A Sorting Method for Radar Emitter Signals Based on the Gaussian Smoothing and Contour Lines of Ambiguity Function
-
摘要: 雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题, 提出一种基于模糊函数等高线的分选新方法; 首先, 对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象; 其次, 从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量; 最后, 用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明, 所提方法在8 dB以上的固定信噪比环境下分选6类典型信号的成功率均为100 %, 即使在0 dB环境下, 分选成功率也保持在89.04 %以上; 在0 ~ 20 dB动态信噪比环境下分选成功率达到96.36 %.实测数据验证, 所提特征提高了5种外场辐射源信号的分选效果, 可作为经典5参数的有效补充. 此外, 所提特征还具备较低的计算量, 提取单个信号特征的耗时仅为0.24 s, 具有一定的工程价值.Abstract: Sorting radar emitter signals is the key step of electronic reconnaissance system and threat warning system. Existing radar emitter signal sorting methods based on ambiguity function have many problems, such as low information utilization and susceptibility to noise. In this paper, a novel sorting method based on contour lines of ambiguity function is proposed. First, an ambiguity function is processed by using a Gaussian operator and contour lines are created as object of feature extraction. Then, a positive bounding rectangle and a direction angle are extracted as the feature vector from the perspective of image processing. Finally, the kernel fuzzy C-means clustering algorithm is used to sort the feature vector. The simulated experiments show that the success rate of sorting six kinds of typical signals by proposed method not only achieves 100 % in fixed SNR environment above 8 dB, but also keeps above 89.04 % in 0 dB. In addition, the measured data show that the proposed features can improve the sorting effect of five kinds of outfield emitter signals, which can be used as an effective complement to the classical five parameters. Besides, the proposed feature also has lower computational complexity, the feature extraction time of one signal is only 0.24 s, which indicated the engineering value of the proposed method.
-
Key words:
- Radar emitter /
- signal sorting /
- ambiguity function /
- Gaussian smoothing /
- image feature extraction /
- kernelized clustering
-
雷达辐射源信号分选是指从截获的敌方雷达信号中分选出属于单部雷达信号的过程.近年来, 随着复杂体制雷达的迅速发展, 雷达辐射源信号呈现出了调制方式多样化、波形复杂化、参数快变化的特点.仅利用传统的载波频率(Radio frequence, RF)、到达时间(Time of arrival, TOA)、脉冲宽度(Pulse width, PW)、脉冲幅度(Pulse amplitude, PA)、到达角度(Direction of arrival, DOA)5个常规参数进行分选, 已难以满足当前战场环境的需求. 为此, 从新的角度提取更为快捷、有效的脉内特征参数是一种可行方法[1-4].
针对雷达辐射源信号脉内特征参数的提取, 已提出Wigner-Hough变换[5]、双谱分析[6]等多种方法.但这些方法主要针对特定的信号形式, 且易受噪声扰动, 难于提取分类性能优异的特征参数.文献[7]结合奇异值分解和分形理论提取了有效的特征参数, 但该方法需要分别求解信号的频谱和Choi-Williams分布(Choi-Williams distribution, CWD), 计算复杂度较高. 文献[8]指出, 模糊函数(Ambiguity function, AF)能比较完整地反映信号的内部结构信息, 可以挖掘出区别于其他信号的有效特征.文献[9]以模糊函数主脊(Ambiguity function main ridge, AFMR)切面为研究对象, 提取到了分选效果较好的特征参数.随后, 文献[10]利用奇异值分解降噪、文献[11]利用导数约束平滑对AFMR进行预处理, 进一步加强了AFMR特征的抗噪性能.
然而, 基于AFMR的AF特征提取方法的时效性却受限于利用分数自相关或坐标转换计算并搜索AFMR所增加的运算复杂度.一些学者尝试从新的角度提取AF特征, 文献[12]提取了AF的对角线切片为研究对象, 然后利用小波分解提取了最优的小波系数作为特征向量. 该算法流程简单, 但所提特征包含的信息量较少, 抗噪性能欠佳. 当信噪比(Signal noiseratio, SNR)下降到0 dB时信号的平均分选成功率仅为72 %.
本文提出一种新的AF特征提取方法, 并将其应用到典型的雷达辐射源信号分选中.首先, 计算离散信号的AF并利用高斯算子进行平滑处理; 然后, 采用线性插值的方法计算AF的等高线, 再从图像处理的角度提取AF等高线的正外接矩以及方向角作为特征向量; 最后, 用核模糊C均值(Kernelized fuzzy C-means, KFCM)聚类[13], 对特征向量进行分选. 本文结构安排如下: 第1节介绍AF等高线及其计算方法.第2节给出AF等高线的正外接矩、方向角提取算法.第3节利用所提特征和KFCM算法对6类典型雷达辐射源信号进行了分选, 并与现有方法进行了对比.第4节对本文的研究进行了总结并提出了下一步的研究方向.
1. 模糊函数等高线
1.1 模糊函数
对于任意窄带雷达信号$ s(t) $, 其AF定义为:
$$ \begin{equation} AF\left( {\tau , \xi } \right) = \int_{-\infty }^{+\infty } {s\left( {t+\frac{\tau }{2}} \right)} s^\ast \left( {t-\frac{\tau }{2}} \right)\mathrm{e}^{-{\rm j}2\pi \xi t}\mathrm{d}t \end{equation} $$ (1) 式(1)中, $ s^\ast(t) $为$ s(t) $的共轭, $ \tau $为时延, $ \xi $为频移. 可以看出, AF是信号自相关函数中时间变量$ t $经傅里叶变换后得到的结果[14]. AF唯一性定理指出, 信号模糊体积的分配完全取决于信号本身, 这为从信号AF的角度来获取特征参数提供了理论基础.
1.2 模糊函数的高斯平滑处理
实际战场中的雷达信号分选常伴有较强敌方干扰以及背景噪声, 使AF增加了许多毛刺和畸变, 增加了分选的难度. 考虑到高斯滤波器较好的平滑作用[15], 本文构建高斯掩膜对AF进行平滑处理, 即采用某一尺寸的二维零均值高斯掩膜与信号的AF进行卷积.
1.2.1 构建高斯掩膜
对第$ i $行, $ j $列的任意网格点$ (i, j) $对应的$ AF $ $ (i, j $), 其平滑后的AF为:
$$ \begin{equation} \overline {AF} \left( {i, j} \right) = \frac{\sum{w\left( {a, b} \right)\times AF\left( {i, j} \right)} }{\sum{w\left( {a, b} \right)} } \end{equation} $$ (2) 式中, $ w $表示网格点($ i, j $)的周围$ M\times M $大小的掩膜; $ w(a, b $)为该掩膜内服从二维零均值高斯分布的权重因子, 其计算式为:
$$ \begin{equation} w\left( {a, b} \right) = \frac{1}{\sqrt {2\pi } \sigma }\exp \left( {\frac{-\left( {a^2-b^2} \right)}{2\sigma ^2}} \right) \end{equation} $$ (3) 式中, $ a $, $ b $为权重因子在掩膜中的位置, $ \sigma $为高斯分布的标准差.
1.2.2 掩膜参数选取
对平滑过程而言, 需要控制的参数包含掩膜尺寸$ M $和标准差$ \sigma $, 下面对$ M $和$ \sigma $的选取依据进行讨论.
高斯掩膜可以看做对连续高斯函数的离散近似, 掩膜越大, 近似范围越大, 但卷积运算中包含的乘法次数也越多. 常用的高斯掩膜尺寸有$ 3 \times 3 $、$ 5\times 5 $和$ 7\times 7 $, 考虑算法复杂度的要求, 掩膜尺寸为$ 5\times 5 $较为合适, 即$ M = 5 $.
$ \sigma $决定了掩膜对图像的平滑程度, $ \sigma $越大, 图像越平滑, 但图像的细节部分损失也越多, 因此$ \sigma $的选取十分依赖于问题背景. 在本文研究中, 高斯平滑的作用是校正噪声带来的毛刺与畸变, 同时要求同类信号在不同SNR下的平滑结果接近, 以保证后续所提特征的类内聚敛性. 本文采用$ M = 5 $, $ \sigma = 1 $的高斯掩膜分别在0 dB和20 dB情况下对常规(CON)信号的AF进行了平滑处理, 结果如图 1所示. 由图 1 (a)、(c)可以看出, 在强噪声干扰下, CON信号的AF产生了严重的失真, 极大地增加了分选难度. 但经过$ \sigma = 1 $的高斯平滑处理后, 二者的AF形状变得接近. 其次, 由于高斯函数是钟形曲线, $ \mu\pm2.5\sigma $邻域内的面积占曲线下总面积的98.76 %, 因此取$ \sigma = 1 $使得5$ \times $5大小的掩膜基本覆盖了整个高斯曲线. 综上所述, 高斯掩膜的参数选择为$ M = 5 $, $ \sigma = 1 $.
1.2.3 模糊函数等高线的计算
由于AF图是三维的, 不利于进行特征提取与分选, 因此将AF图进行降维是十分必要的. AF的降维需要遵循两个基本原则, 一是尽量减少计算量, 以保证算法的运算速度; 二是降维后的图形能够最大限度地保留AF的特性. 文献[16]在极坐标域内提取AF的二维图形轮廓, 但这样会增加较大的计算量; 文献[17]分别提取了AF的主侧视图, 但这样时频域的信息无法同时兼顾; 结合图 1和AF的计算式可以看出, AF是信号的联合时频表示, 在三维空间中呈现出了类似山群的地貌形态, 因此从地理信息学的角度对AF的近似方法进行探究是一种可行思路. 作为经典的地形分析工具, 等高线具有在宏观尺度上揭示地貌对象的群体嵌套、组合关联和空间层次结构特征的功能, 在地理空间信息表达中占有主要地位[18-19]. 因此利用等高线对AF进行降维, 有望提取到分选性能更加优异的特征参数.
AF等高线的绘制过程中, 核心问题在于等高线高度的确定以及所有等值点坐标的求解. 由于AF是以离散网格数据的形式存储在矩阵中, 因此可根据高斯平滑后AF的海拔极差自适应地确定等高线高度并通过线性插值求解无法直接观测的等值点[19], 具体步骤如下:
首先根据需要将高斯平滑后AF的海拔分为$ P $个递增的等高线高度$ H_p $:
$$ \begin{align} H_p = \overline {AF} _{\min } +p\times \frac{\overline {AF} _{\max } -\overline {AF}_{\min} }{P+1}, \\p = 1, \cdots, P \end{align} $$ (4) 根据插值法可得, 任意网格$ (i, j) $在水平方向高度为$ H_p $的等值点坐标($ x_{c}, y_{c}) $为:
$$\begin{array}{l} {x_c} = j + \frac{{{H_p} - \overline {AF} (i, j)}}{{\overline {AF} (i, j + 1) - \overline {AF} (i, j)}}\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{y_c} = i \end{array}$$ (5) 网格$ (i, j) $在竖直方向高度为$ H_{p} $的等值点坐标($ x_{c}, y_{c}) $为:
$$\begin{array}{l} \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{x_c}{\rm{ = }}j\\ {y_c} = i + \frac{{{H_p} - \overline {AF} (i, j)}}{{\overline {AF} (i + 1, j) - \overline {AF} (i, j)}} \end{array}$$ (6) 求得等值点坐标后连接相邻的等值点即可得到等高线图. 等高线的密集程度取决于$ P $的大小, $ P $越大对地形的描述越详细. 但$ P $过大会导致图像不够清晰, 并大大增加工作量. 通常情况下, 绘制三个高度($ P = 3 $)的等高线即可. 图 2给出了常规(Convention, CON)、线性调频(Linear frequency modulation, LFM)、二相编码(Binary phase shift keying, BPSK)、四相编码(Quadrature phase shift keying, QPSK)、M伪随机序列(M-sequence, MSEQ)和二频编码(Binary frequency shift keying, BFSK) 6类典型信号的AF等高线图, 图中$ N $为信号采样长度.
2. 模糊函数等高线特征提取
目前, 图像处理领域中针对图像结构特点的描述已经有了许多可行的方法. 例如从全局结构出发提取图像区域面积、位置、方向角, 从局部细节出发提取边界曲率、傅里叶描述子、链码描述符等[20-21]. 在噪声的干扰下, AF等高线的局部细节可能产生无法预计的塌陷、腐蚀, 但自身的基本形状能够得以保持. 因此, 从AF等高线的全局结构出发有望提取到分选效果和抗噪性能较好的特征. 从图 2可以直观地看出, 不同信号的AF等高线形状不同、分布各异且同样具备原点对称的特性. 本节将提取正外接矩和方向角来描述AF等高线的特点.
2.1 正外接矩
由于正外接矩基本拟合了图形在水平方向和竖直方向的延展范围, 因此采用正外接矩特征可有效地反映AF等高线在时频域的分布状况. 本研究中, 采用长宽平行于坐标轴的矩形对AF等高线进行逼近即可求得正外接矩, 图 3给出了LFM信号正外接矩的示意图.
设AF等值点的坐标为($ x_{c}, y_{c}) $, 则AF等高线的正外接矩长$ l_{x} $、宽$ l_{y} $分别为:
$$ \begin{equation} l_x = \max\left( {x_i } \right)-\min\left( {x_i } \right) \end{equation} $$ (7) $$ \begin{equation} l_y = \max\left( {y_i } \right)-\min\left( {y_i } \right) \end{equation} $$ (8) 得到AF等高线的正外接矩后, 可采用其面积$ S $和纵横比$ AR $作为分选特征. 设正外接矩的长为$ l_{x} $, 宽为$ l_{y} $, $ S $与$ AR $的计算式分别为:
$$ \begin{equation} S = l_x \times l_y \end{equation} $$ (9) $$ \begin{equation} AR = \frac{l_x }{l_y} \end{equation} $$ (10) 2.2 方向角
由AF的体积不变性定理可知, AF仅与信号的能量有关, 不同的信号形式将以不同的方式分配模糊体积. 体积分配不均势必导致其等高线的走向发生偏移, 因此可以利用等高线的方向角来表征信号模糊体积的分配特性. 定义方向角$ \alpha $为图形主轴与$ X $轴正方向形成的夹角. 图 4给出了LFM信号的方向角示意图.
设AF等高线的轮廓点坐标为($ x_{c}, y_{c}) $, 根据AF等高线的原点对称性, 设AF的右半采样域为$ \delta $, $ \alpha $的计算式为:
$$\alpha = \arctan \left( {\frac{{{\sum _{{y_c} \in \delta }}{y_c}}}{{{\sum _{{x_c} \in \delta }}{x_c}}}} \right)$$ (11) 综上所述, 基于高斯平滑与模糊函数等高线的雷达辐射源信号分选算法流程如下所示:
3. 仿真实验与结果分析
选取CON、LFM、BPSK、QPSK、MSEQ、\linebreak BFSK 6种典型信号进行分选仿真实验, 取信号重采样点数$ N $为1 024. 其中, LFM的带宽为10 MHz, BPSK和BFSK均采用13位Barker码, QPSK采用16位Frank码, MSEQ所用伪随机序列为(1011100). 所有信号脉宽均为10 $ \mu $s, 除了BFSK信号的两个频点分别取10 MHz和2 MHz外, 其余信号的载频均为10 MHz. 实验所用计算机为微星GE62, CPU为2.6 GHz, 内存为8.0 GB, 仿真平台为MATLAB 2015b.
3.1 固定信噪比下的分选实验
SNR从0 $ \sim $ 20 dB每隔2 dB, 每类信号产生100个不同初相的测试样本, 分别组成SNR固定的11个600样本的信号集1, 利用本文方法提取各个信号的等高线特征并采用KFCM算法进行聚类分选. 表 1给出了各个SNR下10次实验的平均分选成功率.
表 1 信号集1的平均分选成功率(%)Table 1 Average correct rate of signal set1 (%)信号类型 不同SNR下分选成功率(dB) 0 2 4 6 8~20 CON 100 100 100 100 100 LFM 100 100 100 100 100 BPSK 82.54 96.69 98.03 99.1 100 QPSK 83.32 97.06 98.22 98.86 100 MSEQ 87.77 97.42 99.01 99.54 100 BFSK 80.58 100 100 100 100 平均 89.04 98.53 99.21 99.58 100 算法 1.基于高斯平滑与模糊函数等高线的雷达辐射源信号分选算法
1:初始化变量
2: $ Emitter $: 待分选的辐射源
3: $ Num $: 每个辐射源产生的信号个数
4: $ SNR $: 信噪比
5: $ n $: 信号长度
6: $ N $: 信号重采样长度
7: $ \pmb V $: 特征向量
8: for all $ Emitter $ do
9: for all $ SNR $ do
10: for all $ Num $ do
11: 获得离散信号$ s(n) $:
12: 根据有理式$ N/n $将信号$ s(n) $重采样为$ N $点:
13: 根据式(1)计算AF:
14: 用$ M = 5, \sigma = 1 $的高斯掩膜对AF进行平滑处理;
15: 采用第1.2.3节方法求解AF等高线:
16: 根据式(7) $ \sim $ (11)分别计算$ S, AR, \alpha $;
17: 构建并保存特征向量$ \mathit{\boldsymbol{V}} = [S, AR, \alpha $]:
18: end for
19: end for
20: end for
21: 利用KFCM算法对$ \mathit{\boldsymbol{V}} $进行聚类分选;
22: 统计分选结果.
从表 1可见, CON、LFM两种信号在0 ~ 20 dB范围内的分选成功率均为100 %. 结合图 2不难发现, 这是因为仅有CON、LFM信号的等高线呈细棍形且LFM信号的倾斜角达到了$ -60^{\circ } $, 因此他们在低SNR下依然能保持自身特性. 其次, 由于BFSK信号为二相频率调制信号, 当频移经过第二频点时, AF值达到另一极值. 因此BFSK信号的等高线图除靠近原点的主要分布带之外, BFSK信号的等高线还有两个独立分布的"小岛", 易于区分. 另外, 由于BPSK、QPSK和MSEQ信号同为非线性调制, 其AF等高线存在部分的交叠, 导致它们在4 dB以下时的分选产生了一定误差.
目前较为热门的深度学习具有强大的数据自学习能力, 也是特征表达的可行思路[22]. 为比较本文方法与深度学习对AF的特征表达能力, 本文利用栈式自动编码机(Stacked autoencoder, SAE), 取20 ~ 30 dB范围内每种信号各10个总共180个样本作为训练集, 在学习率为0.01、隐含层节点构造为300 $ \sim $ 100的条件下对6类信号进行分选实验. 此外, 本文还给出了与文献[6-7]、[9]、[12]方法的分选正确率对比, 详见图 5.
图 5可以看出, 6种方法分选6类信号的成功率随着SNR的逐渐降低均呈下降趋势. 由于双谱特征是对信号的相位噪声特性进行提取, 因此文献[6]对不同调制的辐射源分选效果不佳, SNR下降到16 dB时便开始产生了误差. 文献[7]提出的奇异熵特征与分形维数特征分别综合了频谱图像与时频图像中的信息, 因此该特征反映的脉内信息比较全面, 在0 dB下的分选成功率达到了88.90 %, 与本文方法基本持平. 基于AF的方法中, AF-SAE的分选能力在2 dB以上具有一定优势. 但SAE过度学习了低海拔AF的信息, 而低海拔的AF极易受噪声影响, 因此该方法的分选效果在0 dB产生了大幅下滑. 另外值得注意的是, 深度学习需要大量的训练样本, 一些低截获概率雷达和新体制雷达并没有大量可训练的数据, 对于这类雷达信号的AF, 深度学习无法获取到更好的表示方法, 因此基于图像处理的AF降维与特征提取方法依然是当前的研究重点. 文献[9]提取的AFMR是AF在整个时频域内搜索到的最大截面, 因此AFMR特征具备较强的抗干扰能力, 在0 dB时平均分选成功率也达到了令人满意的81.16 %. 文献[12]的AF对角线特征的分选成功率从5 dB开始大幅降低, 这是AF对角线蕴含的信息较少且无法表征AF的三维分布特性所致.
除AF主脊外, 一些海拔较高的AF地貌也蕴含着丰富的脉内信息. 本文提出的AF等高线则较好地利用了这部分信息, 为AF的三维地貌特点提供了更为完整地描述. 因此等高线特征展现出了比同类方法更强的稳定性, 即使在0 dB下, 平均分选成功率也保持在89.04 %以上. 本实验说明本文特征对信号的AF具有较强的表达能力且在低SNR下依然具备良好的类内聚敛性与类间分离度.
3.2 动态信噪比下的分选实验
为验证本文所提特征在SNR变化时的性能, 取0到20 dB中每隔2 dB对每类信号各取10个随机样本, 组成一个660样本的信号集2. 图 6给出了信号集2的分选效果图, 折线相连的点代表分成一类的信号, 表 2给出了详细的分选统计数据.
表 2 信号集2的分选结果Table 2 Sorting results of signal set2信号类型 分类结果 CON LFM BPSK QPSK MSEQ BFSK hline CON 110 0 0 0 0 0 LFM 0 110 0 0 0 0 BPSK 0 0 108 3 4 2 QPSK 0 0 2 107 0 13 MSEQ 0 0 0 0 106 0 BFSK 0 0 0 0 0 95 成功率% 100 % 100 % 98.18 % 97.27 % 96.36 % 86.36 % 从图 6不难看出, 在0 ~ 20 dB动态SNR环境下, CON、LFM信号的特征参数分布较为集中且与其他信号相隔较远, 展现出了较好的抗噪性能. BPSK和QPSK信号的特征参数在SNR的动态变化下产生了部分交叠, 这是由于BPSK信号和QPSK信号的主要区别在于相位调制的阶数不同, 在强噪声的干扰下频移特性并不是十分显著, 导致抗噪性能略有下降. 此外, 由于0 dB下约有10 %的BFSK信号的小岛状区域被噪声淹没, 导致其等高线的分布范围向QPSK信号靠拢, 使分选产生一定误差. 从表 2中可以看出, 仅有2.7 %的BPSK和QPSK信号产生了交叠, 3.6 %的MSEQ信号错分到了BPSK, 11.8 %的BFSK错分到了QPSK信号, 整体分选成功率达到了96.36 %, 说明所提特征参数能够适应较大动态SNR情形.
3.3 实测雷达数据实验
为了进一步验证本文方法在实际工程中的应用价值, 采用雷达外场实测数据进行实验. 实测信号集参数如表 3所示. 分别使用特征向量$ {{V\mathit{\boldsymbol{}}}}_{1} = [RF, PW] $和$ {{V\mathit{\boldsymbol{}}}}_{2} = [S, AR, \alpha , RF, PW] $进行聚类分选. 表 4给出了$ {{V\mathit{\boldsymbol{}}}}_{1} $和$ {{V\mathit{\boldsymbol{}}}}_{2} $对实测信号集的分选结果对比.
表 3 实测雷达数据参数分布Table 3 Distribution of measured radar parameters辐射源 辐射源参数 调制类型 RF(MHz) PW(μs) 1 线性调频 9 810、9 682、9 645、9 750、9 662五个频点波位组变, 频率分集 20 2 非线性调制 9 850固定 16 3 非线性调制 9 807、9 833、9 792、9 822、9 762、9 773六个频点波位组变 3 ~ 5个脉冲一组, 每组PW在7、13任意 4 常规脉冲 9 500 ~ 9 700单脉冲捷变 3 ~ 5个脉冲一组, 每组PW在0.9、1.0、1.1、1.2任意 5 线性调频 9 513、9 518、9 523、9 548、9 553、9 563六个频点波位组变 3 ~ 5个脉冲一组, 每组PW在6、12、18任意 从表 3可以看出, 信号集3中的调制类型、调制参数均有明显的交叠, 基本满足复杂电磁环境的要求. 表 4实验结果表明, 仅采用$ {RF} $和$ {PW} $两个参数分选时, 3号辐射源的所有个体均不同程度地混叠到了$ {RF} $接近的1号辐射源以及$ {PW} $接近的5号辐射源中, 并未单独形成一类, 无法分选. 此外, 4号、5号辐射源的参数存在显著跳变, 受其影响也较难区分. 由于线性调频信号的细棍形等高线明显区别于非线性调制信号的梭形等高线, 因此增加本文所提特征后, 采用线性调频的5号辐射源的分选成功率提高到了92%, 非线性调制的3号辐射源的聚类效果也得到了提升, 单独形成了一类. 本文特征对4号辐射源分选效果的提升有限, 这是因为$ {PW} $会改变CON信号AF的延展范围和频移方向的零点位置, 当$ {PW} $较大时, CON信号的AF等高线形状会介于细棍形和梭形之间, 导致4号辐射源的部分信号错分. 但总体来说, $ {S} $、$ {AR} $、$ {\alpha} $针对以上几种辐射源的分选都起到了一定增益效果, 证明所提特征可作为当前雷达辐射源信号特征参数集的有效补充.
表 4 实测雷达数据分选结果(%)Table 4 Sorting results of measured radar data (%)特征 不同辐射源的分选成功率 1 2 3 4 5 RF、PW 100 100 0 57 40 S, AR, α, RF, PW 100 100 56 63 92 3.4 特征提取耗时对比实验
由于真实战场中会出现大量甚至海量的雷达信号, 如果不能快速并有效地识别, 将对作战构成巨大的潜在威胁, 因此计算复杂度是雷达辐射源信号分选方法的重要指标[4]. 本实验中, 利用MATLAB自带的计时工具tic和toc统计本文方法的特征提取耗时, 并与文献[6]所用的双谱特征、文献[7]所用的奇异熵与分形维数特征、文献[9]所用的经典AFMR特征、文献[12]所用的AF对角线特征的提取耗时进行比较. 表 5给出了各类特征的平均提取耗时统计.
表 5 特征提取耗时对比(s)Table 5 Timing comparison of the feature extration (s)从表 5可以看出, 各类特征的提取耗时不尽相同, 这也从侧面反映了各类方法计算量的差异. 经典AFMR特征的提取耗时最长, 奇异熵和分形维数特征次之. 双谱特征、AF等高线特征以及本文特征的提取耗时较为接近, 均为0.2 s左右, 具备较强的时效性. 以上方法的问题规模均取决于信号重采样的点数$ N $, 因此可根据算法主要语句相对于$ N $的频度和对各类方法的计算量进行分析.
根据文献[6]中的算法步骤, 提取双谱特征首先需计算双谱幅度谱. 双谱幅度谱的计算需要进行$ K $ (数据分段数)次FFT计算, 而单次FFT的复杂度为O($ N\log N $), 因此该环节的算法复杂度为O($ KN\log N $). 其次需计算双谱幅度谱特征截面的分形维数, 分形维数包含盒维数与信息维数, 该环节复杂度为O(2$ N $), 因此双谱特征的复杂度为O($ KN\log N+2N $).
文献[7]本质上是对文献[6]的改进与补充, 采用CWD变换代替双谱作为分形维数的提取对象, 其次增加了频谱的奇异熵作为分选特征. 奇异值分解包含矩阵相乘运算, 复杂度为O$ (N^{3}) $. 频谱以及CWD变换可采用FFT实现, 因此该文特征的算法复杂度为O$ (N^{3}+2N\log N +2N $).
文献[9]中AFMR特征的提取首先需利用分数自相关计算任意角度对应的AF值. 一次分数自相关运算包含一个$ 1+P $阶的分数傅里叶变换和一次傅里叶逆变换(复杂度为O$ (N\log N $)), 由文献[24]可知, 快速分数傅里叶变换复杂度为O$ (9N\log N $). 其次, 需要在$ [-\pi /2, \pi /2] $范围内对AFMR进行搜索, 当搜索精度为$ 0.1^{\circ } $时, 搜索次数为1 800次, 因此AFMR特征的复杂度为O$ (18 000N\log N $).
文献[12]提取的是AF对角线的小波系数. 由于AF对角线特征的提取面向网格采样的离散AF值, 可直接用FFT计算AF, 该环节复杂度为O$ (N\log N $). 其次需要将AF对角线进行小波分\linebreak解, 根据文献[23]的小波快速算法, 至少需要\linebreak 2$ ^{n} $次FFT运算, 因此该方法的复杂度为O$ ((2^{n}+1)N\log N $), 其中$ n $为小波分解层数.
本文方法与文献[12]相同, 采用FFT直接计算网格采样的离散AF值. 高斯平滑环节, 先对AF逐行平滑, 再对中间结果逐列平滑, 算法复杂度为O$ (2MN^{2}) $, $ M $为高斯掩膜的尺寸. 等高线的求解环节, 考虑最坏情况(所有相邻AF之间均有等值点存在), 复杂度为O$ (3N^{2}) $. 正外接矩与方向角的\linebreak计算量可忽略, 因此本文方法的算法复杂度为O$ (N\log N+ (2M +3)N^{2}) $.
综合以上分析, 从算法阶数来看, 文献[7]提取的奇异熵与分形维数特征复杂度阶数最高, 其次是本文特征. 文献[6]、[9]、[12]的复杂度均为O$ (N \log N $)阶, 但常系数有很大不同. 实际应用中$ N $的取值通常为$ 100\sim 1 000 $, 因此可对算法总计算量$ C $进行估算. 总计算量的比较结果为: C文献[6] ≈ C文献[12]<C本文特征<C文献[7]<C文献[9], 这与表 4的实验结果基本一致.
4. 结语
本文提出了一种基于高斯平滑与等高线的AF特征提取新思路, 将雷达辐射源信号分选问题转化为图像特征提取问题. 该方法主要有以下优点:
1) 和AF各类代表性切片相比, AF等高线在完成特征降维的同时还保留了更多的地貌特点, 增加了信息的利用率, 有助于挖掘性能更加优异的特征.
2) 从图像处理的角度提取的三个特征参数能较好地反映AF的三维分布特性与走向. 仿真实验与实测数据均表明所提特征能较好的反映信号间的差异, 具有一定的工程价值.
3) 基于线性插值的AF等高线计算方法面向常规采样信号的网格AF值, 算法计算量较低, 具备较强的时效性.
由于高斯平滑算子仅对噪声带来的毛刺有较好的抑制作用, 因此有必要对噪声带来的塌陷进行补偿以增加更低SNR下的分选能力. 此外, 实测数据中3、4辐射源信号的分选效果还有较大提升空间, 因此补充更多的特征参数或采用分批处理的思想优化分选环节是下一步值得研究的方向.
-
表 1 信号集1的平均分选成功率(%)
Table 1 Average correct rate of signal set1 (%)
信号类型 不同SNR下分选成功率(dB) 0 2 4 6 8~20 CON 100 100 100 100 100 LFM 100 100 100 100 100 BPSK 82.54 96.69 98.03 99.1 100 QPSK 83.32 97.06 98.22 98.86 100 MSEQ 87.77 97.42 99.01 99.54 100 BFSK 80.58 100 100 100 100 平均 89.04 98.53 99.21 99.58 100 表 2 信号集2的分选结果
Table 2 Sorting results of signal set2
信号类型 分类结果 CON LFM BPSK QPSK MSEQ BFSK hline CON 110 0 0 0 0 0 LFM 0 110 0 0 0 0 BPSK 0 0 108 3 4 2 QPSK 0 0 2 107 0 13 MSEQ 0 0 0 0 106 0 BFSK 0 0 0 0 0 95 成功率% 100 % 100 % 98.18 % 97.27 % 96.36 % 86.36 % 表 3 实测雷达数据参数分布
Table 3 Distribution of measured radar parameters
辐射源 辐射源参数 调制类型 RF(MHz) PW(μs) 1 线性调频 9 810、9 682、9 645、9 750、9 662五个频点波位组变, 频率分集 20 2 非线性调制 9 850固定 16 3 非线性调制 9 807、9 833、9 792、9 822、9 762、9 773六个频点波位组变 3 ~ 5个脉冲一组, 每组PW在7、13任意 4 常规脉冲 9 500 ~ 9 700单脉冲捷变 3 ~ 5个脉冲一组, 每组PW在0.9、1.0、1.1、1.2任意 5 线性调频 9 513、9 518、9 523、9 548、9 553、9 563六个频点波位组变 3 ~ 5个脉冲一组, 每组PW在6、12、18任意 表 4 实测雷达数据分选结果(%)
Table 4 Sorting results of measured radar data (%)
特征 不同辐射源的分选成功率 1 2 3 4 5 RF、PW 100 100 0 57 40 S, AR, α, RF, PW 100 100 56 63 92 表 5 特征提取耗时对比(s)
Table 5 Timing comparison of the feature extration (s)
-
[1] Iglesias V, Grajal J, Royer P, et al. Real-time low-complexity automatic modulation classifier for pulsed radar signals. IEEE Transactions on Aerospace and Electronic Systems, 2015, 51(01): 108-126 doi: 10.1109/TAES.2014.130183 [2] Lu W L, Xie J W, Wang H M, et al. Separation of intercepted multi-radar signals based on parameterized time-frequency analysis. Frequenz, 2016, 70(9-10): 403-415 http://www.degruyter.com/dg/journalprintahead.articlelist.resultlinks.fullcontentlink:pdfeventlink/$002fj$002ffreq.ahead-of-print$002ffreq-2015-0253$002ffreq-2015-0253.pdf/freq-2015-0253.pdf?t:ac=j$002ffreq [3] 沈家煌, 黄建冲, 朱永成. 雷达辐射源信号快速识别综述. 电子信息对抗技术, 2017, 32(05): 5-10 https://www.cnki.com.cn/Article/CJFDTOTAL-DZDK201705002.htmShen Jia-Huang, Huang Jian-Chong, Zhu Yong-Cheng. Overview of radar signal fast recognition. Electronic Information Warfare Technology, 2017, 32(05): 5-10 https://www.cnki.com.cn/Article/CJFDTOTAL-DZDK201705002.htm [4] 路征, 龚燕. 雷达辐射源识别技术面临的主要挑战及对策. 国防科技, 2017, 38(02): 24-27 https://www.cnki.com.cn/Article/CJFDTOTAL-GFCK201702006.htmLu Zheng, Gong Yan. Thoughts on the major challenge of radar emitter recognition technology and countermeasures. National Defense Science & Technology, 2017, 38(02): 24-27 https://www.cnki.com.cn/Article/CJFDTOTAL-GFCK201702006.htm [5] Zhang W X, Wang B, Sun F L. Recognition method based on wigner-hough transform for poly-phase code radar signal. International Journal of Communications, Network and System Sciences, 2017, 10(08): 128-137 doi: 10.4236/ijcns.2017.108B014 [6] Chen Chang-Xiao, He Ming-Hao, Xu Jing, et al. A new method for sorting unknown radar emitter signal. Chinese Journal of Electronics, 2014, 23(03): 499-502 [7] 曲志昱, 毛校洁, 侯长波. 基于奇异值熵和分形维数的雷达信号识别. 系统工程与电子技术, 2018, 40(02): 303-307 https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201802010.htmQu Zhi-Yu, Mao Xiao-Jie, Hou Chang-Bo. Radar signal recognition based on singular value entropy and fractal dimension. Systems Engineering and Electronics, 2018, 40(02): 303-307 https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201802010.htm [8] 刘永军, 廖桂生, 杨志伟. 基OFDM的雷达通信一体化波形模糊函数分析. 系统工程与电子技术, 2016, 38(09): 2008-2018Liu Yong-Jun, Liao Gui-Sheng, Yang Zhi-Wei. Ambiguity function analysis of intergrated radar andcommunication waveform based on OFDM. Systems Engineering and Electronics, 2016, 38(09): 2008-2018 [9] 普运伟, 金炜东, 朱明, 等. 雷达辐射源信号模糊函数主脊切面特征提取方法. 红外与毫米波学报, 2008, 27(02): 133-137 https://www.cnki.com.cn/Article/CJFDTOTAL-HWYH200802011.htmPu Yun-Wei, Jin Wei-Dong, Zhu Ming, et al. Extracting the main ridge slice characteristics of ambiguity function for radar emitter signals. Journal of Infrared Millimeter Waves, 2008, 27(02): 133-137 https://www.cnki.com.cn/Article/CJFDTOTAL-HWYH200802011.htm [10] Guo Q, Nan P, Zhang X, et al. Recognition of radar emitter signals based on SVD and AF main ridge slice. Journal of Communications & Networks, 2015, 17(05): 491-498 http://or.nsfc.gov.cn/bitstream/00001903-5/571474/1/1000014101826.pdf [11] 许程成, 周青松, 张剑云, 谌诗娃. 导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法. 电子学报, 2018, 46(07): 1663-1668 https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU201807018.htmXu Cheng-Cheng, Zhou Qing-Song, Zhang Jian-Yun, et al. Radar emitter recognition based on ambiguity function features with derivative constraint on smoothing. Acta Electronica Sinca, 2018, 46(07): 1663-1668 https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU201807018.htm [12] Guo H, Zhang X, Yang L, Zhang S. Improved Fisher linear discriminant analysis for feature extraction of unintentional modulation on pulse by combining ambiguity function with wavelet transform. In: Proceedings of the International Radar Conference, Hangzhou, China: IET, 2015. 1-4 [13] Ding Y, Fu X. Kernel-based fuzzy c-means clustering algorithm based on genetic algorithm. Neurocomputing, 2016, 188: 233-238 [14] Zhuo Zhi-Hai and Shan Tao. Research on fast computation of ambiguity function. In: Proceedings of the International Congress on Image and Signal Processing, Hainan, China: IEEE, 2008. 188-192 [15] Wei X, Yang Q, Gong Y. Joint contour flltering. International Journal of Computer Vision, 2018, 126(2): 1-21 [16] 普运伟, 郭媛蒲, 侯文太, 等. 模糊函数主脊切面极坐标域形态特征提取方法. 仪器仪表学报, 2018, 39(10): 1-9 https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201810001.htmPu Yun-Wei, Guo Yuan-Pu, Hou Wen-Tai, et al. Extracting method for morphological feature based on the polar transformation of the slice of ambiguity function main ridge. Chinese Journal of Scientific Instrument, 2018, 39(10): 1-9 https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201810001.htm [17] 普运伟, 侯文太, 郭媛蒲, 等. 基于模糊函数三维特征的雷达辐射源信号分选方法. 控制与决策, 2018, DOI: 10.13195/j.kzyjc.2018.0144Pu Yun-Wei, Hou Wen-Tai, Guo Yuan-Pu, et al. A sorting method of radar emitter signal based on three dimensional feature of ambiguity function. Control and Decision, DOI: 10.13195/j.kzyjc.2018.0144 [18] Eynard J D, Jenny B. Illuminated and shadowed contour lines: improving algorithms and evaluating effectiveness. International Journal of Geographical Information Science, 2016, 30(10): 1923-1943 http://www.cartography.oregonstate.edu/pdf/2016_Eynard_Jenny_Illuminated_and_shadowed_contour_lines.pdf [19] 余昌龙, 王运锋, 张林嘉. 一种基于网格数据的等高线生成算法. 科学技术与工程, 2014, 14(07): 191-194, 199 https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201407043.htmYu Chang-Long, Wang Yun-Feng, Zhang Lin-Jia. An Algorithm of contour lines based on grid data. Science Technology and Engineering, 2014, 14(07): 191-194, 199 https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201407043.htm [20] Sven Loncaric. A survey of shape analysis techniques. Pattern Recognition, 1998, 31(08): 983-1001 http://bib.irb.hr/datoteka/51864.pr98.pdf [21] 刘丽, 赵凌君, 郭承玉, 王亮, 汤俊. 图像纹理分类方法研究进展和展望. 自动化学报, 2018, 44(04): 584-607 doi: 10.16383/j.aas.2018.c160452Liu Li, Zhao Ling-Jun, Guo Cheng-Yu, Wang Liang, Tang Jun. Texture classification: state-of-the-art methods and prospects. Acta Automatica Sinica, 2018, 44(04): 584-607 doi: 10.16383/j.aas.2018.c160452 [22] 张号逵, 李映, 姜晔楠. 深度学习在高光谱图像分类领域的研究现状与展望. 自动化学报, 2018, 44(06): 961-977 doi: 10.16383/j.aas.2018.c170190Zhang Hao-Kui, Li Ying, Jiang Ye-Nan. Deep learning for hyperspectral imagery classification: the state of the art and prospects. Acta Automatica Sinica, 2018, 44(06): 961-977 doi: 10.16383/j.aas.2018.c170190 [23] 吴志勇, 丁香乾, 许晓伟, 鞠传香. 基于深度学习和模糊C均值的心电信号分类方法. 自动化学报, 2018, 44(10): 1913-1920 doi: 10.16383/j.aas.2018.c170417Wu Zhi-Yong, Ding Xiang-Qian, Xu Xiao-Wei, Ju Chuan-Xiang. A method for ECG classification using deep learning and fuzzy C-means. Acta Automatica Sinica, 2018, 44(10): 1913-1920 doi: 10.16383/j.aas.2018.c170417 [24] 赵兴浩, 陶然, 邓兵, 等. 分数阶傅里叶变换的快速计算新方法. 电子学报, 2007, 35(06): 1089-1093 https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU200706016.htmZhao Xing-Hao, Tao Ran, Deng Bing, et al. New methods for fast computation of fractional Fourier transform. Acta Electronica Sinca, 2007, 35(06): 1089-1093 https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU200706016.htm [25] 张德干, 郝先臣, 高光来, 等. 一种基于快速傅里叶变换的小波变换方法. 东北大学学报(自然科学版), 2000, 21(06): 598-601 https://www.cnki.com.cn/Article/CJFDTOTAL-DLZS201907019.htmZhang De-Gan, Hao Xian-Cheng, Gao Guang-Rongm, et al. A method of FFT-based wavelet transform. Journal of Northeastern University (Nature Science), 2000, 21(06): 598-601 https://www.cnki.com.cn/Article/CJFDTOTAL-DLZS201907019.htm 期刊类型引用(12)
1. 罗佳奕,李煊鹏,李江浩,薛启凡,杨凤,张为公. 基于PDW多特征融合的辐射源信号分选方法. 系统工程与电子技术. 2024(01): 80-87 . 百度学术
2. 韩贝,卢磊. 基于物联网的城市交叉路段交通信号智能控制方法. 电子设计工程. 2024(05): 136-140 . 百度学术
3. 刘涛涛,田春瑾,普运伟,郭江. 基于一维卷积循环神经网络的雷达辐射源信号识别. 四川大学学报(自然科学版). 2023(04): 89-95 . 百度学术
4. 普运伟,陈新杰,余永鹏,戴子瑜. 基于模糊函数多维结构度量特征的雷达辐射源信号流在线分选. 仪器仪表学报. 2023(08): 277-288 . 百度学术
5. 江良剑,谢伟朋,吴力华. 基于降噪模糊函数和EfficientNet的雷达信号识别. 舰船电子工程. 2023(11): 78-83 . 百度学术
6. 吴力华,杨露菁,袁园. 基于EEMD降噪和模糊函数奇异值向量的雷达辐射源信号识别算法. 火力与指挥控制. 2022(02): 121-126 . 百度学术
7. 普运伟,吴海潇,姜萤,余永鹏. 雷达辐射源信号分选识别特征性能评价的改进灰色关联模型. 数据采集与处理. 2022(03): 657-667 . 百度学术
8. 谢敏,赵闯,胡德秀. 基于脉冲串的雷达信号分选性能评估指标. 信号处理. 2022(11): 2350-2358 . 百度学术
9. 吴力华,杨露菁,袁园. 高斯平滑模糊函数和sDAE_LIBSVM的LPI雷达调制样式识别. 电光与控制. 2022(11): 31-37 . 百度学术
10. 普运伟,刘涛涛,吴海潇,郭江. 基于卷积双向长短时记忆网络的雷达辐射源信号识别. 激光与光电子学进展. 2022(22): 361-368 . 百度学术
11. 孙艺聪,田润澜,刘冲,郭扬. 基于Bagging-CNN雷达信号分类方法. 兵器装备工程学报. 2021(05): 191-195+226 . 百度学术
12. 普运伟,刘涛涛,郭江,吴海潇. 基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别. 兵工学报. 2021(08): 1680-1689 . 百度学术
其他类型引用(6)
-