一种基于三元组网络的多功能雷达信号分选方法及系统

摘要: 本发明涉及电子侦察,尤其涉及一种基于三元组网络(tripletnetwork)的多功能雷达信号分选方法及系统。背景技术:1、电子支援措施(electronics...
一种基于三元组网络的多功能雷达信号分选方法及系统

本发明涉及电子侦察,尤其涉及一种基于三元组网络(tripletnetwork)的多功能雷达信号分选方法及系统。

背景技术:

1、电子支援措施(electronic support measures,esm)系统作为现代电子侦察的核心部分,肩负着拦截、识别和分析敌方雷达系统信号的关键任务。esm系统的核心技术之一是雷达信号分选(radar signal sorting,rss),也被称为去交错(deinterleaving),主要用于将多部相互交错的敌方雷达所发射的脉冲信号进行分离,从而为后续辐射源分类、识别与跟踪奠定基础。

2、雷达脉冲通过脉冲描述字(pulse description word,pdw)来表征,其属性包括到达时间(time of arrival,toa)、脉冲宽度(pulse width,pw)、射频频率(radiofrequency,rf)和到达方向(direction of arrival,doa)。在这些属性中,由于到达时间的一阶差分,即脉冲重复间隔(pulse repetition interval,pri),所体现出的规律性,使得toa在雷达信号分选中具有尤为重要的意义。

3、传统雷达信号分选流程通常首先对pw、rf、doa等参数进行聚类,完成初步的预分选,然后再通过基于toa的分选算法(如cdif和sdif)进一步分选。然而,随着多功能雷达(multi-function radar,mfr)的普及,传统分选方法的局限性愈发显著。传统方法虽然不依赖于任何先验信息,但它们基于来自同一雷达的脉冲应具有相似的参数分布的假设,而多功能雷达通常采用大范围捷变参数的工作模式,即上述pdw参数在短时间内会迅速变化,且变化范围之大也足以让传统方法将单个雷达信号被识别为多个不同信号。为了解决这一问题,近年来的研究逐渐转向深度学习技术,深度学习方法通过从大量数据中提取特征和学习复杂的时序关联,可以更好地应对mfr参数捷变的问题,从而显著提升雷达信号分选的精度和适应性。

4、但是,目前绝大多数深度学习算法采用的是基于已有雷达数据库进行训练的监督学习模型。然而在真实电子对抗环境中,esm系统通常面临开集(open set)问题,即所截获的雷达信号会包含未知雷达辐射源所产生的脉冲,对于深度学习模型而言,等同于测试集中包含训练集中未曾出现过的数据,使得采用已有数据和监督学习方式训练的模型无法有效地分选未知信号。

5、因此,如何提供一种能够在面对未知多功能雷达信号时具有较好性能的雷达信号分选方法成为本领域亟待解决的问题。

技术实现思路

1、本发明的目的是克服了上述现有技术中的缺点,提供一种在面对未知多功能雷达信号时具有较好性能的基于三元组网络的多功能雷达信号分选方法及系统。

2、为了实现上述的目的,本发明的基于三元组网络的多功能雷达信号分选方法包括s1、模型训练流程以及s2模型应用流程。

3、在s1、模型训练流程中,首先,通过特征编码器从pdw序列中提取特征嵌入。特征编码器采用bgru(bidirectional gated recurrentunit)模型来处理输入的时间序列,将每个脉冲信号转化为指定维度的特征向量。然后,使用三元组学习(triplet learning)的方法对模型进行训练,结合半难负样本挖掘(semi-hard negative mining)策略,以选取适当的负样本进行模型优化,从而确保模型对不同类别信号的区分性最大化。在训练过程中,三元组损失(triplet loss)用于拉近同类样本之间的距离,拉远不同类别样本之间的距离,使得模型能够有效学习到各类信号的特征差异。

4、在s2模型应用流程中,在模型应用阶段,首先通过主成分分析(principalcomponent analysis,pca)对训练后的模型所生成的嵌入进行降维处理,以去除噪声特征并提高计算效率。降维后的嵌入通过基于密度的聚类算法(density-based spatialclustering of applications with noise,dbscan)进行聚类,dbscan的优势在于无需预先指定簇的数量,能够发现任意形状的簇,同时对噪声点具有较强的鲁棒性。通过这一过程,本发明能够实现对未知雷达信号的分选,有效应对在动态环境下的多功能雷达信号参数捷变给分选带来的挑战。

5、本发明还提供一种基于三元组网络的多功能雷达信号分选系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行该计算机程序时,实现上述的基于三元组网络的多功能雷达信号分选方法。

6、本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在处理器上运行时实现上述的基于三元组网络的多功能雷达信号分选方法。

7、与现有技术相比,本发明的有益效果主要体现在以下几个方面:

8、1.本发明采用数据挖掘中的半难负样本挖掘技术,使得模型在训练过程中更易于收敛,同时避免梯度消失和陷入次优解的问题。

9、2.通过使用三元组损失优化bgru特征编码器所提取时间序列特征,增强了对脉冲信号的表征能力,使得同类信号在嵌入空间中的距离更小、不同类别信号的距离更大。

10、3.应用阶段结合pca降维和dbscan聚类的方法,有效去除冗余特征和降低计算复杂度的同时,实现无需指定类别数的聚类分选,提高了模型对未知雷达信号的自适应分选能力。

11、由此,本发明创新性地结合了三元组学习、半难负样本挖掘、pca降维和dbscan聚类等技术手段,提供了一种能够在复杂电子对抗环境中实现未知多功能雷达信号分选的方法,解决了现有技术中存在的对未知多功能雷达信号处理能力不足的问题。

1.一种基于三元组网络的多功能雷达信号分选方法,其特征在于,所述方法包括(s1)模型训练流程和(s2)模型应用流程,

2.根据权利要求1所述的基于三元组网络的多功能雷达信号分选方法,其特征在于,步骤(s1-1)中,所述特征编码器采用3层bgru模型,每层bgru模型的输出嵌入维数为128,以捕捉脉冲信号的时间依赖特性和复杂特征。

3.根据权利要求1所述的基于三元组网络的多功能雷达信号分选方法,其特征在于,步骤(s1-2)中,所述半难负样本挖掘策略具体为:通过计算所述嵌入特征之间的距离,选择距离适中的负样本,用以加速模型收敛并提升区分能力,使模型在训练中能有效学习不同类别之间的特征差异。

4.根据权利要求3所述的基于三元组网络的多功能雷达信号分选方法,其特征在于,所述的计算所述嵌入特征之间的距离具体为,从同一类别的嵌入中随机采样锚点和正样本,计算锚点和正样本之间的距离d(a,p),

5.根据权利要求1所述的基于三元组网络的多功能雷达信号分选方法,其特征在于,步骤(s1-3)中所述的利用三元组样本计算三元组损失,具体为:通过对锚点样本、正样本和负样本之间的距离进行优化,使同类信号在嵌入空间中的距离更小,使不同类信号的距离更大,且不同类信号之间保持一个由超参数决定的间隔,以提升模型的判别能力。

6.根据权利要求1所述的基于三元组网络的多功能雷达信号分选方法,其特征在于,步骤(s2-2)中,所述的对嵌入特征使用pca算法进行降维处理的维度设置为保留90%的信息量,使降维后嵌入特征的主要信息不丢失,并显著减少后续计算的复杂性。

7.根据权利要求6所述的基于三元组网络的多功能雷达信号分选方法,其特征在于,

8.根据权利要求1所述的基于三元组网络的多功能雷达信号分选方法,其特征在于,步骤(s2-3)中,所述的dbscan聚类算法,用以对降维后的嵌入特征进行无监督聚类,无需预先指定簇的数量,能够发现任意形状的簇,同时对噪声点具有鲁棒性。

9.一种基于三元组网络的多功能雷达信号分选系统,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行该计算机程序时,实现权利要求1至8中任一项所述的基于三元组网络的多功能雷达信号分选方法。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在处理器上运行时实现权利要求1至8中任一项所述的基于三元组网络的多功能雷达信号分选方法。