本發(fā)明涉及電子偵察和態(tài)勢(shì)感知領(lǐng)域，具體涉及一種兩階段融合的雷達(dá)信號(hào)分選方法。

背景技術(shù)：

1、雷達(dá)信號(hào)分選是電子偵察和戰(zhàn)場(chǎng)態(tài)勢(shì)感知的關(guān)鍵技術(shù)之一，其準(zhǔn)確性直接影響后續(xù)作戰(zhàn)決策和規(guī)劃。在復(fù)雜電磁環(huán)境中，截取到來(lái)源于不同雷達(dá)輻射源組成的交織雷達(dá)脈沖流。能夠準(zhǔn)確分選出不同的雷達(dá)信號(hào)，是后續(xù)進(jìn)行輻射源識(shí)別、態(tài)勢(shì)感知分析等處理的前提。自20世紀(jì)70年代起雷達(dá)信號(hào)分選一直是雷達(dá)信號(hào)處理鄰域的研究熱點(diǎn)之一，取得了豐富的研究成果。主要工作分為基于脈間特征、脈內(nèi)特征和結(jié)合機(jī)器學(xué)習(xí)等三類(lèi)。

2、早期雷達(dá)分布密度較低，調(diào)制樣式單一，空間電磁信號(hào)復(fù)雜度低，分選研究主要集中挖掘信號(hào)脈間特征，通過(guò)匹配的思路進(jìn)行分選。典型的方法有模板匹配法、累積差值直方圖(cdif)、序列差值直方圖(sdif)、pri變化法和平面變化法等，且后續(xù)有研究者不斷優(yōu)化基于脈間參數(shù)的典型方法。隨著雷達(dá)功能多樣化，信號(hào)調(diào)制特性復(fù)雜化，基于脈間規(guī)律的分選算法難以實(shí)現(xiàn)不同雷達(dá)的有效規(guī)律表征，區(qū)分能力十分有限。研究者進(jìn)一步引入基于脈內(nèi)特征的分選方法，提高信號(hào)特征維度。典型的方法有時(shí)頻分析法、模糊函數(shù)法和高階統(tǒng)計(jì)量等。引入脈內(nèi)特征雖然提高了信息維度，放大了信號(hào)差異程度，但存在抗噪性能差、泛化能力不足等問(wèn)題。

3、針對(duì)雷達(dá)密度激增、信號(hào)特征重疊嚴(yán)重，脈沖丟失嚴(yán)重等問(wèn)題。研究者引入機(jī)器學(xué)習(xí)的方法，特別是神經(jīng)網(wǎng)絡(luò)和聚類(lèi)等方法在特定的復(fù)雜電磁空間取得了優(yōu)異的分選效果。其中神經(jīng)網(wǎng)絡(luò)具備強(qiáng)大的分類(lèi)能力，且適用于任何數(shù)據(jù)分布，廣泛應(yīng)用于雷達(dá)信號(hào)分選任務(wù)中。但訓(xùn)練網(wǎng)絡(luò)需要大量有標(biāo)記的數(shù)據(jù)，實(shí)際作戰(zhàn)中獲取大量非合作輻射源樣本是不現(xiàn)實(shí)的。因此，實(shí)際分選任務(wù)更加貼近聚類(lèi)模型。

4、聚類(lèi)算法因其無(wú)監(jiān)督學(xué)習(xí)的特性和對(duì)先驗(yàn)知識(shí)要求小等優(yōu)勢(shì)而被廣泛應(yīng)用，出現(xiàn)了基于劃分、密度、層次和網(wǎng)格等多種思路的聚類(lèi)算法，成果豐富。聚類(lèi)算法將脈沖劃分為不同的簇，使得同一簇中的脈沖相似性盡可能高。典型的方法有k-means、dbscan、譜聚類(lèi)、層次聚類(lèi)等，大量基于聚類(lèi)的分選研究成果通過(guò)優(yōu)化典型聚類(lèi)算法取得了較好的分選效果。但現(xiàn)有的聚類(lèi)算法在分選任務(wù)中仍存在嚴(yán)重問(wèn)題，一是大部分聚類(lèi)算法需要大量的計(jì)算資源，分選流程實(shí)時(shí)性和準(zhǔn)確性常常難以兼顧。二是常常受限于固定的參數(shù)設(shè)置和對(duì)特定信號(hào)形態(tài)的假設(shè)，難以實(shí)現(xiàn)對(duì)場(chǎng)景的自適應(yīng)處理。三是高性能的聚類(lèi)算法復(fù)雜度過(guò)高難以?xún)?yōu)化，不具備實(shí)際可應(yīng)用性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種兩階段融合的雷達(dá)信號(hào)分選方法，以解決復(fù)雜電磁環(huán)境下的雷達(dá)信號(hào)分選準(zhǔn)確性和效率降低的問(wèn)題。

2、為了實(shí)現(xiàn)上述任務(wù)，本發(fā)明采用以下技術(shù)方案：

3、一種兩階段融合的雷達(dá)信號(hào)分選方法，包括：

4、導(dǎo)入待分選處理的脈沖描述字樣本集，確定脈沖描述字樣本中用于進(jìn)行雷達(dá)信號(hào)分選的脈間參數(shù)；

5、對(duì)脈沖描述字樣本集中每個(gè)脈沖描述子樣本包含的脈間參數(shù)進(jìn)行歸一化處理；

6、將歸一化后的脈沖描述字樣本集進(jìn)行劃分，將脈沖描述字樣本集隨機(jī)分為多個(gè)樣本子集；

7、選擇抽樣后的任意一個(gè)樣本子集進(jìn)一步確定dbscan算法的鄰域半徑和鄰域最小點(diǎn)數(shù)兩個(gè)超參數(shù)；其中，利用核函數(shù)估計(jì)概率密度的方法估計(jì)樣本子集中各脈沖描述字樣本間距的分布，以確定所述超參數(shù)的取值：首先確定所選樣本子集中脈沖描述字樣本間的歐式距離，利用歐式距離構(gòu)建歐式距離樣本集，確定歐式距離樣本集中的最大值，從而確定估計(jì)核函數(shù)密度的自變量的取值范圍，然后對(duì)歐式距離樣本集進(jìn)行核函數(shù)密度估計(jì)；針對(duì)核函概率密度估計(jì)結(jié)果，選擇其第一峰值位置處的值作為鄰域半徑，將鄰域半徑內(nèi)脈沖描述字樣本數(shù)量的均值作為鄰域最小點(diǎn)數(shù)；

8、對(duì)所選樣本子集進(jìn)行第一階段的dbscan聚類(lèi)過(guò)程，確定樣本子集中的核心樣本；對(duì)于脈沖描述字樣本，如其鄰域半徑至少包含鄰域最小點(diǎn)數(shù)個(gè)脈沖描述字樣本，則將其作為核心樣本，dbscan聚類(lèi)完成后，核心樣本聚集在一起形成一個(gè)個(gè)獨(dú)立的簇；

9、基于dbscan聚類(lèi)結(jié)果，確定二階段分選時(shí)k-means算法的簇類(lèi)數(shù)目和各簇初始的聚類(lèi)中心；其中，將核心樣本聚集區(qū)的數(shù)目作為簇類(lèi)數(shù)目，并將核心樣本聚集區(qū)的均值作為各簇的初始的聚類(lèi)中心；

10、計(jì)算脈沖描述字樣本集中的除核心樣本外的所有脈沖描述字樣本到各個(gè)初始的聚類(lèi)中心的歐式距離，基于k-means算法將每個(gè)樣本分配到距離最近的聚類(lèi)中心所對(duì)應(yīng)的簇中；

11、計(jì)算每個(gè)簇中所有數(shù)據(jù)樣本的均值，并將該均值更新為新的聚類(lèi)中心；重復(fù)聚類(lèi)過(guò)程，直到聚類(lèi)中心不再發(fā)生變化或者達(dá)到預(yù)設(shè)的迭代次數(shù)后結(jié)束聚類(lèi)過(guò)程；

12、輸出最終簇聚類(lèi)結(jié)果，每個(gè)簇中的脈沖描述字樣本為一個(gè)類(lèi)別，完成雷達(dá)信號(hào)分選過(guò)程。

13、進(jìn)一步地，在脈沖描述字樣本集中，選擇每個(gè)脈沖描述字樣本中的頻率rf、脈寬pw和角度doa三個(gè)脈間參數(shù)進(jìn)行多階段雷達(dá)信號(hào)分選處理。

14、進(jìn)一步地，在進(jìn)行樣本子集的劃分時(shí)，每個(gè)脈沖描述字樣本被等可能地分到各個(gè)樣本子集中。

15、進(jìn)一步地，所述歐式距離樣本集中的最大值dijmax，設(shè)定估計(jì)核函數(shù)密度的自變量的取值范圍為(～,dijmax)；其中～表示范圍左端點(diǎn)，其取值為[-0.3,0.3]。

16、進(jìn)一步地，所述對(duì)歐式距離樣本集進(jìn)行核函數(shù)密度估計(jì)，表示為：

17、

18、其中，表示核函數(shù)密度估計(jì)結(jié)果，n1是歐式距離樣本數(shù)量，h是核函數(shù)帶寬，dk是歐式距離樣本集中的第k個(gè)歐式距離，d是估計(jì)核函數(shù)密度的自變量；

19、k(·)是一個(gè)非負(fù)的加權(quán)函數(shù)，采用高斯核函數(shù)；

20、核函數(shù)帶寬h的計(jì)算公式為：

21、

22、其中r(k)為核函數(shù)k(·)方差，m2(k)是核函數(shù)二階矩，r(f”)是正態(tài)分布概率密度函數(shù)二階導(dǎo)數(shù)f”的方差。

23、進(jìn)一步地，各簇的初始的聚類(lèi)中心表示為：

24、

25、其中ci表示第i個(gè)核心樣本聚集區(qū)，為對(duì)應(yīng)的聚類(lèi)中心，pdwk為核心樣本聚集區(qū)中的脈沖描述字樣本。

26、一種雷達(dá)信號(hào)分選設(shè)備，包括處理器、存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器中的計(jì)算機(jī)程序；處理器執(zhí)行計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)所述兩階段融合的雷達(dá)信號(hào)分選方法。

27、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序；計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)所述兩階段融合的雷達(dá)信號(hào)分選方法。

28、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)特點(diǎn)：

29、本發(fā)明針對(duì)傳統(tǒng)分選算法在脈沖丟失率較高、參數(shù)交疊嚴(yán)重的復(fù)雜條件下的能力局限性，考慮分選任務(wù)特點(diǎn)，利用dbscan和k-means算法的特性，提出了融合dbscan與k-means的多階段雷達(dá)信號(hào)分選策略。在不同階段融合不同算法的優(yōu)勢(shì)，旨在提高復(fù)雜條件下的分選準(zhǔn)確率。具體優(yōu)勢(shì)如下：

30、(1)針對(duì)復(fù)雜環(huán)境下的雷達(dá)信號(hào)分選需求，利用多階段的處理策略，優(yōu)勢(shì)互補(bǔ)，有效的解決了聚類(lèi)算法的復(fù)雜度、分選實(shí)時(shí)性和分選性能的矛盾。

31、(2)結(jié)合多階段的處理策略，通過(guò)引入小樣本的dbscan聚類(lèi)預(yù)處理，分選流程不需要超參數(shù)，有效的避免了人工調(diào)參，提高了算法的泛化能力。

32、通過(guò)仿真驗(yàn)證發(fā)明方法的分選準(zhǔn)確率能達(dá)到90％以上。