專利名稱：一種基于稀疏分解的雷達(dá)信號(hào)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信號(hào)識(shí)別技術(shù)領(lǐng)域，尤其是基于稀疏分解方法的雷達(dá)信號(hào)識(shí)別技術(shù)領(lǐng)域。
背景技術(shù)：
稀疏分解是一種近年來發(fā)展較為快速的信號(hào)表示和處理方法，采用過完備冗余函數(shù)取代傳統(tǒng)正交基函數(shù)，并從原子庫(kù)中選擇具有最佳線性組合的原子表示信號(hào)，實(shí)現(xiàn)靈活、自適應(yīng)的表示，是一種非線性逼近的信號(hào)表示方法，在此基礎(chǔ)上，可通過對(duì)信號(hào)原子進(jìn)行操作，實(shí)現(xiàn)對(duì)原信號(hào)的處理。稀疏分解方法有較強(qiáng)的噪聲抑制能力，有利于提高受噪聲污染嚴(yán)重的雷達(dá)信號(hào)的正確識(shí)別率。雷達(dá)信號(hào)識(shí)別是雷達(dá)對(duì)抗信號(hào)處理中的關(guān)鍵技術(shù)，其識(shí)別水平己成為衡量電子對(duì)抗裝備先進(jìn)程度的重要標(biāo)志。長(zhǎng)期以來，人們主要依靠常規(guī)五參數(shù)實(shí)現(xiàn)雷達(dá)信號(hào)的識(shí)別處理，往往對(duì)于常規(guī)雷達(dá)信號(hào)和信號(hào)密集度較低的情況下才能獲得滿意的識(shí)別效果。隨著現(xiàn)代電子和雷達(dá)技術(shù)的發(fā)展以及它們?cè)诂F(xiàn)代戰(zhàn)爭(zhēng)中的大量應(yīng)用，新型雷達(dá)信號(hào)更加靈活多變，電磁信號(hào)越來越密集，致使傳統(tǒng)識(shí)別技術(shù)已不能滿足現(xiàn)代電子戰(zhàn)的需要。因此，迫切需要探索新的雷達(dá)信號(hào)識(shí)別方法，以提高我國(guó)電子對(duì)抗裝備的技術(shù)水平。近年來，國(guó)內(nèi)外學(xué)者對(duì)雷達(dá)信號(hào)識(shí)別進(jìn)行了大量的研究，提出了許多新方法，以提高雷達(dá)信號(hào)識(shí)別水平。然而，現(xiàn)有方法在信噪比小于OdB時(shí)無法實(shí)現(xiàn)雷達(dá)信號(hào)脈內(nèi)調(diào)制的有效識(shí)別，且考慮雷達(dá)信號(hào)種類較少，很少涉及低信噪比條件下調(diào)制類型不同的信號(hào)識(shí)別問題。而在實(shí)際情況中，由于信號(hào)傳播中大量噪聲干擾以及截獲過程中接收機(jī)內(nèi)部噪聲的影響，雷達(dá)信號(hào)中常常含有大量噪聲，信噪比較低，致使有用信號(hào)淹沒在噪聲中，大大增加了識(shí)別的難度。但是，當(dāng)采用稀疏分解方法分析雷達(dá)信號(hào)時(shí)，計(jì)算復(fù)雜性偏高，難以有效處理采樣率較高的雷達(dá)信號(hào)，其計(jì)算復(fù)雜度主要集中在最佳原子搜索過程。

發(fā)明內(nèi)容
鑒于現(xiàn)有技術(shù)的以上 缺點(diǎn)，本發(fā)明旨在提出一種雷達(dá)信號(hào)識(shí)別新方法，降低最佳原子搜索過程的計(jì)算復(fù)雜度，以解決在低信噪比情況下雷達(dá)信號(hào)識(shí)別率驟降問題。本發(fā)明的目的是通過如下的手段實(shí)現(xiàn)的。一種基于稀疏分解的雷達(dá)信號(hào)識(shí)別方法，電子偵察接收機(jī)接收雷達(dá)脈沖信號(hào)，經(jīng)由射頻到中頻的降頻和A/D采樣處理后，得到待識(shí)別的具有不同脈內(nèi)調(diào)制方式的雷達(dá)信號(hào)S (t)，再在信號(hào)處理模塊中對(duì)信號(hào)S (t)進(jìn)行處理，識(shí)別出雷達(dá)信號(hào)的脈內(nèi)調(diào)制方式并輸出，所述對(duì)雷達(dá)信號(hào)S (t)進(jìn)行處理的具體作法包括:(I)、雷達(dá)信號(hào)特征提取:采用基于復(fù)合差分進(jìn)化算法的稀疏分解方法進(jìn)行特征提取，包括時(shí)域衰減系數(shù)、頻域衰減系數(shù)和時(shí)-頻聯(lián)合系數(shù)三種特征；(2)、采用自底向上二叉樹支持向量機(jī)BUBTSVM對(duì)雷達(dá)信號(hào)進(jìn)行識(shí)別，通過設(shè)計(jì)、訓(xùn)練BUBTSVM分類器，將I)所獲得的雷達(dá)信號(hào)特征樣本輸入到BUBTSVM底層的每個(gè)二分類SVM分類器上，再根據(jù)SVM的分類結(jié)果，選出進(jìn)入到上一層二分類SVM的類型，直到到達(dá)二叉樹頂端，最終選出的類別即為識(shí)別出的雷達(dá)信號(hào)，即獲得輸出結(jié)果。本發(fā)明采用復(fù)合差分進(jìn)化算法搜索最佳原子，以降低計(jì)算復(fù)雜性，使其更具有實(shí)用價(jià)值。復(fù)合差分進(jìn)化算法是一種結(jié)合多種試驗(yàn)向量產(chǎn)生策略以及參數(shù)設(shè)置的改進(jìn)差分進(jìn)化算法，可以很好地解決單一策略與參數(shù)匹配所帶來的問題。復(fù)合差分進(jìn)化算法通過變異、交叉、選擇過程選擇最佳原子，這一過程的運(yùn)算復(fù)雜度大大低于原稀疏分解方法中最佳原子搜索的貪心算法，可有效降低稀疏分解方法的計(jì)算復(fù)雜性，以使其能更好地應(yīng)用于雷達(dá)信號(hào)處理中。本發(fā)明的突出優(yōu)勢(shì)在于，在信噪比低至-10分貝條件下，具有5種不同脈內(nèi)調(diào)制方式的雷達(dá)信號(hào)的平均正確識(shí)別率能達(dá)到77%以上，且本發(fā)明具有對(duì)雷達(dá)信號(hào)參數(shù)變化不敏感的特點(diǎn)，可適用于電子對(duì)抗、偵察及預(yù)警等場(chǎng)合。因此，發(fā)明一種基于稀疏分解的雷達(dá)信號(hào)識(shí)別方法對(duì)雷達(dá)信號(hào)處理技術(shù)領(lǐng)域具有重要的實(shí)際應(yīng)用價(jià)值。


:圖1是采用基于復(fù)合差分進(jìn)化算法的稀疏分解方法進(jìn)行特征提取的流程圖。圖2是本發(fā)明實(shí)施例中識(shí)別5種雷達(dá)信號(hào)時(shí)采用BUBTSVM分類器示意圖。圖3是本發(fā) 明實(shí)施例中5種雷達(dá)信號(hào)的特征分布圖，信噪比從5分貝變化至-10分貝。圖4是本發(fā)明實(shí)施例中5種雷達(dá)信號(hào)正確識(shí)別率隨信噪比變化曲線圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施對(duì)本發(fā)明作進(jìn)一步描述。本發(fā)明為解決其技術(shù)問題，所采用的技術(shù)方案為:一種基于稀疏分解的雷達(dá)信號(hào)識(shí)別方法，主要步驟包括:電子偵察接收機(jī)接收雷達(dá)脈沖信號(hào)，經(jīng)由射頻到中頻的降頻和A/D采樣處理后，得到待識(shí)別的具有不同脈內(nèi)調(diào)制方式的雷達(dá)信號(hào)S (t)，再在信號(hào)處理模塊中對(duì)信號(hào)S (t)進(jìn)行處理，識(shí)別出雷達(dá)信號(hào)的脈內(nèi)調(diào)制方式并輸出。所述對(duì)雷達(dá)信號(hào)S (t)進(jìn)行處理的具體作法為:1.雷達(dá)信號(hào)特征提取，包括時(shí)域衰減系數(shù)、頻域衰減系數(shù)和時(shí)-頻聯(lián)合系數(shù)三種特征。下面先介紹本發(fā)明采用的原子庫(kù)，隨后介紹特征提取的詳細(xì)步驟。本發(fā)明采用具有最佳時(shí)頻分辨率的Gabor原子庫(kù)作為稀疏分解所使用的原子庫(kù)。每個(gè)Gabor原子gY (t)為
權(quán)利要求
1.一種基于稀疏分解的雷達(dá)信號(hào)識(shí)別方法，電子偵察接收機(jī)接收雷達(dá)脈沖信號(hào)，經(jīng)由射頻到中頻的降頻和A/D采樣處理后，得到待識(shí)別的具有不同脈內(nèi)調(diào)制方式的雷達(dá)信號(hào)S(t)，再在信號(hào)處理模塊中對(duì)信號(hào)S(t)進(jìn)行處理，識(shí)別出雷達(dá)信號(hào)的脈內(nèi)調(diào)制方式并輸出，所述對(duì)雷達(dá)信號(hào)S(t)進(jìn)行處理的具體作法包括: (1)、雷達(dá)信號(hào)特征提取:采用基于復(fù)合差分進(jìn)化算法的稀疏分解方法進(jìn)行特征提取，包括時(shí)域衰減系數(shù)、頻域衰減系數(shù)和時(shí)-頻聯(lián)合系數(shù)三種特征； (2)、采用自底向上二叉樹支持向量機(jī)BUBTSVM對(duì)雷達(dá)信號(hào)進(jìn)行識(shí)別，通過設(shè)計(jì)、訓(xùn)練BUBTSVM分類器，將I)所獲得的雷達(dá)信號(hào)特征樣本輸入到BUBTSVM底層的每個(gè)二分類SVM分類器上，再根據(jù)SVM的分類結(jié)果，選出進(jìn)入到上一層二分類SVM的類型，直到到達(dá)二叉樹頂端，最終選出的類別即為識(shí)別出的雷達(dá)信號(hào)，即獲得輸出結(jié)果。
2.根據(jù)權(quán)利要求1所述之基于稀疏分解的雷達(dá)信號(hào)識(shí)別方法，其特征在于，所述基于復(fù)合差分進(jìn)化算法的稀疏分解包含以下步驟: (1)稀疏分解算法初始化:分解次數(shù)H，當(dāng)前分解次數(shù)h;復(fù)合差分進(jìn)化算法初始化:進(jìn)行種群大小N、進(jìn)化代數(shù)T、交叉因子池C、變異因子池F以及試驗(yàn)向量產(chǎn)生策略池的初始化； (2)使用復(fù)合差分進(jìn)化算法搜索原子，直到進(jìn)化代數(shù)大于T，則保存本次分解所獲得的最佳原子； (3)采用步驟(2)中剩余信號(hào)R繼續(xù)進(jìn)行分解，直到分解次數(shù)大于2，獲得2個(gè)時(shí)域最佳原子aT(l)、aT(2);再重復(fù)上述步驟，獲得2個(gè)頻域最佳原子~(1)、~(2)； (4)采用所獲得的最佳原子~(1)，aT(2)，產(chǎn)生信號(hào)的時(shí)域衰減系數(shù)TDC、頻域衰減系數(shù)FDC和時(shí)-頻聯(lián)合系數(shù)TFC三個(gè)特征值，即
全文摘要
本發(fā)明公開了一種基于稀疏分解的雷達(dá)信號(hào)識(shí)別方法，待識(shí)別的具有不同脈內(nèi)調(diào)制方式的雷達(dá)信號(hào)S(t)經(jīng)基于復(fù)合差分進(jìn)化算法的稀疏分解方法進(jìn)行特征提取，包括時(shí)域衰減系數(shù)、頻域衰減系數(shù)和時(shí)-頻聯(lián)合系數(shù)三種特征。然后采用自底向上二叉樹支持向量機(jī)BUBTSVM對(duì)雷達(dá)信號(hào)進(jìn)行識(shí)別。本發(fā)明采用復(fù)合差分進(jìn)化算法結(jié)合多種試驗(yàn)向量產(chǎn)生策略以及參數(shù)設(shè)置，改進(jìn)差分進(jìn)化算法，可以很好地解決單一策略與參數(shù)匹配所帶來的問題有效降低稀疏分解方法的計(jì)算復(fù)雜性，對(duì)雷達(dá)信號(hào)處理技術(shù)領(lǐng)域具有重要的實(shí)際應(yīng)用價(jià)值。
文檔編號(hào)G06K9/62GK103093244SQ20131002952
公開日2013年5月8日 申請(qǐng)日期2013年1月25日 優(yōu)先權(quán)日2013年1月25日
發(fā)明者張葛祥, 榮海娜, 李俊剛, 程吉祥 申請(qǐng)人:西南交通大學(xué)