基于符号关联图的周期参数捷变雷达脉冲分选方法及装置
本发明属于雷达信号分选,具体涉及基于符号关联图的周期参数捷变雷达脉冲分选方法及装置。
背景技术:
1、电子支援措施(esm)系统承担着截获和识别雷达辐射源的关键任务。esm接收机输出的信号通常是多个辐射源交织的密集脉冲流,要从中准确提取单个辐射源的特征,首先必须将混合脉冲流按各自发射源进行分离。信号分选因此成为雷达对抗侦察中的核心环节。
2、雷达侦察系统在截获脉冲后,会对其关键参数进行测量并形成脉冲描述字(pdw),通常包括到达时间(toa)、中心频率(cf)、脉冲宽度(pw)、到达角(doa)和脉冲幅度(pa)。这些参数共同表征了雷达辐射源的特征,是进行信号分选的主要依据。其中,toa蕴含了脉冲重复间隔的周期性规律,而cf、pw和doa在参数空间中呈现一定的聚集性。
3、早期研究主要将脉冲重复间隔(pri)作为关键分选参数。基于pri的分选算法可分为直方图法、pri变换法、周期估计法和序列检索算法。然而,在复杂电磁环境下,现代雷达普遍采用pri抖动、参数捷变等体制,上述方法容易受到脉冲缺失、虚警脉冲以及复杂调制方式的影响,鲁棒性和适应性受到明显限制。
4、随着人工智能技术的发展,卷积神经网络、图神经网络等深度学习模型也被应用于雷达信号分选任务。这类方法能够通过数据驱动方式自动学习复杂特征,但通常依赖大量带标签样本进行训练。在实际非合作侦察场景中,高质量标注数据往往难以获取,雷达信号分选本质上更接近于无监督学习问题。聚类方法因无需先验标签而得到广泛研究,根据聚类机制的不同,可进一步分为基于划分、密度、层次以及图结构的聚类方法。
5、然而,当雷达采用参数捷变技术时,新的挑战随之出现。此类雷达能够动态改变pw或cf等参数,在pdw参数空间中形成多个离散聚类簇。传统聚类方法通常会将同一部辐射源错误划分为多个独立簇,使聚类结果数量显著大于真实辐射源数量。因此,如何有效关联并合并属于同一部参数捷变雷达的多个聚类簇,已成为当前雷达信号分选领域的重要研究问题。
6、针对上述问题,已有研究尝试利用马尔可夫模型增强对脉冲序列结构的建模能力。其基本思路是:首先利用聚类算法对脉冲进行初步分选,将各聚类簇映射为抽象符号,从而将交织脉冲流转化为符号序列;随后,通过推断符号之间的潜在关联关系,实现对同一辐射源不同聚类簇的归并。部分研究引入交织马尔可夫过程模型对交织脉冲序列进行建模,但仅利用符号到达顺序而未考虑具体的toa信息。后续研究进一步引入马尔可夫更新过程,通过融合toa信息提升建模能力,但通常需要在划分空间内进行大规模启发式搜索,计算复杂度较高。为降低计算开销,部分学者提出交织隐马尔可夫过程模型,将分选问题转化为后验推断问题,在精度与效率之间取得一定平衡,然而该方法需预先已知场景中的辐射源数量,在实际复杂环境下往往难以满足。
技术实现思路
1、为解决上述技术问题,本发明提供了基于符号关联图的周期参数捷变雷达脉冲分选方法及装置,基于统计假设检验构建符号关联图,以无监督图划分与合并方式实现对周期参数捷变雷达多聚类簇的有效关联与归并,无需预先获知辐射源数量且避免大规模划分空间搜索。
2、为实现上述目的,本发明采用的技术方案如下:
3、基于符号关联图的周期参数捷变雷达脉冲分选方法,所述方法包括:
4、步骤1、采用聚类算法对截获脉冲进行聚类,每个聚类簇对应字母表中的一个符号,按照脉冲到达时间对所有符号排序,得到符号序列;
5、步骤2、对于所述字母表中的任意两个符号,提取所述符号序列中仅由所述任意两个符号组成的子序列,通过统计假设检验判断所述任意两个符号之间是否具有关联性,若具有关联性则在所述任意两个符号对应的节点之间建立连接边,从而构建符号关联图;
6、步骤3、采用递归最大团提取方法对所述符号关联图进行贪心划分,每次迭代从当前剩余的符号关联图中提取一个最大团,将提取的所述最大团所包含的所有符号作为一个划分块,每个划分块对应一个候选辐射源,并从当前剩余的符号关联图中删除所述最大团的所有节点及其关联边,重复迭代直至所述符号关联图中无边可删,得到由多个划分块组成的所述字母表的初始划分;
7、步骤4、对于所述初始划分中的任意两个划分块,提取所述符号序列中仅由所述任意两个划分块对应的符号组成的联合子序列,通过统计假设检验判断所述任意两个划分块之间是否具有关联性,若具有关联性则将所述任意两个划分块合并,重复执行直至不存在可继续合并的划分块,得到最终分选结果。
8、进一步的,所述步骤1中,选取脉宽、载频和到达角中的一个或多个参数,采用聚类算法对截获脉冲进行聚类。
9、进一步的,所述步骤2中,通过统计假设检验判断所述任意两个符号之间是否具有关联性包括:
10、计算仅由所述任意两个符号组成的子序列的第一经验转移概率矩阵;
11、基于第一候选脉冲丢失率和连续相同符号长度计算第一理论转移概率矩阵;
12、以第一检验统计量最小化为准则,从所述第一理论转移概率矩阵中匹配与所述第一经验转移概率矩阵最为接近的理论转移概率矩阵;
13、将所述第一检验统计量与给定显著性水平下的卡方分布临界值进行比较,若所述第一检验统计量小于所述临界值,则判定所述任意两个符号之间具有关联性。
14、进一步的,所述步骤2中的统计假设检验在多个第一候选脉冲丢失率下分别计算所述第一理论转移概率矩阵,并选取使所述第一检验统计量最小的第一候选脉冲丢失率作为最优匹配参数。
15、进一步的,所述步骤4中,通过统计假设检验判断任意两个划分块之间是否具有关联性包括:
16、将所述任意两个划分块中的全部符号映射为不同的状态;
17、计算仅由所述任意两个划分块对应的符号组成的联合子序列的第二经验转移概率矩阵;
18、基于第二候选脉冲丢失率、连续相同符号长度以及所述联合子序列中的符号总数计算第二理论转移概率矩阵;
19、以第二检验统计量最小化为准则,从所述第二理论转移概率矩阵中匹配与所述第二经验转移概率矩阵最为接近的理论转移概率矩阵;
20、将所述第二检验统计量与给定显著性水平下的卡方分布临界值进行比较,若所述第二检验统计量小于所述临界值,则判定所述任意两个划分块之间具有关联性并予以合并。
21、进一步的,所述步骤4中的划分块合并采用循环迭代策略,每完成一次合并后重新对当前所有划分块进行两两检验,直至在一次完整遍历中未发生任何合并为止。
22、进一步的,还包括采用调整兰德指数、划分距离和划分相异度作为分选结果的评价指标;其中,所述划分距离定义为使两个划分相同所需移动的最少元素个数,所述划分相异度为所述划分距离与字母表规模的比值。
23、另一方面,本发明提供基于符号关联图的周期参数捷变雷达脉冲分选装置,包括:
24、聚类模块,用于采用聚类算法对截获脉冲进行聚类,每个聚类簇对应字母表中的一个符号,按照脉冲到达时间对所有符号排序,得到符号序列;
25、第一关联模块,用于对于所述字母表中的任意两个符号,提取所述符号序列中仅由所述任意两个符号组成的子序列,通过统计假设检验判断所述任意两个符号之间是否具有关联性,若具有关联性则在所述任意两个符号对应的节点之间建立连接边,从而构建符号关联图;
26、划分模块,用于采用递归最大团提取方法对所述符号关联图进行贪心划分,每次迭代从当前剩余的符号关联图中提取一个最大团,将提取的所述最大团所包含的所有符号作为一个划分块,每个划分块对应一个候选辐射源,并从当前剩余的符号关联图中删除所述最大团的所有节点及其关联边,重复迭代直至所述符号关联图中无边可删,得到由多个划分块组成的所述字母表的初始划分;
27、第二关联模块,用于对于所述初始划分中的任意两个划分块,提取所述符号序列中仅由所述任意两个划分块对应的符号组成的联合子序列,通过统计假设检验判断所述任意两个划分块之间是否具有关联性,若具有关联性则将所述任意两个划分块合并,重复执行直至不存在可继续合并的划分块,得到最终分选结果。
28、第三方面,本发明提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;其中,当一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现前述的基于符号关联图的周期参数捷变雷达脉冲分选方法。
29、第四方面,本发明提供一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时能够使处理器实现前述的基于符号关联图的周期参数捷变雷达脉冲分选方法。
30、本发明的有益效果在于:
31、第一,本发明通过统计假设检验直接建立不同聚类簇之间的符号关联关系,并构建符号关联图,能够有效关联属于同一部参数捷变雷达的多个离散聚类簇,避免了传统聚类方法因参数捷变导致的增批问题,显著提升了复杂电磁环境下雷达脉冲分选的准确性。
32、第二,本发明采用基于图划分与划分块合并的分选流程,无需在划分空间内进行大规模穷举搜索或基于启发式优化的近似搜索,也无需依赖随机跳转、局部搜索等易陷入局部最优的策略,在保持较高分选准确率的同时计算复杂度显著降低,运行效率大幅提升。
33、第三,本发明无需预先获知场景中的辐射源数量,避免了现有方法在实际复杂环境中因该先验信息难以满足而导致的应用受限问题,具有更强的实际部署适用性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com