雷达信号分选

摘要： 信号分选是雷达信号处理的基础与前提,传统方法在雷达数量增加、模式多变的情况下,分选性能显著下降。通过分析旋转长基线干涉仪(RLBI)体制中辐射源脉冲相位参数时变的特性,提出了一种基于霍夫变换的信号分选方法。该方法首先利用频率参数聚类进行初次分选,再利用霍夫变换提取不同来波方向上脉冲的相位时变特性直线,最后利用相位周期延拓进行脉冲序列提取。仿真实验表明了算法的有效性。相比传统方法,该方法能够利用相位参数直接分选不同来波方向上的脉冲,能在一定程度上解决旋转干涉仪信号分选中因缺乏方位信息而造成的分选效果下降问题。

摘要： 针对传统雷达信号电子侦察先分选、再融合、后识别的流程繁琐且低效,本文提出直接对疑似敌方雷达的某个脉冲构建单脉冲特征矩阵,基于注意力机制与卷积神经网络(CNN)对其进行高相关脉冲的挑选和脉间调制类型识别.对挑选的高相关脉冲和识别的脉间调制类型结果进行分析,提取出脉冲间特征以及脉冲特征的相对关系,进一步完成后续分选操作.注意力机制分特征空间和脉冲重复间隔(PRI)时序两个层面.特征空间层面以待识别脉冲为焦点,利用位置分布特征和各分布位置脉冲数统计特征提取高相关性脉冲,简化单脉冲特征矩阵,完成预分选.PRI时序层面先通过CNN判断脉冲序列是否为混合型,若为混合型,则存在干扰脉冲,以待识别脉冲为焦点进行二维变换,分析其分布规律,根据杂散程度去除干扰脉冲.由于神经网络训练慢且不同脉间调制类型的脉间特征相对关系是已知的,采用有监督学习方式,提前用CNN对不同脉间调制类型进行学习,从而达到脉间类型识别的目的.通过对常规、抖动、参差、脉组变频、捷变频、脉宽捷变、线性滑变这7种脉间调制类型雷达信号进行分选仿真,验证了基于注意力机制的雷达信号分选算法对同时到达多目标雷达信号进行先识别后分选的可行性.仿真结果表明,该方法较传统信号主+预分选方法更加高效,且识别正确率更高.

摘要： 针对传统聚类方法在处理复杂电磁环境下的雷达信号时存在的聚类质量低、参数需要人为设置、易受孤立噪声脉冲干扰等问题,提出一种基于数据场联合决策图改进的高斯混合模型(Gaussian mixture model,GMM)聚类算法。将数据场理论应用于数据对象密集程度的表征,生成势能距离决策图,进而自动实现聚类数目和中心点的选择,最后结合GMM聚类实现对数据对象的聚类划分。仿真实验结果表明,在脉冲到达角、脉宽、载频等参数存在较大抖动,测量误差以及存在孤立噪声脉冲干扰和脉冲丢失时,本文方法相较于现有典型分类方法具有更好的分选效果。

摘要： 在雷达信号分选中引入密度峰值聚类,可以快速发现聚类中心点,无需确定聚类数目。借鉴势熵概念提出密度熵,优化了聚类中核函数截断距离的选取算法。对如何自动判断聚类数目和聚类中心点问题进行了研究,设计了门限函数和判断规则,还对原算法的分配、合并准则进行了优化。仿真实验结果证明了该算法的有效性。

摘要： 雷达信号分选技术作为现代信息对抗领域重要发展方向之一,对雷达侦察信号处理非常重要。首先介绍几种常见的雷达信号分选方法,并对每种算法的优缺点进行简要说明。随后提出一种基于天线扫描的能量域信号聚类方法,介绍该算法的原理,给出仿真的结果。通过仿真试验,证明该信号聚类算法对于机械扫描雷达能够取得较好的聚类效果。

摘要： 将脉内特征提取、调制类型识别和聚类分选联合,提出了一种基于自编码器的雷达信号联合预分选方法。现有的基于脉内特征的聚类预分选方法需要预先设计特征参数提取方法,而所提方法可自动提取脉内特征参数,并根据聚类结果,对提取的特征参数进行调整,从而改变了以往分选算法的单向流程,引入了反馈机制以深入挖掘特征信息。仿真结果表明,该方法能在低信噪比环境下对雷达信号的脉内特征进行提取,并依靠脉内特征参数进行分选。

摘要： 雷达对抗侦察装备的作用是对敌方雷达辐射源信号进行参数测量、目标识别,是雷达电子战装备的重要组成。为了提高分选技术的水平,国内外学者提出多种信号侦查算法,现分选技术能够适应特殊体制雷达信号,但信号增批的问题仍然普遍存在,在演习训练和例行侦察任务中,严重影响雷达对抗情报分析人员和电子战行动指挥员掌握雷达目标特性和电磁态势。文中从雷达对抗侦察的工作原理入手,从系统角度进行分析,结合电磁波传播机理和实际作战运用环境,全面深入分析了侦察信号增批的原因,并针对性地给出复杂电磁环境下的改进建议,可以使雷达对抗装备乃至操作人员更好应对信号增批带来的不良影响,对于改进雷达对抗侦察装备性能,提升其复杂电磁环境适应性具有十分重要的现实意义。

摘要： 针对传统DBSCAN算法参数设置依靠人工经验的不可靠性,并且对非均匀数据聚类效果差的问题,基于云模型(Cloud Model)提出了一种CMDBSCAN算法,算法首先结合距离曲线倾角突变的特点自适应获得邻域半径,并根据雷达信号分布密度设置聚类密度点数阈值,可实现DBSCAN算法自适应运行;同时结合多维云模型理论,对DBSCAN算法分选结果进行有效性评估,利用判定结果进一步优化参数设置.根据仿真模拟的复杂对抗过程中帧收的雷达信号进行实验,证明该算法可实现非均匀雷达信号的自适应分选,同时可有效避免在多功能雷达信号分选中的"增批"问题.

摘要： 针对传统聚类算法需要人工预先设定聚类数目并且对聚类中心的选取十分敏感等问题,提出了一种网格划分数据场的雷达信号分选方法.首先,使用网格进行子空间的划分,根据网格长度确定数据场影响因子,并清除信号交叠处的高密度网格;然后,利用改进的等效距离计算数据场以确定聚类数目和聚类中心;最后,使用K均值聚类(K-means)算法对雷达信号进行分选.仿真结果表明,该方法能够提高数据场的计算速度,较好地确定交叠雷达信号的聚类数目和聚类中心,并且能有效分选出参数捷变的雷达信号.

摘要： 为在辐射源非协作的情况下对脉冲流密度很大的雷达信号进行有效分选,要克服Fast ICA算法在分选雷达脉冲时分离速度慢且实现复杂、K Means++算法在分选雷达脉冲描述字PDW时对噪声和孤立噪点敏感且需要先验条件K值的缺点.提出了一种在CPU+GPU异构系统上实现的这2种算法的融合方案,融合后的算法能有效克服单独利用一种算法的缺点、综合两者的优点.仿真实验表明提出的融合方案能有效提升雷达信号分选的准确性.

摘要： 本文利用线性调频(LFM)信号在时频平面呈直线的特点,在噪声背景下对多个LFM雷达信号的Wigner-Villk分布进行Radon变换.应用Radon变换能够检测图像中直线的特性,实现对多LFM雷达信号的检测,完成雷达信号分选.通过计算机仿真,比较了Wigner-Ville分布法和Radon-Wigner变换法对多LFM雷达信号的检测效果,结果表明Radon-Wigner变换可以更好地抑制噪声和交叉项的干扰.

摘要： 本文结合高阶累计量对高斯噪声的不敏感性,给出了一种基于盲源分离的雷达信号分选方法,该方法可以对高斯噪声背景中混合的多个雷达信号实现分选,仿真结果证明了该方法的有效性.

摘要： 如何在复杂的电磁环境中进行信号分选,是电子对抗中要解决的首要问题.本文就雷达信号的重频分选问题进行了一些探讨.包括算法特点与应用中的一些问题的解决.

摘要： 现代电子战争中,如何在复杂、密集的电磁环境中正确分选出雷达辐射源的各种参数,成为关键。本文介绍了几种基于PRI的雷达主分选的方法,并通过TI公司的DSP芯片,完成对雷达信号的主分选.

摘要： 现代电子战争中,如何在复杂、密集的电磁环境中正确分选出雷达辐射源的各种参数,成为关键。本文介绍了几种基于PRI的雷达主分选的方法,并通过TI公司的DSP芯片,完成对雷达信号的主分选.

摘要： 现代电子战争中,如何在复杂、密集的电磁环境中正确分选出雷达辐射源的各种参数,成为关键。本文介绍了几种基于PRI的雷达主分选的方法,并通过TI公司的DSP芯片,完成对雷达信号的主分选.

摘要： 现代电子战争中,如何在复杂、密集的电磁环境中正确分选出雷达辐射源的各种参数,成为关键。本文介绍了几种基于PRI的雷达主分选的方法,并通过TI公司的DSP芯片,完成对雷达信号的主分选.

摘要： 现代电子战争中,如何在复杂、密集的电磁环境中正确分选出雷达辐射源的各种参数,成为关键。本文介绍了几种基于PRI的雷达主分选的方法,并通过TI公司的DSP芯片,完成对雷达信号的主分选.

摘要： 本文主要分析了几种固定PRI、参差PRI的分选与跟踪算法,比较了它们各自的优点和缺点,并对抖动PRI、参差抖动PRI、成组参差PRI以及成组参差抖动PRI的分选与跟踪方法作了简单的论述.

摘要： 本文主要分析了几种固定PRI、参差PRI的分选与跟踪算法,比较了它们各自的优点和缺点,并对抖动PRI、参差抖动PRI、成组参差PRI以及成组参差抖动PRI的分选与跟踪方法作了简单的论述.

摘要： 本申请公开了对合成孔径雷达信号参数的分选方法及分选装置。其中，所述分选方法，包括：接收并处理雷达辐射源信号，得到按照雷达信号参数类别进行收集的第一参数集合；根据合成孔径雷达信号的脉内特征，筛选第一参数集合，得到第二参数集合；将所述第二参数集合填入由所述雷达信号参数类别确定维度的多维坐标系，得到信号数据空间分布；根据所述信号数据空间分布，通过多维聚类分选算法，得到所述合成孔径雷达的信号数据集合；根据所述信号数据集合，计算所述合成孔径雷达的脉冲重复周期；根据所述信号数据集合和所述脉冲重复周期，输出所述合成孔径雷达的信号参数集合。通过结合脉内特征和多维聚类分选算法，实现合成孔径雷达信号的自动分选。

摘要： 本发明属于雷达侦察技术领域，公开的一种基于STFT预分选和PRI变换的雷达信号分选方法，是基于STFT方法对高密度雷达脉冲流进行预处理，得到每个脉冲的脉内特征信息，根据脉内特征将脉冲流分为四种类型的信号，然后采用PRI变换法对每类信号进行信号分选，再对包含多种脉内调制类型、多种PRI调制方式的高密度脉冲流实现有效的分选，本发明适用于常规脉冲、频率调制、相位调制、复合调制等多种脉内调制类型，适用于PRI滑变、抖动等多种PRI调制方式，需要信号数据量少，分选效率高；克服了传统PRI变换法处理后真实的PRI值淹没在谐波中，无法提取到各类信号的PRI值，在多种PRI调制类型信号混合情况的分选失效问题。

摘要： 本发明公开了基于雷达信号分选的雷达干扰抑制方法、装置及介质，方法包括以下步骤：识别步骤：对空间内雷达信号进行分选，识别当前电磁环境下雷达信号波形参数；优化步骤：基于空间内雷达信号波形参数优化调整本车雷达发射信号参数；信号生成步骤：根据调整后的本车雷达发射信号参数，生成本车雷达发射信号。本发明的装置和介质是实现上述方法的硬件，通过本发明提供的一种基于雷达信号分选的雷达干扰抑制方法、装置及介质，针对密集雷达分布环境，可以对雷达信号进行分选，并对本车雷达发射信号参数进行优化，最后生成本车雷达发射信号。本发明可以实现主动的雷达干扰抑制，可适用于复杂密集雷达分布环境，提高了雷达干扰抑制技术的鲁棒性。

摘要： 雷达信号多站融合分选方法，属于电子对抗领域；解决了现有多站集群协同下基于多组时差的雷达信号分选方法在高密度脉冲流情况下时差匹配精度低，且仅依赖时差参数TDOA分选准确率性难以保证的问题。本发明是基于PCN集对势与优化的平面变化主分选实现的雷达信号分选，本发明将各观测站内的特征参数接近的脉冲进行聚类，再以多站时差匹配TDOA参数作为融合校验的依据，弱化时差匹配误差对分选结果的影响，从而增加了高密度脉冲流条件下分选算法准确率；还提出引入SDIF算法确定每个聚类堆的潜在变换宽度Wi，再确定最优变换宽度W，从而实现对待测雷达的重复周期及重频调制类型的识别。本发明主要用于雷达信号分选。

摘要： 本发明公开了基于卷积降噪自编码器的雷达信号智能分选方法及系统，方法步骤如下：S1、提取电磁信号数据库中单部雷达的脉冲TOA序列，将每部雷达样本的脉冲TOA序列根据其到达时间的先后进行排序构造混叠脉冲序列；S2、将单部雷达的脉冲TOA序列和混叠脉冲序列进行脉冲编码处理得到二进制编码向量(训练数据)；S3、将得到的二进制编码向量输入卷积降噪自编码器进行训练，模型的输出是目标脉冲的二进制编码向量，并保存训练好的模型；S4、将复杂电磁环境下接收到的混合脉冲TOA序列(真实数据)输入训练好的卷积降噪自编码器模型完成信号分选得到目标雷达脉冲序列。本发明提高雷达信号分选的正确率，为进一步对雷达信号识别、干扰等处理奠定了基础。

摘要： 本发明属于雷达信号分选技术领域，具体涉及一种基于深度分割的端到端雷达信号分选方法。本发明通过对PDW的处理和深度分割网络的结合实现未知复杂环境下的端到端雷达信号分选，操作简单，无需按照传统的预分选和主分选每一步都预设参数、阈值等信息。本发明能够分选脉间调制类型多变的雷达信号、时域频域交叠严重的PDW，适应复杂环境和未知信号。此外本发明还能够分选出从未训练过且没有先验信息的信号，对于脉冲丢失20％的情况也适用良好。

摘要： 本发明涉及一种基于PRI区间信息的雷达信号分选方法及系统，属于雷达信号处理领域，首先对混合交叠雷达脉冲流的到达时间序列进行多级差值计算，生成差值序列；根据差值序列的分布特点，确定密度聚类算法的邻域半径和密度阈值；根据邻域半径和密度阈值，利用密度聚类算法对差值序列进行密度聚类，得到聚类后的多个簇；计算各个簇的提取优先级，并为优先级最高的簇生成待提取PRI区间信息；采用改进脉冲序列搜索法，对与待提取PRI区间信息对应的雷达脉冲信号进行提取；所述改进脉冲序列搜索法为带容差控制的脉冲序列搜索法。该方法能够提高PRI估值精度和信息维度，从而提高雷达脉冲信号的分选成功率。

摘要： 本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。

摘要： 本发明提供了一种雷达信号分选中利用GPU加速决策树训练的方法，解决了雷达信号分选中决策树训练时间过长，实时性差问题。包括以下步骤：获取雷达信号特征向量数据；配置决策树参数；配置GPU，训练加速决策树；测试加速决策树，验证分选准确率及加速比；将训练完成并优化后的整棵加速决策树模型送入雷达侦察设备中，进行雷达信号分选。本发明采用了多维度的雷达特征，得到更加完善的训练模型，提高雷达信号分选准确性；相比于现有并行决策树，本发明在GPU端采取合理的内存分配，线程调度，并对核函数进行指令优化，缩短运行时间，提高实时性；本发明基于CUDA体系和VS平台开发，利用C++语言进行模块化设计，易于扩展和移植。

摘要： 本发明公开了一种多站集群协同下基于多组时差的雷达信号分选方法，其具体步骤包括：1、构建多站集群协同电子侦察系统，2、配对主站与各副站的交错脉冲信号，3、提取配对脉冲的TDOA和FDOA，4、计算提取TDOA和FDOA的雷达辐射源位置及速度，5、计算每组配对脉冲的位置估计误差，6、判断每组配对脉冲的位置估计误差是否大于或者等于阈值，若是，执行步骤7，否则，执行步骤3；7、分选雷达的脉冲信号。本发明在双站协同雷达信号分选的基础上，利用多站协同配对脉冲中提取的TDOA/FDOA剔除了虚假时差，能够实现准确的雷达信号分选。