论文部分内容阅读
雷达侦察作为现代电子对抗技术的重要组成部分,是电子干扰和电子防御的基础。雷达信号分选作为雷达侦察的关键步骤,是侦察系统信息处理分析的前提和保障。随着技术的进步,侦察系统所处电磁环境日渐复杂,如何在干扰和噪声中有效、高效的进行雷达信号分选已经成为备受关注的问题。本文研究了传统的信号分选方法和深度学习算法,借鉴深度学习中图像、语音的处理方法,减少了传统信号分选中需要设置的参数数量,提高了信号分选精度,使信号分选流程更加自动化、智能化。本文将Faster RCNN网络应用于信号分选,通过仿真产生接收机脉冲流进行训练,实现了对接收信号中所含辐射源的脉宽(PW)、载频(RF)参数范围的估计,以此实现雷达信号的预分选。此外,本文采用长短期记忆(LSTM)网络对辐射源的到达时间(TOA)进行预测,根据预测结果将接收信号中该辐射源的脉冲分离开来。本文主要工作如下:1.本文首先研究了传统的雷达信号分选算法,并对信号主分选中的直方图法进行分析,讨论了两信号交织的分选情况,对比分析了累积差直方图(CDIF)算法与序列差直方图(SDIF)算法对多信号交织的分选性能,SDIF算法较CDIF算法计算量更小,但其门限参数设定更加复杂。2.针对传统信号分选预分选聚类算法需要预先设定聚类数目,聚类结果容易受到干扰信号影响的不足,本文提出一种基于Faster RCNN网络的预分选算法,通过网络检测接收脉冲流中所含辐射源的PW、RF参数。首先根据已有的雷达辐射源信息仿真产生一定数量的接收脉冲流作为Faster RCNN网络的数据集,然后根据每个接收脉冲流的PW、RF二维分布图将其映射到长和宽均为256像素的图片中,图片的长和宽分别代表PW和RF参数,图片的标签为接收脉冲流中所含的辐射源编号及PW、RF参数对应的图片区域,最后通过Faster RCNN目标检测的方法得出测试接收脉冲流中所含辐射源的PW、RF参数范围,根据范围对接收脉冲流进行分选,达到对测试集信号预分选的目的。该算法在从雷达辐射源库匹配已知雷达脉冲和对未知雷达进行分选两种情况下都取得了较好的效果,达到了盲源分选的目的。3.针对传统直接序列检索法模型简单,误选、漏选概率高,难以实现对复杂体制雷达脉冲进行检索的不足,本文提出了一种基于LSTM网络的脉冲序列检索算法,采用LSTM网络对雷达辐射源发射脉冲规律进行建模。通过对已经成功分选的辐射源脉冲到达时间序列提取PRI信息进行网络训练,并通过网络预测该辐射源的后续PRI序列,再将PRI序列还原为脉冲到达时间,最后根据脉冲到达时间进行脉冲序列检索。实验表明通过LSTM网络预测后进行检索比传统的直接序列检索法准确率更高,可有效抑制对干扰脉冲的误选和目标脉冲的漏选。另外通过LSTM网络序列检索的方法还可对参差PRI信号和抖动PRI信号进行有效分选。