CN116087883A - 基于二维特征向量的抗抖动脉冲重复间隔分选方法 - Google Patents
基于二维特征向量的抗抖动脉冲重复间隔分选方法 Download PDFInfo
- Publication number
- CN116087883A CN116087883A CN202310141336.9A CN202310141336A CN116087883A CN 116087883 A CN116087883 A CN 116087883A CN 202310141336 A CN202310141336 A CN 202310141336A CN 116087883 A CN116087883 A CN 116087883A
- Authority
- CN
- China
- Prior art keywords
- pri
- sorting
- time sequence
- dimensional feature
- matched
- 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于二维特征向量的抗抖动脉冲重复间隔分选方法，其实现步骤为：使用方正弦插值算法估计脉冲到达时间序列的潜在PRI值，并通过脉冲到达时刻和PRI估计值两项参数构建二维特征向量，利用二维特征向量对脉冲到达时间序列进行匹配统计，通过统计的方式减小抖动PRI调制信号对分选造成的影响，从而使该分选方法具有抗抖动性，使得本发明在面对抖动PRI调制的雷达脉冲信号时，具有良好的分选效果。本发明可用于在雷达侦察过程中对雷达接收到的脉冲信号进行分选，为雷达信号主分选提供了一种抗抖动的PRI分选方法。
Description
技术领域
本发明属于雷达通信技术领域，更进一步涉及电子侦察技术领域中的一种基于二维特征向量的抗抖动脉冲重复间隔(Pulse Repetition Interval,PRI)分选方法。本发明可用于在雷达侦察过程中对雷达接收到的脉冲信号进行分选。
背景技术
雷达信号分选是雷达侦察的重要组成部分。在雷达侦察中，需要对雷达接收系统从电磁环境中捕获的大量雷达脉冲信号进行分选，可为我方对目标雷达实施干扰策略提供准确信息。随着现代雷达更趋于模式多样化和用途多样化，使得雷达脉冲信号的PRI变化也越来越复杂，加上如今的雷达脉冲信号越来越密集，导致对在雷达脉冲信号进行分选时分选效率的要求提高。因此提出克服上述问题的雷达信号分选方法就显得尤为重要。
韩金鑫在其发表的论文“复杂环境下雷达辐射源信号分选与识别”(成都:电子科技大学,2022,硕士论文)中提出了一种利用最小二乘分段算法的PRI变换改进方法，该方法首先对雷达脉冲信号进行梯度分析，并设置梯度门限，然后对脉冲序列中梯度变化较大的点进行分段，分段后使用最小二乘算法以减小PRI抖动对信号的影响，最后对处理以后的信号进行PRI变换，识别出潜在的PRI值，完成分选。该方法通过最小二乘算法以减小抖动的PRI对雷达脉冲信号的影响，能够分选出抖动PRI调制雷达脉冲信号，但会破坏参差PRI调制雷达脉冲信号的PRI变化规律，导致该方法无法在分选出抖动PRI调制雷达脉冲信号的同时分选出参差PRI调制雷达脉冲信号。
山东航天电子技术研究所在其申请的专利文献“一种PRI抖动信号序列差值非均匀量化分选方法”(申请号201711260049.0，授权公告号CN 108181613 B)中公开了一种PRI抖动信号序列差值非均匀量化分选方法。该方法的实现步骤为，将在其设定的范围内的到达时间序列差分结果量化为整数值，获得量化后的TOA差分结果，然后对量化后的TOA差分结果进行直方图统计，取直方图中超过预设门限的值作为潜在PRI值，通过序列检索确认所述潜在PRI值为真实PRI值，并从所述PRI抖动信号中提取真实PRI值所对应的脉冲序列，实现对PRI抖动信号序列的分选。该分选方法能够获取PRI值较大的抖动PRI调制信号，但当其PRI值较小时，或是雷达信号脉冲密集，其非均匀量化方法的效果较差，使得PRI估值的准确性降低、导致正确分选率下降。
西安电子科技大学在其申请的专利文献“雷达信号分选方法、装置、计算机设备及可存储介质”(申请号201910173974.2，申请公开号：CN 109683143 A)中公开了一种雷达信号综合分选方法。该方法的实现步骤为，使用二维特征向量匹配算法对脉冲数据集进行特征向量的匹配处理，并提取匹配成功的脉冲序列；将超过门限的剩余脉冲序列使用改进的PRI变换法进行检测分选处理，获取对应的脉冲序列，以完成对雷达脉冲信号的分选，若未超过门限，则认为剩余的脉冲不足以分选出其他PRI调制类型的辐射源，完成分选。该方法使用动态二维特征向量匹配算法分选出固定PRI调制雷达脉冲信号与参差PRI调制雷达脉冲信号，再使用改进的PRI变换法分选出抖动PRI调制雷达脉冲信号，能够同时分选出参差PRI调制雷达脉冲信号和抖动PRI调制脉冲信号，但是在分选过程中统计了所有脉冲的时间间隔匹配情况，增大了分选的运算量，导致分选效率降低。
综上所述，对于雷达信号分选方法在现有的电子侦察应用中，目前已有的方法其分选效果并不理想，有受限于PRI调制样式，难以同时分选出参差PRI调制和抖动PRI调制雷达脉冲信号、且对抖动PRI调制雷达脉冲信号正确分选率较低的问题；同时，也存在分选时间过长的问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于二维特征向量的抗抖动PRI分选方法，用于解决现有分选方法中难以同时分选出参差PRI调制和抖动PRI调制雷达脉冲信号、分选方法的抗抖动能力差以及分选效率低的问题。
实现本发明目的具体思路是：本发明使用方正弦插值算法估计出潜在PRI值，并通过脉冲到达时间和PRI估计值两项参数构建二维特征向量，利用二维特征向量对脉冲序列进行匹配统计，通过统计的方式减小抖动PRI调制信号对分选造成的影响，从而使分选方法具有抗抖动性，能够分选出固定、参差、抖动PRI调制雷达脉冲信号，同时具有较高的正确分选率，解决了现有分选算法中难以同时分选出参差PRI调制和抖动PRI调制雷达脉冲信号、以及正确分选率低的问题，本发明在生成二维特征向量时，使用方正弦插值算法取得的PRI估值作为时间间隔，减少了脉冲分选时的匹配量，从而降低了分选的时间复杂度，克服了分选效率低的问题。
为实现上述目的，发明采用的技术方案包括如下步骤：
步骤1，对到达时间序列进行PRI估值：
步骤1.1，将到达时间序列变换成方正弦插值函数；
步骤1.2，对方正弦插值函数进行快速傅里叶变换，选取变换后频谱中最大峰值对应的横坐标值的倒数作为到达时间序列的一个PRI估值；
步骤2，构建二维特征向量：
步骤2.1，生成由PRI估值与到达时间序列中每个到达时刻组成的N个二维特征向量，生成每个二维特征向量对应的待匹配时间序列，每个待匹配时间序列的中间时刻与二维特征向量的到达时刻对应，每个待匹配时间序列的每个时间间隔等于二维特征向量的PRI估值，N的取值等于到达时间序列中到达时刻的总数；
步骤2.2，将到达时间序列中的每个到达时刻与每个待匹配时间序列中的每个时刻进行比较，若两个序列中对应时刻的两两元素值的差值小于PRI估值的1％，则判定该两个时刻匹配成功；分别统计每个待匹配时间序列的匹配成功数；
步骤3，利用每个待匹配时间序列的匹配成功值对脉冲进行分选：
判断每个待匹配时间序列的匹配成功数是否大于分选门限值，若是，提取该待匹配时间序列的中间时刻，并确定该中间时刻对应的脉冲，将所有确定的脉冲组成雷达脉冲信号。
本发明与现有技术相比有以下优点：
第一，本发明使用方正弦插值算法对雷达脉冲信号进行PRI估值，通过PRI估值与雷达脉冲信号的到达时间序列构建二维特征向量，利用二维特征向量对到达时间序列进行匹配并抽取，能够同时分选出固定、参差、抖动PRI调制雷达脉冲信号，克服了现有分选方法中难以同时分选出参差PRI调制和抖动PRI调制雷达脉冲信号的缺陷，
第二，本发明利用二维特征向量的统计特性，克服了现有分选方法的抗抖动能力差的缺陷，使得本发明在面对抖动PRI调制的雷达脉冲信号时，具有良好的分选效果。
第三，本发明在生成二维特征向量时，使用PRI估值算法取得的PRI估值作为时间间隔，减少了待匹配时间序列的数量，从而减少了后续匹配所用的时间，克服了雷达脉冲信号在进行分选时效率低下的不足，使得本发明在面对密集的雷达脉冲信号时，能够分选持续时间更长的雷达脉冲信号。
附图说明
图1为本发明的流程图；
图2为本发明的分选示意图。
具体实施方式
为了更清楚地说明本发明，下面结合附图和实施例作进一步的详细描述。显而易见地，下面描述中的附图和实施例仅仅是本发明的一部分实施例，而不是全部的实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。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。
参照图1，对本发明的具体实施步骤做进一步详细描述。
步骤1，对到达时间序列进行PRI估值。
第1步，将到达时间序列变换成方正弦插值函数，方正弦插值函数如下：
其中，s(·)表示初始状态为0的方正弦插值函数，∑为求和操作，i表示到达时刻的序号，i＝1,2,…,N，N表示到达时间序列中的到达时刻的总数，Δti表示到达时间序列的一阶差分值，ti表示到达时间序列中第i个到达时刻，sin(·)表示正弦函数，π表示圆周率。
第2步，对方正弦插值函数进行快速傅里叶变换，选取变换后频谱中最大峰值对应的横坐标值的倒数作为到达时间序列的一个PRI估值。
步骤2，构建二维特征向量。
第1步，生成由PRI估值与到达时间序列中每个到达时刻组成的N个二维特征向量，生成每个二维特征向量对应的待匹配时间序列，每个待匹配时间序列的中间时刻与二维特征向量的到达时刻对应，每个待匹配时间序列的每个时间间隔等于二维特征向量的PRI估值，N的取值等于到达时间序列中到达时刻的总数。
第2步，将到达时间序列中的每个到达时刻与每个待匹配时间序列中的每个时刻进行比较，若两个序列中对应时刻的两两元素值的差值小于PRI估值的1％，则判定该两个时刻匹配成功；分别统计每个待匹配时间序列的匹配成功数。
步骤3，利用每个待匹配时间序列的匹配成功值对脉冲进行分选。
判断每个待匹配时间序列的匹配成功数是否大于分选门限值，若是，提取该待匹配时间序列的中间时刻，并确定该中间时刻对应的脉冲，将所有确定的脉冲组成雷达脉冲信号。分选门限值如下：
其中，FP表示脉冲的分选门限值，γ表示雷达脉冲信号的抖动率，P表示待匹配时间序列的时刻总数。
结合图2对利用每个待匹配时间序列的匹配成功值对脉冲进行分选做进一步的描述。
图2(a)为到达时间序列示意图，图2(a)中的横坐标表示时间，9个向上的箭头表示脉冲，脉冲下面的ti表示第i个脉冲的到达时刻，i＝1,2,…,9。将到达时间序列中第3个脉冲的到达时刻与PRI估值生成的二维特征向量，生成的二维特征向量中的t3对应图2(a)中第3个脉冲的到达时刻，PRI估值对应步骤1中取得的PRI估值。图2(b)为t3时刻的二维特征向量对应生成的待匹配时间序列示意图，图2(b)的横坐标表示时间，5个向上的箭头表示脉冲，中间时刻对应二维特征向量的特征值t3时刻，间隔时间PRI对应二维特征向量的PRI估值。将图2(a)的到达时间序列与图2(b)的待匹配时间序列进行匹配，两个序列中t3时刻相对应，若匹配成功数大于分选门限值，则t3时刻的脉冲属于PRI值为PRI估值的雷达。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明的仿真实验的硬件平台为：处理器为Intel i5 6300HQ CPU，主频为2.3GHz，内存16GB。
本发明的仿真实验的软件平台为：Windows 10操作系统和MATLAB R2021a。
本发明仿真实验所适用输入参数如下：
在本发明仿真实验设置三部机载多功能雷达，每部雷达的参数如表1所示。
表1三部雷达的脉冲信号参数表
| 雷达编号 | PRI调制样式 | 脉冲开始时间/μs | 脉冲重复周期/μs | 抖动率 |
| 雷达1 | 固定PRI调制 | 23 | 100 | 0.05％ |
| 雷达2 | 抖动PRI调制 | 12 | 135 | 6％ |
| 雷达3 | 参差PRI调制 | 34 | 77、88、95 | 0.05％ |
2.仿真内容及其结果分析：
本发明仿真实验是采用本发明和一个现有技术(动态二维特征向量匹配方法)对机载多功能雷达脉冲序列长度为1000个的雷达脉冲信号进行PRI分选，本发明的仿真实验所使用的雷达脉冲信号由三部机载多功能雷达发射的脉冲信号组成，其PRI调制类型分别固定、抖动和参差PRI调制。对仿真生成的脉冲信号进行分选，其结果如表2所示。
在仿真实验中采用的现有技术(动态二维特征向量匹配方法)是指，王怡宁在其发表的论文“复杂雷达信号分选技术研究”(西安电子科技大学，硕士学位论文，2019年)中提出的利用动态二维特征向量匹配的PRI分选方法。
本发明仿真实验得到的分选结果如表2所示。
表2脉冲分选结果一览表
表2中，PRI估计值指分选方法对雷达脉冲信号分选的PRI估值，脉冲个数指一部雷达发射的脉冲信号总数，正确分选是指使用分选方法后的分选结果符合实际结果的脉冲个数，分选时间是指使用分选方法对雷达脉冲信号进行分选时所运行的时间。
由表2可以看出，本发明的分选结果相比于现有技术的分选结果，其正确分选的脉冲总个数更多，且对抖动PRI调制的雷达脉冲信号有较好的分选效果，证明本发明的抗抖动能力优于现有技术分选方法的抗抖动能力。本发明的分选运行时间相比于现有技术的分选运行时间，其运行时间远低于现有技术的运行时间，分选效率较高。
以上仿真实验表明：本方法利用方正弦插值算法，能够提取雷达脉冲信号的帧周期，利用二维特征向量对雷达脉冲信号进行匹配统计，能够识别出固定、参差、抖动PRI调制类型的雷达脉冲信号，解决了现有技术方法中存在的难以同时分选固定、参差和抖动PRI调制类型的雷达脉冲信号，且抗抖动能力差的缺陷；使用PRI估值算法取得的PRI估值作为时间间隔，减少了待匹配时间序列的数量，从而减少了后续匹配所用的时间，解决了现有技术中存在的对雷达脉冲信号在进行分选时效率低的缺陷。
Claims (3)
1.一种基于二维特征向量的抗抖动脉冲重复间隔分选方法，其特征在于，利用估值算法取得的脉冲重复间隔PRI估值与雷达脉冲信号的到达时间序列生成二维特征向量，利用二维特征向量生成待匹配时间序列与到达时间序列进行匹配分选；该分选方法的步骤包括如下：
步骤1，对到达时间序列进行PRI估值：
步骤1.1，将到达时间序列变换成方正弦插值函数；
步骤1.2，对方正弦插值函数进行快速傅里叶变换，选取变换后频谱中最大峰值对应的横坐标值的倒数作为到达时间序列的一个PRI估值；
步骤2，构建二维特征向量：
步骤2.1，生成由PRI估值与到达时间序列中每个到达时刻组成的N个二维特征向量，生成每个二维特征向量对应的待匹配时间序列，每个待匹配时间序列的中间时刻与二维特征向量的到达时刻对应，每个待匹配时间序列的每个时间间隔等于二维特征向量的PRI估值，N的取值等于到达时间序列中到达时刻的总数；
步骤2.2，将到达时间序列中的每个到达时刻与每个待匹配时间序列中的每个时刻进行比较，若两个序列中对应时刻的两两元素值的差值小于PRI估值的1％，则判定该两个时刻匹配成功；分别统计每个待匹配时间序列的匹配成功数；
步骤3，利用每个待匹配时间序列的匹配成功值对脉冲进行分选：
判断每个待匹配时间序列的匹配成功数是否大于分选门限值，若是，提取该待匹配时间序列的中间时刻，并确定该中间时刻对应的脉冲，将所有确定的脉冲组成雷达脉冲信号。
2.根据权利要求1所述的基于二维特征向量的抗抖动脉冲重复间隔分选方法，其特征在于，步骤1.1中所述的方正弦插值函数如下：
其中，s(·)表示初始状态为0的方正弦插值函数，∑为求和操作，i表示到达时刻的序号，i＝1,2,…,N，N表示到达时间序列中的到达时刻的总数，Δti表示到达时间序列的一阶差分值，ti表示到达时间序列中第i个到达时刻，sin(·)表示正弦函数，π表示圆周率。
3.根据权利要求1所述的基于二维特征向量的抗抖动脉冲重复间隔分选方法，其特征在于，步骤3中所述的分选门限值由下式得到：
其中，FP表示脉冲的分选门限值，γ表示雷达脉冲信号的抖动率，P表示待匹配时间序列的时刻总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310141336.9A CN116087883A (zh) | 2023-02-20 | 2023-02-20 | 基于二维特征向量的抗抖动脉冲重复间隔分选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310141336.9A CN116087883A (zh) | 2023-02-20 | 2023-02-20 | 基于二维特征向量的抗抖动脉冲重复间隔分选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116087883A true CN116087883A (zh) | 2023-05-09 |
Family
ID=86186946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310141336.9A Pending CN116087883A (zh) | 2023-02-20 | 2023-02-20 | 基于二维特征向量的抗抖动脉冲重复间隔分选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116087883A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821658A (zh) * | 2023-06-29 | 2023-09-29 | 中国船舶集团有限公司第七二三研究所 | 一种适应不同重复间隔类型的时钟周期指纹特征提取方法 |
-
2023
- 2023-02-20 CN CN202310141336.9A patent/CN116087883A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821658A (zh) * | 2023-06-29 | 2023-09-29 | 中国船舶集团有限公司第七二三研究所 | 一种适应不同重复间隔类型的时钟周期指纹特征提取方法 |
| CN116821658B (zh) * | 2023-06-29 | 2024-04-12 | 中国船舶集团有限公司第七二三研究所 | 一种适应不同重复间隔类型的时钟周期指纹特征提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional neural network | |
| Ma et al. | Automatic modulation classification using cyclic correntropy spectrum in impulsive noise | |
| Deng et al. | Radio frequency fingerprint extraction based on multidimension permutation entropy | |
| Wang et al. | Fractal complexity-based feature extraction algorithm of communication signals | |
| CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
| Fu et al. | Color image segmentation using gaussian mixture model and em algorithm | |
| CN113156391A (zh) | 一种雷达信号多维特征智能分选方法 | |
| CN116087883A (zh) | 基于二维特征向量的抗抖动脉冲重复间隔分选方法 | |
| CN111355675B (zh) | 一种基于生成对抗网络的信道估计增强方法、装置和系统 | |
| CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| Li et al. | Radar emitter signal recognition based on multi-scale wavelet entropy and feature weighting | |
| CN111624632B (zh) | 一种卫星导航信号捕获方法及装置 | |
| CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
| CN111832632A (zh) | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 | |
| CN109446910B (zh) | 一种通信辐射源信号分类识别方法 | |
| CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
| 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 | |
| Nguyen et al. | A parallel neural network-based scheme for radar emitter recognition | |
| Guo et al. | A radar pulse train deinterleaving method for missing and short observations | |
| CN114519372A (zh) | 基于支持向量机的一维距离像目标识别方法 | |
| CN112069987B (zh) | 一种基于统计流形寻优降维的干扰类型自动识别方法 | |
| Zhou et al. | Specific emitter identification via feature extraction in Hilbert-Huang transform domain | |
| Xiong et al. | Radar sea clutter reconstruction based on statistical singularity power spectrum and instantaneous singularity exponents distribution | |
| Mingqiu et al. | Radar signal feature extraction based on wavelet ridge and high order spectral analysis | |
| Kozlov et al. | Cfar detector for compressed sensing radar based on l 1-norm minimisation |
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 |