CN115629365A - 一种高密度背景信号中少样本信号分选方法及装置 - Google Patents
一种高密度背景信号中少样本信号分选方法及装置 Download PDFInfo
- Publication number
- CN115629365A CN115629365A CN202211090376.7A CN202211090376A CN115629365A CN 115629365 A CN115629365 A CN 115629365A CN 202211090376 A CN202211090376 A CN 202211090376A CN 115629365 A CN115629365 A CN 115629365A
- Authority
- CN
- China
- Prior art keywords
- sector
- pulse
- submodule
- pri
- sorting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000005855 radiation Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
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
本发明公开了一种高密度背景信号中少样本信号分选方法及装置，所述方法包括：在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分；对接收到的脉冲样本进行扇区排序，按照每一个脉冲的到达角，将其放入对应的扇区中；对任一扇区进行PRI检测、序列抽取、辐射源参数估计，形成分选结果；本发明的优点在于：高概率分选出高密度背景信号中少量样本的辐射源目标。
Description
技术领域
本发明涉及雷达对抗信号处理领域，更具体涉及一种高密度背景信号中少样本信号分选方法及装置。
背景技术
随着数字阵列技术的快速发展和广泛应用，电子侦察系统的灵敏度、动态范围、瞬时工作带宽、瞬时空域覆盖范围大幅提升，进入接收机的信号数量急剧增加，特别是在大量民用雷达、通信背景信号存在的情况下，使得感兴趣目标的少量脉冲淹没在高密度背景信号中，严重影响信号分选处理速度和分选结果的正确性。
在传统的电子侦察系统中，信号分选通常采用固定节拍处理方式。在FPGA中检测到脉冲信号后，积累固定时间长度或固定存储空间大小的脉冲数据后，送至信号分选单元，由信号分选单元通过匹配、聚类或直方图统计的方法完成信号分选工作。例如中国专利授权公告号CN105277923B公开的一种单通道雷达信号分选方法，包括：1)选定某段长度为N的到达时间序列构成原始脉冲到达时间序列集合；2)对原始脉冲到达时间序列进行多维差分处理；3)对每个到达时间差分后的时间间隔进行分组处理，并进行统计计数；4)根据每一组所包括的到达时间差分后的时间间隔的统计计数结果绘制PRI聚类统计直方图，然后将PRI聚类统计直方图与检测门限相比较，得出可能的PRI估计值；5)对可能的PRI估计值进行剔除谐波分量处理得到符合条件的PRI估计值；6)根据符合条件PRI估计值从原始脉冲到达时间序列中依次取出其对应的到达时间序列，将同一PRI估计值取出的到达时间分别依次按时间顺序组成一个序列，完成信号分选。该方法属于固定节拍处理方式，在复杂电磁环境下难以处理淹没于高密度背景信号中的目标辐射源，尤其是在聚类、到达时间差直方图统计等环节，辐射源的少量脉冲样本无法被正确分选出来。如何高概率分选出高密度背景信号中少量样本的辐射源目标是阵列体制侦察系统必须解决的关键问题。
发明内容
本发明所要解决的技术问题在于如何高概率分选出高密度背景信号中少量样本的辐射源目标。
本发明通过以下技术手段实现解决上述技术问题的：一种高密度背景信号中少样本信号分选方法，所述方法包括：
步骤一：在接收到信号检测单元发送来的固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分；
步骤二：对接收到的脉冲样本进行扇区排序，按照每一个脉冲的到达角，将其放入对应的扇区中；
步骤三：对任一扇区进行PRI检测、序列抽取、辐射源参数估计，形成分选结果。
本发明在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分，按照每一个脉冲的到达角，将脉冲放入对应的扇区中，是按照空间方位进行扇区划分，充分利用阵列多波束的高精度测向优势，在空间上将高密度脉冲流进行稀释，降低分选处理计算量，同时实现辐射源脉冲信号与背景信号的预分离，进而使少量样本的目标信号能够满足聚类、到达时间差直方图统计的阈值要求，提高分选成功率。
进一步地，所述步骤一包括：
步骤1-1：按系统测向精度的整数倍作为基本扇区单元，得到扇区方位覆盖范围δ，并以此将系统覆盖的空间范围划分为N个扇区，
N＝ceil((θR-θL)/δ)
其中，θL为系统空域覆盖的左边界，θR为系统空域覆盖的右边界，θL和θR以偏离正北方向，按顺时针方向为正进行赋值，ceil表示向上取整；
步骤1-2：计算N个扇区的左右边界，即
θi＝θL+i×δ，i＝0,1，2...
其中，θi表示第i个扇区的左边界；
步骤1-3：根据扇区划分，对应每个扇区开辟固定缓存空间，每个缓存空间大小为
Mi＝M×MP
其中，M为各扇区拟积累的脉冲最大个数，MP为每个脉冲描述字所占空间大小，侦察系统设计完成时，MP为固定值。
更进一步地，所述步骤二包括：
步骤2-1：进行坐标变换，对当前脉冲以偏离正北方向，按顺时针方向为正进行赋值，得到相对正北方向的到达角θ0；
步骤2-2：计算当前脉冲所处的扇区为
j＝floor((θo-θL)/δ)
其中，floor(·)表示向下取整；
步骤2-3：根据求得的扇区序号j，将脉冲存入对应扇区的缓存空间中；
步骤2-4：按步骤2-1、2-2、2-3遍历脉冲，直至当前节拍所有脉冲均完成上述步骤。
更进一步地，所述步骤三包括：
步骤3-1：判断当前扇区中积累的脉冲是否达到预定个数或预定积累时长，若有一个条件满足，则继续下述步骤，否则等待；
步骤3-2：计算当前扇区对应缓存空间中的脉冲到达时间差分，对获得的差分值进行直方图统计，以此得到可能的PRI值；统计方法可利用序列差直方图(SDIF)或累计差直方图算法(CDIF)或PRI变换算法，以此得到可能的PRI值，每个扇区可设置独立的门限阈值；
步骤3-3：以步骤3-2获得的PRI值，对扇区对应的缓存空间中的脉冲数据进行序列抽取，将满足PRI差值的脉冲序列存入对应的数组中；每个扇区可设置独立的抽取容差。
步骤3-4：对步骤3-3形成的所有脉冲序列进行参数估计，其中载频、脉宽通过聚类方法求得所有的聚类中心，并作为分选结果辐射源的对应载频值和脉宽值；PRI则通过对脉冲序列的到达时间做一阶差分，将生成的差值作为分选结果辐射源的重复周期值，每个扇区可设置独立的聚类参数；
步骤3-5：按步骤3-1、3-2、3-3、3-4遍历所有扇区，或按步骤3-1、3-2、3-3、3-4并行处理所有扇区，直至所有扇区均完成上述步骤。
本发明还提供一种高密度背景信号中少样本信号分选装置，所述装置包括：
扇区初始化模块，用于在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分；
扇区赋值模块，用于对接收到的脉冲样本进行扇区排序，按照每一个脉冲的到达角，将其放入对应的扇区中；
主分选模块，用于对任一扇区进行PRI检测、序列抽取、辐射源参数估计，形成分选结果。
进一步地，所述扇区初始化模块包括：
扇区划分子模块，用于按系统测向精度的整数倍作为基本扇区单元，得到扇区方位覆盖范围δ，并以此将系统覆盖的空间范围划分为N个扇区，
N＝ceil((θR-θL)/δ)
其中，θL为系统空域覆盖的左边界，θR为系统空域覆盖的右边界，θL和θR以偏离正北方向，按顺时针方向为正进行赋值，ceil表示向上取整；
扇区边界计算子模块，用于计算N个扇区的左右边界，即
θi＝θL+i×δ，i＝0,1，2...
其中，θi表示第i个扇区的左边界；
缓存开辟子模块，用于根据扇区划分，对应每个扇区开辟固定缓存空间，每个缓存空间大小为
Mi＝M×MP
其中，M为各扇区拟积累的脉冲最大个数，MP为每个脉冲描述字所占空间大小。
更进一步地，所述扇区赋值模块包括：
坐标变换子模块，用于对当前脉冲以偏离正北方向，按顺时针方向为正进行赋值，得到相对正北方向的到达角θ0；
扇区计算子模块，用于计算当前脉冲所处的扇区为
j＝floor((θo-θL)/δ)
其中，floor(·)表示向下取整；
缓存子模块，用于根据求得的扇区序号j，将脉冲存入对应扇区的缓存空间中；
第一遍历子模块，用于按坐标变换子模块、扇区计算子模块、缓存子模块的顺序遍历脉冲，直至当前节拍所有脉冲均完成上述过程。
更进一步地，所述主分选模块包括：
判断子模块，用于判断当前扇区中积累的脉冲是否达到预定个数或预定积累时长，若有一个条件满足，则继续执行下述子模块，否则等待；
PRI检测子模块，用于计算当前扇区对应缓存空间中的脉冲到达时间差分，对获得的差分值进行直方图统计，以此得到可能的PRI值；
序列抽取子模块，用于以PRI检测子模块获得的PRI值，对扇区对应的缓存空间中的脉冲数据进行序列抽取，将满足PRI差值的脉冲序列存入对应的数组中；
参数估计子模块，用于对序列抽取子模块形成的所有脉冲序列进行参数估计，其中载频、脉宽通过聚类方法求得所有的聚类中心，并作为分选结果辐射源的对应载频值和脉宽值；PRI则通过对脉冲序列的到达时间做一阶差分，将生成的差值作为分选结果辐射源的重复周期值；
第二遍历子模块，用于按判断子模块、PRI检测子模块、序列抽取子模块、参数估计子模块的顺序遍历所有扇区，或按判断子模块、PRI检测子模块、序列抽取子模块、参数估计子模块的顺序并行处理所有扇区，直至所有扇区均完成上述过程。
更进一步地，所述直方图统计的方法包括：序列差直方图算法、累计差直方图算法、PRI变换算法。
本发明的优点在于：
(1)本发明在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分，按照每一个脉冲的到达角，将脉冲放入对应的扇区中，是按照空间方位进行扇区划分，充分利用阵列多波束的高精度测向优势，在空间上将高密度脉冲流进行稀释，降低分选处理计算量，同时实现辐射源脉冲信号与背景信号的预分离，进而使少量样本的目标信号能够满足聚类、到达时间差直方图统计的阈值要求，提高分选成功率。
(2)本发明提供了一种扇区并行处理的方法，可对不同扇区设置针对性的门限阈值、抽取容差、聚类参数、积累时长等参数，能够进一步提高少样本信号分选成功率。
(3)本发明提供了一种高密度背景信号中少样本信号分选装置，可在CPU、PPC等处理器内灵活部署，并支持并行处理。
附图说明
图1为本发明实施例所公开的一种高密度背景信号中少样本信号分选方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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。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。
实施例1
如图1所示，一种高密度背景信号中少样本信号分选方法，所述方法包括：
S1：在接收到信号检测单元发送来的固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分；具体过程为：
步骤1-1：按系统测向精度的整数倍作为基本扇区单元，得到扇区方位覆盖范围δ，并以此将系统覆盖的空间范围划分为N个扇区，
N＝ceil((θR-θL)/δ)
其中，θL为系统空域覆盖的左边界，θR为系统空域覆盖的右边界，θL和θR以偏离正北方向，按顺时针方向为正进行赋值，ceil表示向上取整；
步骤1-2：计算N个扇区的左右边界，即
θi＝θL+i×δ，i＝0,1，2...
其中，θi表示第i个扇区的左边界；
步骤1-3：根据扇区划分，对应每个扇区开辟固定缓存空间，每个缓存空间大小为
Mi＝M×MP
其中，M为各扇区拟积累的脉冲最大个数，MP为每个脉冲描述字所占空间大小，侦察系统设计完成时，MP为固定值。
S2：对接收到的脉冲样本进行扇区排序，按照每一个脉冲的到达角，将其放入对应的扇区中；具体过程为：
步骤2-1：进行坐标变换，对当前脉冲以偏离正北方向，按顺时针方向为正进行赋值，得到相对正北方向的到达角θ0；
步骤2-2：计算当前脉冲所处的扇区为
j＝floor((θo-θL)/δ)
其中，floor(·)表示向下取整；
步骤2-3：根据求得的扇区序号j，将脉冲存入对应扇区的缓存空间中；
步骤2-4：按步骤2-1、2-2、2-3遍历脉冲，直至当前节拍所有脉冲均完成上述步骤。
S3：对任一扇区进行PRI检测、序列抽取、辐射源参数估计，形成分选结果。具体过程为：
步骤3-1：判断当前扇区中积累的脉冲是否达到预定个数或预定积累时长，若有一个条件满足，则继续下述步骤，否则等待；
步骤3-2：计算当前扇区对应缓存空间中的脉冲到达时间差分，对获得的差分值进行直方图统计，以此得到可能的PRI值；统计方法可利用序列差直方图(SDIF)或累计差直方图算法(CDIF)或PRI变换算法，以此得到可能的PRI值，每个扇区可设置独立的门限阈值；
步骤3-3：以步骤3-2获得的PRI值，对扇区对应的缓存空间中的脉冲数据进行序列抽取，将满足PRI差值的脉冲序列存入对应的数组中；每个扇区可设置独立的抽取容差。
步骤3-4：对步骤3-3形成的所有脉冲序列进行参数估计，其中载频、脉宽通过聚类方法求得所有的聚类中心，并作为分选结果辐射源的对应载频值和脉宽值；PRI则通过对脉冲序列的到达时间做一阶差分，将生成的差值作为分选结果辐射源的重复周期值，每个扇区可设置独立的聚类参数；
步骤3-5：按步骤3-1、3-2、3-3、3-4遍历所有扇区，或按步骤3-1、3-2、3-3、3-4并行处理所有扇区，直至所有扇区均完成上述步骤。
通过以上技术方案，本发明在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分，按照每一个脉冲的到达角，将脉冲放入对应的扇区中，是按照空间方位进行扇区划分，充分利用阵列多波束的高精度测向优势，在空间上将高密度脉冲流进行稀释，降低分选处理计算量，同时实现辐射源脉冲信号与背景信号的预分离，进而使少量样本的目标信号能够满足聚类、到达时间差直方图统计的阈值要求，提高分选成功率。
实施例2
本发明还提供一种高密度背景信号中少样本信号分选装置，所述装置包括：
扇区初始化模块，用于在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分；
扇区赋值模块，用于对接收到的脉冲样本进行扇区排序，按照每一个脉冲的到达角，将其放入对应的扇区中；
主分选模块，用于对任一扇区进行PRI检测、序列抽取、辐射源参数估计，形成分选结果。
具体的，所述扇区初始化模块包括：
扇区划分子模块，用于按系统测向精度的整数倍作为基本扇区单元，得到扇区方位覆盖范围δ，并以此将系统覆盖的空间范围划分为N个扇区，
N＝ceil((θR-θL)/δ)
其中，θL为系统空域覆盖的左边界，θR为系统空域覆盖的右边界，θL和θR以偏离正北方向，按顺时针方向为正进行赋值，ceil表示向上取整；
扇区边界计算子模块，用于计算N个扇区的左右边界，即
θi＝θL+i×δ，i＝0,1，2...
其中，θi表示第i个扇区的左边界；
缓存开辟子模块，用于根据扇区划分，对应每个扇区开辟固定缓存空间，每个缓存空间大小为
Mi＝M×MP
其中，M为各扇区拟积累的脉冲最大个数，MP为每个脉冲描述字所占空间大小。
更具体的，所述扇区赋值模块包括：
坐标变换子模块，用于对当前脉冲以偏离正北方向，按顺时针方向为正进行赋值，得到相对正北方向的到达角θ0；
扇区计算子模块，用于计算当前脉冲所处的扇区为
j＝floor((θo-θL)/δ)
其中，floor(·)表示向下取整；
缓存子模块，用于根据求得的扇区序号j，将脉冲存入对应扇区的缓存空间中；
第一遍历子模块，用于按坐标变换子模块、扇区计算子模块、缓存子模块的顺序遍历脉冲，直至当前节拍所有脉冲均完成上述过程。
更具体的，所述主分选模块包括：
判断子模块，用于判断当前扇区中积累的脉冲是否达到预定个数或预定积累时长，若有一个条件满足，则继续执行下述子模块，否则等待；
PRI检测子模块，用于计算当前扇区对应缓存空间中的脉冲到达时间差分，对获得的差分值进行直方图统计，以此得到可能的PRI值；
序列抽取子模块，用于以PRI检测子模块获得的PRI值，对扇区对应的缓存空间中的脉冲数据进行序列抽取，将满足PRI差值的脉冲序列存入对应的数组中；
参数估计子模块，用于对序列抽取子模块形成的所有脉冲序列进行参数估计，其中载频、脉宽通过聚类方法求得所有的聚类中心，并作为分选结果辐射源的对应载频值和脉宽值；PRI则通过对脉冲序列的到达时间做一阶差分，将生成的差值作为分选结果辐射源的重复周期值；
第二遍历子模块，用于按判断子模块、PRI检测子模块、序列抽取子模块、参数估计子模块的顺序遍历所有扇区，或按判断子模块、PRI检测子模块、序列抽取子模块、参数估计子模块的顺序并行处理所有扇区，直至所有扇区均完成上述过程。
更具体的，所述直方图统计的方法包括：序列差直方图算法、累计差直方图算法、PRI变换算法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高密度背景信号中少样本信号分选方法，其特征在于，所述方法包括：
步骤一：在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分；
步骤二：对接收到的脉冲样本进行扇区排序，按照每一个脉冲的到达角，将其放入对应的扇区中；
步骤三：对任一扇区进行PRI检测、序列抽取、辐射源参数估计，形成分选结果。
2.根据权利要求1所述的一种高密度背景信号中少样本信号分选方法，其特征在于，所述步骤一包括：
步骤1-1：按系统测向精度的整数倍作为基本扇区单元，得到扇区方位覆盖范围δ，并以此将系统覆盖的空间范围划分为N个扇区，
N＝ceil((θR-θL)/δ)
其中，θL为系统空域覆盖的左边界，θR为系统空域覆盖的右边界，θL和θR以偏离正北方向，按顺时针方向为正进行赋值，ceil表示向上取整；
步骤1-2：计算N个扇区的左右边界，即
θi＝θL+i×δ，i＝0,1，2...
其中，θi表示第i个扇区的左边界；
步骤1-3：根据扇区划分，对应每个扇区开辟固定缓存空间，每个缓存空间大小为
Mi＝M×MP
其中，M为各扇区拟积累的脉冲最大个数，MP为每个脉冲描述字所占空间大小。
3.根据权利要求2所述的一种高密度背景信号中少样本信号分选方法，其特征在于，所述步骤二包括：
步骤2-1：对当前脉冲以偏离正北方向，按顺时针方向为正进行赋值，得到相对正北方向的到达角θ0；
步骤2-2：计算当前脉冲所处的扇区为
j＝floor((θo-θL)/δ)
其中，floor(·)表示向下取整；
步骤2-3：根据求得的扇区序号j，将脉冲存入对应扇区的缓存空间中；
步骤2-4：按步骤2-1、2-2、2-3遍历脉冲，直至当前节拍所有脉冲均完成上述步骤。
4.根据权利要求3所述的一种高密度背景信号中少样本信号分选方法，其特征在于，所述步骤三包括：
步骤3-1：判断当前扇区中积累的脉冲是否达到预定个数或预定积累时长，若有一个条件满足，则继续下述步骤，否则等待；
步骤3-2：计算当前扇区对应缓存空间中的脉冲到达时间差分，对获得的差分值进行直方图统计，以此得到可能的PRI值；
步骤3-3：以步骤3-2获得的PRI值，对扇区对应的缓存空间中的脉冲数据进行序列抽取，将满足PRI差值的脉冲序列存入对应的数组中；
步骤3-4：对步骤3-3形成的所有脉冲序列进行参数估计，其中载频、脉宽通过聚类方法求得所有的聚类中心，并作为分选结果辐射源的对应载频值和脉宽值；PRI则通过对脉冲序列的到达时间做一阶差分，将生成的差值作为分选结果辐射源的重复周期值；
步骤3-5：按步骤3-1、3-2、3-3、3-4遍历所有扇区，或按步骤3-1、3-2、3-3、3-4并行处理所有扇区，直至所有扇区均完成上述步骤。
5.根据权利要求4所述的一种高密度背景信号中少样本信号分选方法，其特征在于，所述直方图统计的方法包括：序列差直方图算法、累计差直方图算法、PRI变换算法。
6.一种高密度背景信号中少样本信号分选装置，其特征在于，所述装置包括：
扇区初始化模块，用于在接收到固定节拍脉冲样本之前，对侦察系统的覆盖空域进行扇区划分；
扇区赋值模块，用于对接收到的脉冲样本进行扇区排序，按照每一个脉冲的到达角，将其放入对应的扇区中；
主分选模块，用于对任一扇区进行PRI检测、序列抽取、辐射源参数估计，形成分选结果。
7.根据权利要求6所述的一种高密度背景信号中少样本信号分选装置，其特征在于，所述扇区初始化模块包括：
扇区划分子模块，用于按系统测向精度的整数倍作为基本扇区单元，得到扇区方位覆盖范围δ，并以此将系统覆盖的空间范围划分为N个扇区，
N＝ceil((θR-θL)/δ)
其中，θL为系统空域覆盖的左边界，θR为系统空域覆盖的右边界，θL和θR以偏离正北方向，按顺时针方向为正进行赋值，ceil表示向上取整；
扇区边界计算子模块，用于计算N个扇区的左右边界，即
θi＝θL+i×δ，i＝0,1，2...
其中，θi表示第i个扇区的左边界；
缓存开辟子模块，用于根据扇区划分，对应每个扇区开辟固定缓存空间，每个缓存空间大小为
Mi＝M×MP
其中，M为各扇区拟积累的脉冲最大个数，MP为每个脉冲描述字所占空间大小。
8.根据权利要求7所述的一种高密度背景信号中少样本信号分选装置，其特征在于，所述扇区赋值模块包括：
坐标变换子模块，用于对当前脉冲以偏离正北方向，按顺时针方向为正进行赋值，得到相对正北方向的到达角θ0；
扇区计算子模块，用于计算当前脉冲所处的扇区为
j＝floor((θo-θL)/δ)
其中，floor(·)表示向下取整；
缓存子模块，用于根据求得的扇区序号j，将脉冲存入对应扇区的缓存空间中；
第一遍历子模块，用于按坐标变换子模块、扇区计算子模块、缓存子模块的顺序遍历脉冲，直至当前节拍所有脉冲均完成上述过程。
9.根据权利要求8所述的一种高密度背景信号中少样本信号分选装置，其特征在于，所述主分选模块包括：
判断子模块，用于判断当前扇区中积累的脉冲是否达到预定个数或预定积累时长，若有一个条件满足，则继续执行下述子模块，否则等待；
PRI检测子模块，用于计算当前扇区对应缓存空间中的脉冲到达时间差分，对获得的差分值进行直方图统计，以此得到可能的PRI值；
序列抽取子模块，用于以PRI检测子模块获得的PRI值，对扇区对应的缓存空间中的脉冲数据进行序列抽取，将满足PRI差值的脉冲序列存入对应的数组中；
参数估计子模块，用于对序列抽取子模块形成的所有脉冲序列进行参数估计，其中载频、脉宽通过聚类方法求得所有的聚类中心，并作为分选结果辐射源的对应载频值和脉宽值；PRI则通过对脉冲序列的到达时间做一阶差分，将生成的差值作为分选结果辐射源的重复周期值；
第二遍历子模块，用于按判断子模块、PRI检测子模块、序列抽取子模块、参数估计子模块的顺序遍历所有扇区，或按判断子模块、PRI检测子模块、序列抽取子模块、参数估计子模块的顺序并行处理所有扇区，直至所有扇区均完成上述过程。
10.根据权利要求9所述的一种高密度背景信号中少样本信号分选装置，其特征在于，所述直方图统计的方法包括：序列差直方图算法、累计差直方图算法、PRI变换算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211090376.7A CN115629365A (zh) | 2022-09-07 | 2022-09-07 | 一种高密度背景信号中少样本信号分选方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211090376.7A CN115629365A (zh) | 2022-09-07 | 2022-09-07 | 一种高密度背景信号中少样本信号分选方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115629365A true CN115629365A (zh) | 2023-01-20 |
Family
ID=84903103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211090376.7A Pending CN115629365A (zh) | 2022-09-07 | 2022-09-07 | 一种高密度背景信号中少样本信号分选方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115629365A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310636A (zh) * | 2023-11-29 | 2023-12-29 | 成都工业学院 | 一种固定脉冲重复间隔测量方法、设备和介质 |
-
2022
- 2022-09-07 CN CN202211090376.7A patent/CN115629365A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310636A (zh) * | 2023-11-29 | 2023-12-29 | 成都工业学院 | 一种固定脉冲重复间隔测量方法、设备和介质 |
| CN117310636B (zh) * | 2023-11-29 | 2024-02-06 | 成都工业学院 | 一种固定脉冲重复间隔测量方法、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036074B (zh) | 一种高脉冲密度环境下雷达信号分选方法及系统 | |
| CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
| CN109270497B (zh) | 雷达脉冲信号的多维参数预分选方法 | |
| 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 | |
| CN114609626A (zh) | 一种车载毫米波雷达多目标检测方法 | |
| CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
| CN112906737B (zh) | 一种基于多辐射源基于密度特征聚类及识别的方法 | |
| CN111126318A (zh) | 一种信号失配下的参数可调双子空间信号检测方法 | |
| CN112799053B (zh) | 一种单脉冲信号的实时配对分选方法 | |
| CN111090077A (zh) | 多维度去交错后的toa差分统计雷达信号分选方法 | |
| CN115629365A (zh) | 一种高密度背景信号中少样本信号分选方法及装置 | |
| CN103728615B (zh) | 相控阵二次雷达多目标检测方法及系统 | |
| CN106802406A (zh) | 一种用于无源雷达的辐射源关联方法 | |
| Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
| CN116165611A (zh) | 雷达辐射源型号精准智能识别方法、系统、设备及终端 | |
| CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
| CN112698267A (zh) | 一种干扰源测试定位方法 | |
| CN112799042A (zh) | 一种干扰下基于斜投影的扩展目标自适应检测方法与系统 | |
| 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 | |
| CN116299195A (zh) | 一种基于toa序列相关度的雷达信号处理方法 | |
| CN108549061B (zh) | 一种信号的聚类方法 | |
| CN111624575B (zh) | 一种未知雷达目标脉冲序列的快速提取方法及系统 | |
| CN112763989B (zh) | 一种基于cdif的抖动信号分选方法 | |
| CN114419453B (zh) | 一种基于电磁散射特征与拓扑构型的群目标检测方法 | |
| CN113390406B (zh) | 基于被动多传感器系统的多目标数据关联与定位方法 |
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 |