多类别、未知雷达辐射源脉冲信号分选系统
1.本发明涉及未知雷达辐射源信号分选技术领域，具体地指一种多类别、未知雷达辐射源脉冲信号分选系统。
背景技术：
2.反辐射导弹是现代电子战中对雷达等电磁辐射源进行硬杀伤的最有效武器，与先进电磁频谱战设备相配合的反辐射源导弹攻击是未来电磁对抗中的重要手段。
3.但复杂战场场景给反辐射导弹的精准导引带来了巨大挑战，由于未知电磁辐射源种类多、信号密度大，时域、频域电磁信号混叠严重，电磁侦察设备难以对接收到的、属于同一辐射源的电磁信号进行脉冲分离，这将对作战构成巨大的潜在威胁。
技术实现要素：
4.针对现有技术的不足之处，本发明提出多类别、未知雷达辐射源脉冲信号分选系统，将脉冲信号的脉内信息分选与脉间信息分选相结合，对时频域高度混叠的信号进行分离，实现多目标电磁信号盲分选。
5.为达到上述目的，本发明所设计的多类别、未知雷达辐射源脉冲信号分选系统，其特别之处在于：包括特征学习模块、首次聚类模块、参数调整模块、脉内信息分选模块和脉间信息分选模块；所述特征学习模块用于通过大数据分析软件对复杂电磁环境下的多类别、未知雷达辐射源脉冲信号进行特征学习，将复杂冗长的脉冲信号用简短、有效的脉冲特征来替代，构建成脉冲的深度特征空间；所述首次聚类模块用于根据脉冲的深度特征空间对多类别、未知雷达辐射源信号进行初次聚类，将脉冲密度特征一致的雷达辐射源信号聚类到同一个簇，从而使复杂电磁环境下的多类别雷达辐射源信号形成若干个形状各异的簇；所述参数调整模块用于通过调整每个簇的密度参数，确定每个簇的核心点和边界点，并将核心点脉冲作为纯净、无混叠脉冲，将边界点、以及核心点与边界点之间的脉冲作为多个脉冲串在同一时间段混叠而成的时频混叠脉冲；所述脉内信息分选模块包括训练集和分析集划分模块、时频混叠脉冲脉内信息分选模块；所述训练集和分析集划分模块用于将每个簇的核心点处的纯净、无混叠脉冲划分为需要进行脉冲特征学习的训练集，将每个簇的边界点、以及核心点与边界点之间的时频混叠脉冲划分为需要进行脉冲映射的分析集；所述时频混叠脉冲脉内信息分选模块用于通过大数据分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过该大数据分析软件将获取的单脉冲信号样本集应用到分析集中，对
分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净脉冲的聚类结果；所述脉间信息分选模块用于对每个簇中的每种类别单脉冲进行脉冲重复频率的分选，分选出每种类别单脉冲的脉冲重复间隔。
6.进一步地，所述特征学习模块对复杂电磁环境下的多类别、未知雷达辐射源脉冲进行特征学习之前，还需要对各雷达辐射源脉冲的序列长度进行归一化预处理。
7.更进一步地，所述特征学习模块通过cnn卷积神经网络对多类别、未知雷达辐射源脉冲进行特征学习。
8.进一步地，所述首次聚类模块采用dbscan聚类方法对多类别、未知雷达辐射源信号进行初次聚类。
9.更进一步地，所述参数调整模块调整每个簇的密度参数包括定义密度时的邻域半径、定义核心点的阈值。
10.更进一步地，所述训练集和分析集划分模块将出现次数较少的新类别脉冲划分为需要进行脉冲映射的分析集。
11.更进一步地，所述时频混叠脉冲分选模块通过capsnet分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习。
12.进一步地，所述脉间信息分选模块采用累积差值直方图算法对每个簇中的每种类别单脉冲进行脉冲重复频率的分选。
13.本发明的优点在于：1. 本发明首先将多类别、未知雷达辐射源信号进行初次聚类，形成若干个形状各异的簇，再将每个簇的核心点处的脉冲信号划分为由纯净、无混叠脉冲组成的训练集，将每个簇的边界点、以及核心点与边界点之间的脉冲信号划分为由时频混叠脉冲组成的分析集；然后通过capsnet分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过训练后的capsnet分析软件将获取的单脉冲信号样本集应用到分析集中，对分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净单脉冲的聚类结果，从而将交织的多部雷达脉冲信号进行解交织，得到每一部雷达对应的脉冲信号；2. 针对每个新簇中的每种类别单脉冲，本发明再通过采用累积差值直方图算法进行脉冲重复频率的分选，最终实现多目标电磁信号盲分选；本发明多类别、未知雷达辐射源脉冲信号分选系统将脉冲信号的脉内信息分选与脉间信息分选相结合，对时频域高度混叠的信号进行分离，实现多目标电磁信号盲分选，解决了复杂场景下电磁信号数量多、密度大造成的电磁信号畸变与混叠问题。
附图说明
14.图1为本发明多类别、未知雷达辐射源脉冲信号分选系统框图；
图2为仿真试验环境示意图；图3为本发明应用在图2中的仿真试验的首次聚类结果示意图；图4为本发明应用在图2中的仿真试验的时频混叠脉冲重新聚类结果示意图；图5为本发明应用在图2中的仿真试验的信号分选准确率；图中：特征学习模块1、首次聚类模块2、参数调整模块3、脉内信息分选模块4、脉间信息分选模块5；脉内信息分选模块4包括：训练集和分析集划分模块4-1、时频混叠脉冲脉内信息分选模块4-2。
具体实施方式
15.以下结合附图和具体实施例对本发明作进一步的详细描述。
16.在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。
17.本多类别、未知雷达辐射源脉冲信号分选系统，如图1所示，包括特征学习模块1、首次聚类模块2、参数调整模块3、脉内信息分选模块4和脉间信息分选模块5。
18.所述特征学习模块1用于通过大数据分析软件对复杂电磁环境下的多类别、未知雷达辐射源脉冲信号进行特征学习，将复杂冗长的脉冲信号用简短、有效的脉冲特征来替代，构建成脉冲的深度特征空间。
19.优选地，所述特征学习模块1通过cnn卷积神经网络对多类别、未知雷达辐射源脉冲信号进行特征学习。
20.优选地，所述特征学习模块1对复杂电磁环境下的多类别、未知雷达辐射源脉冲信号进行特征学习之前，还需要对各雷达辐射源脉冲的序列长度进行归一化预处理。具体地，将不同长度的雷达脉冲信号通过补0的方式，使他们拥有统一的长度，这等于使脉冲(pw)宽度信息也得到了保留。
21.所述首次聚类模块2用于根据脉冲的深度特征空间对多类别、未知雷达辐射源信号进行初次聚类，将脉冲密度特征一致的雷达辐射源信号聚类到同一个簇，从而使复杂电磁环境下的多类别雷达辐射源信号形成若干个形状各异的簇。
22.具体地，所述首次聚类模块2采用dbscan聚类方法对多类别、未知雷达辐射源信号进行初次聚类。采用dbscan聚类方法对信号进行聚类，其优势主要有两点：第一， dbscan对聚类形状无要求，只要脉冲密度足够大，即可聚在同一簇中；第二，无需事先确定聚类个数，若两类别脉冲密度不满足要求，则会自动形成新簇。
23.本实施例以岛礁攻防为测试背景，应用电磁频谱战信号级仿真系统为验证平台，并根据实际地形掩蔽、气象影响等因素生成仿真试验环境，对本发明提出的复杂电磁环境下的多类别、未知雷达辐射源信号分选系统进行验证，如图2所示，由内向外的曲线分别表示海拔高度为100m、500m、1000m、3000m、5000m、8000m、10000m的组网雷达合成威力曲线。
24.根据《世界海用雷达手册》，仿真生成10部雷达辐射源目标用于测试，其中雷达辐
射源目标t9为多功能雷达，具有导航、搜索、跟踪、火控等雷达工作状态，13种雷达信号形式如表1所示：上表1中，t1~t8、t10雷达辐射源目标信息已知，t9导航工作模式信息已知，搜索、跟踪、火控工作模式信息为未知。
25.所述参数调整模块3用于通过调整每个簇的密度参数，确定每个簇的核心点和边界点，并将核心点脉冲作为纯净、无混叠脉冲，将边界点、以及核心点与边界点之间的脉冲作为多个脉冲串在同一时间段混叠而成的时频混叠脉冲。
26.所述参数调整模块3调整每个簇的密度参数包括定义密度时的邻域半径、定义核心点的阈值。具体的调整方式为：从选定某个核心点出发，不断向密度可达的区域扩张，从而得到一个包含核心点和边界点的最大化区域。
27.上述仿真试验中，假设宽带雷达辐射源侦察接收机采用信道化处理模型，射频天线接收范围为400mhz~2ghz、2ghz~5ghz、5ghz~20ghz、20ghz~40ghz。由于未知雷达信号所处信道为5ghz~20ghz，本试验针对该频率范围内的7类雷达辐射源目标开展研究，包括t1、t2、t4、t5、t7、t8、t10。
28.将本发明应用在t1、t2、t4、t5、t7、t8、t10雷达辐射源目标，采用dbscan的首次聚
类结果如图3所示。从图3可以看到各种形状各异的簇，簇与簇之间有着明显的间隔，且信号脉冲在整个聚类空间上分布均匀，也说明了特征学习的有效性。
29.本发明考虑同一雷达产生的脉冲串中，每个单独脉冲的脉内信息均相同。
30.所述脉内信息分选模块4包括训练集和分析集划分模块4-1、时频混叠脉冲脉内信息分选模块4-2。
31.所述训练集和分析集划分模块4-1用于将每个簇的核心点处的纯净、无混叠脉冲划分为需要进行脉冲特征学习的训练集，将每个簇的边界点、以及核心点与边界点之间的时频混叠脉冲划分为需要进行脉冲映射的分析集。
32.另外，所述训练集和分析集划分模块4-1将出现次数较少的新类别脉冲划分为需要进行脉冲映射的分析集。本发明将出现次数较少的新类别脉冲和时频混叠脉冲归类为异常点。
33.所述时频混叠脉冲脉内信息分选模块4-2用于通过大数据分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过该大数据分析软件将获取的单脉冲信号样本集应用到分析集中，对分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净脉冲的聚类结果。
34.优选地，所述时频混叠脉冲分选模块4-2通过capsnet分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习。由于capsnet具有着多类识别的能力，训练好的capsnet将可以识别雷达脉冲中所含有的脉冲个数，以及它们所属的类别，并将它们恢复出来。
35.如图4所示，为本发明应用t1、t2、t4、t5、t7、t8、t10雷达辐射源目标，对每个簇中的时频混叠脉冲重新聚类结果示意图。从图4可以看出，大部分由于信号混叠造成的异常点已经被分解并归入相应的信号簇中，而且同一类信号被聚类成两簇的信号也完成了归位。
36.前面完成了基于脉内信息的分选，下面对于每一类别脉冲，分别基于它们的脉间信息进行分选。
37.所述脉间信息分选模块5用于对每个新簇中的每种类别单脉冲进行脉冲重复频率（pri）的分选，分选出每种类别单脉冲的脉冲重复间隔。
38.所述脉间信息分选模块5采用累积差值直方图算法（cdif）对每个簇中的每种类别单脉冲进行脉冲重复频率的分选。由于已经基于脉内信息完成了第一步的分选，每一类别脉冲包含的脉冲数量较之整个脉冲串已经大大减少，在这种情况下采用传统的分选方法便可以得到很好的发挥。对于累积差值直方图算法，以toa为例，其步骤描述如下：计算相邻 toa 的差值，即计算toa(n)
ꢀ‑ꢀ
toa(n
ꢀ‑ꢀ
1)，形成第一级差值直方图，然后确定门限，设直方图的自变量为τ，假定总的采样时间t，则cdif直方图的最优检测门限为xｓｔ／τ，其中x是可调系数，一般取x 《 1。接着从最小的脉冲间隔起，将第一级差值直方图中的每个间隔的直方图值以及二倍间隔的直方图值与检测门限相比较，如果两个值都超过检测门限，则以该间隔作为pri进行序列搜索。假如序列搜索成功，pri序列将会从采样脉冲列中扣除，并对剩余脉冲列从第一级差值直方图起形成新的cdif直方图，该过程会一直重
复下去直到缓冲器中没有足够的脉冲形成脉冲序列；如果搜索不成功，则以本级直方图中下一个符合条件的脉冲间隔值作为 pri 进行序列搜索；假如本级直方图中没有符合条件的脉冲间隔值，则计算下一级的差值直方图，并与前一级差值直方图进行累加，然后重复以上步骤。cdif算法较常规分选算法具有对干扰脉冲和脉冲丢失不敏感的特点。
39.本发明通过上述仿真测试验证电磁信号分选准确率，在0db-15db信噪比区间内，平均分选准确率如图５所示，混淆矩阵如表２所示。
40.从图５和表２可以看出，本发明的电磁信号分选准确率达到90%左右。
41.本发明多类别、未知雷达辐射源脉冲信号分选系统将脉冲信号的脉内信息分选与脉间信息分选相结合，对时频域高度混叠的信号进行分离，实现多目标电磁信号盲分选，解决了复杂场景下电磁信号数量多、密度大造成的电磁信号畸变与混叠问题。
42.上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
