一种基于自适应警戒阈值的雷达信号分选方法及装置

本发明属于聚类及信号分选，涉及一种基于自适应警戒阈值的雷达信号分选方法及装置。

背景技术：

1、侦察接收机对获取的辐射源波形去交织以分离不同信号，称为信号分选，是电磁频谱战系统的核心技术。复杂电磁环境下脉冲流密度大、时域波形及诸域特征严重交叠，导致多数基于无监督模型的信号分选方法难以胜任。雷达信号分选是电子支援措施的核心技术，复杂电磁环境下截获脉冲流的密度和特征参数的交叠程度都远远超过早期信号。因此，高效准确的信号分选方法是极其重要的。

2、现有的分选方法主要有两大类：基于pri(pulse repetition interval，脉冲重复间隔)直方图的方法和基于无监督学习的聚类算法。基于pri直方图的算法在门限函数选择、脉冲稀释预处理等方面进行改进，但该类方法多数只能胜任于pri抖动量较小的情况，且无法应对由不同pri调制类型组成的交错脉冲序列。作为一种机器学习方法，基于聚类的方法联合多个参数来提高复杂场景下的分选精度，如改进的k-means、密度聚类群智能优化算法。k-means方法采用输入点到类中心的距离进行划分，导致其不能处理任意形状类簇。密度聚类算法假设聚类结构能通过样本分布的紧密程度确定，理论上可以适应任意形状的簇，然而，这些方法也依赖预先设置邻域半径等先验知识且计算复杂度较高。在群智能优化算法中，群体间信息共享，通过寻找全局最优来提高分选性能，如蚁群算法、人工蜂群算法、粒子群算法等，这些算法虽提供了全局搜索的可能性，但在求解过程中存在计算时间过长、容易陷入局部最优的问题，不利于实际场景的应用。

技术实现思路

1、本发明的目的在于针对现有技术中在求解过程中存在计算时间过长、容易陷入局部最优，不利于实际场景应用的技术问题，提供了一种基于自适应阈值的雷达信号分选方法及装置；所述方法，包括对雷达脉冲描述字(pulse description word,pdw)流数据进行预处理，构造雷达数据集并生成预处理后的待分选数据集；构建自适应警戒阈值的模糊自适应共振网络；将经过预处理的待分选数据集送入构建的模糊自适应共振网络进行初分选得到初分选结果，再对初分选结果进行类增值的类合并，得到分选结果。

2、为了实现上述目的，本发明提供如下技术方案：

3、本发明的第一方面，一种基于自适应警戒阈值的雷达信号分选方法，包括：

4、s1、构造雷达数据集，对雷达数据集中的脉冲描述字pdw流数据进行随机采集及预处理，并生成预处理后的待分选数据集；

5、s2、计算获胜神经元和输入向量之间的匹配度，并得到自适应警戒阈值；根据所述匹配度和所述自适应警戒阈值的大小关系进行警戒测试；根据所述警戒测试的结果得到所有输出类别的输出样本，即为雷达信号的初分选结果；

6、s3、在初分选完待分选数据集后，对初分选后各输出类别及其输出样本执行类合并，得到所有输出类别及其输出样本集合，并基于聚类质量指标进行评估，得到最终分选结果。

7、所述s1具体包括：

8、s11、构造维度为m的雷达数据集；

9、所述m的取值范围为2-20；

10、所述雷达数据集，包括生成由n类不同调制方式的雷达信号得到的脉冲描述字pdw流数据；

11、s12、从所述构造的雷达数据集中随机采集待分选数据；

12、s13、预处理所述随机采集待分选数据，将所述待分选数据中不同脉冲信号数据变成相同尺度范围内，形成预处理后的待分选数据集。

13、所述s2将待分选数据集输入模糊自适应共振网络进行初分选，包括：

14、s21、将输入向量输入模糊自适应共振网络计算获胜神经元和输入向量之间的匹配度并得到自适应警戒阈值；

15、s22、根据所述匹配度和所述自适应警戒阈值的大小关系进行警戒测试，并得到当前输入向量的分选结果；

16、s23、遍历待分选数据集中的向量，重复s21和s22，得到雷达信号的初分选结果。

17、s21所述输入向量为选取的所述待分选数据集中的一个向量；

18、所述选取方法为随机选择或按次序选择；

19、所述获胜神经元为输出类别中与输入向量最相近类别。

20、s22所述警戒测试，具体为：判断匹配度是否大于等于所述自适应警戒阈值，若是，则更新权重向量，并将所述输入向量添加到对应类别所包含的输出样本中；否则，匹配度小于所述自适应警戒阈值，再判断输出类别中是否还有未执行警戒测试的类别中心，若有，则从所述剩余类别中重新计算获胜神经元并跳至s21；若无，则表明所有输出类别都不匹配该输入向量，在所述模糊自适应共振网络的输出类别中生成新输出类别，且将所述输入向量添加到新输出类别的输出样本中，得到当前输入向量的分选结果；

21、所述匹配度为获胜神经元和输入向量的相近程度；

22、所述权重向量为输出类别各维度在输出类别中所占比重大小。

23、所述s21中自适应警戒阈值，具体通过如下过程计算得到：

24、计算输出类别中每一维上的类别中心与输入样本之间的曼哈顿距离，a乘所述距离得到结果1，b乘输入被归类为该输出类别的瞬态聚类概率得到结果2，得到结果1与结果2之差为结果3，其中a为权重因子，b为抖动因子，a、b皆由[0,1]范围内以一定步长遍历得到的最佳分选结果而确定；用1减去自然常数e的负m乘结果3次方得到每一维的警戒阈值，其中，m为控制在给定距离内警惕性的变化率；取所有维警戒阈值中的最大值即为所述自适应警戒阈值。

25、所述更新权重向量，具体包括：

26、取输入样本与权重向量每一维度上的元素的最小值，并对得到的向量与学习因子相乘，得到结果1，其中，所述学习因子记为β，取值范围为[0,1]；计算权重向量与1-β相乘后的结果，得到结果2；将前述计算得到的结果1和结果2相加即为新的权重向量。

27、s3所述类合并，具体为：根据经验设置最小样本值，如果分选后，某一类的输出样本数量小于最小样本值，则认为该类别是无效类别并将类内所有样本合并到距离最近的类别，并更新类别中心；

28、其中，类别中心为该类别和最近类别共包含总样本的均值；所述最近类别的输出样本集合包括合并前两个类别的所有输出样本。

29、本发明的另外一方面，一种基于自适应警戒阈值的雷达信号分选装置，包括：预处理模块、分选模块以及类合并及评估模块；

30、所述预处理模块输出待分选数据集至分选模块，经分选模块后输出初分选结果，类合并及评估模块对分选模块输出的初分选结果进行类合并，并基于聚类质量指标进行评估，得到最终分选结果；

31、所述预处理模块，用于构造雷达数据集并生成预处理后的待分选数据集；所述分选模块，用于将所述预处理后的待分选数据集输入模糊自适应共振网络进行初分选。

32、所述预处理模块对雷达数据集中的脉冲描述字pdw流数据进行随机采集及预处理并生成预处理后的待分选数据集。

33、所述分选模块将所述预处理后的待分选数据集输入模糊自适应共振网络进行初分选，包括：计算获胜神经元和输入向量之间的匹配度，并得到自适应警戒阈值；根据所述匹配度和所述自适应警戒阈值的大小关系进行警戒测试；根据所述警戒测试的结果得到所有输出类别的输出样本，即为雷达信号的初分选结果输出。

34、有益效果

35、本发明的一种基于自适应警戒阈值的雷达信号分选方法及装置，相对于现有技术，具有如下有益效果：

36、1.所述方法在无历史先验信息的前提下，无需给定聚类中心、聚类个数，采用模糊自适应共振算法自动确定；

37、2.所述方法针对模糊自适应共振固有警戒阈值难以感知动态环境的问题，提出一种基于可自适应警戒阈值的模糊自适应共振理论聚类算法，其中自适应警戒阈值函数不仅考虑到已有类别与输入的相似度，还考虑到由各个辐射源工作模式差异导致的脉冲样本数量的不平衡性；

38、3.所述方法设计的警戒阈值函数参数较少，仅涉及一个参数m控制在给定距离内警惕性的变化率；对警戒阈值过高情况下产生的类增值进行类合并，有效提高了分选准确率；

39、4.所述装置依托的模糊自适应共振网络是改进的模糊自适应共振网络，此网络使用改进的自适应阈值，实现了在类别数目未知的情况下准确确定类数目且大幅提升了分选正确率，实现了在未知复杂的电磁环境下高效准确的信号分选。