CN117420510A - 一种基于lightGBM算法的雷达天线扫描类型识别方法 - Google Patents
一种基于lightGBM算法的雷达天线扫描类型识别方法 Download PDFInfo
- Publication number
- CN117420510A CN117420510A CN202311486776.4A CN202311486776A CN117420510A CN 117420510 A CN117420510 A CN 117420510A CN 202311486776 A CN202311486776 A CN 202311486776A CN 117420510 A CN117420510 A CN 117420510A
- Authority
- CN
- China
- Prior art keywords
- sequence
- main lobe
- pulse amplitude
- pulse
- radar
- 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 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012952 Resampling Methods 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 abstract description 8
- 238000012706 support-vector machine Methods 0.000 abstract description 8
- 238000009499 grossing Methods 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
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
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
本发明涉及一种基于lightGBM算法的雷达天线扫描类型识别方法,属于电子对抗侦察技术领域。该方法包括:对脉冲信号进行采样得到脉冲序列;将脉冲序列的幅度值转化为电压值得到脉冲幅度数据序列;对脉冲幅度数据序列进行归一化处理后进行最大主瓣提取,得到主瓣序列的特征;对归一化处理后的脉冲幅度数据序列进行自相关处理以获取多个天线扫描周期内相关脉冲幅度数据;对多个天线扫描周期内相关脉冲幅度数据进行平滑处理以确定平滑处理后的脉冲幅度数据的特征参数,再根据所述特征参数进行雷达天线扫描类型识别。本发明对比传统决策树(DT)以及支持向量机(SVM)能够更加准确的识别雷达天线扫描方式。
Description
技术领域
本发明属于电子对抗侦察技术领域,涉及一种基于lightGBM算法的雷达天线扫描类型识别方法。
背景技术
雷达对抗侦察是指通过搜索、截获、测量、分析和识别敌方雷达信号,以获取其技术参数、功能、类型和位置等情报信息的一种电子对抗侦查方法。获取雷达辐射源参数信息包括信号参数、位置参数和功能参数等。信号参数主要描述雷达脉冲的特征,如脉冲幅度、脉宽、载频和重复周期等。位置参数涉及雷达的空间位置和平台信息;功能参数包括雷达的类型、工作状态等。目前,对截获的雷达辐射源信号进行分析主要基于脉宽、载频、重复周期和脉内调制等信息,以实现雷达信号的分选和个体识别。然而,这些信息对于评估雷达的威胁程度还不够充分,特别是在识别雷达天线扫描类型方面,如何利用截获的雷达脉冲数据进行分析和研判雷达的工作状态和威胁程度,是电子对抗侦察中的重要研究方向。
雷达的天线是用来辐射电磁波能量的装置,其特性直接反映了雷达的工作性能。雷达的主要任务是探测、跟踪和识别目标,为了实现这些任务,雷达的天线需要以特定的方式对指定的空域进行搜索,这就是天线波束扫描。然而,雷达天线的波束方向图通常只能覆盖所关注区域的一部分范围,为了在更大范围内搜索和探测目标,雷达天线的波束需要在空间中移动,波束的运动即角度随时间的变化,即被称为扫描。不同类型的雷达在不同的用途和工作状态下会使用不同的天线波束形状和天线扫描方式(Antenna Scan Style,AST),例如,预警雷达主要用于搜索目标,其天线扫描类型通常采用圆周扫描或双向扇形扫描。在电子对抗侦察中,准确判断敌方雷达的天线扫描类型对于识别雷达的工作状态和评估雷达的威胁等级具有重要意义。
雷达天线的扫描方式可以分为机械扫描和电子扫描两种。其中机械扫描是通过雷达天线的机械转动来实现波束在空间的移动,这种扫描方式通常以一定的周期进行重复,主要包括圆周扫描、平面扇形扫描(单向扇扫、双向扇扫、多扇区扫描)、螺旋扫描、分行扫描。而电子扫描则是利用电子技术来实现波束的移动,无需机械转动,主要包括一维电扫、二维电扫等。电子扫描相比机械扫描更加灵活和快速,能够实现更复杂的扫描模式。雷达天线扫描类型的识别是电子对抗侦察中的重要任务,其主要依赖于特征参数选取、参数估计以及识别方法。特征参数是用于描述天线扫描类型的关键指标,包括扫描周期、峭度、主瓣数、主瓣峰值最大差值、主瓣峰值时间间隔比、主副瓣增益比等。这些参数的准确估计对于识别雷达天线扫描类型至关重要,然而,特征参数的估计性能受到多种因素的影响,如噪声、脉冲丢失以及“毛刺”干扰脉冲等。如何实现雷达天线扫描类型的识别成为了雷达威胁评估和态势分析的关键问题,也是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于lightGBM算法的雷达天线扫描类型识别方法,该方法使用包括新特征在内的雷达特征参数,实现更准确的识别雷达天线扫描方式。
为达到上述目的,本发明提供如下技术方案:
一种基于lightGBM算法的雷达天线扫描类型识别方法,其包括以下步骤:
S1、对截获的雷达信号功率进行脉冲信号采样得到脉冲序列;
S2、将脉冲序列的幅度值转化为电压值得到脉冲幅度数据序列,并对该脉冲幅度数据序列进行归一化处理;
S3、对归一化后的脉冲幅度数据序列进行最大主瓣序列提取,得到最大主瓣特征参数;
S4、通过最大主瓣特征参数区分雷达天线为机械扫描或电子扫描;若为电子扫描,则区分电子扫描的维度,并结束识别;若为机械扫描,则进入下一步骤;
S5、对归一化后的脉冲幅度数据序列进行自相关处理,以获得多个天线扫描周期内相关脉冲幅度数据;
S6、对多个天线扫描周期内相关脉冲幅度数据序列进行特征提取,其中,特征包括峭度、主瓣个数、主瓣峰值最大差值、主瓣时间间隔最大比值、周期与最大主瓣3dB宽度比值、静默区间数量以及静默区间首尾一阶差分的最大值;
S7、在lightGBM分类器中根据步骤S6提取的特征进行雷达天线机械扫描类型的识别。
进一步地,步骤S3中,最大主瓣特征参数包括最大主瓣序列一阶差分的最大值Md、最大主瓣序列一阶差分且归一化处理后小于门限阈值的比例Rd以及最大主瓣序列一阶差分且归一化处理后小于门限阈值的值所组成序列的均方差Vd。
因此,若特征参数Md和Rd较大,则雷达天线扫描类型为电子扫描。若特征参数Vd较大,则雷达天线为一维电扫,若特征参数Vd较小,则雷达天线为二维电扫。
进一步地,步骤S6中,周期与最大主瓣3dB宽度比值表示主瓣的最大幅度下降到原幅度的0.707倍时对应的宽度,其提取方式为:在单个雷达扫描周期脉冲幅度序列{xr}中找到最大主瓣的峰值点的坐标,再分别寻找峰值点左右两边脉冲幅度值降为峰值0.707倍的点,取两点之间的距离作为最大主瓣3dB的宽度,则周期与最大主瓣3dB宽度比值为:
式中,T3dB表示最大主瓣3dB的宽度,Tp表示天线扫描周期。
步骤S6中,所述静默区间数量的提取方式为:在单个雷达扫描周期脉冲幅度序列{xr}中找到雷达增益几乎为零的点ki,从ki向右搜寻第一个雷达增益不为零的点ki+Δk,计算Δk所对应的时间长度,若大于0,则Δk为一个静默区间;寻找序列{xr}中的所有静默区间得到静默区间数量。
进一步地,步骤S2还包括:判断脉冲幅度数据序列的重复周期是否为固定重复周期,若是,则进入步骤S3,若否,则返回步骤S1对脉冲信号进行重采样;
当脉冲幅度数据序列的脉冲重复周期是抖动时,重采样间隔为脉冲幅度数据序列的脉冲重复间隔的平均值;当脉冲幅度数据序列的脉冲重复周期是参差或滑变时,重采样间隔为脉冲幅度数据序列的最小脉冲重复间隔。
进一步地,步骤S3中,最大主瓣序列的提取方式为:先寻找脉冲幅度数据序列中主瓣的峰值以及旁瓣的峰值,将旁瓣峰值设定为门限阈值,然后寻找主瓣峰值左右两侧脉冲幅度值下降至门限阈值的点,取两点之间的信号作为最大主瓣序列。
本发明的有益效果在于:本发明通过提取雷达脉冲信号的特征参数对雷达天线的扫描类型进行识别,其中,对于机械扫描类型的识别,本发明通过提出三种新特征可提高类型识别的准确率,这对雷达系统的目标识别、目标跟踪和目标定位等应用具有重要意义。本发明可以实现雷达天线扫描类型的自动识别,无需人工辅助判断,为目标自动威胁评估典型基础技术改进,相比于传统的决策树(DT),以及支持向量机(SVM)具有明显的优势。本发明雷达天线扫描类型成功识别概率与信噪比SNR的关系如下:
低信噪比情况下,信噪比为10dB左右时,雷达天线扫描类型识别正确率不低于74%;较高信噪比情况下,信噪比为30dB左右时,雷达天线扫描类型识别正确率为93.54%;高信噪比情况下,信噪比为50dB左右时,雷达天线扫描类型识别正确率高达99.39%。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明实施例提供的基于lightGBM算法的雷达天线扫描类型识别方法流程示意图;
图2为根据本发明实施例的雷达天线扫描类型识别概率示意图;
图3为根据本发明实施例的雷达天线扫描类型识别总概率与传统决策树(DT)和支持向量机(SVM)识别总概率对比图;
图4为本发明实施例中新特征的运用对识别正确率的提升示意图。
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。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,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。
如图1所示为本发明一实施例提供的基于light GBM算法的雷达天线扫描类型识别方法,该方法包括:
S1、对雷达脉冲信号进行采样得到脉冲序列。
采样过程具体为:
S11、获取雷达对抗侦察参数,以确定截获雷达信号功率;
本实施例中,雷达对抗侦察参数包括雷达发射功率、雷达发射天线在电子战接收机方向上的接收增益、雷达相对于电子战接收机的方位角和俯仰角、雷达信号波长和电子战侦察平台与雷达的距离。
截获的雷达信号功率可表示为:
式中,Pt表示雷达发射功率,λ表示雷达信号波长,R表示电子战侦察平台与雷达的距离;L表示系统损耗因子,包括大气传播损耗和雷达天线与电子战侦察平台天线的极化失配损耗;θt(t)表示方位角,φt(t)表示仰角;Gt[θt(t),φt(t)]表示雷达发射天线在电子战接收机方向上的增益,可表示为下式:
Gt[θt(t),φt(t)]=GTFt[θt(t),φt(t)] (2)
式中,GT表示天线的最大增益;其中Ft[θt(t),φt(t)]表示为:
通过增大或减小k1可以改变主波束的方向。较大的k1值会使主波束更加集中在特定方向上,而较小的k1值会使主波束的辐射范围更广,这可用于调整天线的指向。通过调整k2,可以改变主波束的宽度。较大的k2值会使主波束更为窄束,较小的k2值会使主波束更为宽泛,这可以用于调整天线的辐射范围和辐射角度。通过调整k3,可以改变天线旁瓣的数量和分布,从而改变波束指向。较大的k3值表示天线具有更多的旁瓣辐射能量,而较小的k3值表示天线的旁瓣辐射能量相对较少。
S12、对所截获的雷达信号功率进行脉冲信号采样,得到脉冲序列。
首先将Pr(t)转化为分贝表示形式;
Pr,dBm(t)=Pt,dBm+Gt,dB-LdB (4)
其中,Pr,dBm(t)表示侦察天线截获的雷达信号的功率值,Pt,dBm表示雷达发射功率值,Gt,dB表示雷达天线在侦察天线方向的天线发射增益,LdB表示系统损失因子,t表示时间。其中,Pr,dBm(t)、Pt,dBm、LdB均为dB形式。
考虑到脉冲丢失与噪声的影响,实际的接收信号为:
Prc,dB(t)=(1-Xm)(1-Xs)Pr,dBm(t)+(1-Xm)XsAs+NdB(t) (5)
其中,Prc,dB(t)表示实际接收信号,Xm和Xs分别表示脉冲丢失和“毛刺”干扰脉冲事件发生的伯努利随机变量,As表示“毛刺”干扰脉冲的幅度,NdB(t)为高斯白噪声。
对实际接收信号Prc,dB(t)进行采样,得到数字信号
式中,n表示数字信号的脉冲序列值,n=0,1,…,Np-1;Ts表示模拟信号的采样或重采样的周期,Np表示脉冲幅度数据序列的脉冲幅度数据长度。
在对接收数据进行采样或重采样时,若某个采样时刻没有雷达信号,可以利用最近邻点插值法进行插值处理,具体地,当脉冲序列中缺少t时刻的采样值时,对t时刻的邻近时刻采样值进行插值运算,以获取t时刻的采样值,其中,t时刻的邻近时刻为t-1时刻或t+1时刻。
S2、将脉冲序列的幅度值转化为电压值,得到脉冲幅度数据序列。
按照如下公式将接收到的脉冲序列的幅度值从dB转化为电压值:
其中,表示脉冲幅度数据序列。
S3、对脉冲幅度数据序列进行归一化处理。
为了消除不同传输损耗、雷达发射功率的影响,避免除角度因素引起幅度差异的其他因素影响,对脉冲幅度数据序列进行归一化处理,如下式所示:
式中,为脉冲幅度数据序列中最大的脉冲幅度数据。
对归一化后的数据进行去噪处理,以降低噪声对雷达序列特征的影响。判断脉冲幅度数据序列的重复周期是否为固定重复周期,若是,则进入步骤S4,若否,则返回步骤S1对脉冲信号进行重采样。
其中,当脉冲幅度数据序列的脉冲重复周期是抖动时,则重采样间隔为脉冲幅度数据序列的脉冲重复间隔的平均值;
当脉冲幅度数据序列的脉冲重复周期是参差或滑变时,则重采样间隔为脉冲幅度数据序列的最小脉冲重复间隔。
S4、对归一化后的脉冲幅度数据序列进行最大主瓣序列提取,以提取相应的最大主瓣特征参数用于区分雷达天线扫描模式的机械扫描或电子扫描。
由于得到的脉冲幅度数据包括主瓣序列和旁瓣序列,且主瓣序列的值较大,旁瓣序列的值较小,因此对主瓣序列的提取方式是:先寻找主瓣的峰值以及旁瓣的峰值,将旁瓣峰值设定为门限H,然后找主瓣峰值左右两边脉冲幅度值下降至H的点,取这两点之间的信号作为最大主瓣序列。
对于最大主瓣序列进行特征提取的方式如下:
设最大主瓣脉冲幅度序列为am[n],首先计算最大主瓣脉冲幅度序列一阶差分的绝对值:
da[n]=|am[n+1]-am[n] (9)
其中,n=0,1,…,Np-2。取特征参数Md为序列{da}的最大值,一般情况下电子扫描的Md较大,机械扫描的Md较小。
此外,为了区分电子扫描同一波位内的脉冲串,对序列{da}进行归一化:
ud[n]=da[n]/max(da[n]) (10)
令序列{ud}中小于Hd的元素组成新的序列{hd}。其中,Hd表示预设阈值,一般略大于0。取特征参数Rd=Nd/(Np-1),则Rd表示的是相邻脉冲均在同一波位内的脉冲所占比例,其中Nd表示{hd}的长度。一般机械扫描的Rd较小,电子扫描的Rd较大。
同时,为了区分一维电扫和二维电扫,取特征参数Vd为序列{hd}的均方差。采用特征参数Md、Rd、Vd将电子扫描与机械扫描进行区分,具体在后续步骤中说明。
S5、对归一化后的脉冲幅度数据序列进行自相关处理,以获取多个天线扫描周期内相关脉冲幅度数据,具体地:
S51、对归一化后的脉冲幅度数据序列进行重采样处理,以便后续进行雷达扫描周期估计。
脉冲到达时间为tn=tn-1+Δt,其中,tn和tn-1分别为雷达信号的第n和第n-1个脉冲的到达时间,Δt为脉冲到达时间的变化量。脉冲到达时间的变化量与脉冲重复周期PRI的类型有关。但由于PRI变化和脉冲丢失的影响,序列的采样率并不一致,不便于后续的处理,需要对脉冲幅度序列进行重采样,以便统一采样率。可以假设接收机截获的信号是连续信号a(t)的离散采样,因此可通过下式进行重采样:
x[n]=a(nTs) (11)
式中,n=0,1,…,N-1,N=t[Np-1]/Ts采用向下取整,Ts为采样周期。
S52、进行归一化自相关处理,获取天线扫描周期。
计算序列x[n]的归一化自相关函数,如下式所示:
式中,l=0,1,…,N-W为延迟变量,W为窗长。则序列{rxx}的最大值所对应的l(记为Nl)记为序列x[n]的周期,天线扫描周期为Tp=Nl*Ts。
S6、对多个天线扫描周期内相关脉冲幅度数据进行特征提取,以获得各类机械扫描的特征参数。机械扫描识别的特征提取是基于单个雷达扫描周期脉冲幅度序列{xr},记为Xr,其信号长度为Nr。
S61、提取峭度,峭度反映了序列Xr的平滑和尖锐程度,其可通过下式进行提取:
KX=(E[Xr-μ])4/δ4 (13)
其中,E[·]表示期望值,μ和δ分别表示序列Xr的均值和标准均方差。
S62、提取主瓣个数。
平滑处理后的脉冲幅度数据的主瓣数(单个周期的主瓣个数)的获取过程为:
设获取的最大主瓣序列为{y},其信号长度为Ny。通过序列{xr}和{y}的归一化互相关来检测单个天线扫描周期内的其他主瓣:
其中,l=0,1,…,Nr-Ny为延迟变量。则单个天线扫描周期内的主瓣个数NB为序列{rxy}中大于Hb的元素个数,其中Hb∈[0.98,1)。
当主瓣个数大于1时,提取主瓣峰值的最大差值DY。设各主瓣的峰值分别为xr[mi],mi为各主瓣峰值在序列{xr}中的坐标,其中i=1,2,…,NB。特征DY通过下式进行提取:
DY=max({xr})-min({xr}) (15)
当主瓣个数大于2时,还需提取主瓣时间间隔的最大比值RY,通过下式进行提取:
RY=max(Ym)/min(Ym) (16)
其中,Ym={m2-m1,m3-m2,…,mNB-mNB-1}。
S7、对本发明所提出的新特征进行提取,以提高识别准确率。本发明提出的新特征包括:周期与最大主瓣3dB宽度比值、静默区间数量以及静默区间首尾一阶差分的最大值。
S71、提取周期与最大主瓣3dB宽度比值,其中3dB宽度定义为:主瓣最大幅度下降到原来幅度的0.707倍对应的宽度。
首先找到最大主瓣的峰值点以及其在序列{xr}中的坐标w1,然后分别寻找左右两边脉冲幅度值降为原来0.707倍的最近点,取这两点之间的距离作为最大主瓣3dB的宽度。该特征如下式所示:
式中,T3dB表示最大主瓣3dB的宽度,Tp表示天线扫描周期。
S72、提取静默区间数量。
雷达在进行机械扫描如单向扇扫时,在雷达扫描波束经过一定弧度后到达终点,需要返回起始位置,从终点返回起点的这段距离经过的时间段即为静默区间,在静默区间内雷达的增益接近为零,因此可根据这个特性对静默区间数量进行提取。
具体地,首先找到雷达增益几乎为零的点在序列{xr}中的位置ki,然后向右进行扩展直到出现第一个雷达增益不为零的点,其在序列{xr}中的位置记为ki+Δk,计算Δk所对应的时间长度,如果大于0.1s,则认为是一个静默区间。
S73、提取静默区间首尾一阶差分的最大值,该特征可通过matlab自带的求一阶差分函数获得,具体地,取静默区间附近大约100个点,然后做一阶差分,找出里面的最大值即可。
S8、使用lightGBM模型根据所提取的特征参数进行雷达天线扫描类型的自动识别。
S81、判断特征Md和Rd是否较大,若是,则进入步骤S82,若否,则进入步骤S83;
S82、判断特征Vd是否较大,若是,则判断为一维电扫,若否,则判断为二维电扫;
S83、根据峭度KX、主瓣个数NB、主板峰值的最大差值DY、主瓣时间间隔的最大比值RY、周期与最大主瓣3dB宽度比值、静默区间数量以及静默区间首尾一阶差分的最大值,使用lightGBM分类器确定机械扫描的具体方式。例如,若NB=1,DY、RY和静默区间首尾一阶差分的最大值没有值,KX值为大,周期与最大主瓣3dB宽度比值为较大,静默区间数量为零,则判断机械扫描类型为圆周扫描;若NB=1,DY、RY没有值,KX值为小,周期与最大主瓣3dB宽度比值为较小,静默区间数量为1,静默区间首尾一阶差分的最大值为大,则判断机械扫描类型为单向扫描。
采用上述实施例的方法成功识别雷达天线扫描类型的概率参见图2。本实施例将脉冲序列的幅度值从dB转化为电压值,然后对其进行归一化处理,得到多个天线扫描周期内相关脉冲幅度数据。接着,对多个天线扫描周期内相关脉冲幅度数据进行平滑处理,以确定平滑处理后的脉冲幅度数据的特征参数。根据特征参数中的主瓣序列一阶差分的最大值(Md)、主瓣序列一阶差分后进行归一化处理后小于门限H值的比例(Rd)、主瓣序列一阶差分后小于门限H的值组成序列的均方差(Vd),实现了对雷达电子扫描与机械扫描进行区分,然后根据特征参数中的峭度、主瓣数、主瓣峰值最大差值、主瓣时间间隔最大比值、周期与主瓣3dB宽度比值、静默区间数量、静默区间首尾一阶差分的最大值,实现雷达天线六类扫描类型的自动识别,新分类算法的运用以及新特征的提出,使得本发明相比于传统的决策树(DT)、支持向量机(SVM)具有明显的优势,如图3所示,当为低信噪比(SNR)情况下,信噪比为10dB左右时,本发明进行雷达天线扫描类型识别正确率不低于74%;当为较高信噪比情况下,信噪比为30dB左右时,本发明进行雷达天线扫描类型识别正确率为93.54%;当为高信噪比情况下,信噪比为50dB左右时,本发明进行雷达天线扫描类型识别正确率高达99.39%。
此外,本发明通过引入新特征,提高了分类结果的正确性,如图4所示,在低信噪比情况下,提升尤为明显,在信噪比为10dB的情况下,正确率提升了17%,在高信噪比下分类结果也提示了5%。可见新特征的引入对分类结果正确率有较大帮助。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于lightGBM算法的雷达天线扫描类型识别方法,其特征在于:该方法包括以下步骤:
S1、对截获的雷达信号功率进行脉冲信号采样得到脉冲序列;
S2、将所述脉冲序列的幅度值转化为电压值得到脉冲幅度数据序列,并对所述脉冲幅度数据序列进行归一化处理;
S3、对归一化后的脉冲幅度数据序列进行最大主瓣序列提取,得到最大主瓣特征参数;
S4、通过所述最大主瓣特征参数区分雷达天线为机械扫描或电子扫描;若为电子扫描,则区分电子扫描的维度,并结束识别;若为机械扫描,则进入下一步骤;
S5、对归一化后的脉冲幅度数据序列进行自相关处理,以获得多个天线扫描周期内相关脉冲幅度数据;
S6、对多个天线扫描周期内相关脉冲幅度数据序列进行特征提取,所述特征包括峭度、主瓣个数、主瓣峰值最大差值、主瓣时间间隔最大比值、周期与最大主瓣3dB宽度比值、静默区间数量以及静默区间首尾一阶差分的最大值;
S7、在lightGBM分类器中根据步骤S6提取的特征进行雷达天线机械扫描类型的识别。
2.根据权利要求1所述的雷达天线扫描类型识别方法,其特征在于:步骤S3中,最大主瓣特征参数包括最大主瓣序列一阶差分的最大值Md、最大主瓣序列一阶差分且归一化处理后小于门限阈值的比例Rd以及最大主瓣序列一阶差分且归一化处理后小于门限阈值的值所组成序列的均方差Vd。
3.根据权利要求1或2所述的雷达天线扫描类型识别方法,其特征在于:步骤S4中,若特征参数Md和Rd较大,则雷达天线扫描类型为电子扫描;若特征参数Vd较大,则雷达天线为一维电扫,若特征参数Vd较小,则雷达天线为二维电扫。
4.根据权利要求1所述的雷达天线扫描类型识别方法,其特征在于:步骤S6中,所述周期与最大主瓣3dB宽度比值表示主瓣的最大幅度下降到原幅度的0.707倍时对应的宽度,其提取方式为:在单个雷达扫描周期脉冲幅度序列{xr}中找到最大主瓣的峰值点的坐标,再分别寻找峰值点左右两边脉冲幅度值降为峰值0.707倍的点,取两点之间的距离作为最大主瓣3dB的宽度,则周期与最大主瓣3dB宽度比值为:
式中,T3dB表示最大主瓣3dB的宽度,Tp表示天线扫描周期。
5.根据权利要求1所述的雷达天线扫描类型识别方法,其特征在于:步骤S6中,所述静默区间数量的提取方式为:在单个雷达扫描周期脉冲幅度序列{xr}中找到雷达增益几乎为零的点ki,从ki向右搜寻第一个雷达增益不为零的点ki+Δk,计算Δk所对应的时间长度,若大于0,则Δk为一个静默区间;寻找序列{xr}中的所有静默区间得到静默区间数量。
6.根据权利要求1所述的雷达天线扫描类型识别方法,其特征在于:步骤S2还包括:判断所述脉冲幅度数据序列的重复周期是否为固定重复周期,若是,则进入步骤S3,若否,则返回步骤S1对脉冲信号进行重采样;
当脉冲幅度数据序列的脉冲重复周期是抖动时,重采样间隔为脉冲幅度数据序列的脉冲重复间隔的平均值;当脉冲幅度数据序列的脉冲重复周期是参差或滑变时,重采样间隔为脉冲幅度数据序列的最小脉冲重复间隔。
7.根据权利要求1所述的雷达天线扫描类型识别方法,其特征在于:步骤S3中,所述最大主瓣序列的提取方式为:先寻找脉冲幅度数据序列中主瓣的峰值以及旁瓣的峰值,将旁瓣峰值设定为门限阈值,然后寻找主瓣峰值左右两侧脉冲幅度值下降至门限阈值的点,取两点之间的信号作为最大主瓣序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486776.4A CN117420510A (zh) | 2023-11-09 | 2023-11-09 | 一种基于lightGBM算法的雷达天线扫描类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486776.4A CN117420510A (zh) | 2023-11-09 | 2023-11-09 | 一种基于lightGBM算法的雷达天线扫描类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117420510A true CN117420510A (zh) | 2024-01-19 |
Family
ID=89522737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311486776.4A Pending CN117420510A (zh) | 2023-11-09 | 2023-11-09 | 一种基于lightGBM算法的雷达天线扫描类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420510A (zh) |
-
2023
- 2023-11-09 CN CN202311486776.4A patent/CN117420510A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946665B (zh) | 基于阵列雷达的获取真实目标的方法 | |
US8988275B2 (en) | Low energy radar system | |
CN109444820B (zh) | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 | |
CN109324322B (zh) | 一种基于被动相控阵天线的测向与目标识别方法 | |
CN109932696B (zh) | 基于雷达通道噪声功率的数字波束形成方法 | |
CN111751797B (zh) | 一种基于方位角的高频地波雷达一阶和二阶回波谱分界线确定方法 | |
US6765522B2 (en) | Automatic recognition of radar scan type | |
CN111707995A (zh) | 一种基于有限穿越可视图的雷达天线扫描方式识别方法 | |
CN109507654B (zh) | 一种基于ls的复杂环境下相位信息计算方法 | |
CN110927692A (zh) | 海杂波场景下搜索雷达射频隐身工作方式的求解方法 | |
CN108490425B (zh) | 一种双基地mimo雷达的测角方法 | |
CN105824016A (zh) | 运动平台雷达检测超低空目标的稳健空时自适应处理方法 | |
CN113359131A (zh) | 一种sar低截获射频隐身系统及其设计方法 | |
CN110764066B (zh) | 误差存在情况下基于真实信号子空间的目标检测方法 | |
CN117420510A (zh) | 一种基于lightGBM算法的雷达天线扫描类型识别方法 | |
CN109581366B (zh) | 一种基于目标导向矢量失配的离散旁瓣杂波识别方法 | |
CN114814734A (zh) | 一种低信噪比条件下雷达天线扫描类型识别方法和系统 | |
CN109001690B (zh) | 基于馈电网络的时域空间域结合的雷达目标检测方法 | |
CN109490871A (zh) | 小样本条件下基于信号结构特征的子空间信号检测方法 | |
CN115267660A (zh) | 一种水下窄带信号抗干扰定向及自动解模糊方法 | |
CN112415469B (zh) | 一种两维数字阵列雷达快速干扰测向方法 | |
US6356227B1 (en) | Smearing compensation apparatus for a radar system | |
US10845475B2 (en) | Method of measuring azimuth of radar target | |
JP2002139560A (ja) | レーダ装置 | |
JP2005140687A (ja) | 目標類別装置 |
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 |