CN117272086B - 一种基于dbscan的雷达信号扫描包络分割方法 - Google Patents

一种基于dbscan的雷达信号扫描包络分割方法 Download PDF

Info

Publication number
CN117272086B
CN117272086B CN202311560926.1A CN202311560926A CN117272086B CN 117272086 B CN117272086 B CN 117272086B CN 202311560926 A CN202311560926 A CN 202311560926A CN 117272086 B CN117272086 B CN 117272086B
Authority
CN
China
Prior art keywords
pulse
sequence
dbscan
arrival time
envelope
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.)
Active
Application number
CN202311560926.1A
Other languages
English (en)
Other versions
CN117272086A (zh
Inventor
范孟秋
赵耀东
孟建
高由兵
牟皓
聂伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202311560926.1A priority Critical patent/CN117272086B/zh
Publication of CN117272086A publication Critical patent/CN117272086A/zh
Application granted granted Critical
Publication of CN117272086B publication Critical patent/CN117272086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于DBSCAN的雷达信号扫描包络分割方法，属于雷达侦察信息处理领域，包括步骤：利用雷达目标脉冲序列中的脉冲到达时间和脉冲幅度两个维度的数据，采用基于密度聚类的方法，实现对相控阵雷达扫描包络的分割。本发明分割准确率高，分割算法简单易用，可以对分析和认识雷达信号提供帮助，同时为雷达信号的体制识别、模式识别及行为状态识别提供良好的基础。

Description

一种基于DBSCAN的雷达信号扫描包络分割方法
技术领域
本发明涉及雷达侦察信息处理领域，更为具体的，涉及一种基于DBSCAN的雷达信号扫描包络分割方法。
背景技术
现有对相控阵雷达的扫描体制、工作模式、行为状态等的识别算法输入数据主要采用固定长度或者简单的规则进行帧分割，由于大量研究主要集中在扫描体制、工作模式、行为状态的识别算法方面，因此对数据进行分割的研究较少。本领域人员亟待解决如何对雷达侦察信息数据进行分割这一技术问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于DBSCAN的雷达信号扫描包络分割方法，分割准确率高，分割算法简单易用，可以对分析和认识雷达信号提供帮助，同时为雷达信号的体制识别、模式识别及行为状态识别提供了良好的基础等。
本发明的目的是通过以下方案实现的：
一种基于DBSCAN的雷达信号扫描包络分割方法，包括以下步骤：
S1、对脉冲序列进行归一化：对分选后的雷达目标的脉冲序列，提取脉冲到达时间和脉冲幅度两个维度的数据，对脉冲到达时间、脉冲幅度序列分别进行归一化处理；
S2、对脉冲到达时间序列进行尺度变换：对归一化后的脉冲到达时间序列进行尺度变换；
S3、判定是否进行异常点剔除：判断当前处理流程是否已进行异常点剔除，若否则转到步骤S4，若是则转到步骤S5；
S4、进行异常点剔除：将归一化的脉冲幅度和尺度变换后的脉冲到达时间两个维度数据组合为二维数组，设置DBSCAN聚类超参邻域半径及邻域点数，进行DBSCAN聚类，在原始脉冲序列中剔除聚类结果中带标签的点，并转到步骤S1；
S5、基于密度聚类进行分割：设置邻域半径参数及邻域点数参数，进行DBSCAN聚类，得到各个分割后的包络。
进一步地，在步骤S1中，所述对分选后的雷达目标的脉冲序列，提取脉冲到达时间和脉冲幅度两个维度的数据，对脉冲到达时间、脉冲幅度序列分别进行归一化处理，具体包括：
S11、对分选后的单一雷达目标脉冲序列，提取脉冲序列/>中的脉冲到达时间，提取脉冲序列/>中的脉冲幅度/>，并转到步骤S12；t表示时间，t的下标表示序号；A表示幅度，A的下标表示序号；
S12、对脉冲到达时间及脉冲幅度/>的数值进行归一化，将数值归一化到[0,1]，归一化公式如下：/>，并转到步骤S2；/>表示归一化后的第/>个值，/>表示归一化前的第/>个值，/>表示归一化前整个序列中的最小值，/>表示归一化前整个序列中的最大值。
进一步地，在步骤S2中，所述对归一化后的脉冲到达时间序列进行尺度变换，具体包括：对步骤S12中归一化后的脉冲到达时间，进行尺度变换，/>表示归一化后的时间，/>的下标表示序号；尺度变换公式如下：/>，并转到步骤S3；/>表示尺度变换后的第n个值，m表示尺度变换系数，/>表示尺度变换前的第n个值。
进一步地，在步骤S4中，所述将归一化的脉冲幅度和尺度变换后的脉冲到达时间两个维度数据组合为二维数组，设置DBSCAN聚类超参邻域半径及邻域点数，进行DBSCAN聚类，在原始脉冲序列中剔除聚类结果中带标签的点，并转到步骤S1，具体包括：
S41、将经过尺度变换后的脉冲到达时间及步骤S12中经过归一化后的脉冲幅度/>组合为如下二维数组，/>；/>表示尺度变换后的时间，/>的下标表示序号；/>表示归一化后的幅度，/>的下标表示序号；
S42、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤S41的二维数组/>作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>；/>表示类标签，/>的下标表示序号；
S43、对步骤S42中得到的脉冲的类标签进行遍历，判断/>是否等于-1，若等于-1则在原始脉冲序列/>中将此序号脉冲剔除，若不等于-1则在原始脉冲序列中将此脉冲保留，并转到步骤S1。
进一步地，在步骤S5中，所述设置邻域半径参数及邻域点数参数，进行DBSCAN聚类，得到各个分割后的包络，具体包括：
S51、将经过尺度变换后的脉冲到达时间及步骤S12中经过归一化后的脉冲幅度/>组合为如下二维数组，/>；
S52、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤S51的二维数组/>作为输入进行一次DBSCAN聚类，得到尺度变换后每个脉冲对应的类标签/>，标签相同的脉冲构成一个包络，不同标签则为不同包络；/>表示尺度变化后聚类的类标签，/>的下标表示序号。
进一步地，在步骤S1中，所述分选后的雷达目标的脉冲序列具体包括分选后的单一雷达目标的脉冲序列。
进一步地，在步骤S4中，所述标签为-1。
进一步地，在步骤S4中，所述进行DBSCAN聚类包括进行一次DBSCAN聚类。
进一步地，在步骤S5中，所述进行DBSCAN聚类包括进行一次DBSCAN聚类。
进一步地，在步骤S5中，所述各个分割后的包络包括搜索主瓣包络、搜索副瓣包络和跟踪包络。
本发明的有益效果包括：
本发明提供了一种基于DBSCAN的雷达信号扫描包络分割方法，该技术方案提出了分割雷达信号不同扫描包络的详细步骤，分割准确率高，分割算法简单易用，可以对分析和认识雷达信号提供帮助，同时为雷达信号的体制识别、模式识别及行为状态识别提供良好的基础。
本发明构建的方法能够对搜索主瓣、搜索副瓣、跟踪等包络实现较好的分割效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于DBSCAN的雷达信号扫描包络分割方法流程图；
图2为仿真雷达信号扫描包络分割结果示例。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
本发明旨在针对相控阵雷达的扫描体制、工作模式、行为状态等的分类识别算法，其输入数据主要采用固定长度或者简单的规则进行帧分割，从而导致算法输入中包含多种类别的数据或包含数据不完整，影响识别效果的技术问题，提出一种基于DBSCAN的雷达信号扫描包络分割方法。该方法的发明构思之一在于利用雷达目标脉冲序列中的脉冲到达时间和脉冲幅度两个维度的数据，采用基于密度聚类的方法，实现对相控阵雷达扫描包络的分割。具体包括如下步骤：
步骤1、对脉冲序列进行归一化：对分选后的单一雷达目标的脉冲序列，提取脉冲到达时间和脉冲幅度两个维度的数据，对脉冲到达时间、脉冲幅度序列分别进行归一化处理。
步骤2、对脉冲到达时间序列进行尺度变换：对归一化后的脉冲到达时间序列进行尺度变换。
步骤3、判定是否进行异常点剔除：判断当前处理流程是否已进行异常点剔除，若否则转到步骤4，若是则转到步骤5。
步骤4、进行异常点剔除：将归一化的脉冲幅度和尺度变换后的脉冲到达时间两个维度数据组合为二维数组，设置DBSCAN聚类超参邻域半径及邻域点数，进行一次DBSCAN聚类，在原始脉冲序列中剔除聚类结果中标签为-1的点，并转到步骤1。
步骤5：基于密度聚类进行分割：设置邻域半径参数及邻域点数参数，进行一次DBSCAN聚类，得到各个分割后的包络。
在本发明的进一步实施方式中，步骤1的具体方法为：
步骤1.1、对分选后的单一雷达目标脉冲序列，提取脉冲序列/>中的脉冲到达时间/>，提取脉冲序列/>中的脉冲幅度/>，并转到步骤1.2。
步骤1.2、对脉冲到达时间及脉冲幅度/>的数值进行归一化，将数值归一化到[0,1]，归一化如下公式如下：/>，并转到步骤2。
在本发明的进一步实施方式中，步骤2的具体方法为：
步骤2.1、对步骤1.2中归一化后的脉冲到达时间，进行尺度变换，尺度变换公式如下：/>，并转到步骤S3；/>表示尺度变换后的第n个值，m表示尺度变换系数，/>表示尺度变换前的第n个值，并转到步骤3。
在本发明的进一步实施方式中，步骤3的具体方法为：
步骤3.1、判断当前处理流程是否已进行异常点剔除，即是否执行过步骤4，若否则转到步骤4，若是则转到步骤5。
在本发明的进一步实施方式中，步骤4的具体方法为：
步骤4.1、将步骤2.1中经过尺度变换后的脉冲到达时间及步骤1.2中经过归一化后的脉冲幅度/>组合为二维数组，如下所示，。
步骤4.2、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤4.1的二维数组作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>。
步骤4.3、对步骤4.2中得到的脉冲的类标签进行遍历，判断/>是否等于-1，若等于-1则在原始脉冲序列/>中将此序号脉冲剔除，若不等于-1则在原始脉冲序列/>中将此脉冲保留，并转到步骤1。
在本发明的进一步实施方式中，步骤5的具体方法为：
步骤5.1、将步骤2.1中经过尺度变换后的脉冲到达时间及步骤1.2中经过归一化后的脉冲幅度/>组合为二维数组，如下所示，。
步骤5.2、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤5.1的二维数组作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>，标签相同的脉冲构成一个包络，不同标签则为不同包络。
采用以下实施例验证本发明的有益效果：
本实施例一种基于DBSCAN的雷达信号扫描包络分割方法实现流程如图1所示。相控阵雷达仿真数据及行为状态识别结果如图2所示，数据来源于对相控阵雷达的数字信号仿真。具体实施步骤如下：
步骤1.1、对分选后的单一雷达目标脉冲序列，提取脉冲序列/>中的脉冲到达时间/>，提取脉冲序列/>中的脉冲幅度，转到步骤1.2。
步骤1.2、对脉冲到达时间及脉冲幅度的数值进行归一化，将数值归一化到[0,1]，脉冲到达时间归一化如下公式如下：/>，归一化后的脉冲到达时间。脉冲幅度归一化如下公式如下：/>，归一化后的脉冲幅度/>，转到步骤2.1。
步骤2.1、对步骤1.2中归一化后的脉冲到达时间，进行尺度变换，尺度变换公式如下：/>，尺度变换后的脉冲到达时间，转到步骤3.1。
步骤3.1、当前处理流程还未进行异常点剔除，转到步骤4.1。
步骤4.1：将步骤2.1中经过尺度变换后的脉冲到达时间及步骤1.2中经过归一化后的脉冲幅度组合为二维数组，如下所示，/>，转到步骤4.2。
步骤4.2：设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤4.1的二维数组/>作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>，转到步骤4.3。
步骤4.3：对步骤4.2中得到的脉冲的类标签进行遍历，判断每个标签是否等于-1，若等于-1则在原始脉冲序列/>中将此序号脉冲剔除，若不等于-1则在原始脉冲序列/>中将此脉冲保留，采用新的脉冲序列，重复步骤1、步骤2和步骤3，得到新的脉冲到达时间/>及脉冲幅度，转到步骤5.1。
步骤5.1：将脉冲到达时间及脉冲幅度组合为二维数组，如下所示，/>，转到步骤5.2。
步骤5.2：设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤5.1的二维数组/>作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>，标签相同的脉冲构成一个包络，不同标签则为不同包络。
图2是本发明构建的方法对相控阵雷达仿真数据进行扫描包络分割结果，横坐标为归一化的脉冲时间序列，纵坐标为归一化的脉冲幅度序列。可以看出本发明构建的方法能够对搜索主瓣、搜索副瓣、跟踪等包络实现较好的分割效果。
需要说明的是，在本发明权利要求书中所限定的保护范围内，以下实施例均可以从上述具体实施方式中，例如公开的技术原理，公开的技术特征或隐含公开的技术特征等，以合乎逻辑的任何方式进行组合和/或扩展、替换。
实施例1
一种基于DBSCAN的雷达信号扫描包络分割方法，包括以下步骤：
S1、对脉冲序列进行归一化：对分选后的雷达目标的脉冲序列，提取脉冲到达时间和脉冲幅度两个维度的数据，对脉冲到达时间、脉冲幅度序列分别进行归一化处理；
S2、对脉冲到达时间序列进行尺度变换：对归一化后的脉冲到达时间序列进行尺度变换；
S3、判定是否进行异常点剔除：判断当前处理流程是否已进行异常点剔除，若否则转到步骤S4，若是则转到步骤S5；
S4、进行异常点剔除：将归一化的脉冲幅度和尺度变换后的脉冲到达时间两个维度数据组合为二维数组，设置DBSCAN聚类超参邻域半径及邻域点数，进行DBSCAN聚类，在原始脉冲序列中剔除聚类结果中带标签的点，并转到步骤S1；
S5、基于密度聚类进行分割：设置邻域半径参数及邻域点数参数，进行DBSCAN聚类，得到各个分割后的包络。
实施例2
在实施例1的基础上，在步骤S1中，所述对分选后的雷达目标的脉冲序列，提取脉冲到达时间和脉冲幅度两个维度的数据，对脉冲到达时间、脉冲幅度序列分别进行归一化处理，具体包括：
S11、对分选后的单一雷达目标脉冲序列，提取脉冲序列/>中的脉冲到达时间，提取脉冲序列/>中的脉冲幅度/>，并转到步骤S12；t表示时间，t的下标表示序号；A表示幅度，A的下标表示序号；
S12、对脉冲到达时间及脉冲幅度/>的数值进行归一化，将数值归一化到[0,1]，归一化公式如下：/>，并转到步骤S2；/>表示归一化后的第/>个值，/>表示归一化前的第/>个值，/>表示归一化前整个序列中的最小值，/>表示归一化前整个序列中的最大值。
实施例3
在实施例2的基础上，在步骤S2中，所述对归一化后的脉冲到达时间序列进行尺度变换，具体包括：对步骤S12中归一化后的脉冲到达时间进行尺度变换，/>表示归一化后的时间，/>的下标表示序号；尺度变换公式如下：/>，并转到步骤S3；/>表示尺度变换后的第n个值，m表示尺度变换系数，/>表示尺度变换前的第n个值。
实施例4
在实施例2的基础上，在步骤S4中，所述将归一化的脉冲幅度和尺度变换后的脉冲到达时间两个维度数据组合为二维数组，设置DBSCAN聚类超参邻域半径及邻域点数，进行DBSCAN聚类，在原始脉冲序列中剔除聚类结果中带标签的点，并转到步骤S1，具体包括：
S41、将经过尺度变换后的脉冲到达时间及步骤S12中经过归一化后的脉冲幅度/>组合为如下二维数组，/>；/>表示尺度变换后的时间，/>的下标表示序号；/>表示归一化后的幅度，/>的下标表示序号；
S42、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤S41的二维数组/>作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>；/>表示类标签，/>的下标表示序号；
S43、对步骤S42中得到的脉冲的类标签进行遍历，判断/>是否等于-1，若等于-1则在原始脉冲序列/>中将此序号脉冲剔除，若不等于-1则在原始脉冲序列中将此脉冲保留，并转到步骤S1。
实施例5
在实施例4的基础上，在步骤S5中，所述设置邻域半径参数及邻域点数参数，进行DBSCAN聚类，得到各个分割后的包络，具体包括：
S51、将经过尺度变换后的脉冲到达时间及步骤S12中经过归一化后的脉冲幅度/>组合为如下二维数组，/>；
S52、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤S51的二维数组/>作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>，标签相同的脉冲构成一个包络，不同标签则为不同包络；/>表示尺度变化后聚类的类标签，/>的下标表示序号。
实施例6
在实施例1的基础上，在步骤S1中，所述分选后的雷达目标的脉冲序列具体包括分选后的单一雷达目标的脉冲序列。
实施例7
在实施例1的基础上，在步骤S4中，所述标签为-1。
实施例8
在实施例1的基础上，在步骤S4中，所述进行DBSCAN聚类包括进行一次DBSCAN聚类。
实施例9
在实施例1的基础上，在步骤S5中，所述进行DBSCAN聚类包括进行一次DBSCAN聚类。
实施例10
在实施例1的基础上，在步骤S5中，所述各个分割后的包络包括搜索主瓣包络、搜索副瓣包络和跟踪包络。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本发明实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本发明实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

Claims (6)

1.一种基于DBSCAN的雷达信号扫描包络分割方法，其特征在于，包括以下步骤：
S1、对脉冲序列进行归一化：对分选后的雷达目标的脉冲序列，提取脉冲到达时间和脉冲幅度两个维度的数据，对脉冲到达时间、脉冲幅度序列分别进行归一化处理；
S2、对脉冲到达时间序列进行尺度变换：对归一化后的脉冲到达时间序列进行尺度变换；
S3、判定是否进行异常点剔除：判断当前处理流程是否已进行异常点剔除，若否则转到步骤S4，若是则转到步骤S5；
S4、进行异常点剔除：将归一化的脉冲幅度和尺度变换后的脉冲到达时间两个维度数据组合为二维数组，设置DBSCAN聚类超参邻域半径及邻域点数，进行DBSCAN聚类，在原始脉冲序列中剔除聚类结果中带标签的点，并转到步骤S1；
S5、基于密度聚类进行分割：设置邻域半径参数及邻域点数参数，进行DBSCAN聚类，得到各个分割后的包络；
在步骤S1中，所述对分选后的雷达目标的脉冲序列，提取脉冲到达时间和脉冲幅度两个维度的数据，对脉冲到达时间、脉冲幅度序列分别进行归一化处理，具体包括：
S11、对分选后的单一雷达目标脉冲序列，提取脉冲序列/>中的脉冲到达时间，t表示时间，t的下标表示序号；提取脉冲序列/>中的脉冲幅度，A表示幅度，A的下标表示序号，并转到步骤S12；
S12、对脉冲到达时间及脉冲幅度/>的数值进行归一化，将数值归一化到[0,1]，归一化公式如下：/>，并转到步骤S2；/>表示归一化后的第/>个值，/>表示归一化前的第/>个值，/>表示归一化前整个序列中的最小值，/>表示归一化前整个序列中的最大值；
在步骤S4中，所述将归一化的脉冲幅度和尺度变换后的脉冲到达时间两个维度数据组合为二维数组，设置DBSCAN聚类超参邻域半径及邻域点数，进行DBSCAN聚类，在原始脉冲序列中剔除聚类结果中带标签的点，并转到步骤S1，具体包括：
S41、将经过尺度变换后的脉冲到达时间及步骤S12中经过归一化后的脉冲幅度/>组合为如下二维数组，/>；/>表示尺度变换后的时间，/>的下标表示序号；/>表示归一化后的幅度，/>的下标表示序号；
S42、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤S41的二维数组/>作为输入进行一次DBSCAN聚类，得到每个脉冲对应的类标签/>；/>表示类标签，/>的下标表示序号；
S43、对步骤S42中得到的脉冲的类标签进行遍历，判断/>是否等于-1，若等于-1则在原始脉冲序列/>中将此序号脉冲剔除，若不等于-1则在原始脉冲序列/>中将此脉冲保留，并转到步骤S1；
在步骤S5中，所述设置邻域半径参数及邻域点数参数，进行DBSCAN聚类，得到各个分割后的包络，具体包括：
S51、将经过尺度变换后的脉冲到达时间及步骤S12中经过归一化后的脉冲幅度/>组合为如下二维数组，/>；
S52、设置DBSCAN聚类超参：邻域半径及邻域点数/>，将步骤S51的二维数组/>作为输入进行一次DBSCAN聚类，得到尺度变换后每个脉冲对应的类标签/>，标签相同的脉冲构成一个包络，不同标签则为不同包络；/>表示尺度变化后聚类的类标签，/>的下标表示序号。
2.根据权利要求1所述的基于DBSCAN的雷达信号扫描包络分割方法，其特征在于，在步骤S2中，所述对归一化后的脉冲到达时间序列进行尺度变换，具体包括：对步骤S12中归一化后的脉冲到达时间，进行尺度变换，/>表示归一化后的时间，/>的下标表示序号；尺度变换公式如下：/>，并转到步骤S3；/>表示尺度变换后的第n个值，m表示尺度变换系数，/>表示尺度变换前的第n个值。
3.根据权利要求1所述的基于DBSCAN的雷达信号扫描包络分割方法，其特征在于，在步骤S1中，所述分选后的雷达目标的脉冲序列具体包括分选后的单一雷达目标的脉冲序列。
4.根据权利要求1所述的基于DBSCAN的雷达信号扫描包络分割方法，其特征在于，在步骤S4中，所述进行DBSCAN聚类包括进行一次DBSCAN聚类。
5.根据权利要求1所述的基于DBSCAN的雷达信号扫描包络分割方法，其特征在于，在步骤S5中，所述进行DBSCAN聚类包括进行一次DBSCAN聚类。
6.根据权利要求1所述的基于DBSCAN的雷达信号扫描包络分割方法，其特征在于，在步骤S5中，所述各个分割后的包络包括搜索主瓣包络、搜索副瓣包络和跟踪包络。
CN202311560926.1A 2023-11-22 2023-11-22 一种基于dbscan的雷达信号扫描包络分割方法 Active CN117272086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311560926.1A CN117272086B (zh) 2023-11-22 2023-11-22 一种基于dbscan的雷达信号扫描包络分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311560926.1A CN117272086B (zh) 2023-11-22 2023-11-22 一种基于dbscan的雷达信号扫描包络分割方法

Publications (2)

Publication Number Publication Date
CN117272086A CN117272086A (zh) 2023-12-22
CN117272086B true CN117272086B (zh) 2024-02-13

Family

ID=89212813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311560926.1A Active CN117272086B (zh) 2023-11-22 2023-11-22 一种基于dbscan的雷达信号扫描包络分割方法

Country Status (1)

Country Link
CN (1) CN117272086B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105277923A (zh) * 2015-11-20 2016-01-27 清华大学 一种单通道雷达信号分选方法
KR20160048441A (ko) * 2014-10-24 2016-05-04 주식회사 빅텍 수집 레이더 신호의 클러스터링 방법
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
CN112986925A (zh) * 2021-02-01 2021-06-18 东南大学 一种基于图像特征的雷达脉冲序列分选方法
CN113570005A (zh) * 2021-09-26 2021-10-29 中国人民解放军国防科技大学 一种基于机载光子雷达的远距离舰船类型识别方法
CN114019505A (zh) * 2021-11-09 2022-02-08 中国人民解放军海军航空大学 一种基于pri区间信息的雷达信号分选方法及系统
CN114254141A (zh) * 2021-12-20 2022-03-29 哈尔滨工程大学 一种基于深度分割的端到端雷达信号分选方法
CN114494287A (zh) * 2021-12-31 2022-05-13 南京理工大学 一种远距离激光雷达点云数据处理方法
CN114814734A (zh) * 2022-07-01 2022-07-29 中国人民解放军国防科技大学 一种低信噪比条件下雷达天线扫描类型识别方法和系统
CN115034261A (zh) * 2022-05-26 2022-09-09 云南财经大学 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN115222625A (zh) * 2022-07-15 2022-10-21 桂林理工大学 一种基于多尺度噪声的激光雷达点云去噪方法
CN115618249A (zh) * 2022-11-08 2023-01-17 贵州电网有限责任公司 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法
CN116148794A (zh) * 2022-12-27 2023-05-23 中国电子科技集团公司第二十九研究所 一种机载火控雷达扫描体制识别方法及系统
CN116500546A (zh) * 2023-05-08 2023-07-28 哈尔滨工程大学 一种基于点云分割网络的雷达信号分选方法
CN116643246A (zh) * 2023-04-28 2023-08-25 中国电子科技集团公司第二十九研究所 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法
WO2023167507A1 (ko) * 2022-03-03 2023-09-07 주식회사 에이유 사람을 감지하기 위한 신호처리 방법 및 레이더 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112505648B (zh) * 2020-11-19 2023-06-30 西安电子科技大学 基于毫米波雷达回波的目标特征提取方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160048441A (ko) * 2014-10-24 2016-05-04 주식회사 빅텍 수집 레이더 신호의 클러스터링 방법
CN105277923A (zh) * 2015-11-20 2016-01-27 清华大学 一种单通道雷达信号分选方法
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
CN112986925A (zh) * 2021-02-01 2021-06-18 东南大学 一种基于图像特征的雷达脉冲序列分选方法
CN113570005A (zh) * 2021-09-26 2021-10-29 中国人民解放军国防科技大学 一种基于机载光子雷达的远距离舰船类型识别方法
CN114019505A (zh) * 2021-11-09 2022-02-08 中国人民解放军海军航空大学 一种基于pri区间信息的雷达信号分选方法及系统
CN114254141A (zh) * 2021-12-20 2022-03-29 哈尔滨工程大学 一种基于深度分割的端到端雷达信号分选方法
CN114494287A (zh) * 2021-12-31 2022-05-13 南京理工大学 一种远距离激光雷达点云数据处理方法
WO2023167507A1 (ko) * 2022-03-03 2023-09-07 주식회사 에이유 사람을 감지하기 위한 신호처리 방법 및 레이더 시스템
CN115034261A (zh) * 2022-05-26 2022-09-09 云南财经大学 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN114814734A (zh) * 2022-07-01 2022-07-29 中国人民解放军国防科技大学 一种低信噪比条件下雷达天线扫描类型识别方法和系统
CN115222625A (zh) * 2022-07-15 2022-10-21 桂林理工大学 一种基于多尺度噪声的激光雷达点云去噪方法
CN115618249A (zh) * 2022-11-08 2023-01-17 贵州电网有限责任公司 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法
CN116148794A (zh) * 2022-12-27 2023-05-23 中国电子科技集团公司第二十九研究所 一种机载火控雷达扫描体制识别方法及系统
CN116643246A (zh) * 2023-04-28 2023-08-25 中国电子科技集团公司第二十九研究所 一种基于内积距离度量的深度聚类雷达脉冲信号分选方法
CN116500546A (zh) * 2023-05-08 2023-07-28 哈尔滨工程大学 一种基于点云分割网络的雷达信号分选方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Algorithm for Radar Signal Pre-sorting Based on Correlation Distance Differential;Shuo Zhou 等;《2023 5th International Conference on Electronics and Communication, Network and Computer Technology (ECNCT)》;20231017;第100-107页 *
一种有效的雷达辐射源信号数据清洗方法;张力锋 等;《现代电子技术》;20220701;第45卷(第13期);第1-6页 *
基于毫米波雷达的障碍物检测与识别;董健;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20230215(第2023年第02期);第I136-1727页 *

Also Published As

Publication number Publication date
CN117272086A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
Liu et al. Squeezedtext: A real-time scene text recognition by binary convolutional encoder-decoder network
CN110070090B (zh) 一种基于手写文字识别的物流标签信息检测方法及系统
CN108805076B (zh) 环境影响评估报告书表格文字的提取方法及系统
CN105931253A (zh) 一种基于半监督学习相结合的图像分割方法
CN111353491B (zh) 一种文字方向确定方法、装置、设备及存储介质
CN110738030A (zh) 表格重建方法、装置、电子设备及存储介质
CN111126361A (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN107403618B (zh) 基于堆叠基稀疏表示的音频事件分类方法及计算机设备
Li et al. HEp-2 specimen classification via deep CNNs and pattern histogram
Tang et al. HRCenterNet: An anchorless approach to Chinese character segmentation in historical documents
Shanthakumari et al. Mask RCNN and Tesseract OCR for vehicle plate character recognition
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN117272086B (zh) 一种基于dbscan的雷达信号扫描包络分割方法
CN116704490A (zh) 车牌识别方法、装置和计算机设备
Korichi et al. Off-line Arabic handwriting recognition system based on ML-LPQ and classifiers combination
CN115496948A (zh) 一种基于深度学习的网络监督细粒度图像识别方法和系统
CN113177479B (zh) 图像分类方法、装置、电子设备及存储介质
CN111931687B (zh) 一种票据识别方法及装置
CN111767710B (zh) 印尼语的情感分类方法、装置、设备及介质
CN114863163A (zh) 一种基于细胞图像进行细胞分类的方法及系统
CN115424250A (zh) 一种车牌识别方法及装置
CN113205054A (zh) 菌丝显微图像识别方法和系统、设备、可读介质
Tan et al. Multiscale region projection method to discriminate between printed and handwritten text on registration forms
Nagarikar et al. Input fields recognition in documents using deep learning techniques
Zhu et al. WeakSAM: Segment Anything Meets Weakly-supervised Instance-level Recognition

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
GR01 Patent grant
GR01 Patent grant