基于层级化波形库与时序跳跃匹配的相控阵雷达分选方法及系统

本发明属于雷达，特别涉及一种相控阵雷达分选方法及系统，可用于非合作侦察条件下参数捷变、脉冲缺失、多源混叠和未知目标频发场景中的相控阵雷达信号识别。雷达辐射信号识别是指对接收到的雷达辐射信号进行分析和处理，以实现目标特征提取、目标分类识别等功能。相控阵雷达凭借波束捷变与资源调度能力，其载频、脉宽及pri随任务状态快速捷变，导致截获序列呈现分段平稳与参数交叠特征，使得传统依赖单脉冲静态参数的分选方法难以适应，极易产生漏分与误判。现有的分选方法主要包括 pri 变化类方法、统计聚类、复杂网络、开集识别方法。pri 变换类方法能够突出重复间隔结构，对规则 pri 序列具有较好适应性；统计聚类和复杂网络方法能够利用多维参数关系，提高多源条件下的分选能力；流聚类和开集识别方法则进一步考虑了在线处理和未知类别发现问题。这些方法提升了特定条件下的分选性能，但在相控阵雷达辐射源场景中仍存在不足。现有 pri 变换与统计聚类方法依赖连续规则的脉冲序列，对相控阵雷达因波位切换、脉冲缺失及异步截获导致的时序断裂适应性不足，且仅靠载频、脉宽等静态参数难以区分不同辐射源共享的相同 pri -脉宽组合；而现有的开集识别方法虽能处理未知目标，但多依赖单脉冲静态特征，缺乏对雷达波形时序逻辑的有效利用，且在发现未知波形后仅能拒识，无法完成可信表征与知识库的持续动态维护，导致系统在面对参数捷变和新型号雷达时性能退化。申请号为cn202411361955.4的专利文献公开了一种雷达辐射源分选方法及装置。其利用多个辐射源的高维参数混合模型进行初步匹配识别，并根据贝叶斯理论计算后验概率，将后验概率最大的目标辐射源作为最终分选结果。但该方法由于依赖静态的多维高斯统计，故缺乏对脉冲时序拓扑结构的动态捕捉能力；同时由于其采用混合概率密度和贝叶斯理论仅进行一次估计，故在面对共有波形时难以界定特征归属歧义，且该方法缺乏对波形库的更新机制，导致在高时间重叠环境下仍存在误判和漏判的风险。

背景技术：

技术实现思路

1、本发明的目的在于针对上述现有技术存在的不足，提出一种基于层级化波形库与时序跳跃匹配的相控阵雷达分选方法及系统，以有效捕获脉冲的时序结构，清楚界定共有波形的归属，动态更新波形库，提高后续辐射源分选的识别精度。

2、实现本发明目的的技术思路是：通过跳跃式隐马尔可夫模型（skip-hmm）及循环对齐机制，有效捕获脉冲的时序结构。通过初步匹配和精细匹配两阶段处理实现共有波形的归属判定。通过级联门限拒识与双层增量更新策略实现波形库动态更新。通过“时序对齐-属性精分-动态拒识”的全流程闭环设计提高辐射源分选的识别精度。

3、根据上述思路，本发明的技术方案包括：

4、1.基于层级化波形库与时序跳跃匹配的相控阵雷达分选方法，其特征在于，包括：

5、（1）利用预设的脉宽先验知识库和幅度特征对原始脉冲流依次进行脉冲筛选、波位的初筛及波位的精筛；

6、（2）以pri参差样式和脉宽区间为索引，构建“雷达型号-波形单元-波形参数”三层层级化波形库；

7、（3）将精筛后的各波位作为基本处理单元，利用skip-hmm似然度及脉宽容差与所述三层层级化波形库的波形进行波形初步匹配，若匹配结果唯一，则直接输出匹配的辐射源型号；若匹配的候选集存在多个波形，则利用gmm模型完成波形的精细匹配；

8、（4）将未通过波形初步匹配的样本标注为ⅰ类未知样本，将未通过波形精细匹配的样本标注为ⅱ类未知样本；

9、（5）对ⅰ类未知样本，通过判断最大循环子序列包含度对其进行skip-hmm模型的扩充或新建；对ⅱ类未知样本，通过其马氏距离进行gmm模型的修正或扩充，进而完成对波形库的动态更新。

10、进一步，所述（3）中将精筛后的各波位作为基本处理单元，利用skip-hmm似然度及脉宽容差与所述三层层级化波形库的波形进行波形初步匹配，其实现包括：

11、（3a）设波形库中第个波形单元的pri模型为，模型参数为，参差周期长度为，待测波位片段的pri观测序列为，长度为，采用循环对齐机制，遍历可能的起始索引，计算观测序列在该模型下的最大对数似然；

12、（3b）根据最大对数似然、脉宽容差窗口、波形的脉宽均值以及预先设定的门限，判断初步匹配是否成功：

13、若且，则表示波形初步匹配成功，将其存放进候选集中；

14、若或，则表示波形初步匹配失败，将其标记为ⅰ类未知样本。

15、进一步，所述（3）中利用gmm模型完成对匹配的候选集存在多个波形的精细匹配，其实现包括：

16、（3c）对待匹配波形，选取其中心频率、占空比、波形驻留时间和波形衔接时间构成维度为4的属性特征向量；

17、（3d）对候选集中的各个辐射源，设其gmm模型参数集，计算待测特征向量在当前模型的多维属性分布；

18、（3e）选取使得后验概率最大的辐射源作为最优匹配结果；

19、（3f）根据最优匹配结果，计算待测特征向量到其后验概率最大高斯分量下的马氏距离；

20、（3g）根据上述马氏距离，将其与由分布确定的置信阈值进行比较：

21、若马氏距离，说明当前观测特征与模型匹配，输出对应的辐射源型号；

22、若马氏距离，说明当前观测特征与模型未匹配，将其纳入ⅱ类未知样本。

23、进一步，所述（5）中对ⅰ类未知样本，通过判断最大循环子序列包含度对其进行skip-hmm模型的扩充或新建，其实现包括：

24、（5a）对于ⅰ类未知样本，当缓冲池中的样本数大于预先设定的样本阈值时，提取该样本的路径模板；

25、（5b）计算ⅰ类未知样本的路径模板与波形库所有已知hmm模型的最大循环子序列包含度;

26、（5c）将最大循环子序列包含度与预设相似度门限进行比较：

27、若，则判定未知样本为已知型号的新模式，对原有skip-hmm模型的状态空间进行扩充；

28、若，则判定未知样本为新辐射源，初始化一个包含个隐状态的全新hmm模型；

29、（5d）针对扩充和更新后的hmm模型，利用缓冲池中完整的观测序列，采用循环对齐的baum-welch算法对所述模型进行迭代训练直至收敛。

30、进一步，所述（5）中对于ⅱ类未知样本，通过其马氏距离进行gmm模型的修正或扩充，其实现包括：

31、（5e）对于ⅱ类未知样本，计算其与现有gmm模型各分量的最小马氏距离；

32、（5f）根据最小马氏距离，判断其是否在预设区间内：

33、若，则对gmm模型进行修正，计算模型的更新均值参数和方差参数；

34、若，则判断出现新模式，对gmm模型进行扩充，在其中建立一个新的高斯分量；

35、若，则判断为正常状态，对gmm模型不进行任何操作。

36、2. 基于层级化波形库与时序跳跃匹配的相控阵雷达分选系统，其特征在于，包括：

37、脉冲筛选及波位分选模块，用于对原始脉冲流依次进行脉冲筛选、波位初筛及波位精筛，得到分选后的脉冲序列及各波位对应的脉冲子集；

38、层级化波形库构建模块，用于构建包含雷达型号，波形单元和波形参数的三层层级化波形库；

39、波形初步匹配模块，用于将精筛后的各波位作为基本处理单元，基于skip-hmm似然度及脉宽容差，将所述波位与所述层级化波形库中的波形进行初步匹配，输出候选波形集；

40、gmm模型精细匹配模块，用于在所述候选波形集包含多个波形时，基于gmm模型对所述波位进行波形精细匹配，确定最优匹配波形；

41、波形库更新模块，用于针对ⅰ类未知样本，通过最大循环子序列包含度判断结果对skip-hmm模型进行扩充或新建；针对ⅱ类未知样本，通过马氏距离判断结果对gmm模型进行修正或扩充，完成所述层级化波形库的动态更新。

42、本发明与现有技术相比，具有如下优点：

43、其一，本发明由于通过跳跃式隐马尔可夫模型skip-hmm及循环对齐机制，支持状态跨步跳转，能够有效捕获参数捷变、脉冲缺失、多源混叠情况下的脉冲时序结构，有效克服相控阵雷达时序断裂导致的分选失稳问题。

44、其二，本发明由于针对候选集存在多个波形时，构建四维高斯混合模型进行波形的精细匹配，解决了现有方法难以区分不同辐射源共用相同pri-脉宽组合的缺陷，进一步解决了共有波形归属歧义。

45、其三，本发明由于对未知样本采用双层增量更新策略，自动迭代更新skip-hmm波形模型与gmm模型属性参数，实现了波形库的动态更新，解决了开集识别缺乏动态维护能力的缺陷。

46、其四，本发明由于使用“时序对齐-属性精分-动态拒识”的全流程闭环设计，先利用skip-hmm模型进行时序对齐锁定候选集，再通过gmm模型进行属性精分，最终通过动态拒识异常样本，解决了传统方法因缺乏分级过滤机制而导致的虚警率高、计算冗余大的问题，提升了复杂电磁环境下的识别稳健性。