一种基于点云分割的端到端雷达信号分选方法及系统与流程

本发明涉及信号处理，具体涉及一种基于点云分割的端到端雷达信号分选方法及系统。

背景技术：

1、随着现代电磁环境的日益复杂，雷达信号脉冲流密度已达到百万级别，信号样式日趋多样，信号交叠严重，雷达信号分选技术成为电子侦察和电子对抗中的关键技术环节。雷达信号分选的目的是从密集交错的脉冲流中分离出各个信号源发射的脉冲序列，从而实现对不同信号源的识别和跟踪。

2、传统雷达信号分选方法主要包括基于脉冲重复间隔pri的直方图法、基于到达角doa和载频rf的多参数聚类法、以及基于模板匹配的库搜索法等。然而，该类方法在处理高密度、高复杂度的现代雷达信号时存在以下问题：当信号源数量较多且信号参数交叠严重时，传统聚类方法难以准确区分不同信号源的脉冲；传统方法对先验知识依赖性强，难以适应未知信号源或新体制雷达信号的分选需求；此外，传统方法在处理脉冲丢失和虚假脉冲时鲁棒性不足，难以满足复杂电磁环境下雷达信号分选的实时性要求。

3、近年来，深度学习技术的发展为雷达信号分选提供了新的思路。其中，基于u-net的图像分割方法将pdw脉冲流转换为二维图像，通过图像分割实现对不同信号源脉冲的分离。然而，二维图像分割方法存在以下不足：pdw数据映射为二维图像的过程中存在脉冲像素重叠的问题；二维表示丢失了pdw的高维空间结构信息；且u-net等网络参数量大，难以满足实时处理需求。基于三维点云的深度学习方法为此提供了新的技术方向，pdw脉冲流中的每个脉冲天然具有多维参数，可直接映射为点云空间中的点。

4、现有技术中已有将点云分割网络引入雷达信号分选领域的方案，该类方法通过点云分割网络对pdw点云数据进行分割，再采用聚类方法区分不同信号源，但仍存在以下关键技术缺陷：

5、第一，该类方法仅实现语义分割，即只能将脉冲划分为pri固定、pri抖动、pri参差等信号类型，无法直接区分同一信号类型下的不同信号源个体，必须依赖后处理聚类才能完成分选。该两阶段流程中语义分割误差会传播至聚类阶段，导致分选误差累积；

6、第二，该类方法将toa作为普通坐标进行归一化处理，未充分利用信号脉冲流中蕴含的时序信息，特别是pri调制模式，而pri调制模式是区分不同信号源的核心特征维度；

7、第三，该类方法采用标准最远点采样，假设点云密度均匀分布。而实际雷达信号环境中不同信号源的脉冲密度差异巨大，大功率信号源的脉冲密度远高于小功率信号源，标准采样策略难以兼顾各类信号源的采样充分性；

8、第四，该类方法采用的标准分类损失函数仅关注单个脉冲的分类正确性，未利用信号脉冲在时间上天然连续这一物理先验，在参数交叠严重时容易将同一信号源的连续脉冲误分为不同类型。

技术实现思路

1、本发明的目的是提供一种基于点云分割的端到端雷达信号分选方法及系统，主要通过将pdw脉冲序列映射为包含空间坐标和时序编码的四维时空点云空间，并利用时序增强型实例分割网络直接输出各脉冲对应的信号源实例标签，无需后处理聚类，从而实现对密集交叠雷达信号源的高精度端到端分选。

2、具体的，本发明采用了以下方案：

3、一种基于点云分割的端到端雷达信号分选方法，包括以下：

4、s1、获取按照脉冲到达时间顺序排列的pdw脉冲序列；

5、s2、对pdw脉冲序列中各脉冲进行参数提取，得到载频、脉宽、脉冲到达时间、到达角，并以pdw脉冲序列中第一个脉冲的脉冲到达时间为基准对各脉冲到达时间进行归一化，生成时序编码，保持各脉冲之间的相对时间间隔关系；

6、s3、建立四维时空点云空间，以各脉冲对应的载频、脉宽、到达角作为点云数据的空间坐标，并以各脉冲对应的时序编码作为点云数据的时间坐标，根据空间坐标和时间坐标将各脉冲映射为四维时空点云空间中的点云数据；

7、s4、将点云数据输入至时序增强型实例分割网络进行分割，在点云数据的局部时序邻域内根据空间坐标和时间坐标提取时空联合特征，并根据时空联合特征输出各脉冲对应的信号源实例标签；

8、s5、将相同信号源实例标签的脉冲进行聚合，得到各信号源的分选结果。

9、进一步的，获取按照脉冲到达时间顺序排列的pdw脉冲序列，包括：

10、采集pdw脉冲流数据，对pdw脉冲流数据进行预处理，将预处理后的pdw脉冲流数据按照脉冲到达时间进行升序，形成pdw脉冲序列；

11、其中，预处理包括去重处理、异常值剔除。

12、进一步的，以pdw脉冲序列中第一个脉冲的脉冲到达时间为基准对各脉冲到达时间进行归一化，具体为：

13、获得pdw脉冲序列中脉冲到达时间的最小值和最大值，依次计算第i个脉冲的时序编码：

14、；

15、其中，表示第i个脉冲的脉冲到达时间。

16、进一步的，根据空间坐标和时间坐标将各脉冲映射为四维时空点云空间中的点云数据，其中，表示第i个脉冲的载频，表示第i个脉冲的脉宽，表示第i个脉冲的到达角；还包括：

17、对点云数据采用最大最小值归一化处理，得到归一化后的点云数据：

18、；

19、；

20、；

21、；

22、其中，和分别为所有脉冲载频的最小值和最大值；和分别为所有脉冲脉宽的最小值和最大值；和分别为所有脉冲到达角的最小值和最大值；和分别为所有脉冲时序编码的最小值和最大值。

23、进一步的，s4中包括以下：

24、s41、根据点云数据的局部密度调整对点云数据进行采样的频率；

25、s42、根据各点云数据的空间坐标和时间坐标确定各点云数据的局部时序邻域；

26、s43、在各点云数据的局部时序邻域内提取时序特征，将时序特征与点云数据的空间特征融合，得到时空联合特征；

27、s44、根据时空联合特征预测各脉冲对应的信号源实例标签。

28、进一步的，根据点云数据的局部密度调整对点云数据进行采样的频率的过程为：

29、以各点云数据为中心、以预设半径确定球体邻域，统计各球体邻域内的邻域点数作为各点云数据的局部密度；根据各点云数据的局部密度确定对应的概率，其中，所述概率与局部密度正相关；

30、依次按照概率选择采样点，并基于与已选采样点的最远欧氏距离约束对采样结果进行筛选，直至达到预设采样数量。

31、进一步的，根据各点云数据的空间坐标和时间坐标确定各点云数据的局部时序邻域的过程为：根据各点云数据的空间坐标确定参数空间邻域，根据各点云数据的时间坐标确定时序邻域，将参数空间邻域和时序邻域的并集作为局部时序邻域。

32、进一步的，在各点云数据的局部时序邻域内提取时序特征，将时序特征与点云数据的空间特征融合，得到时空联合特征，具体为：

33、对各点云数据，在局部时序邻域内以预设时间窗口长度沿时间轴提取位于该时间窗口内的相邻脉冲，构成该点云数据的时序邻域；对时序邻域内的脉冲序列计算差分到达时间序列，将差分到达时间序列作为局部脉冲重复间隔序列；

34、通过一维卷积网络对局部脉冲重复间隔序列进行编码，提取脉冲重复间隔均值特征、脉冲重复间隔变化率特征和脉冲重复间隔调制模式特征，作为时序特征；将时序特征与空间特征进行拼接融合，得到时空联合特征。

35、进一步的，时序增强型实例分割网络采用时序一致性损失函数进行训练，所述时序一致性损失函数包括分类损失、实例三元组损失和时序一致性损失项，时序一致性损失项用于增强时间相邻且属于相同信号源的脉冲实例标签的一致性。

36、一种基于点云分割的端到端雷达信号分选系统，应用一种基于点云分割的端到端雷达信号分选方法，包括：

37、数据采集模块：获取按照脉冲到达时间顺序排列的pdw脉冲序列；

38、参数提取模块：对pdw脉冲序列中各脉冲进行参数提取，得到载频、脉宽、脉冲到达时间、到达角，并以pdw脉冲序列中第一个脉冲的脉冲到达时间为基准对各脉冲到达时间进行归一化，生成时序编码，保持各脉冲之间的相对时间间隔关系；

39、四维时空点云映射模块：建立四维时空点云空间，以各脉冲对应的载频、脉宽、到达角作为点云数据的空间坐标，并以各脉冲对应的时序编码作为点云数据的时间坐标，根据空间坐标和时间坐标将各脉冲映射为四维时空点云空间中的点云数据；

40、时序增强型实例分割模块：将点云数据输入至时序增强型实例分割网络进行分割，在点云数据的局部时序邻域内根据空间坐标和时间坐标提取时空联合特征，并根据时空联合特征输出各脉冲对应的信号源实例标签；

41、信号源分选模块：将相同信号源实例标签的脉冲进行聚合，得到各信号源的分选结果。

42、本发明的有益效果如下：

43、（1）在传统三维空间坐标（载频rf、脉宽pw、到达角doa）的基础上，引入时序编码作为第四维坐标，显式保留了脉冲间的相对时间间隔关系，使时空上相近的脉冲在点云空间中自然聚集，能够利用脉冲的时序结构信息辅助信号源分选，解决仅依赖参数空间坐标难以区分参数交叠脉冲的问题，提高分选准确率。

44、（2）针对信号脉冲密度的非均匀分布特性，在传统最远点采样中引入局部密度估计和概率采样机制，在高密度区域自适应增加采样点以捕获精细结构，在低密度区域减少采样点以避免过采样，能够兼顾不同信号源的脉冲密度差异，提高对微弱信号源的检测和分选能力。

45、（3）通过一维卷积网络对局部脉冲重复间隔（pri）序列进行编码，自动提取脉冲重复间隔均值特征、脉冲重复间隔变化率特征和脉冲重复间隔调制模式特征等关键时序特征，在特征提取阶段将关键时序特征与参数空间特征融合，能够增强网络对不同信号源的分辨能力，实现pri调制类型的自动识别。

46、（4）在实例分割损失中加入时序正则项，利用信号脉冲在时间上的连续性先验，对时序一致性进行约束，使时间相邻脉冲的实例嵌入向量趋于一致，减少因参数瞬时交叠导致的分割碎片化，提高分选的完整性和连续性。

47、（5）通过可学习的mlp将pdw原始参数映射到高维特征空间，增强参数空间中邻近但属于不同信号源的脉冲的区分性，提升信号参数严重交叠场景下的分选精度。