通过对训练样本进行加权，增加孤立点对初始聚类中心的影响，有效地解决噪声以及干扰的影响问题，提高了聚类准确率，实现对已知雷达辐射源目标功能/状态的精准识别，从而精准分析出未知雷达随着观测时间变化而呈现出的功能/状态变化，构建电磁目标行为意图表征模型。

本发明复杂场景雷达辐射源脉冲信号分选与认知对抗系统能够分析出未知雷达随着观测时间变化而呈现出的功能/状态变化，构建未知雷达电磁目标行为意图表征模型，实现对雷达辐射源的全面认知，从而实现反辐射源导弹攻击的电磁对抗。

附图说明

图1为本发明复杂场景雷达辐射源脉冲信号分选与认知对抗系统的框图；

图2为仿真试验环境示意图；

图3为本发明应用在图2中的仿真试验的首次聚类结果示意图；

图4为本发明应用在图2中的仿真试验的时频混叠脉冲重新聚类结果示意图；

图5为本发明应用在图2中的仿真试验的信号分选准确率；

图6为本发明中的重频调制类型的学习识别示意图；

图7a～7d为本发明中的机械扫描的示意图；

图8a～8d为本发明中的机械扫描特征参数的仿真曲线图；

图9为发明中的参考空间单元模型；

图10为发明中的参考单元单层位置分布；

图11为本发明应用在图2中的仿真试验的已知雷达辐射源目标功能认知准确率；

图12为本发明应用在图2中的仿真试验的雷达辐射源目标T9“瞄准”行为的状态转换示意图；

图13为本发明应用在图2中的仿真试验的雷达辐射源目标T9“瞄准”行为的认知准确率。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细描述。

本发明复杂场景雷达辐射源脉冲信号分选与认知对抗系统，如图1所示，包括特征学习模块1、首次聚类模块2、参数调整模块3、脉内信息分选模块4、脉间信息分选模块5、已知雷达辐射源目标的电磁信号智能表征特征库模块6、已知雷达辐射源目标的智能表征模型7、未知雷达辐射源目标的表征识别模块8、训练样本聚类模块9、训练样本分区模块10、训练样本学习模块11、未知雷达辐射源目标的功能识别模块12、未知雷达辐射源目标的行为意图推理模块13；其中，

所述特征学习模块1用于通过大数据分析软件对复杂场景下的雷达辐射源脉冲信号进行特征学习，将复杂冗长的脉冲信号用简短、有效的脉冲特征来替代，构建成脉冲的深度特征空间。

优选地，所述特征学习模块1通过CNN卷积神经网络对复杂场景下的雷达辐射源脉冲信号进行特征学习。

优选地，所述特征学习模块1对复杂场景下的雷达辐射源脉冲信号进行特征学习之前，还需要对各雷达辐射源脉冲的序列长度进行归一化预处理。具体地，将不同长度的雷达脉冲信号通过补0的方式，使他们拥有统一的长度，这等于使脉冲(PW)宽度信息也得到了保留。

所述首次聚类模块2用于根据脉冲的深度特征空间对雷达辐射源信号进行初次聚类，将脉冲密度特征一致的雷达辐射源信号聚类到同一个簇，从而使复杂电磁环境下的多类别雷达辐射源信号形成若干个形状各异的簇。

具体地，所述首次聚类模块2采用DBSCAN聚类方法对复杂场景下的雷达辐射源信号进行初次聚类。采用DBSCAN聚类方法对信号进行聚类，其优势主要有两点：

第一，DBSCAN对聚类形状无要求，只要脉冲密度足够大，即可聚在同一簇中；

第二，无需事先确定聚类个数，若两类别脉冲密度不满足要求，则会自动形成新簇。

本实施例以岛礁攻防为测试背景，应用电磁频谱战信号级仿真系统为验证平台，并根据实际地形掩蔽、气象影响等因素生成仿真试验环境，对本发明提出的复杂电磁环境下的多类别、未知雷达辐射源信号分选系统进行验证，如图2所示，由内向外的曲线分别表示海拔高度为100m、500m、1000m、3000m、5000m、8000m、10000m的组网雷达合成威力曲线。

仿真生成10部雷达辐射源目标用于测试，其中雷达辐射源目标T9为多功能雷达，具有导航、搜索、跟踪、火控等雷达工作状态，13种雷达信号形式如表1所示：

表1测试雷达辐射源目标参数

上表1中，T1～T8、T10雷达辐射源目标信息已知，T9导航工作模式信息已知，搜索、跟踪、火控工作模式信息为未知。

所述参数调整模块3用于通过调整每个簇的密度参数，确定每个簇的核心点和边界点，并将核心点脉冲作为纯净、无混叠脉冲，将边界点、以及核心点与边界点之间的脉冲作为多个脉冲串在同一时间段混叠而成的时频混叠脉冲。

所述参数调整模块3调整每个簇的密度参数包括定义密度时的邻域半径、定义核心点的阈值。具体的调整方式为：从选定某个核心点出发，不断向密度可达的区域扩张，从而得到一个包含核心点和边界点的最大化区域。

上述仿真试验中，假设宽带雷达辐射源侦察接收机采用信道化处理模型，射频天线接收范围为400MHz～2GHz、2GHz～5GHz、5GHz～20GHz、20GHz～40GHz。由于未知雷达信号所处信道为5GHz～20GHz，本试验针对该频率范围内的7类雷达辐射源目标开展研究，包括T1、T2、T4、T5、T7、T8、T10。

将本发明应用在T1、T2、T4、T5、T7、T8、T10雷达辐射源目标，采用DBSCAN的首次聚类结果如图3所示。从图3可以看到各种形状各异的簇，簇与簇之间有着明显的间隔，且信号脉冲在整个聚类空间上分布均匀，也说明了特征学习的有效性。

本发明考虑同一雷达产生的脉冲串中，每个单独脉冲的脉内信息均相同。

所述脉内信息分选模块4用于将每个簇的核心点处的纯净、无混叠脉冲划分为需要进行脉冲特征学习的训练集，将每个簇的边界点、以及核心点与边界点之间的时频混叠脉冲划分为需要进行脉冲映射的分析集；通过大数据分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过该大数据分析软件将获取的单脉冲信号样本集应用到分析集中，对分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净脉冲的聚类结果。

优选地，所述脉内信息分选模块4通过CapsNet分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习。由于CapsNet具有着多类识别的能力，训练好的CapsNet将可以识别雷达脉冲中所含有的脉冲个数，以及它们所属的类别，并将它们恢复出来。

如图4所示，为本发明应用T1、T2、T4、T5、T7、T8、T10雷达辐射源目标，对每个簇中的时频混叠脉冲重新聚类结果示意图。从图4可以看出，大部分由于信号混叠造成的异常点已经被分解并归入相应的信号簇中，而且同一类信号被聚类成两簇的信号也完成了归位。

前面完成了基于脉内信息的分选，下面对于每一类别脉冲，分别基于它们的脉间信息进行分选。

所述脉间信息分选模块5用于对每个新簇中的每种类别单脉冲进行脉冲重复频率(PRI)的分选，分选出每种类别单脉冲的脉冲重复间隔，从而将脉内信息相同、但脉间信息不同的脉冲进一步区分开来。

优选地，所述脉间信息分选模块5采用累积差值直方图算法(CDIF)对每个簇中的每种类别单脉冲进行脉冲重复频率的分选。由于已经基于脉内信息完成了第一步的分选，每一类别脉冲包含的脉冲数量较之整个脉冲串已经大大减少，在这种情况下采用传统的分选方法便可以得到很好的发挥。

本发明通过上述仿真测试验证电磁信号分选准确率，在0dB-15dB信噪比区间内，平均分选准确率如图5所示，混淆矩阵如表2所示。

表2信号分选混淆矩阵

从图5和表2可以看出，本发明的电磁信号分选准确率达到90％左右。

所述已知雷达辐射源目标的电磁信号智能表征特征库模块6用于对分选后的单脉冲已知雷达辐射源目标建立面向多任务需求的电磁信号智能表征特征库，所述智能表征特征库包括与雷达用途、类型、以及工作状态对应的多种雷达重频调制类型、天线扫描方式、数据率、以及脉内波形。

具体地，所述雷达重频调制类型包括重频固定、重频参差、重频滑变、重频分组、重频抖动、正弦调制；所述天线扫描方式包括机械扫描和电子扫描，所述机械扫描包括圆周扫描、扇形扫描、栅形扫描、圆锥扫描。

所述电磁信号智能表征特征库如下表3所示。

表3电磁信号智能表征特征库

所述已知雷达辐射源目标的智能表征模型7用于分别构建已知雷达辐射源目标的雷达重频调制类型的学习识别模型、天线扫描方式的学习识别模型、数据率的学习识别模型、脉内波形的学习识别模型，并将构建的所有学习识别模型作为训练样本，通过深度神经网络对训练样本进行特征学习训练，获得适应典型任务应用的已知雷达辐射源目标的智能表征模型。

对分选后的单脉冲雷达信号进行重频调制类型(或称PRI调制类型)的识别是一项基础工作，也是雷达工作状态分析中必不可少的一项工作。雷达辐射源重频调制类型和参数的变化多种多样，其中一些调制类型是雷达辐射源所普遍使用的，每一种辐射源重频调制类型与辐射源工作状态都有关，如下表4所示。

表4典型的雷达辐射源重频调制类型与相关的雷达工作状态

具体地，所述雷达重频调制类型的学习识别模型为通过数学变换，线下提取雷达脉冲序列的比值特征、比重特征、频率特征、形状特征、以及自相关特征参数，作为分类器的输入；若输入的比值特征趋近于零，则该雷达脉冲序列确定为重频固定类型，若输入的比重特征趋近于零，则该雷达脉冲序列确定为重频分组类型，若输入的频率特征∈(1,2)，则该雷达脉冲序列确定为重频滑变类型，若输入的形状特征∈(0.03,0.3)，则该雷达脉冲序列确定为正弦调制类型，若输入的形状特征∈(0.5,0.8)，则该雷达脉冲序列确定为重频抖动类型，若输入的自相关特征的峰值个数趋近于零，则该雷达脉冲序列确定为重频参差类型。

具体地，对于雷达重频调制类型的学习识别模型，所述比值特征为σ/μ，其中

式中，

σ为重频序列有效数值范围内的均值，

μ为重频序列有效数值范围内的标准差，

N为分选后的雷达信号脉冲到达时间序列长度，

N-1为重频序列的总长度，

PRI_i为重频序列的有效数值。

理想情况下，重频固定序列的PRI值恒定不变，其σ为零，σ/μ也为零，考虑测量误差时，其σ/μ趋向于零；重频参差、重频滑变等其他重频调制序列的PRI值变化范围起伏不定，其σ/μ相对较大，因此通过比值特征可以有效识别出重频固定类型。

具体地，对于雷达重频调制类型的学习识别模型，所述比重特征为ω,ω为DPRI符号序列中数值1在整个序列中的比重值，

式中，

ε为TOA测量误差，

sgn(DPRI_j)为符号函数，

DPRI_j为重频的差分序列，

PRI_i为重频序列的有效数值，

N-1为重频序列的总长度。

大量实验表明，重频分组的比重特征趋近于0，而重频固定、重频参差、重频抖动、重频滑变及正弦变换的比重特征都较大。因此通过比重特征可以有效识别出重频分组类型。

具体地，对于雷达重频调制类型的学习识别模型，所述频率特征P_f为

S＝[s₁,s₂,...s_N-2]

S(j)＝sgn(DPRI_j)

式中，

S为DPRI符号向量，

S_cs为S进行累加和归一化处理得到的特征向量，

f(k)为S_cs向量进行离散序列快速傅里叶变换，

N-1为重频序列的总长度。

大量实验数据表明，重频滑变脉冲序列的S_cs向量曲线的频率特征参数取值较大，若特征参数P_f∈(1,2)，则雷达脉冲序列为重频滑变调制序列。重频分组脉序列的S_cs向量只在PRI值跳变时出现阶跃现象，其频率特征参数取值很小，趋近于零。若特征参数P_f∈(0,0.1)，则雷达脉冲序列为重频分组调制序列。正弦调制和重频抖动序列的频率特征参数取值变化不定，当特征参数P_f在其他数值区间时，雷达脉冲序列可能为正弦调制或重频抖动序列。因此，频率特征能够分辨出重频滑变类型。

具体地，对于雷达重频调制类型的学习识别模型，所述形状特征为P_s，P_s的计算步骤如下，

步骤a)，首先计算S_cs向量元素间的变化量,

Δ(k)＝S_cs(k+1)-S_cs(k),k＝1,2,...,N-3

步骤b)，根据Δ(k)值正负符号变化情况，统计S_cs曲线转折点，

步骤c)，令常数k＝1，a＝0,

步骤d)，当1≤k≤N-5时,若Δ(k)*Δ(k+1)＜0或Δ(k+1)＝0且Δ(k)*Δ(k+2)＜0，则a＝a+1,

步骤e)，当k＝N-4时,若Δ(k)*Δ(k+1)＜0，则a＝a+1,

步骤f)，若k＜N-4，k＝k+1，则转到步骤d),否则转到步骤e),

步骤g)，P_s＝a/(N-3)。

P_s值即是表征S_cs向量曲线的形状特征参数，大量实验数据表明，重频抖动序列和正弦调制序列的S_cs向量曲线的形状特征差异比较大，形状特征参数能够准确识别这两种重频样式。若特征参数P_s∈(0.03，0.3)，则雷达脉冲序列为正弦调制序列。若特征参数P_s∈(0.5，0.8)，则雷达脉冲序列为重频抖动调制序列。因此，通过P_s值能够分辨出正弦调制类型和重频抖动类型类型。

具体地，对于雷达重频调制类型的学习识别模型，所述自相关特征参数的计算步骤如下，

步骤a)，定义重频序列p(n)的自相关函数为

式中，

p(n)为重频序列，

R(k)为p(n)的自相关函数,

k＝0,1,......,N-2,

μ_p为重频序列的平均值，

N为分选后的雷达信号脉冲到达时间序列长度；

步骤b)，将R(k)作归一化处理，得到规范化重频序列的自相关函数为

R_n(k)＝R(k)/R(0)

式中，

R_n(k)为规范化重频序列的自相关函数；

步骤c)，求出∣R_n(k)∣中大于0.1的峰值个数及峰值所在位置，∣R_n(k)∣中大于0.1的峰值个数即为自相关特征参数。

大量实验表明，重频参差的自相关特征参数趋近于0，而重频抖动的自相关特征参数较大。因此，通过自相关特征能够分辨出重频参差类型。

对重频固定、重频参差、重频滑变、重频分组、重频抖动、以及正弦调制这6种重频类型中分别提取比值特征、比重特征、频率特征、形状特征、以及自相关特征5个特征参数，仿真结果如图6所示。图6中横坐标中1、2、3、4、5、6依次代表重频固定、重频参差、重频滑变、重频抖动、重频分组、以及正弦调制，上述5个特征参数可以将上述6种重频类型区分开。

天线扫描方式与雷达辐射源的工作状态之间存在紧密的联系，因此，利用信号幅度信息判别天线扫描方式，有助于识别辐射源的本征属性。

天线扫描方式包括电子扫描方式和机械扫描方式。

所述电子扫描方式是指采用电子技术来控制波束扫描，常用的有频扫和相扫，电子扫描天线波束在空间移动速度非常快，可以达到微妙量级，相控阵雷达主要采用电子扫描的方式来灵活控制波束指向，它至少在一个方向上采用电子扫描，侦察系统截获的信号幅度变化特性与机械扫描雷达信号幅度变化有明显区别，利用这一特征可以识别相控阵体制的雷达。

所述机械扫描方式包括圆周扫描、扇形扫描、栅形扫描、圆锥扫描，分别如图7a～7d所示。工作于搜索状态的雷达，天线采用扇形扫描或圆周扫描，扫描周期较长，侦察系统截获的信号幅度变化较大；工作于跟踪状态的雷达，天线扫描一般采用圆锥扫描，侦察系统截获的信号幅度变化范围不大。

构建天线扫描方式的学习识别模型，首先要对电子扫描方式和机械扫描方式进行区分，然后再对具体的机械扫描方式进行自动识别。

所述天线扫描方式的学习识别模型为提取每组脉冲序列中的最大主瓣序列，确定最大主瓣序列一阶差分的绝对值中的最大值M_D，同时确定相邻脉冲均在同一波位内的脉冲所占比例R_D，令Z_D＝α*M_D+β*R_D，其中，α，β为特征参数的权重，且α+β＝1，当Z_D＞Hz时，则该雷达脉冲序列为电子扫描方式，当Z_D≤Hz时，则该雷达脉冲序列为机械扫描方式，Hz为设定的门限。

所述机械扫描方式的学习识别模型为线下提取峭度、主瓣个数、主瓣幅度差值、以及主瓣间隔最大比值参数，作为分类器的输入；若输入的峭度趋近于零，则该雷达脉冲序列确定为圆锥扫描方式，若主瓣个数为一，则该雷达脉冲序列确定为圆周扫描方式，若主瓣幅度差值趋近于零，则该雷达脉冲序列确定为扇形扫描方式，若主瓣间隔最大比值的变化较大，则该雷达脉冲序列确定为栅形扫描方式。

生成上述4种机械扫描方式(圆周扫描、扇形扫描、栅形扫描、圆锥扫描)的脉冲幅度序列样本各20组，分别提取上述峭度、主瓣个数、主瓣幅度差值、以及主瓣间隔最大比值4个特征参数，仿真结果分别如图8a～8d所示。

由图8a可以看出，圆锥扫描的峭度较低，这是由于接收到两者的信号是连续的脉冲串，而其他天线扫描方式则是间断的脉冲群，因此可以通过峭度将圆锥扫描与其他天线扫描方式区分开。

由图8b可以看出，在一个天线扫描方式内，圆周扫描只有一个主瓣，扇形扫描有2个主瓣，圆锥扫描检测不到主瓣，其他天线扫描方式一般有2个以上主瓣，因此可以通过主瓣个数将圆周扫描与其他天线扫描方式区分开。

由图8c可以看出，主瓣个数在2个以上的天线扫描方式中，扇形扫描的主瓣幅度差值约为0，而其他天线扫描方式的主瓣幅度差值较大，这是由于扇形扫描的俯仰向固定不变，因此可以通过主瓣幅度差值将扇形扫描区分开。

由图8d可以看出，主瓣个数在3个以上的天线扫描方式中，栅形扫描的主瓣间隔最大比值变化较大，这是由于光栅扫描在方位向上是来回扫描，因此可以通过主瓣间隔最大比值将光栅扫描区分开。

另外，对于天线扫描方式的学习识别模型，至少需要截获两个天线扫描周期的信号，才能确保正确识别天线扫描方式。对于天线扫描方式的学习识别模型，对每组脉冲信号进行最大主瓣序列的提取之前，需要对每组脉冲信序列进行归一化处理。

所述数据率的学习识别模型为首先根据数据率的计算公式确定数据率的数值高低，线下提取数据率参数作为分类器的输入，并根据数据率的高低确定雷达脉冲序列的搜索状态和跟踪状态。

所述数据率的计算公式为

式中，

D为数据率，

N为侦收到的信号次数，

t_TOAi为侦收到的相控阵雷达信号序列。

具体地，相控阵雷达可以根据跟踪目标的多、少、远、近、重要程度以及威胁等级，采用不同的跟踪数据率，即在数据率最低的跟踪目标信号的重复周期内，安排与跟踪状态对应的数据率信号，实现对多波束信号能量的分配，并满足不同跟踪目标数据率的要求。

所述脉内波形的学习识别模型为线下提取在时频能量三维空间中的任意一点处的电磁目标信号分布特征，并将提取结果记录在卷积结果中，建立三维空间高阶自相关过完备特征库，通过机器学习，实现三维空间高阶自相关过完备特征库的精简，使过完备特征库适应特定的电磁目标。

例如，以Wigner-Ville变换作为雷达辐射源目标信号脉内特征时频分析的基础，得到的WVD分布物理意义明确，为信号在时间频率平面的能量密度分布，其具有良好的数学特性。WVD可以看作采用具有自适应性的窗函数的短时傅里叶变换，而这种特殊的窗函数就是信号本身，因此适用于对电磁目标信号的细节特征进行描述。电磁目标信号s(t)的WVD定义如下：

式中，

t为雷达辐射源目标信号的发射时间，

τ为滞后时间，

z(t)为s(t)的解析信号，

ω为比重特征，

H[s(t)]表示s(t)的Hibert变换，

用解析信号z(t)的频谱来表示WVD，其形式如下：

式中，

ν表示频率滞后，

f表示解析信号z(t)的频谱,

t为雷达辐射源目标信号的发射时间，

z(t)为s(t)的解析信号，

τ为滞后时间，

e表示自然常数。

WVD时频能量三维空间的立体高阶自相关函数为

r＝(t,f,e)^T

式中，

r为参考点，

t为雷达辐射源目标信号的发射时间，

f表示解析信号z(t)的频谱,

e表示自然常数,

α_i表示相对参考点r的位移向量，

N为侦收到的信号次数。

在时频能量三维空间中，建立3×3×3的立方体参考空间单元M，则α_i可以表示为以r为中心的立体空间单元M，其模型如图9所示。图9中，为了标记该参考单元的27个空间单元，在t轴上取3个相邻空间单元记为(M_-1，M₀，M₊₁)，每一层为一个独立的(e，f)平面。将每一个(t，x)平面划分为3×3的模块，分别标记对应位置为a，b，c，d，e，f，g，h，i，如图10所示。

电磁目标在时频能量三维空间中任意的3×3×3立方体子空间的局部分布特征均可以表示为以r为中心点的位移α_i的集合，即可以表述为一个高阶自相关函数的形式。因此，电磁目标在时频能量三维空间分布的细节特征要素信息可以通过一组高阶自相关函数表示。而这些高阶自相关函数相互并不正交，因此以高阶自相关函数为特征组构建的特征库是过完备的。

通过特征库学习实现精简现有的多维空间过完备特征库，使特征库适应特定的电磁目标，从而在现有特征库中遴选特定目标表征效率最高的子集。

优选地，所述雷达重频调制类型的学习识别模型、天线扫描方式的学习识别模型、数据率的学习识别模型、脉内波形的学习识别模型均采用基于一类支持向量机作为识别器。

所述未知雷达辐射源目标的表征识别模块8用于通过已知雷达辐射源目标的智能表征模型7中的深度神经网络对未知雷达辐射源目标进行迁移学习，根据所执行的任务属性类别，选取相应的智能表征模型，实现基于任务属性的未知雷达辐射源目标的准确表征。

优选地，所述深度神经网络为堆栈式隐层共享式自动编码机。

所述训练样本聚类模块9用于采用粗糙K-均值分类器对已知雷达辐射源目标的智能表征模型7中的训练样本数据首先进行K-均值聚类，确定训练样本数据中的聚类个数K，将训练样本数据分成K个聚类，计算出每个聚类中的初始聚类中心；在K-均值聚类中引入上近似样本密度和下近似样本密度，根据初始聚类中心对每个聚类中的训练样本数据再次进行粗糙K-均值聚类，获得每个聚类中的新聚类中心。

具体地，所述初始聚类中心通过下式计算

式中，

X_k为K个聚类，

U_k为每个聚类X_k中包含的训练样本集合，

t_ok为每个聚类X_k中的初始聚类中心，

k＝0，1，2，…，K-1。

所述新聚类中心通过下式计算

式中，

t_k为每个聚类X_k中的新聚类中心，

ω_upper(k)为上近似的权值系数，

ω_lower(k)为下近似的权值系数，

为每个聚类X_k中的上近似样本密度，

A(X_k)为每个聚类X_k中的下近似样本密度，

x为单个训练样本数据。

所述新聚类中心的计算公式中

需满足的条件为，若存在(k，k₁)，使得

d(x，t_ok1)-d(x，t_ok)≤T

k＝0，1，2，…，K-1

则

且

式中，

d(x,t_ok)表示单个训练样本数据x与第k个聚类的初始聚类中心t_ok之间的距离，

d(x,t_ok1)表示单个训练样本数据x与第k₁个聚类的初始聚类中心t_ok1之间的距离，

T表示区分每个聚类中的上近似样本密度

和下近似样本密度A(X_k)的第二阈值。

所述新聚类中心的计算公式中x∈A(X_k)需满足的条件为，对于任何(k，k₁)，若

d(x，t_ok1)-d(x，t_ok)≥T

k＝0，1，2，…，K-1

则x∈A(X_k)；

式中，

d(x,t_ok)表示单个训练样本数据x与第k个聚类的初始聚类中心t_ok之间的距离，

d(x,t_ok1)表示单个训练样本数据x与第k₁个聚类的初始聚类中心t_ok1之间的距离，

T表示区分每个聚类中的上近似样本密度

和下近似样本密度A(X_k)的第二阈值。

所述第二阈值T的取值范围通过以下步骤确定，

步骤一，计算所有训练样本数据到K个聚类X_k中的初始聚类中心t_ok的距离，获得具有K行的距离矩阵，

步骤二，计算距离矩阵中每行的最小值；

步骤三，利用距离矩阵中每行的最小值，计算获得差值矩阵；

步骤四，在差值矩阵中寻找每行的非0最小值，获得K个非0最小值；

步骤五，将获得的K个非0最小值中的最小值选取为第二阈值T。

所述新聚类中心的计算公式中的上近似的权值系数ω_upper(k)和下近似的权值系数ω_lower(k)通过下式计算

|A(X_k)|≠0

ω_lower(k)+ω_upper(k)＝1

式中，

ω_upper(k)为上近似的权值系数，

ω_lower(k)为下近似的权值系数，

为每个聚类X_k中的上近似样本密度，

A(X_k)为每个聚类X_k中的下近似样本密度。

本发明将上、下近似的概念引入到K-均值聚类中，形成粗糙K-均值聚类算法，并通过对训练样本进行加权，增加孤立点对初始聚类中心的影响，有效地解决噪声以及干扰的影响问题，提高了聚类准确率。

所述训练样本分区模块10用于采用粗糙K-均值分类器在每个聚类中，以新聚类中心为球心，选取第一阈值R_k作为半径，对每个聚类进行初次分区，若聚类中的训练样本数据到新聚类中心的距离大于或等于第一阈值R_k，则该训练样本数据属于拒绝区；选取比例系数λ，且0＜λ＜1，若聚类中的训练样本到新聚类中心的距离小于λR_k，则该训练样本数据属于线性可分的确定区，若聚类中的训练样本数据到新聚类中心的距离大于λR_k且小于R_k，则该训练样本数据属于线性不可分的不确定区。

具体地，每个聚类X_k中的所述比例系数λ为确定区半径λR_k与不确定区半径R_k的比值，且λ∈【0.7,0.9】。

每个聚类X_k中的所述不确定区的训练样本集合为

S_I＝{x|ε_k<d_k(x)<R_k，0≤k≤K-1}

ε_k＝λR_k

式中，

ε_k为确定区半径,

R_k为不确定区半径，

d_k(x)为第k个聚类中的训练样本数据x到新聚类中心t_k的距离。

当聚类完成后，形成K个聚类X_k，在特征空间中，聚类X_k是以新聚类中心t_k为球心，以不确定区半径R_k为半径的超球体，维数由特征选择的结果确定，属于该聚类的所有训练样本都处于此超球体内部。每个聚类包含2个区域，即确定区和不确定区。

所述训练样本学习模块11用于采用粗糙K-均值分类器对确定区的训练样本进行训练学习，采用SVM分类器对不确定区的训练样本进行训练学习。

所述未知雷达辐射源目标的功能识别模块12用于将未知雷达辐射源目标的表征识别模块8中的基于任务属性的未知雷达辐射源目标的准确表征输入到基于粗糙K-均值分类器与SVM联合分类器，通过粗糙K-均值分类器识别线性可分的雷达信号的功能，筛选线性不可分的雷达信号进入不确定区，并通过SVM分类器对不确定区的雷达信号进行功能识别，最终分析出未知雷达随着观测时间变化而呈现出的状态变化。

输入样本会根据到各个聚类中心的距离，分配到距离最近的聚类中。若某一样本距离新聚类中心t_k最近，然而没有进入训练过程中形成的超球体内部，即该输入样本到t_k的距离大于R_k，该输入样本没有得到训练样本支持，即该输入样本不属于识别的类别，该输入样本将被线性分类器拒绝，进入下一级分类器进行识别。不确定区的输入样本处在聚类的外围，距离新聚类中心较远，容易收到噪声的影响。

在相同信噪比条件下，根据上述已知雷达辐射目标T1、T2、T4、T5、T7、T8生成50000组测试样本，对未知雷达辐射源目标功能认知准确率进行测试，认知准确率如图11所示。由图11可知，在0dB到15dB信噪比范围内，已知雷达辐射源目标功能的认知准确率≥90％。

在15dB信噪比条件下，已知雷达辐射源目标功能的认知结果如表5所示。

表5雷达辐射源目标功能认知混淆矩阵

所述未知雷达辐射源目标的行为意图推理模块13用于输出电磁目标行为意图表征模型(Q,V_s,C,F),其中，Q表示功能/状态集合，Q＝(s₀,s₁,...,s_N)；V_s表示功能/状态确认向量，V_s＝【v₀,v₁,...,v_N】,v_N表示功能/状态s_N重复出现并得到确认；C表示功能/状态转换确认矩阵，它的元素c_ij的值表示s_i→s_j功能/状态转换是否经过多次检测而确认；F表示功能/状态转换次数统计矩阵，矩阵的元素F_ij代表在观测时间内发生s_i→s_j功能/状态转换的次数。

本项目在0dB到15dB信噪比范围内，对雷达辐射源目标T9的“瞄准”(搜索-跟踪-火控)行为进行认知，并对行为意图的认知准确率进行测试。

图12所示为雷达辐射源目标T9“瞄准”行为的雷达工作状态转换图，其中，实线表示雷达对于行为有效的功能转换，虚线表示对于行为无效的功能转换。雷达辐射源目标T9“瞄准行为”电磁目标行为意图表征模型(Q,V_s,C,F)描述为

Q＝(导航，搜索，跟踪，火控)

V_s＝[1 1 1 1]

其中，状态转换确认矩阵C中的“-”表示不关注，“1”表示该状态转换已经确认，“0”表示以出现该状态转移但未得到验证，“-1”表示未发生该状态转移。一个可能的状态转换次数统计矩阵如下所示：

在0dB到15dB信噪比范围内雷达辐射源目标T9“瞄准”行为认知准确率如图13所示。

通过上述仿真实验验证，本发明提出的新体制雷达辐射源目标的行为意图认知系统能够在0dB以上的信噪比条件下，有效地对雷达辐射源目标T9“瞄准”行为进行认知。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：包括特征学习模块(1)、首次聚类模块(2)、参数调整模块(3)、脉内信息分选模块(4)、脉间信息分选模块(5)、已知雷达辐射源目标的电磁信号智能表征特征库模块(6)、已知雷达辐射源目标的智能表征模型(7)、未知雷达辐射源目标的表征识别模块(8)、训练样本聚类模块(9)、训练样本分区模块(10)、训练样本学习模块(11)、未知雷达辐射源目标的功能识别模块(12)、未知雷达辐射源目标的行为意图推理模块(13)；其中，

所述特征学习模块(1)用于通过大数据分析软件对复杂场景下的雷达辐射源脉冲信号进行特征学习，将复杂冗长的脉冲信号用简短、有效的脉冲特征来替代，构建成脉冲的深度特征空间；

所述首次聚类模块(2)用于根据脉冲的深度特征空间对雷达辐射源信号进行初次聚类，将脉冲密度特征一致的雷达辐射源信号聚类成若干个形状各异的簇；

所述参数调整模块(3)用于通过调整每个簇的密度参数，确定每个簇的核心点和边界点，并将核心点脉冲作为纯净、无混叠脉冲，将边界点、以及核心点与边界点之间的脉冲作为多个脉冲串在同一时间段混叠而成的时频混叠脉冲；

所述脉内信息分选模块(4)用于将每个簇的核心点处的纯净、无混叠脉冲划分为需要进行脉冲特征学习的训练集，将每个簇的边界点、以及核心点与边界点之间的时频混叠脉冲划分为需要进行脉冲映射的分析集；通过大数据分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过该大数据分析软件将获取的单脉冲信号样本集应用到分析集中，对分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净脉冲的聚类结果；

所述脉间信息分选模块(5)用于对每个新簇中的每种类别单脉冲进行脉冲重复频率的分选，分选出每种类别单脉冲的脉冲重复间隔，从而将脉内信息相同、但脉间信息不同的脉冲进一步区分开来；

所述已知雷达辐射源目标的电磁信号智能表征特征库模块(6)用于对分选后的单脉冲已知雷达辐射源目标建立面向多任务需求的电磁信号智能表征特征库，所述智能表征特征库包括与雷达用途、类型、以及工作状态对应的多种雷达重频调制类型、天线扫描方式、数据率、以及脉内波形；

所述已知雷达辐射源目标的智能表征模型(7)用于分别构建已知雷达辐射源目标的雷达重频调制类型的学习识别模型、天线扫描方式的学习识别模型、数据率的学习识别模型、脉内波形的学习识别模型，并将构建的所有学习识别模型作为训练样本，通过深度神经网络对训练样本进行特征学习训练，获得适应典型任务应用的已知雷达辐射源目标的智能表征模型；

所述未知雷达辐射源目标的表征识别模块(8)用于通过已知雷达辐射源目标的智能表征模型(7)中的深度神经网络对未知雷达辐射源目标进行迁移学习，根据所执行的任务属性类别，选取相应的智能表征模型，实现基于任务属性的未知雷达辐射源目标的准确表征；

所述训练样本聚类模块(9)用于采用粗糙K-均值分类器对已知雷达辐射源目标的智能表征模型(7)中的训练样本数据首先进行K-均值聚类，确定训练样本数据中的聚类个数K，将训练样本数据分成K个聚类，计算出每个聚类中的初始聚类中心；并再次进行粗糙K-均值聚类，获得每个聚类中的新聚类中心；

所述训练样本分区模块(10)用于采用粗糙K-均值分类器在每个聚类中，以新聚类中心为球心，将训练样本数据划分为拒绝区、线性可分的确定区、以及线性不可分的不确定区；

所述训练样本学习模块(11)用于采用粗糙K-均值分类器对确定区的训练样本进行训练学习，采用SVM分类器对不确定区的训练样本进行训练学习；

所述未知雷达辐射源目标的功能识别模块(12)用于将未知雷达辐射源目标的表征识别模块(8)中的基于任务属性的未知雷达辐射源目标的准确表征输入到基于粗糙K-均值分类器与SVM联合分类器，分析出未知雷达随着观测时间变化而呈现出的功能/状态变化；

所述未知雷达辐射源目标的行为意图推理模块(13)用于根据新体制雷达随着观测时间变化而呈现出的功能/状态变化，输出电磁目标行为意图表征模型(Q,V_s,C,F),其中，Q表示功能/状态集合，Q＝(s₀,s₁,...,s_N)；V_s表示功能/状态确认向量，V_s＝【v₀,v₁,...,v_N】,v_N表示功能/状态s_N重复出现并得到确认；C表示功能/状态转换确认矩阵，它的元素c_ij的值表示s_i→s_j功能/状态转换是否经过多次检测而确认；F表示功能/状态转换次数统计矩阵，矩阵的元素F_ij代表在观测时间内发生s_i→s_j功能/状态转换的次数。

2.根据权利要求1所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：所述参数调整模块(3)调整每个簇的密度参数包括定义密度时的邻域半径、定义核心点的阈值。

3.根据权利要求2所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：所述脉间信息分选模块(5)采用累积差值直方图算法对每个簇中的每种类别单脉冲进行脉冲重复频率的分选。

4.根据权利要求1所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：已知雷达辐射源目标的电磁信号智能表征特征库模块(6)中，所述雷达重频调制类型包括重频固定、重频参差、重频滑变、重频分组、重频抖动、正弦调制；所述天线扫描方式包括机械扫描和电子扫描，所述机械扫描包括圆周扫描、扇形扫描、栅形扫描、圆锥扫描。

5.根据权利要求4所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：已知雷达辐射源目标的智能表征模型(7)中，

所述雷达重频调制类型的学习识别模型为通过数学变换，线下提取雷达脉冲序列的比值特征、比重特征、频率特征、形状特征、以及自相关特征参数，作为分类器的输入；若输入的比值特征趋近于零，则该雷达脉冲序列确定为重频固定类型，若输入的比重特征趋近于零，则该雷达脉冲序列确定为重频分组类型，若输入的频率特征∈(1,2)，则该雷达脉冲序列确定为重频滑变类型，若输入的形状特征∈(0.03,0.3)，则该雷达脉冲序列确定为正弦调制类型，若输入的形状特征∈(0.5,0.8)，则该雷达脉冲序列确定为重频抖动类型，若输入的自相关特征的峰值个数趋近于零，则该雷达脉冲序列确定为重频参差类型；

所述天线扫描方式的学习识别模型为提取每组脉冲序列中的最大主瓣序列，确定最大主瓣序列一阶差分的绝对值中的最大值M_D，同时确定相邻脉冲均在同一波位内的脉冲所占比例R_D，令Z_D＝α*M_D+β*R_D，其中，α，β为特征参数的权重，且α+β＝1，当Z_D＞Hz时，则该雷达脉冲序列为电子扫描方式，当Z_D≤Hz时，则该雷达脉冲序列为机械扫描方式，Hz为设定的门限；

所述机械扫描方式的学习识别模型为线下提取峭度、主瓣个数、主瓣幅度差值、以及主瓣间隔最大比值参数，作为分类器的输入；若输入的峭度趋近于零，则该雷达脉冲序列确定为圆锥扫描方式，若主瓣个数为一，则该雷达脉冲序列确定为圆周扫描方式，若主瓣幅度差值趋近于零，则该雷达脉冲序列确定为扇形扫描方式，若主瓣间隔最大比值的变化较大，则该雷达脉冲序列确定为栅形扫描方式；

所述数据率的学习识别模型为首先根据数据率的计算公式确定数据率的数值高低，线下提取数据率参数作为分类器的输入，并根据数据率的高低确定雷达脉冲序列的搜索状态和跟踪状态；

所述脉内波形的学习识别模型为线下提取在时频能量三维空间中的任意一点处的电磁目标信号分布特征，并将提取结果记录在卷积结果中，建立三维空间高阶自相关过完备特征库，通过机器学习，实现三维空间高阶自相关过完备特征库的精简，使过完备特征库适应特定的电磁目标。

6.根据权利要求5所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：已知雷达辐射源目标的智能表征模型(7)中，对于雷达重频调制类型的学习识别模型，所述比值特征为σ/μ，其中

式中，

σ为重频序列有效数值范围内的均值，

μ为重频序列有效数值范围内的标准差，

N为分选后的雷达信号脉冲到达时间序列长度，

N-1为重频序列的总长度，

PRI_i为重频序列的有效数值；

所述比重特征为ω,ω为DPRI符号序列中数值1在整个序列中的比重值，

式中，

ε为TOA测量误差，

sgn(DPRI_j)为符号函数，

DPRI_j为重频的差分序列，

PRI_i为重频序列的有效数值，

N-1为重频序列的总长度；

所述频率特征P_f为

S＝[s₁,s₂,...s_N-2]

S(j)＝sgn(DPRI_j)

式中，

S为DPRI符号向量，

S_cs为S进行累加和归一化处理得到的特征向量，

f(k)为S_cs向量进行离散序列快速傅里叶变换，

N-1为重频序列的总长度；

所述形状特征为P_s，P_s的计算步骤如下，

步骤a)，首先计算S_cs向量元素间的变化量,

Δ(k)＝S_cs(k+1)-S_cs(k),k＝1,2,...,N-3

步骤b)，根据Δ(k)值正负符号变化情况，统计S_cs曲线转折点，

步骤c)，令常数k＝1，a＝0,

步骤d)，当1≤k≤N-5时,若Δ(k)*Δ(k+1)＜0或Δ(k+1)＝0且Δ(k)*Δ(k+2)＜0，则a＝a+1,

步骤e)，当k＝N-4时,若Δ(k)*Δ(k+1)＜0，则a＝a+1,

步骤f)，若k＜N-4，k＝k+1，则转到步骤d),否则转到步骤e),

步骤g)，P_s＝a/(N-3)；

所述自相关特征参数的计算步骤如下，

步骤a)，定义重频序列p(n)的自相关函数为

式中，

p(n)为重频序列，

R(k)为p(n)的自相关函数,

k＝0,1,......,N-2,

μ_p为重频序列的平均值，

N为分选后的雷达信号脉冲到达时间序列长度；

步骤b)，将R(k)作归一化处理，得到规范化重频序列的自相关函数为

R_n(k)＝R(k)/R(0)

式中，

R_n(k)为规范化重频序列的自相关函数；

步骤c)，求出∣R_n(k)∣中大于0.1的峰值个数及峰值所在位置，∣R_n(k)∣中大于0.1的峰值个数即为自相关特征参数。

7.根据权利要求1所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：训练样本聚类模块(9)中，所述初始聚类中心通过下式计算

式中，

X_k为K个聚类，

U_k为每个聚类X_k中包含的训练样本集合，

t_ok为每个聚类X_k中的初始聚类中心，

k＝0，1，2，…，K-1；

所述新聚类中心通过下式计算

式中，

t_k为每个聚类X_k中的新聚类中心，

ω_upper(k)为上近似的权值系数，

ω_lower(k)为下近似的权值系数，

为每个聚类X_k中的上近似样本密度，

A(X_k)为每个聚类X_k中的下近似样本密度，

x为单个训练样本数据。

8.根据权利要求7所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：所述新聚类中心的计算公式中

需满足的条件为，若存在(k，k₁)，使得

d(x，t_ok1)-d(x，t_ok)≤T

k＝0，1，2，…，K-1

则

且

式中，

d(x,t_ok)表示单个训练样本数据x与第k个聚类的初始聚类中心t_ok之间的距离，

d(x,t_ok1)表示单个训练样本数据x与第k₁个聚类的初始聚类中心t_ok1之间的距离，

T表示区分每个聚类中的上近似样本密度

和下近似样本密度A(X_k)的第二阈值；

所述新聚类中心的计算公式中x∈A(X_k)需满足的条件为，对于任何(k，k₁)，若

d(x，t_ok1)-d(x，t_ok)≥T

k＝0，1，2，…，K-1

则x∈A(X_k)；

式中，

d(x,t_ok)表示单个训练样本数据x与第k个聚类的初始聚类中心t_ok之间的距离，

d(x,t_ok1)表示单个训练样本数据x与第k₁个聚类的初始聚类中心t_ok1之间的距离，

T表示区分每个聚类中的上近似样本密度

和下近似样本密度A(X_k)的第二阈值。

9.根据权利要求8所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：所述第二阈值T的取值范围通过以下步骤确定，

步骤一，计算所有训练样本数据到K个聚类X_k中的初始聚类中心t_ok的距离，获得具有K行的距离矩阵，

步骤二，计算距离矩阵中每行的最小值；

步骤三，利用距离矩阵中每行的最小值，计算获得差值矩阵；

步骤四，在差值矩阵中寻找每行的非0最小值，获得K个非0最小值；

步骤五，将获得的K个非0最小值中的最小值选取为第二阈值T。

10.根据权利要求9所述的复杂场景雷达辐射源脉冲信号分选与认知对抗系统，其特征在于：所述新聚类中心的计算公式中的上近似的权值系数ω_upper(k)和下近似的权值系数ω_lower(k)通过下式计算

ω_lower(k)+ω_upper(k)＝1

|A(X_k)|≠0

式中，

ω_upper(k)为上近似的权值系数，

ω_lower(k)为下近似的权值系数，

为每个聚类X_k中的上近似样本密度，

A(X_k)为每个聚类X_k中的下近似样本密度。

Images