CN115963463A - 基于特征提取的辐射源信号分选方法、装置、设备及介质 - Google Patents
基于特征提取的辐射源信号分选方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115963463A CN115963463A CN202211672957.1A CN202211672957A CN115963463A CN 115963463 A CN115963463 A CN 115963463A CN 202211672957 A CN202211672957 A CN 202211672957A CN 115963463 A CN115963463 A CN 115963463A
- Authority
- CN
- China
- Prior art keywords
- pulse
- matrix
- feature extraction
- radiation source
- repetition interval
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 72
- 230000005855 radiation Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于特征提取的辐射源信号分选方法、装置、设备及介质,所述方法包括:构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵;将脉冲重复间隔频次矩阵作为语义提取模型的网络输入图像进行训练;输出实测数据预测的语义特征提取结果;提取脉冲序列及参差序列完成信号分选。本发明在信噪比较低的参差PRI调制与固定PRI混合场景下,具有较好的分选效果,有助于提升后续对辐射源的定位精度。
Description
技术领域
本发明属于雷达信号处理技术领域,尤其涉及基于特征提取的辐射源信号分选方法、装置、设备及介质。
背景技术
传统的分选技术例如序列差值直方图法(Sequence Difference Histogram,SDIF)是在累计差值直方图法的基础上进行修改的,第一步需要对输入脉冲流的脉冲到达时间(Time Of Arrival,TOA)计算差分直方图,然后计算检测阈值并得到潜在的PRI。第二步则是利用潜在PRI对序列进行搜索得到对应的脉冲序列。SDIF在实际复杂电磁环境中,对参差信号存在着PRI估计精度差,序列提取不准的问题。而脉冲重复间隔(PulseRepetition Interval,PRI)变换法虽然相比SDIF精度有所提升,但运算复杂度较大,不适应于密集的电磁信号分选。
基于神经网络的信号分选技术主要是对脉内调制信息进行识别,而实际场景中脉内采样点数据量大,传输负担重。工程中雷达信号分选通常是在完成对脉内分析后进行,主要利用的参数是脉冲描述字(Pulse Description Word,PDW),包括脉冲幅度(PA)、脉冲频率(RF)、脉冲宽度(PW)、脉冲到达时间(TOA)及脉冲到达角(DOA)。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了基于特征提取的辐射源信号分选方法、装置、设备及介质,旨在从脉冲序列时间参数即TOA、PRI中挖掘不同PRI调制类型的特征,实现快速、准确的提取目标信号特征、实现高精度分选。
本发明目的通过下述技术方案来实现:
一种基于特征提取的辐射源信号分选方法,所述方法包括:
构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵;
将脉冲重复间隔频次矩阵作为语义提取模型的网络输入图像进行训练;
输出实测数据预测的语义特征提取结果;
提取脉冲序列及参差序列完成信号分选。
进一步的,构建脉冲到达时间参数矩阵具体包括:
计算雷达信号脉冲到达时间序列中任意两个脉冲到达时间之间的时间差并取正值,得到脉冲到达时间差分矩阵。
进一步的,构建脉冲重复间隔频次矩阵具体包括:
在所述脉冲到达时间差分矩阵的基础上生成脉冲重复间隔频次矩阵。
进一步的,构建标签矩阵具体包括:
构建与所述脉冲重复间隔频次矩阵尺寸一致的标签矩阵,并在每个位置用数字划分信号脉冲重复间隔调制类型。
进一步的,所述语义提取模型具体包括基于编码-解码结构的全卷积网络,全卷积网络通过跳接连接,全卷积网络的跳接路径表示如下:
其中H(h)是卷积运算和激活函数运算,U(·)表示上采样层,[·]表示连接层,xi,j为第i层第j个节点,j=0的节点是编码网络的第一层输入,j=1的节点的输入为编码网络的连续两层的输出,j>1有j+1个输入,其中j节点输入的是同一跳接路径中前j个节点的输出,以及来自较低级的上采样输出;
全卷积网络对所有分支的输出求损失函数并取平均,全卷积网络为四个语义级别的输出设定了损失函数,为二进制交叉熵和骰子系数的组合:
进一步的,所述输出实测数据预测的语义特征提取结果具体包括:
将实测交错的脉冲序列长度截断为n,得到脉冲到达时间序列为{t1,t2,...,tn};
进一步的,所述提取脉冲序列及参差序列完成信号分选具体包括:
提取稳定脉冲重复间隔对应的脉冲到达时间序列和参差脉冲重复间隔对应的脉冲到达时间序列;
其中,提取稳定脉冲重复间隔对应的脉冲到达时间序列包括将语义特征提取结果矩阵中标签为1的位置索引(i,j)记录下来,认为(i,j)对应的脉冲重复间隔为为ti和tj之间的间隔,将所有相同脉冲重复间隔的位置提取出来,并按时间排序可得到接收的单一辐射源发射脉冲的脉冲到达时间序列,完成信号分选;
提取参差脉冲重复间隔对应的脉冲到达时间序列具体包括:
将语义特征提取结果中标签为2的位置索引(i,j)记录下来,设某一脉冲重复间隔值提取出的脉冲到达时间序列为{t1,t4,t6,t10,t11,t15...},则对应的时间片序列为{{t1,t4},{t6,t10},{t11,t15},...},利用基于时间片是否重叠的合并原则,确立来自同一辐射源的脉冲重复间隔值组合,在某一参差脉冲重复间隔组合内,若帧内所有脉冲重复间隔对应的时间片相互不重叠,且在整个脉冲到达时间的观测时间内占比高于阈值,则认为对应参差脉冲重复间隔来自同一辐射源,反之认为来源不同。
另一方面,本发明还提供了一种基于特征提取的辐射源信号分选装置,所述装置包括:
矩阵建立模块,所述矩阵建立模块用于构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵;
模型训练模块,所述模型训练模块将脉冲重复间隔频次矩阵作为网络输入图像进行训练;
特征提取模块,所述特征提取模块输出实测数据预测的语义特征提取结果;
信号分选模块,所述信号分选模块提取脉冲序列及参差序列完成信号分选。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种基于特征提取的辐射源信号分选方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种基于特征提取的辐射源信号分选方法。
本发明的有益效果在于:
(1)本发明对雷达辐射源信号实现高精度分选,相较于传统的序列差值直方图算法及PRI变换法能估计准确的PRI值,并克服序列搜索带来的累积误差。
(2)本发明相较于已有的基于深度网络的分选方法,本专利仅利用时间参数TOA,不仅可以克服PW或RF测量精度差的问题,也能挖掘序列在时间维度下动态变化的特征。该方法在信噪比较低的参差PRI调制与固定PRI混合场景下,具有较好的分选效果,有助于提升后续对辐射源的定位精度。
附图说明
图1是本发明实施例提供的基于特征提取的辐射源信号分选方法流程示意图;
图2是本发明实施例语义提取模型架构示意图;
图3是本发明实施例时间片合并分析示意图;
图4是本发明实施例提供的基于特征提取的辐射源信号分选装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例,本领域普通技术人员在没有做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。
传统方法应用于实际复杂电磁环境中,存在对参差信号存在着PRI估计精度差,序列提取不准的问题。基于神经网络的信号分选技术主要是对脉内调制信息进行识别,而实际场景中脉内采样点数据量大,传输负担重。
为了解决上述技术问题,提出了本发明基于特征提取的辐射源信号分选方法、装置、设备及介质的下述各个实施例。
实施例1
参照图1,如图1所示是本实施例提供的基于特征提取的辐射源信号分选方法流程示意图,该方法具体包括以下步骤:
步骤1:构建TOA差分矩阵DTOA。设雷达信号TOA序列为{t1,t2,...,tn},n是序列中脉冲总数,计算任意两两TOA之间的时间差并只取正值,可以得到一个n×n的TOA差分矩阵,且该矩阵为一个上三角矩阵。脉冲到达时间差分矩阵DTOA中每个元素定义为:
DTOA(i,j)=tj-ti;
TOA差分矩阵中元素满足关系:
步骤2:构建PRI频次矩阵FPRI。PRI频次矩阵是在TOA差分矩阵DTOA的基础上生成的,矩阵大小为n×n,且矩阵中元素FPRI(i,j)对应DTOA(i,j)值出现频率。该步骤得到的PRI频次矩阵为本发明中待处理图像,也是网络的输入图像。
步骤3:构建标签矩阵LPRI。图像语义特征提取任务是对每个像素进行分类。因此该标签矩阵的尺寸应与生成的PRI频次矩阵的尺寸一致,并在每个位置用数字划分信号PRI调制类型。例如,背景置0,对固定PRI位置处设置为1,参差信号置2,不属于这两类且非0的PRI置3,并滤除所有二次谐波和脉冲群重复周期(Pulse Group Repetition Interval,PGRI)。二次谐波定义为真实PRI的二倍,当脉冲丢失程度较大时PRI可能被估计为其多次谐波。PGRI为参差PRI信号子周期的和,表示为:
其中PRIi是某一参差辐射源PRI组合中第i个PRI值,m为该辐射源PRI组合的子PRI数量。该步骤构建训练集的标签矩阵,PRI类别划分方式与实际数据预测后PRI类别形式一致。
步骤4:将PRI频次矩阵FPRI作为网络输入图像进行训练。该步骤旨在获取针对PRI频次矩阵的语义特征提取模型,使实测数据可以得到更准确的类别预测结果。使用的网络结构为一种基于编码-解码结构的全卷积网络,其编码、解码自网络通过一系列重新设计的嵌套且密集的Skip-connection来连接,旨在减少解码结果相较编码之前的特征图的语义差距。跳接路径表示如下:
其中H(·)是卷积运算和激活函数运算,U(·)表示上采样层,[·]表示连接层,xi ,j为第i层第j个节点。j=0的节点是编码网络的第一层输入,j=1的节点的输入为编码网络的连续两层的输出,j>1有j+1个输入,其中j节点输入的是同一跳接路径中前j个节点的输出,以及来自较低级的上采样输出。
由于相互嵌套的跳接路径,使网络在多个语义级别分别生成了全分辨率的特征图{x0,j,j∈{1,2,3,4}},该网络对所有分支的输出求损失函数并取平均。模型为四个语义级别的输出设定了损失函数,为二进制交叉熵和骰子系数的组合:
步骤5:输出实测数据预测的语义特征提取结果。该步骤在训练后得到语义特征提取模型的基础上,对实测数据处理得到的PRI频次矩阵进行语义特征提取。将实测交错的脉冲序列长度截断为n,得到TOA序列为{t1,t2,...,tn}。根据DTOA(i,j)=tj-ti得到该序列对应的脉冲到达时间差分矩阵矩阵尺寸为n×n。再对中的元素出现的频次进行统计得到对应的PRI频次矩阵矩阵尺寸同样为n×n。将PRI频次矩阵输入步骤4中训练好的模型,得到预测语义特征提取结果矩阵
步骤6:提取脉冲序列及参差序列分析。
(1)提取稳定PRI对应的TOA序列
将语义特征提取结果矩阵中标签为1的位置索引(i,j)记录下来,认为该位置对应的PRI为ti和tj之间的间隔,将所有相同PRI的位置提取出来,并按时间排序可得到接收的单一辐射源发射脉冲的TOA序列,进而实现分选任务。
(2)提取参差PRI对应的TOA序列
将语义特征提取结果中标签为2的位置索引(i,j)记录下来,设某一PRI值提取出的TOA序列为{t1,t4,t6,t10,t11,t15...},则该PRI对应的时间片序列为{{t1,t4},{t6,t10},{t11,t15},...}。进一步利用基于时间片是否重叠的合并原则,确立来自同一辐射源的PRI值组合。在某一参差PRI组合内,若帧内所有PRI对应的时间片相互不重叠,且在整个TOA观测时间内占比较高,则认为该参差PRI组合来自同一辐射源,反之认为该组合不成立。
本实施例相较于传统的序列差值直方图算法及PRI变换法能估计准确的PRI值,并克服序列搜索带来的累积误差。相较于已有的基于深度网络的分选方法,本方案仅利用时间参数TOA,不仅可以克服PW或RF测量精度差的问题,也能挖掘序列在时间维度下动态变化的特征。
实施例2
本实施例依次对含有噪声的参差和固定PRI混合的1100个样本进行数据预处理。
步骤1:截取长度为1024的脉冲序列,构建TOA差分矩阵DTOA。设雷达信号TOA序列为{t1,t2,...,t1024}。计算相邻两个TOA之间的时间差并只取正值,可以得到一个1024×1024的TOA差分矩阵,且该矩阵为一个上三角矩阵。设定PRI范围为100μs-2000μs,不在此范围的元素设置为0。TOA差分矩阵DTOA中每个元素为:
DTOA(i,j)=tj-ti;
该矩阵中元素满足关系:
步骤2:构建PRI频次矩阵FPRI。PRI频次矩阵是在TOA差分矩阵DTOA的基础上生成的,矩阵大小为1024×1024,且矩阵中元素FPRI(i,j)对应DTOA(i,j)值出现频率。该步骤得到的PRI频次矩阵为本发明中待语义特征提取图像,也是网络的输入图像。
步骤3:构建标签矩阵LPRI。图像语义特征提取任务是对每个像素进行分类。因此该标签矩阵的尺寸应与生成的PRI频次矩阵的尺寸一致,为1024×1024,并在每个位置用数字划分信号PRI调制类型。例如,背景置0,对固定PRI位置处设置为1,参差信号置2,不属于这两类且非0的PRI置3,并滤除所有二次谐波和脉冲群重复周期(Pulse Group RepetitionInterval,PGRI)。二次谐波定义为真实PRI的二倍,当脉冲丢失程度较大时PRI可能被估计为其多次谐波。PGRI为参差PRI信号子周期的和,表示为:
其中PRIi是某一参差辐射源PRI组合中第i个PRI值,m为该辐射源PRI组合的子PRI数量。该步骤构建训练集的标签矩阵,PRI类别划分方式与实际数据预测后PRI类别形式一致。
步骤4:将PRI频次矩阵FPRI作网络输入图像进行训练。本实施例性训练及为1000张,测试集为100张。采用10折交叉验证的方法。使用的网络结构为一种基于编码-解码结构的全卷积网络,参照图2,如图2所示是本实施例语义提取模型架构示意图,其编码、解码自网络通过一系列重新设计的嵌套且密集的Skip-connection来连接,旨在减少解码结果相较编码之前的特征图的语义差距。跳接路径表示如下:
其中H(·)是卷积运算和激活函数运算,U(·)表示上采样层,[·]表示连接层,xi ,j为第i层第j个节点。j=0的节点是编码网络的第一层输入,j=1的节点的输入为编码网络的连续两层的输出,j>1有j+1个输入,其中j节点输入的是同一跳接路径中前j个节点的输出,以及来自较低级的上采样输出。
由于相互嵌套的跳接路径,使网络在多个语义级别分别生成了全分辨率的特征图{x0,j,j∈{1,2,3,4}},该网络对所有分支的输出求损失函数并取平均。模型为四个语义级别的输出设定了损失函数,为二进制交叉熵和骰子系数的组合:
实验证明,某一样本的语义特征提取结果中有部分背景被划分成了噪声,但并未影响有效PRI的提取,对比实际标签矩阵可以推出网络预测得到了较准确的分类结果。
步骤5:输出实测数据预测的语义特征提取结果。该步骤在训练后得到语义特征提取模型的基础上,对实测数据处理得到的PRI频次矩阵进行语义特征提取。将实测交错的脉冲序列截取为长度1024的序列,得到TOA序列为{t1,t2,...,t1024}。根据DTOA(i,j)=tj-ti得到该序列对应的脉冲到达时间差分矩阵再对中的元素出现的频次进行统计得到对应的PRI频次矩阵将PRI频次矩阵输入步骤4中训练好的模型,得到预测语义特征提取结果矩阵矩阵及的尺寸均为1024×1024。
步骤6:提取脉冲序列及参差序列分析
将语义特征提取结果中标签为1和2的位置提取出来并进行统计,去除频数较少的无效PRI及其余有效PRI的高次谐波后得到最终的统计结果
(1)提取稳定PRI对应的TOA序列
将语义特征提取结果矩阵中标签为1的位置索引(i,j)记录下来,认为该位置对应的PRI为ti和tj之间的间隔,将所有相同PRI的位置提取出来,并按时间排序可得到接收的单一辐射源发射脉冲的TOA序列,进而实现分选任务。
(2)提取参差PRI对应的TOA序列
将语义特征提取结果中标签为2的位置索引(i,j)记录下来,设某一PRI值提取出的TOA序列为{t1,t4,t6,t10,t11,t15...},则该PRI对应的时间片序列为{{t1,t4},{t6,t10},{t11,t15},...}。进一步利用基于时间片是否重叠的合并原则,确立来自同一辐射源的PRI值组合。参照图3,如图3所示是本实施例时间片合并分析示意图。在某一参差PRI组合内,若帧内所有PRI对应的时间片相互不重叠,且在整个TOA观测时间内占比较高,则认为该参差PRI组合来自同一辐射源,反之认为该组合不成立。
实施例3
参照图4,如图4所示是本实施例提供的基于特征提取的辐射源信号分选装置结构框图,该装置具体包括以下结构:
矩阵建立模块,矩阵建立模块用于构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵;
模型训练模块,模型训练模块将脉冲重复间隔频次矩阵作为网络输入图像进行训练;
特征提取模块,特征提取模块输出实测数据预测的语义特征提取结果;
信号分选模块,信号分选模块提取脉冲序列及参差序列完成信号分选。
实施例4
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的基于特征提取的辐射源信号分选方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的基于特征提取的辐射源信号分选方法的有益效果,详见前面的实施例,在此不再赘述。
实施例5
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的基于特征提取的辐射源信号分选方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一基于特征提取的辐射源信号分选方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一基于特征提取的辐射源信号分选方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于特征提取的辐射源信号分选方法,其特征在于,所述方法包括:
构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵;
将脉冲重复间隔频次矩阵作为语义提取模型的网络输入图像进行训练;
输出实测数据预测的语义特征提取结果;
提取脉冲序列及参差序列完成信号分选。
2.如权利要求1所述的基于特征提取的辐射源信号分选方法,其特征在于,构建脉冲到达时间参数矩阵具体包括:
计算雷达信号脉冲到达时间序列中任意两个脉冲到达时间之间的时间差并取正值,得到脉冲到达时间差分矩阵。
3.如权利要求2所述的基于特征提取的辐射源信号分选方法,其特征在于,构建脉冲重复间隔频次矩阵具体包括:
在所述脉冲到达时间差分矩阵的基础上生成脉冲重复间隔频次矩阵。
4.如权利要求3所述的基于特征提取的辐射源信号分选方法,其特征在于,构建标签矩阵具体包括:
构建与所述脉冲重复间隔频次矩阵尺寸一致的标签矩阵,并在每个位置用数字划分信号脉冲重复间隔调制类型。
5.如权利要求1所述的基于特征提取的辐射源信号分选方法,其特征在于,所述语义提取模型具体包括基于编码-解码结构的全卷积网络,全卷积网络通过跳接连接,全卷积网络的跳接路径表示如下:
其中H(·)是卷积运算和激活函数运算,U(·)表示上采样层,[·]表示连接层,xi,j为第i层第j个节点,j=0的节点是编码网络的第一层输入,j=1的节点的输入为编码网络的连续两层的输出,j>1有j+1个输入,其中j节点输入的是同一跳接路径中前j个节点的输出,以及来自较低级的上采样输出;
全卷积网络对所有分支的输出求损失函数并取平均,全卷积网络为四个语义级别的输出设定了损失函数,为二进制交叉熵和骰子系数的组合:
7.如权利要求6所述的基于特征提取的辐射源信号分选方法,其特征在于,所述提取脉冲序列及参差序列完成信号分选具体包括:
提取稳定脉冲重复间隔对应的脉冲到达时间序列和参差脉冲重复间隔对应的脉冲到达时间序列;
其中,提取稳定脉冲重复间隔对应的脉冲到达时间序列包括将语义特征提取结果矩阵中标签为1的位置索引(i,j)记录下来,认为(i,j)对应的脉冲重复间隔为为ti和tj之间的间隔,将所有相同脉冲重复间隔的位置提取出来,并按时间排序可得到接收的单一辐射源发射脉冲的脉冲到达时间序列,完成信号分选;
提取参差脉冲重复间隔对应的脉冲到达时间序列具体包括:
将语义特征提取结果中标签为2的位置索引(i,j)记录下来,设某一脉冲重复间隔值提取出的脉冲到达时间序列为{t1,t4,t6,t10,t11,t15...},则对应的时间片序列为{{t1,t4},{t6,t10},{t11,t15},...},利用基于时间片是否重叠的合并原则,确立来自同一辐射源的脉冲重复间隔值组合,在某一参差脉冲重复间隔组合内,若帧内所有脉冲重复间隔对应的时间片相互不重叠,且在整个脉冲到达时间的观测时间内占比高于阈值,则认为对应参差脉冲重复间隔来自同一辐射源,反之认为来源不同。
8.一种基于特征提取的辐射源信号分选装置,其特征在于,所述装置包括:
矩阵建立模块,所述矩阵建立模块用于构建脉冲到达时间参数矩阵、脉冲重复间隔频次矩阵和标签矩阵;
模型训练模块,所述模型训练模块将脉冲重复间隔频次矩阵作为网络输入图像进行训练;
特征提取模块,所述特征提取模块输出实测数据预测的语义特征提取结果;
信号分选模块,所述信号分选模块提取脉冲序列及参差序列完成信号分选。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的基于特征提取的辐射源信号分选方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的基于特征提取的辐射源信号分选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672957.1A CN115963463A (zh) | 2022-12-26 | 2022-12-26 | 基于特征提取的辐射源信号分选方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672957.1A CN115963463A (zh) | 2022-12-26 | 2022-12-26 | 基于特征提取的辐射源信号分选方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115963463A true CN115963463A (zh) | 2023-04-14 |
Family
ID=87352530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211672957.1A Pending CN115963463A (zh) | 2022-12-26 | 2022-12-26 | 基于特征提取的辐射源信号分选方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115963463A (zh) |
-
2022
- 2022-12-26 CN CN202211672957.1A patent/CN115963463A/zh active Pending
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 | |
CN112986950B (zh) | 基于深度学习的单脉冲激光雷达回波特征提取方法 | |
CN108549078B (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
CN110619264B (zh) | 基于UNet++的微地震有效信号识别方法及装置 | |
CN113554716A (zh) | 基于知识蒸馏的瓷砖色差检测方法及装置 | |
CN116626631A (zh) | 一种联合脉内与脉间特征的雷达型号自动识别方法及系统 | |
Sun et al. | Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion | |
CN114859351A (zh) | 一种基于神经网络的地表形变场异常检测的方法 | |
Shapero et al. | Identifying agile waveforms with neural networks | |
CN115390047B (zh) | 星载光子计数激光雷达数据去噪滤波方法及装置 | |
CN115963463A (zh) | 基于特征提取的辐射源信号分选方法、装置、设备及介质 | |
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 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN116451131A (zh) | 一种基于自监督时间卷积网络的雷达脉冲序列识别方法 | |
CN116466314A (zh) | 一种雷达个体分选方法、装置、存储介质及设备 | |
CN110632563A (zh) | 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法 | |
CN115909086A (zh) | 基于多级增强网络的sar目标检测识别方法 | |
CN111814689B (zh) | 火灾识别网络模型的训练方法、火灾识别方法及相关设备 | |
CN108154106B (zh) | 一种提高脉冲信号重周直方图峰值高度比的方法 | |
US11637577B1 (en) | Signal correlation estimator and detector | |
Yu et al. | Network inference and change point detection for piecewise-stationary time series | |
CN110880012A (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN110780275B (zh) | 一种信号分选去除增批的方法 | |
CN117310636B (zh) | 一种固定脉冲重复间隔测量方法、设备和介质 | |
CN117851837B (zh) | 一种基于细微直方图特征的辐射源目标识别方法与系统 |
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 |