基于层次聚类与时频卷积的多雷达辐射源分选识别方法

本发明属于雷达对抗，特别涉及一种基于层次聚类与时频卷积的多雷达辐射源分选识别方法。

背景技术：

1、雷达辐射源识别是电子攻防体系中重要一环，其关键任务是从混叠的脉冲流中分选识别出辐射源的多种信息。脉冲描述字(pulse descriptor word,pdw)作为一种极易获取的特征，常常用作分选识别。

2、成功分选是准确识别辐射源的先决条件。尤其对于存在多类别信号混叠的复杂电磁场景，到达时刻相邻的pdw可能隶属于不同的辐射源，导致难以提取pdw的统计特征和多处理域特征，严重制约了特征提取手段以及识别方法的可选范围。聚类是一种常见的辐射源分选方法，可以根据一定规则完成各类别聚集，从而达到单类别时序样本的提取与拼接。然而，随着电磁环境愈加复杂，脉冲数量激增、类内分簇与类间混叠现象严重，常见聚类算法难以解决上述问题。

3、随着人工智能的火热发展，基于pdw的识别方法已由模板匹配法过渡到机器学习分类器，并完成向深度学习分类器的转变。深度学习可以在原始数据或人工提取特征的基础上，通过神经网络进一步提取深层特征用于分类识别。时频分析(time-frequencyanalysis,tfa)作为一种常见的非平稳信号分析技术，已被多位学者证明其与卷积神经网络结合在辐射源识别领域的巨大优势，然而pdw与tfa结合的讨论尚显不足。

技术实现思路

1、针对上述问题以及当下研究趋势，本文提出了一种基于层次聚类与时频卷积的多雷达辐射源分选识别方法，能解决类内分簇与类间混叠现象，并高效完成多类别的分选识别。

2、1、多雷达辐射源分选识别方法，0包括：

3、步骤s1，基于特征概率分布函数进行初聚类，包括：

4、步骤s1.1，对脉冲流做ns倍均匀下采样；

5、步骤s1.2，拟合下采样后脉冲流的特征分布；

6、步骤s1.3，设置密度阈值hp划分特征分布，将高于密度阈值hp的样本点根据连续性分簇；

7、步骤s1.4，对剩余样本点i计算其属于簇c的后验概率pc,i，选择特征概率密度最大的簇c作为样本点i的所属簇，得到初聚类簇集合c0；

8、步骤s2，基于簇间特征分布相似性进行同类簇合并，包括：

9、步骤s2.1，遍历簇集合c0，根据第c簇的pri样本是否存在周期性判断是否为待合并的同类簇：如果具备周期性则进行步骤s5，否则执行下一步；

10、步骤s2.2，计算簇集合c0中两两簇之间的特征分布相似矩阵d；

11、步骤s2.3，合并相似矩阵中小于阈值hs的类别，得到合并簇集合c2；

12、步骤s3，基于toa周期提取与模板匹配进行去混叠，包括：

13、步骤s3.1，计算合并簇c2中各簇的toa特征密度rc2,w，通过检查其是否发生突变来判断该簇是否混叠，如果是混叠簇执行下一步，如果不混叠，则直接进行步骤s5；

14、步骤s3.2，从混叠簇中选择纯净样本段，并从中提取各分量的周期模板；然后依次对混叠簇中每个混叠样本段执行步骤s3.2.1和步骤s3.2.2：

15、步骤s3.2.1，确定混叠样本段的匹配起始样本点k；

16、步骤s3.2.2，从匹配起始样本点k开始，将混叠样本段与各分量的周期模板进行正向和反向匹配，匹配成功说明与当前分量的周期模板属于同一类别，以此类推，直至完成当前混叠段中所有分量的周期模板匹配，得到去混叠簇集合c3；

17、步骤s4，构建训练数据集并训练efficientnet网络；

18、步骤s5，对于待识别的数据，采用步骤s1至步骤s3方法进行分选并应用训练好的efficientnet网络对分选后数据集进行识别，得到各样本的辐射源类型识别结果。

19、较佳的，所述步骤s1.2中，采用kde高斯核密度函数拟合下采样后脉冲流doa-rf联合特征概率密度。

20、较佳的，所述步骤s2.1中，根据第c簇的pri样本是否存在周期性判断是否为待合并的同类簇的方法包括：

21、首先设置突变点筛选阈值选取|{δ2toac,i}|>hcp,c的作为突变点序列，周期性判别等价于对{δ2toac,i}的索引的等差数列判别：

22、

23、其中，ncp,c为突变点样本数，hc为周期性判别阈值，modenum(·)为取众数样本数量：

24、

25、其中，[·]为指示函数，当满足内部条件时取值为1，否则取值为0。

26、较佳的，所述步骤s3.1中，通过检查其是否发生突变来判断该簇是否混叠的方法包括：

27、首先将每个簇划分为多个重叠窗，根据相邻窗的特征密度和并设置某一阈值hd，判断该簇是否满足如下条件，如果满足，则判断发生混叠，否则不发生混叠：

28、

29、其中，样本密度通过在toa维度设置窗长wr，采用单位步进滑窗计算：

30、

31、其中，nc,w为第c簇的第w个窗口中总样本数，toac,i为第c簇中第i个样本点。

32、较佳的，所述步骤s4具体包括：

33、步骤s4.1，首先对纯净脉冲流构成的数据集进行分段，对每段执行时频变换，得到时频图，将其类别设为标签；

34、步骤s4.2，将数据集按8:2的比例划分成训练集和验证集，训练集送入efficientnet网络中进行训练，并使用验证集对训练结果进行评估，直至满足要求。

35、本发明具有如下有益效果：

36、1、本发明提出了一种基于层次聚类分选方法。相比传统分选算法，可以有效解决类内特征分布，类间特征混叠的问题，并且分选算法处理速度提升。

37、2、本发明提出了一种基于时频卷积的识别方法。针对原始pdw特征存在类间特征分布范围重叠度高，可分性差问题，基于慢时间维tfa提取不同类别间的周期特征，提高了识别效果。

技术特征：

1.多雷达辐射源分选识别方法，其特征在于，包括：

2.如权利要求1所述的多雷达辐射源分选识别方法，其特征在于，所述步骤s1.2中，采用kde高斯核密度函数拟合下采样后脉冲流doa-rf联合特征概率密度。

3.如权利要求1所述的多雷达辐射源分选识别方法，其特征在于，所述步骤s2.1中，根据第c簇的pri样本是否存在周期性判断是否为待合并的同类簇的方法包括：

4.如权利要求1所述的多雷达辐射源分选识别方法，其特征在于，所述步骤s3.1中，通过检查其是否发生突变来判断该簇是否混叠的方法包括：

5.如权利要求1所述的多雷达辐射源分选识别方法，其特征在于，所述步骤s4具体包括：

技术总结
本发明公开了一种基于层次聚类与时频卷积的多雷达辐射源分选识别方法，能解决类内分簇与类间混叠现象，并高效完成多类别的分选识别；相比传统分选算法，可以有效解决类内特征分布，类间特征混叠的问题，并且分选算法处理速度提升；针对原始PDW特征存在类间特征分布范围重叠度高，可分性差问题，基于慢时间维TFA提取不同类别间的周期特征，提高了识别效果。

技术研发人员：刘泉华,张嘉翔,韩鑫瑞,梁振楠,王博,蔡思远
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2025/3/27