CN115575902A - 雷达信号多站融合分选方法 - Google Patents
雷达信号多站融合分选方法 Download PDFInfo
- Publication number
- CN115575902A CN115575902A CN202211151872.9A CN202211151872A CN115575902A CN 115575902 A CN115575902 A CN 115575902A CN 202211151872 A CN202211151872 A CN 202211151872A CN 115575902 A CN115575902 A CN 115575902A
- Authority
- CN
- China
- Prior art keywords
- pulse
- clustering
- cluster
- station
- data sample
- 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.)
- Pending
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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0221—Receivers
- G01S5/02213—Receivers arranged in a network for determining the position of a transmitter
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0242—Determining the position of transmitters to be subsequently used in positioning
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
雷达信号多站融合分选方法,属于电子对抗领域;解决了现有多站集群协同下基于多组时差的雷达信号分选方法在高密度脉冲流情况下时差匹配精度低,且仅依赖时差参数TDOA分选准确率性难以保证的问题。本发明是基于PCN集对势与优化的平面变化主分选实现的雷达信号分选,本发明将各观测站内的特征参数接近的脉冲进行聚类,再以多站时差匹配TDOA参数作为融合校验的依据,弱化时差匹配误差对分选结果的影响,从而增加了高密度脉冲流条件下分选算法准确率;还提出引入SDIF算法确定每个聚类堆的潜在变换宽度Wi,再确定最优变换宽度W,从而实现对待测雷达的重复周期及重频调制类型的识别。本发明主要用于雷达信号分选。
Description
技术领域
本发明属于电子对抗领域,具体涉及电子侦察方向的一种雷达信号融合分选方法。
背景技术
雷达辐射源分选技术也称辐射源脉冲去交错,主要目的是从随机交错的脉冲流中剔除合作方脉冲,并将各非合作方脉冲按照所属的雷达归类,雷达辐射源分选是侦察系统的关键环节,对于后续的雷达行为识别与态势评估起决定性作用。随着电磁环境的日渐复杂,各类诸如低截获等抗干扰技术,低信噪比环境等问题使得侦察接收机提取的辐射源特征参数存在丢失、不准确的情况;辐射源数目的不断增加使得脉冲密度不断提高至百万级乃至千万级;辐射源调制方式由简单的单频扩展为包含调频、编码调相等各种复杂的脉内调制方式。
分选算法的发展经历了从基于脉间调制PRI变化特征、脉内调制特征,再到引入机器学习的方法。目前基于机器学习的无监督聚类预分选,搭配基于脉间调制PRI变化特征的主分选方法算法模型符合实际缺乏先验信息的战场环境,被广泛应用于工程中。其中典型无监督聚类算法主要包括五大类:划分聚类法、层次聚类法、网格聚类法、密度聚类法以及模糊聚类法。针对PRI的常用主分选算法主要包括扩展关联法、序列差值直方图法、累积差值直方图法、PRI变换法以及平面变换法。
西安电子科技大学在其申请的专利主题名称为:“多站集群协同下基于多组时差的雷达信号分选方法”(申请号202210074764.X,申请公布号CN 114488028 A)提出了一种多站集群协同下基于多组时差的雷达信号分选方法,该方法利用多站协同配对脉冲中提取的TDOA/FDOA(即:到达时间差/到达频率差),剔除了虚假时差,实现准确的雷达信号分选。该发明虽然解决了单站雷达信号分选方法无法分选多功能调度重频雷达信号以及双站集群协同信号分选方法的虚假时差问题,但依然存在一些不足之处。该方法从仿真参数设置的情况看脉冲流密度比较低,且匹配容差依赖于先验信息,在脉冲流高密度的电磁环境中难以避免主副站脉冲匹配错误的情况,使得主副站脉冲到达时间差计算误差增大,这种过分依赖于到达时间差(TDOA)参数而忽略信号本身的载频、脉宽等特征参数的分选方法性能受TDOA参数影响很大,在复杂电磁环境下雷达信号分选准确性难以得到保证。
发明内容
本发明目的是为了解决现有多站集群协同下基于多组时差的雷达信号分选方法在高密度脉冲流情况下时差匹配精度低,且仅依赖时差参数TDOA分选准确率性难以保证的问题,本发明提供了一种基于偏联系数(Partial Connection Number,PCN)集对势与改进平面变换法的雷达信号多站融合分选方法。
雷达信号多站融合分选方法,该多站融合分选方法基于一个主观测站和N个副观测站实现,所有观测站均用于对待测雷达辐射源输出的雷达信号进行探测,且在预设时间段内每个观测站的接收机探测到的雷达信号为一串脉冲序列,并将其脉冲序列作为PDW数据样本集,且脉冲序列中的每个脉冲信号作为一个样本;脉冲信号的特征参数包括载频CF、脉宽PW、到达角度AOA和脉冲到达时间TOA;
多站融合分选方法包括如下步骤:
S1、所有副观测站将其探测得到PDW数据样本集发送至主观测站;
S2、在主观测站内,对所有观测站的PDW数据样本集进行预处理;
先确定各观测站的PDW数据样本集中作为聚类中心的各脉冲信号,并将作为聚类中心的脉冲信号进行有聚类中心标记,剩余不作为聚类中心的脉冲信号进行无聚类中心标记,再以主观测站的PDW数据样本集内的各脉冲信号作为基准分别与各副观测站的PDW数据样本集内的相应脉冲信号做到达时差TDOA匹配,并将匹配成功的到达时差TDOA标记在所有观测站的PDW数据样本集的相应样本中,同时,将匹配失败的样本从其所在的观测站的PDW数据样本集中剔除,获得各观测站的预处理后的PDW数据样本集;
S3、利用PCN集对势聚类法,对各观测站的预处理后的PDW数据样本集中的脉冲信号进行特征参数聚类,并在各观测站的预处理后的PDW数据样本集中形成多个聚类堆;
S4、多站到达时差TDOA聚类融合校验,获得更新后的PDW数据样本集;
确定各观测站的预处理后的PDW数据样本集中各聚类堆的平均到达时差TDOA,并根据每个预处理后的PDW数据样本集中各平均到达时差TDOA之间关系,将满足聚类条件的各聚类堆之间进行决策级融合,获得更新后的PDW数据样本集;
其中,各观测站内更新后的PDW数据样本集中每个聚类堆包含一套或多套特征参数,且聚类堆的每套特征参数包括平均载频、平均脉宽和平均到达角度,且每个聚类堆的每套特征参数作为该聚类堆所对应的待测雷达辐射源在相应工作模式下的特征参数;
S5、优化的平面变化主分选,输出分选结果;
通过引入SDIF算法对各观测站内更新后的PDW数据样本集中每个聚类堆内所有脉冲信号的脉冲到达时间TOA进行m级的级差计算,得到每个聚类堆的m个潜在变换宽度Wi;i=1,2,3……m,m为整数,Wi为第i个潜在变换宽度;
再对各潜在变换宽度Wi对其所对应的聚类堆内的所有脉冲信号的脉冲到达时间TOA进行平面变换,获得一条平面变换特征曲线;
最后,根据每个聚类堆所对应的m个平面变换特征曲线确定该聚类堆的最优变换宽度W,根据最优变换宽度W所对应的平面变换特征曲线的变化规律确定该聚类堆的重频调制类型,其中,
将聚类堆的最优变换宽度W作为该聚类堆所对应的一个待测雷达辐射源的重复周期PRI;
将聚类堆的重频调制类型作为该聚类堆所对应的一个待测雷达辐射源的重频调制类型。
优选的是,步骤S2中,先确定各观测站的PDW数据样本集中作为聚类中心的各脉冲信号的实现方式为:
S21、利用LOF法去除各观测站的PDW数据样本集中的离群样本;
S22、利用最大距离积法确定去除离群样本后的各PDW数据样本集中作为聚类中心的各脉冲信号。
优选的是,步骤S2中,以主观测站的PDW数据样本集内的各脉冲信号作为基准分别与各副观测站的PDW数据样本集内的相应脉冲信号做到达时差TDOA匹配的实现方式包括:
根据主、副观测站的空间位置确定脉冲匹配时差窗,在同一脉冲匹配时差窗内将主观测站的脉冲信号的载频CF、脉宽PW、到达角度AOA与各副观测站内相应的脉冲信号的载频CF、脉宽PW、到达角度AOA分别进行匹配,若各特征参数的匹配结果均在预设阈值内,则确定匹配成功,并将该主观测站的脉冲信号的脉冲到达时间TOA和其所对应的副观测站内相应的脉冲信号的脉冲到达时间TOA作差,获得到达时差TDOA。
优选的是,步骤S3中、利用PCN集对势聚类法,对各观测站的预处理后的PDW数据样本集中的脉冲信号进行特征参数聚类,并在各观测站的预处理后的PDW数据样本集中形成多个聚类堆的实现方式为:
S31、将各观测站的预处理后的PDW数据样本集中的每个有聚类中心标记的脉冲信号作为一个聚类堆;
S32、利用PCN集对势聚类法,将各观测站的预处理后的PDW数据样本集中的每个无聚类中心标记的脉冲信号同时与多个有聚类中心标记的脉冲信号进行特征参数聚类分析,得到多个集对势值;将集对势值最大时所对应的无聚类中心标记的脉冲信号归类为在与其对应的有聚类中心标记的脉冲信号所在的聚类堆内;
同时根据每次归类结果对每个无聚类中心标记的脉冲信号归属的聚类堆的各特征参数进行更新。
优选的是,步骤S32中、根据每次归类结果对每个无聚类中心标记的脉冲信号归属的聚类堆的特征参数进行更新的实现方式为:
将每次归类后的聚类堆内的所有脉冲信号的各特征参数取均值,并将所有特征参数的均值作为聚类堆的一套特征参数;
其中,聚类堆内的所有脉冲信号的载频CF取均值,作为聚类堆的平均载频CF;聚类堆内的所有脉冲信号的脉宽PW取均值,作为聚类堆的平均脉宽;聚类堆内的所有脉冲信号的到达角度AOA取均值,作为聚类堆的平均到达角度。
优选的是,步骤S4中的各聚类堆的平均到达时差TDOA的计算方式为:
将每个聚类堆内的所有脉冲信号的到达时差TDOA进行聚类,选择该聚类堆内聚类结果中脉冲信号数量最多的一组聚类结果中所有脉冲信号的到达时差TDOA的均值作为该聚类堆的平均到达时差TDOA。
优选的是,将每个聚类堆内的所有脉冲信号的到达时差TDOA进行聚类的实现方式为:
将每个聚类堆内的每个脉冲信号的到达时差TDOA分别与该堆内剩余脉冲信号的到达时差TDOA比较,并将差值与预设到达时差TDOA差值范围比较,当差值在预设到达时差TDOA差值范围内时,将其差值所对应的两个脉冲信号进行聚类。
优选的是,步骤S4中,进行决策级融合的聚类条件为:将每个预处理后的PDW数据样本集中的任意一个聚类堆的平均到达时差TDOA分别与剩余的各聚类堆的平均到达时差TDOA作差,并将差值与预设平均到达时差差值范围比较,当差值在预设平均到达时差差值范围内时,则视为满足决策级融合的聚类条件。
优选的是,步骤S5中,根据每个聚类堆所对应的m个平面变换特征曲线确定该聚类堆的最优变换宽度W的实现方式为:
计算每条平面变换特征曲线的平面熵值,取每个聚类堆所对应的m个平面变换特征曲线中熵值最小的那条平面变换特征曲线所对应的潜在变换宽度,作为该聚类堆的最优变换宽度W。
原理分析:本发明在PCN集对势单站聚类分选的基础上基于脉冲多站到达时间差TDOA对各聚类结果进行决策级融合,得到对待测雷达辐射源的个数、以及每个待测雷达辐射源的特征参数的识别,最后提取融合后聚类结果的到达时间TOA参数,通过平面变换主分选还可实现对待测雷达辐射源的脉冲重频调制类型和重复周期PRI的识别。
本发明的技术思路是:针对传统聚类算法性能受先验阈值等参数影响大的问题,引入数学领域的偏联系数理论,通过表征样本与聚类中心的发展趋势大小实现无参数聚类。同时利用同一辐射源发射的信号在不同观测站到达时间差值基本稳定的特点,建立主副站的多站接收模型,通过各站接收脉冲时差窗匹配获取脉冲到各站的TDOA到达时间差参数,对单站分选结果作决策级融合校验,以解决大带宽信号跨信道造成的过度分割问题、区分兔耳脉冲与窄脉冲以及适应多功能雷达体制等。主分选部分则引入SDIF算法的到达时间差值直方图思想,来优化平面变换的潜在变换宽度Wi搜索流程,相较于传统平面变换法在给定范围内步进遍历变换宽度,大大降低了算法计算量。
本发明带来的有益效果是:
背景技术中所提专利其实现雷达信号分选过程,是在多站协同配对脉冲中提取的TDOA/FDOA,剔除了虚假时差,实现准确的雷达信号分选,过分依赖于到达时间差(TDOA)参数进行分选,而忽略信号本身的载频、脉宽等特征参数对分选结果的影响,该分选方法性能受TDOA参数影响很大。
而本发明实现雷达信号分选过程是:先将特征参数接近的脉冲进行聚类,再以多站时差匹配TDOA参数作为融合校验的依据,弱化时差匹配误差对分选结果的影响,从而增加了高密度脉冲流条件下分选算法准确率;同时相较于技术背景所提专利,本发明还可以对目标重复周期PRI及重频调制类型进行识别,为后续目标行为识别等处理增加更多可靠依据。
本发明还具备如下优点:
第一,本发明引入数学领域的偏联系数理论,通过比较样本与聚类中心的集对势大小进实现无参数聚类,摆脱了以往聚类算法性能受先验阈值影响大的局限性。
第二,引入多站融合理论,相较于传统的单站分选可以利用主副站间位置关系得到一维稳定的到达时间差参数信息,对各站内聚类结果作决策级融合,可以有效区分兔耳效应与窄脉冲、解决信道化接收机面对大带宽信号跨多个子信道时出现的过度分割问题,同时增强了系统对多功能雷达体制的适应能力。
第三,引入SDIF算法中的直方图统计思想,来优化平面变换的潜在变换宽度Wi,相较于传统平面变换法在给定范围内步进遍历变换宽度,大大降低了算法计算量,提高了本发明分选方法的运算速度。
附图说明
图1是本发明所述雷达信号多站融合分选方法的原理示意图;
图2是对观测站的PDW数据样本集进行预处理的原理示意图;
图3是观测站探测到的脉冲序列中脉冲信号的特征参数的仿真三维分布图;
图4是利用PCN集对势聚类法对图3中各脉冲信号特征参数进行聚类,获得各观测站的预分选结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
参见图1说明本实施方式,本实施方式所述的雷达信号多站融合分选方法,该多站融合分选方法基于一个主观测站和N个副观测站实现,所有观测站均用于对待测雷达辐射源输出的雷达信号进行探测,且在预设时间段内每个观测站的接收机探测到的雷达信号为一串脉冲序列,并将其脉冲序列作为PDW数据样本集,且脉冲序列中的每个脉冲信号作为一个样本;脉冲信号的特征参数包括载频CF、脉宽PW、到达角度AOA和脉冲到达时间TOA;
多站融合分选方法包括如下步骤:
S1、所有副观测站将其探测得到PDW数据样本集发送至主观测站;
S2、在主观测站内,对所有观测站的PDW数据样本集进行预处理;
先确定各观测站的PDW数据样本集中作为聚类中心的各脉冲信号,并将作为聚类中心的脉冲信号进行有聚类中心标记,剩余不作为聚类中心的脉冲信号进行无聚类中心标记,再以主观测站的PDW数据样本集内的各脉冲信号作为基准分别与各副观测站的PDW数据样本集内的相应脉冲信号做到达时差TDOA匹配,并将匹配成功的到达时差TDOA标记在所有观测站的PDW数据样本集的相应样本中,同时,将匹配失败的样本从其所在的观测站的PDW数据样本集中剔除,获得各观测站的预处理后的PDW数据样本集;
S3、利用PCN集对势聚类法,对各观测站的预处理后的PDW数据样本集中的脉冲信号进行特征参数聚类,并在各观测站的预处理后的PDW数据样本集中形成多个聚类堆;
S4、多站到达时差TDOA聚类融合校验,获得更新后的PDW数据样本集;
确定各观测站的预处理后的PDW数据样本集中各聚类堆的平均到达时差TDOA,并根据每个预处理后的PDW数据样本集中各平均到达时差TDOA之间关系,将满足聚类条件的各聚类堆之间进行决策级融合,获得更新后的PDW数据样本集;
其中,各观测站内更新后的PDW数据样本集中每个聚类堆包含一套或多套特征参数,且聚类堆的每套特征参数包括平均载频、平均脉宽和平均到达角度,且每个聚类堆的每套特征参数作为该聚类堆所对应的待测雷达辐射源在相应工作模式下的特征参数;
S5、优化的平面变化主分选,输出分选结果;
通过引入SDIF算法对各观测站内更新后的PDW数据样本集中每个聚类堆内所有脉冲信号的脉冲到达时间TOA进行m级的级差计算,得到每个聚类堆的m个潜在变换宽度Wi;i=1,2,3……m,m为整数,Wi为第i个潜在变换宽度;
再对各潜在变换宽度Wi对其所对应的聚类堆内的所有脉冲信号的脉冲到达时间TOA进行平面变换,获得一条平面变换特征曲线;
最后,根据每个聚类堆所对应的m个平面变换特征曲线确定该聚类堆的最优变换宽度W,根据最优变换宽度W所对应的平面变换特征曲线的变化规律确定该聚类堆的重频调制类型,其中,
将聚类堆的最优变换宽度W作为该聚类堆所对应的一个待测雷达辐射源的重复周期PRI;
将聚类堆的重频调制类型作为该聚类堆所对应的一个待测雷达辐射源的重频调制类型。
本发明所述的雷达信号多站融合分选方法主要用于实现雷达信号的分选,也即:实现各待测雷达辐射源的区分及确定;本发明先将特征参数接近的脉冲进行聚类,再以多站时差匹配TDOA参数作为融合校验的依据,弱化时差匹配误差对分选结果的影响,从而增加了高密度脉冲流条件下分选算法准确率;同时相较于技术背景所提专利,本发明还可以对目标重复周期PRI及重频调制类型进行识别,为后续目标行为识别等处理增加更多可靠依据。
提出的多站到达时差TDOA聚类融合校验理论:
传统脉冲重复周期估计算法对各类存在复杂脉内、脉间调制方式的多功能雷达参数无法进行很好的区分,去交错效果有限。
本发明利用多观测站建立多传感器时差融合系统,利用同一脉冲在不同观测站的到达时间差(Time Differenceof Arrival,TDOA)作为新一维参数依据,对常规单站基于特征参数相近原则的聚类结果进行融合校验,弥补其难以适应多功能雷达等局限性,同时TDOA参数还可以作为目标定位的依据。
时差匹配的关键是在各个观测站中将同一脉冲对应的序号找出,建立对应关系并提取参数计算到达时间差TDOA。该部分涉及时差窗的选取策略。时差窗参数选取和辐射源自身参数无关,仅与各观测站间距离以及空间布局相关,因而满足实际环境非合作方辐射源信号分选要求。
以单个副观测站为例,将主观测站和对应副观测站接收的脉冲进行时差配对获取脉冲到达时间差TDOA参数,当匹配到虚假脉冲时,可利用载频、脉宽等各脉冲描述字参数进行匹配,确定匹配脉冲对与真实时差。
主观测站与副观测站内脉冲经过处理后得到若干组聚类结果,提取各聚类结果中的脉冲参数进行基于到达时间差TDOA的聚类校验,将满足TDOA脉冲聚类校验条件的若干组聚类结果进行决策级融合,解决大带宽信号跨多个信道的过度分割问题以及对多功能雷达不同工作状态信号特征参数不同的情况进行适应。兔耳脉冲会因不满足时差匹配条件,在主副站间脉冲TDOA时差匹配时被去除。
时差匹配方法本质上利用了同一辐射源发射的脉冲到达观测站与到达主站时差相同的特点,进行脉冲融合校验。可以适应多功能雷达在不同工作状态特征参数不同的特点,同时可以更科学地实现窄脉宽信号与兔耳信号的区分,以及对大带宽信号跨信道造成过度分割的现象进行特征级融合,相较于常规融合算法时间复杂度更低。
进一步的,具体参见图2,步骤S2中,先确定各观测站的PDW数据样本集中作为聚类中心的各脉冲信号的实现方式为:
S21、利用LOF法去除各观测站的PDW数据样本集中的离群样本;
S22、利用最大距离积法确定去除离群样本后的各PDW数据样本集中作为聚类中心的各脉冲信号。
本优选实施方式中,观测站的PDW数据样本集中的离群点主要来源于数据测量误差以及空间中存在的各类干扰,对离群点进行去除有利于减少算法后续的计算量,同时可以提高算法精度。
利用最大距离积法为了进一步完善聚类中心选择,更好地稀疏化初始聚类中心。
更进一步的,具体参见图2,步骤S2中,以主观测站的PDW数据样本集内的各脉冲信号作为基准分别与各副观测站的PDW数据样本集内的相应脉冲信号做到达时差TDOA匹配的实现方式包括:
根据主、副观测站的空间位置确定脉冲匹配时差窗,在同一脉冲匹配时差窗内将主观测站的脉冲信号的载频CF、脉宽PW、到达角度AOA与各副观测站内相应的脉冲信号的载频CF、脉宽PW、到达角度AOA分别进行匹配,若各特征参数的匹配结果均在预设阈值内,则确定匹配成功,并将该主观测站的脉冲信号的脉冲到达时间TOA和其所对应的副观测站内相应的脉冲信号的脉冲到达时间TOA作差,获得到达时差TDOA。
本优选实施方式中,该匹配方式本质上利用了同一脉冲在不同观测站的接收特征参数接近的特征,无需考虑多功能雷达不同工作模式特征参数不同的特点。时差窗的选取仅依赖于观测站的空间位置分布,因而该多站匹配模型符合实际电子对抗环境无先验信息的特性。
更进一步的,步骤S3中、利用PCN集对势聚类法,对各观测站的预处理后的PDW数据样本集中的脉冲信号进行特征参数聚类,并在各观测站的预处理后的PDW数据样本集中形成多个聚类堆的实现方式为:
S31、将各观测站的预处理后的PDW数据样本集中的每个有聚类中心标记的脉冲信号作为一个聚类堆;
S32、利用PCN集对势聚类法,将各观测站的预处理后的PDW数据样本集中的每个无聚类中心标记的脉冲信号同时与多个有聚类中心标记的脉冲信号进行特征参数聚类分析,得到多个集对势值;将集对势值最大时所对应的无聚类中心标记的脉冲信号归类为在与其对应的有聚类中心标记的脉冲信号所在的聚类堆内;
同时根据每次归类结果对每个无聚类中心标记的脉冲信号归属的聚类堆的各特征参数进行更新。
本优选实施方式中,PCN集对势特征参数聚类方式引入了偏联系数决策理论,通过计算样本集与聚类中心集合的集对势大小表征样本向聚类中心的发展趋势从而实现样本归类,该聚类方式属于无参数聚类,不需任何先验信息。聚类堆中心随着样本的归类不断更新进行动态修正,降低了接收机测量误差使聚类结果更贴近于目标实际信号输出。
更进一步的,步骤S32中、根据每次归类结果对每个无聚类中心标记的脉冲信号归属的聚类堆的特征参数进行更新的实现方式为:
将每次归类后的聚类堆内的所有脉冲信号的各特征参数取均值,并将所有特征参数的均值作为聚类堆的一套特征参数;
其中,聚类堆内的所有脉冲信号的载频CF取均值,作为聚类堆的平均载频CF;聚类堆内的所有脉冲信号的脉宽PW取均值,作为聚类堆的平均脉宽;聚类堆内的所有脉冲信号的到达角度AOA取均值,作为聚类堆的平均到达角度。
更进一步的,步骤S4中的各聚类堆的平均到达时差TDOA的计算方式为:
将每个聚类堆内的所有脉冲信号的到达时差TDOA进行聚类,选择该聚类堆内聚类结果中脉冲信号数量最多的一组聚类结果中所有脉冲信号的到达时差TDOA的均值作为该聚类堆的平均到达时差TDOA。
更进一步的,将每个聚类堆内的所有脉冲信号的到达时差TDOA进行聚类的实现方式为:
将每个聚类堆内的每个脉冲信号的到达时差TDOA分别与该堆内剩余脉冲信号的到达时差TDOA比较,并将差值与预设到达时差TDOA差值范围比较,当差值在预设到达时差TDOA差值范围内时,将其差值所对应的两个脉冲信号进行聚类。
更进一步的,步骤S4中,进行决策级融合的聚类条件为:将每个预处理后的PDW数据样本集中的任意一个聚类堆的平均到达时差TDOA分别与剩余的各聚类堆的平均到达时差TDOA作差,并将差值与预设平均到达时差差值范围比较,当差值在预设平均到达时差差值范围内时,则视为满足决策级融合的聚类条件。
本优选实施方式中,基于到达时间差TDOA参数对初始聚类堆进行决策级融合,可以有效适应多功能雷达体制多种工作模式对应特征参数不同的特性,解决“增批”问题。同时面对大带宽信号跨信道的过度分割问题可以基于TDOA参数作冗余脉冲聚类堆的融合。
更进一步的,步骤S5中,根据每个聚类堆所对应的m个平面变换特征曲线确定该聚类堆的最优变换宽度W的实现方式为:
计算每条平面变换特征曲线的平面熵值,取每个聚类堆所对应的m个平面变换特征曲线中熵值最小的那条平面变换特征曲线所对应的潜在变换宽度,作为该聚类堆的最优变换宽度W。
本发明具体应用时:
(1)可选择一个主观测站,两个副观测站建立起多站接收模型,将副站接收脉冲流信息传递给主站,并利用LOF法标记各站内离群点;
(2最大距离积法迭代确定接收脉冲流的潜在有效脉冲信号聚类中心;
(3)根据主站与各子观测站之间的距离、位置关系确定接收脉冲时差窗;
(4)对各站接收到的脉冲进行时差窗匹配以及到达时间差TDOA计算,当时差窗同时匹配到多个脉冲时,采用载频、脉宽等参数进行辅助匹配;
(5)利用样本载频、脉宽、到达角度与中心进行基于PCN集对势的单站分选,将样本归入对应集对势最大的聚类中心;
(6)基于各分选结果脉冲的到达时间差参数进行融合校验,对到达时间差参数相近且满足阈值条件的若干组聚类结果进行决策级融合完成预分选部分;
(7)提取预分选聚类堆脉冲到达时间TOA参数,通过作级差直方图找到潜在变换宽度Wi
(8)以Wi为变换宽度进行平面变换,通过观察特征曲线得到信号重频调制类型。
具体应用时,通过以下数据,验证本发明的技术效果:
共设置了九部不同调制类型的雷达辐射源,包括四部单频、一部三参差、一部重频抖动、一部捷变频、一部多功能雷达以及一部窄脉冲捷变频雷达。生成如表1所示特征参数的混合信号以验证本发明方法的实际分选效果。
表1雷达信号仿真参数设置
预分选聚类过程如附图3和图4所示,本发明经过LOF去除离群点后得到附图4中的潜在有效数据集合,通过最大距离积法确定潜在聚类中心后对PDW数据进行单站PCN集对势聚类得到若干组聚类堆,再对以上聚类结果基于多站到达时间差TDOA参数进行融合校验,可实现对捷变频、多功能雷达以及窄脉冲信号的识别,分选准确度高,且分选最终结果如表2所示。
表2雷达信号仿真参数设置及分选结果
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (9)
1.雷达信号多站融合分选方法,该多站融合分选方法基于一个主观测站和N个副观测站实现,所有观测站均用于对待测雷达辐射源输出的雷达信号进行探测,且在预设时间段内每个观测站的接收机探测到的雷达信号为一串脉冲序列,并将其脉冲序列作为PDW数据样本集,且脉冲序列中的每个脉冲信号作为一个样本;脉冲信号的特征参数包括载频CF、脉宽PW、到达角度AOA和脉冲到达时间TOA;
其特征在于,多站融合分选方法包括如下步骤:
S1、所有副观测站将其探测得到PDW数据样本集发送至主观测站;
S2、在主观测站内,对所有观测站的PDW数据样本集进行预处理;
先确定各观测站的PDW数据样本集中作为聚类中心的各脉冲信号,并将作为聚类中心的脉冲信号进行有聚类中心标记,剩余不作为聚类中心的脉冲信号进行无聚类中心标记,再以主观测站的PDW数据样本集内的各脉冲信号作为基准分别与各副观测站的PDW数据样本集内的相应脉冲信号做到达时差TDOA匹配,并将匹配成功的到达时差TDOA标记在所有观测站的PDW数据样本集的相应样本中,同时,将匹配失败的样本从其所在的观测站的PDW数据样本集中剔除,获得各观测站的预处理后的PDW数据样本集;
S3、利用PCN集对势聚类法,对各观测站的预处理后的PDW数据样本集中的脉冲信号进行特征参数聚类,并在各观测站的预处理后的PDW数据样本集中形成多个聚类堆;
S4、多站到达时差TDOA聚类融合校验,获得更新后的PDW数据样本集;
确定各观测站的预处理后的PDW数据样本集中各聚类堆的平均到达时差TDOA,并根据每个预处理后的PDW数据样本集中各平均到达时差TDOA之间关系,将满足聚类条件的各聚类堆之间进行决策级融合,获得更新后的PDW数据样本集;
其中,各观测站内更新后的PDW数据样本集中每个聚类堆包含一套或多套特征参数,且聚类堆的每套特征参数包括平均载频、平均脉宽和平均到达角度,且每个聚类堆的每套特征参数作为该聚类堆所对应的待测雷达辐射源在相应工作模式下的特征参数;
S5、优化的平面变化主分选,输出分选结果;
通过引入SDIF算法对各观测站内更新后的PDW数据样本集中每个聚类堆内所有脉冲信号的脉冲到达时间TOA进行m级的级差计算,得到每个聚类堆的m个潜在变换宽度Wi;i=1,2,3……m,m为整数,Wi为第i个潜在变换宽度;
再对各潜在变换宽度Wi对其所对应的聚类堆内的所有脉冲信号的脉冲到达时间TOA进行平面变换,获得一条平面变换特征曲线;
最后,根据每个聚类堆所对应的m个平面变换特征曲线确定该聚类堆的最优变换宽度W,根据最优变换宽度W所对应的平面变换特征曲线的变化规律确定该聚类堆的重频调制类型,其中,
将聚类堆的最优变换宽度W作为该聚类堆所对应的一个待测雷达辐射源的重复周期PRI;
将聚类堆的重频调制类型作为该聚类堆所对应的一个待测雷达辐射源的重频调制类型。
2.根据权利要求1所述的雷达信号多站融合分选方法,其特征在于,步骤S2中,先确定各观测站的PDW数据样本集中作为聚类中心的各脉冲信号的实现方式为:
S21、利用LOF法去除各观测站的PDW数据样本集中的离群样本;
S22、利用最大距离积法确定去除离群样本后的各PDW数据样本集中作为聚类中心的各脉冲信号。
3.根据权利要求1或2所述的雷达信号多站融合分选方法,其特征在于,步骤S2中,以主观测站的PDW数据样本集内的各脉冲信号作为基准分别与各副观测站的PDW数据样本集内的相应脉冲信号做到达时差TDOA匹配的实现方式包括:
根据主、副观测站的空间位置确定脉冲匹配时差窗,在同一脉冲匹配时差窗内将主观测站的脉冲信号的载频CF、脉宽PW、到达角度AOA与各副观测站内相应的脉冲信号的载频CF、脉宽PW、到达角度AOA分别进行匹配,若各特征参数的匹配结果均在预设阈值内,则确定匹配成功,并将该主观测站的脉冲信号的脉冲到达时间TOA和其所对应的副观测站内相应的脉冲信号的脉冲到达时间TOA作差,获得到达时差TDOA。
4.根据权利要求1所述的雷达信号多站融合分选方法,其特征在于,步骤S3中、利用PCN集对势聚类法,对各观测站的预处理后的PDW数据样本集中的脉冲信号进行特征参数聚类,并在各观测站的预处理后的PDW数据样本集中形成多个聚类堆的实现方式为:
S31、将各观测站的预处理后的PDW数据样本集中的每个有聚类中心标记的脉冲信号作为一个聚类堆;
S32、利用PCN集对势聚类法,将各观测站的预处理后的PDW数据样本集中的每个无聚类中心标记的脉冲信号同时与多个有聚类中心标记的脉冲信号进行特征参数聚类分析,得到多个集对势值;将集对势值最大时所对应的无聚类中心标记的脉冲信号归类为在与其对应的有聚类中心标记的脉冲信号所在的聚类堆内;
同时根据每次归类结果对每个无聚类中心标记的脉冲信号归属的聚类堆的各特征参数进行更新。
5.根据权利要求4所述的雷达信号多站融合分选方法,其特征在于,步骤S32中、根据每次归类结果对每个无聚类中心标记的脉冲信号归属的聚类堆的特征参数进行更新的实现方式为:
将每次归类后的聚类堆内的所有脉冲信号的各特征参数取均值,并将所有特征参数的均值作为聚类堆的一套特征参数;
其中,聚类堆内的所有脉冲信号的载频CF取均值,作为聚类堆的平均载频CF;聚类堆内的所有脉冲信号的脉宽PW取均值,作为聚类堆的平均脉宽;聚类堆内的所有脉冲信号的到达角度AOA取均值,作为聚类堆的平均到达角度。
6.根据权利要求1所述的雷达信号多站融合分选方法,其特征在于,步骤S4中的各聚类堆的平均到达时差TDOA的计算方式为:
将每个聚类堆内的所有脉冲信号的到达时差TDOA进行聚类,选择该聚类堆内聚类结果中脉冲信号数量最多的一组聚类结果中所有脉冲信号的到达时差TDOA的均值作为该聚类堆的平均到达时差TDOA。
7.根据权利要求6所述的雷达信号多站融合分选方法,其特征在于,将每个聚类堆内的所有脉冲信号的到达时差TDOA进行聚类的实现方式为:
将每个聚类堆内的每个脉冲信号的到达时差TDOA分别与该堆内剩余脉冲信号的到达时差TDOA比较,并将差值与预设到达时差TDOA差值范围比较,当差值在预设到达时差TDOA差值范围内时,将其差值所对应的两个脉冲信号进行聚类。
8.根据权利要求1所述的雷达信号多站融合分选方法,其特征在于,步骤S4中,进行决策级融合的聚类条件为:将每个预处理后的PDW数据样本集中的任意一个聚类堆的平均到达时差TDOA分别与剩余的各聚类堆的平均到达时差TDOA作差,并将差值与预设平均到达时差差值范围比较,当差值在预设平均到达时差差值范围内时,则视为满足决策级融合的聚类条件。
9.根据权利要求1所述的雷达信号多站融合分选方法,其特征在于,步骤S5中,根据每个聚类堆所对应的m个平面变换特征曲线确定该聚类堆的最优变换宽度W的实现方式为:
计算每条平面变换特征曲线的平面熵值,取每个聚类堆所对应的m个平面变换特征曲线中熵值最小的那条平面变换特征曲线所对应的潜在变换宽度,作为该聚类堆的最优变换宽度W。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211151872.9A CN115575902A (zh) | 2022-09-21 | 2022-09-21 | 雷达信号多站融合分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211151872.9A CN115575902A (zh) | 2022-09-21 | 2022-09-21 | 雷达信号多站融合分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115575902A true CN115575902A (zh) | 2023-01-06 |
Family
ID=84581002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211151872.9A Pending CN115575902A (zh) | 2022-09-21 | 2022-09-21 | 雷达信号多站融合分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115575902A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
-
2022
- 2022-09-21 CN CN202211151872.9A patent/CN115575902A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129947A (zh) * | 2023-10-26 | 2023-11-28 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
CN117129947B (zh) * | 2023-10-26 | 2023-12-26 | 成都金支点科技有限公司 | 一种基于miniunet的平面变换法雷达信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109450834A (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
US20100283666A1 (en) | Radar signals clustering method using frequency modulation characteristics and combination characteristics of signals, and system for receiving and processing radar signals using the same | |
CN109270497B (zh) | 雷达脉冲信号的多维参数预分选方法 | |
CN107656245A (zh) | 一种将信息融合应用到雷达信号分选中的方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN112799053B (zh) | 一种单脉冲信号的实时配对分选方法 | |
CN115575902A (zh) | 雷达信号多站融合分选方法 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN111751792A (zh) | 一种被动雷达信号分选pdw预处理方法 | |
CN112986925A (zh) | 一种基于图像特征的雷达脉冲序列分选方法 | |
CN111209960A (zh) | 一种基于改进随机森林算法的csi系统多径分类方法 | |
CN106680783A (zh) | 基于站址误差融合算法对抗欺骗式假目标的方法 | |
CN112347844A (zh) | 一种基于lid的信号对抗样本检测器设计方法 | |
CN113128584B (zh) | 一种多功能雷达脉冲序列的模式级无监督分选方法 | |
CN117407662B (zh) | 一种传感器数据处理方法及系统 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN117272189A (zh) | 一种复杂电磁环境下的信号分选与识别方法 | |
CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
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 | |
CN112836104B (zh) | 一种数据库辅助自主聚类信号分选方法及系统 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
Lu et al. | A recursive sorting method based on multi-station TDOA vector | |
CN113447907B (zh) | 一种雷达分选系统控制方法及雷达分选系统 | |
Zhou et al. | Algorithm for Radar Signal Pre-sorting Based on Correlation Distance Differential |
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 |