一种雷达信号分选方法

1.本发明涉及雷达信号处理领域，具体是一种雷达信号分选方法。


背景技术：

2.雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率（径向速度）、方位及高度等信息。自1944年起，雷达在电子战（ew）中投入使用，主要应用于空中侦察和火炮定位系统方面，雷达对抗在ew中的地位开始逐渐凸显。雷达信号分选方法是ew的一个重要基础。一般来说，电子战系统采用雷达信号分选方法来保护友军雷达，同时对敌方雷达采取攻击性行动，从而阻碍其跟踪和探测盟军目标的能力。因此研究一种高效的、实时的及具有认知功能的雷达信号分选算法具有广泛的和迫切的国防需求，对提升国防雷达对抗、电子对抗及认知电子对抗具有重要意义，是提高雷达侦查装备的关键技术。目前雷达侦查装备中往往采用库匹配形式的雷达信号分选算法。然而这类算法需要侦查人员掌握相关雷达工作模式的参数信息并构建知识库，从而限制了其普适性。同时随着雷达信号环境的日趋复杂，库模板匹配算法能力明显不足，甚至失效。
3.传统的雷达信号分选方法通常利用雷达信号的到达时间（time of arrival toa）序列作为主要数据。脉冲重复间隔（pulse repetition interval pri）是根据toa序列计算而来的重要分选参数。基于pri的传统雷达信号分选方法首先确定潜在的pri，然后在输入脉冲序列中循环搜索具有这些潜在pri的脉冲，以完成信号分类任务。常用的传统方法可分为两种：一种是基于统计直方图方法的，另一种是基于pri变换方法的。然而，随着pri调制模式和电磁环境的日益复杂，使用传统方法可能会增加潜在pri的搜索成本，并降低了雷达信号分选性能。
4.因此，针对以上现状，迫切需要提供一种雷达信号分选方法，以克服当前实际应用中的不足。


技术实现要素：

5.本发明的目的在于提供一种雷达信号分选方法，旨在解决上述背景技术中的问题。
6.本发明是这样实现的，一种雷达信号分选方法，该方法包括以下步骤：步骤a：生成长度为512的雷达信号脉冲的toa序列，格式为csv，其中每个序列中包含六种雷达信号调制模式的全排列组合，构建一个长宽为512的矩阵，计算csv文件中每两个元素之间的差的绝对值，并填在矩阵的相应位置，其余位置值为0，并将这个矩阵转化为512pix*512pix的图像；步骤b：对步骤a中的图像进行正则化操作，统计每个像素的频次，并用这个频次代替像素原来的值，把正则化后的数据集分成三个部分，即训练集、验证集和测试集；步骤c：构建基于卷积神经网络和transformer的rdnet来进行雷达信号分选，
rdnet包括特征提取编码器、解码器以及雷达信号分选头；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果；步骤d：使用步骤b中所得到的训练集和验证集对rdnet进行训练，生成训练好的rdnet模型；步骤e：使用步骤b中所得到的测试集对步骤d中训练好的rdnet模型进行测试。
7.作为本发明进一步的方案：在步骤a中，所述六种雷达信号调制模式包括恒参调制模式、抖动调制模式、参差调制模式、组参差调制模式、滑变调制模式以及正弦pri调制模式。
8.作为本发明进一步的方案：在步骤a中生成雷达信号脉冲的toa序列时，使用六种雷达信号调制模式的全排列组合，总计生成65700个数据。
9.作为本发明进一步的方案：在步骤c中，所述rdnet还包括卷积径；所述特征提取编码器包括卷积编码器和混合编码器。
10.作为本发明进一步的方案：步骤c具体包括：rdnet的输入是png图像，输入的png图像首先经过卷积径，随后经过卷积编码器和混合编码器，并通过部分跳跃连接弥补采样造成的损失，之后将特征送入雷达信号分选头，完成雷达信号分选；在卷积径中，输入图像经过了一个tdc模块，每个tdc模块包括三个深度可分离卷积层、bn层以及relu层；深度可分离卷积层首先对输入特征进行逐通道卷积，卷积核大小为3*3，步长为1，补全为1，组数为输入通道数；之后对这些特征进行逐点卷积，卷积核大小为3*3，步长为1，补全为0，组数为1；原始图像经过卷积径后输入到卷积编码器中；在卷积编码器中，首先经过一个卷积核大小为3*3，步长为1的卷积，再经过bn层和relu层来降低通道数；之后经过一个ddc模块，每个ddc模块包括两个深度可分离卷积层、bn层以及relu层；将最后一个relu层的输出，输入到另一个卷积核大小为3*3，步长为1的卷积，再输入bn层和relu层，将通道数调整为输出的通道数；再经过一个下采样层，将特征图的大小减半；最终得到提取的底层特征，然后将该底层特征输入到混合编码器中；在混合编码器中，先将输入的底层特征经过一个下采样层，使特征图大小减半，下采样层的采样方法同卷积编码器；并引入两个分支：第一个分支为一个mbba模块，用来提取条形特征；第二个分支为一个vision transformer层，利用多头自注意力机制来建模输入的全局特征；将这两个分支的输出使用mcaf模块融合起来；在使用1*1的卷积层调整条形特征和全局特征的通道后，对融合后的特征使用通道注意力，使模型更集中于重要的特征；最后将该特征输入到解码器中；在解码器中，输入混合编码器处理后特征，并经过四个解码器模块，每个解码器模块包含一个ddc模块和一个上采样层；上采样层的采样方法使用转置卷积，卷积核大小为4*4，步长为2，补全为1；最后一个上采样层的输出进入到雷达信号分选头；在雷达信号分选头中，被解码器处理后的特征首先经过一个卷积核大小3*3的深度可分离卷积，bn层和relu层来减少通道数；之后将这些输出送进一个卷积核大小为1*1的雷达信号分选头；最后将得到的特征进行计算，从而得到雷达信号分选的结果。
11.作为本发明进一步的方案：在卷积编码器中，下采样方法采用的是卷积方法，使用
一个卷积核大小为3*3，步长为2，补全为1的卷积层。
12.作为本发明进一步的方案：在混合编码器中，mbba将输入的特征通过一个1*1的卷积层，以减少通道的数量和计算的复杂性；随后，mbba采用三个条形卷积块分支来提取不同长度的条形特征；之后，mbba将每个分支的输出与输入特征相结合，然后将其作为注意力权重，对mbba模块的输入进行重新加权；条形卷积块即为卷积核大小为1*n和n*1的两个卷积层叠加。
13.作为本发明进一步的方案：在混合编码器中，在mcaf模块中，在处理vision transformer输出的全局特征时使用空间注意力；再将来自mbba中的特征与空间注意力处理后的vit特征按特定维度拼接后，使用通道注意力来聚合融合特征。
14.作为本发明进一步的方案：所述的步骤d具体为：使用步骤b中得到的训练集对所提出的网络rdnet进行训练，设置初始学习率为1e-4，并在训练过程中使用余弦退火方法动态调整学习率；batch size设置为4，优化器选择adam优化器，损失函数使用ce loss和dice loss的组合，训练轮次为150。
15.作为本发明进一步的方案：所述的步骤e具体为：使用步骤b获得的测试集，对已经训练好的rdnet模型进行测试，将网络输出的雷达信号分选结果与标签做对比，判断分选的准确率。
16.与现有技术相比，本发明的有益效果：本发明采用了一种独特的数据处理技术来提高信号分选性能的鲁棒性，并采用了一种名为rdnet的新型雷达语义分割模型来确定雷达信号的调制模式。rdnet集成了三个新的模块：多分支条注意力（mbba）模块来提取周期结构特征，vit模块，使rdnet对长距离依赖的捕获能力更强，多通道注意力特征融合（mcaf）模块确保mbba和vit的输出被有效的整合。值得注意的是，rdnet采用了端到端的结构，消除了传统方法对原始toa序列的重复循环，降低了计算过程的复杂性。同时该发明在雷达信号分选准确度的表现上明显优于传统方法，特别是在损失和噪声脉冲率高的电磁环境中。本发明提高电子战侦察能力，并为该领域的未来研究开辟了途径。
附图说明
17.图1为本发明实施例提供的一种雷达信号分选方法的流程图一。
18.图2为本发明实施例提供的一种雷达信号分选方法的流程图二。
19.图3为本发明实施例提供的一种雷达信号分选方法中rdnet的结构示意图。
具体实施方式
20.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下结合具体实施例对本发明的具体实现进行详细描述。
21.请参阅图1-图3，本发明实施例提供的一种雷达信号分选方法，该方法具体步骤包括：
扩充数据集：本发明旨在从交错的脉冲流中分选出六种（恒参、抖动、参差、组参差、滑变和正弦pri）调制模式的雷达信号。首先通过python中的itertools库生成包含六种调制模式的全排列索引，总计63种情况。为每种情况随机生成格式为csv的900个不同参数类型的长度为512的雷达脉冲toa序列，即包含512个脉冲信号。并使用python中的cv2库，将csv文件转化为png图像，大小为512pix*512pix。之后根据每个像素的频次，对数据做频次正则化，将原始数值替换为其频次。在正则化过的数据中，将行大于列的像素标记为该雷达信号的调制模式，列小于行的像素标记为背景；将这56700条数据按照7:2:1的比例划分为训练集、验证集和测试集，最终得到训练集39690张，验证集11340张，测试集5670张。
22.网络的构建与训练：构建基于卷积神经网络（cnn）和transformer的雷达信号语义分割网络（rdnet），rdnet的输入是png图像，输入的png图像首先经过卷积径，随后经过卷积编码器，混合编码器通过部分跳跃连接的方式弥补采样造成的损失，之后将特征送入雷达信号分选头，从而最终完成雷达信号的分选；在卷积编码器中，首先经过一个卷积核大小为3*3，步长为1的卷积，bn层和relu层用于降低通道数。之后经过一个ddc模块，每个ddc模块包括两个深度可分离卷积层、bn层以及relu层。将最后一个relu层的输出，输入到另一个卷积核大小为3*3，步长为1的卷积，再输入bn层和relu层，将通道数调整为输出的通道数。再经过一个下采样层，将特征图的大小减半。其中下采样层的采样方法采用的是卷积方法，使用一个卷积核大小为3*3，步长为2，补全为1的卷积层。最终得到提取的底层特征，然后将该底层特征输入到混合编码器中；在混合编码器中，先将输入的底层特征经过一个下采样层，使特征图大小减半，下采样层的采样方法同卷积编码器。之后我们引入了两个分支，第一个分支为一个mbba模块，用来提取条形特征。最初，mbba将输入的特征通过一个1*1的卷积层，以减少通道的数量和计算的复杂性。随后，mbba采用三个条形卷积块分支来提取复杂的特征。之后，mbba将每个分支的输出与输入特征相结合，然后将其作为注意力权重，对mbba模块的输入进行重新加权。条形卷积块即为卷积核大小为1*n和n*1的两个卷积层叠加，在mbba的三个分支中，n为别为3、5和7。第二个分支为一个vision transformer层，利用多头自注意力机制来建模输入的全局特征。之后将这两个分支的输出使用mcaf模块融合起来，在mcaf模块中，首先在处理vision transformer输出的全局特征时使用空间注意力，以帮助网络更好地从中提取结构信息；然后在使用1*1的卷积层调整条形特征和全局特征的通道后，对融合后的特征使用通道注意力，使模型更集中于重要的特征。最后将该特征输入到解码器中；在解码器中，输入混合编码器处理后特征，并经过四个解码器模块，每个解码器模块包含一个ddc模块和一个上采样层。上采样层的采样方法使用转置卷积，卷积核大小为4*4，步长为2，补全为1。后三个解码器模块接收来自与之对应的编码器输出的特征图，最底层的编码器不接收额外的特征图。最后一个上采样层的输出进入到雷达信号分选头；在雷达信号分选头中，被解码器处理后的特征首先经过一个卷积核大小3*3的深度可分离卷积，bn层和relu层来减少通道数。之后将这些输出送进一个卷积核大小为1*1的雷达信号分选头，它的输出通道数为8（包含背景和噪音）。最后将得到的特征进行最后维度
argmax操作，得到雷达信号分选的结果；网络的训练：使用扩充数据集中得到的训练集，对所提出的网络rdnet进行训练，设置初始学习率为1e-4，并在训练过程中使用余弦退火方法动态调整学习率，权重衰减设置为0.999。batch size设置为4，优化器选择adam优化器，损失函数使用ce loss和dice loss的组合，训练轮次为150。每训练1轮进行一次验证，每训练5轮进行一次测试，每训练30轮进行一次保存模型。当测试损失达到收敛时，保存模型并停止训练；测试数据对训练的模型进行验证，确定测试效果：对扩充数据集中得到的测试集，使用训练好的rdnet网络进行预测。首先加载训练阶段保存的最优模型和权重，将测试集中的数据输入至训练好的模型中，获得预测结果。结果包括每个像素的雷达信号调制模式标签，根据这个预测标签与测试集中的真实标签计算出平均误差，可以评估雷达信号分选的准确度。
23.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种雷达信号分选方法，其特征在于，该方法包括以下步骤：步骤a：生成长度为512的雷达信号脉冲的toa序列，格式为csv，其中每个序列中包含六种雷达信号调制模式的全排列组合，构建一个长宽为512的矩阵，计算csv文件中每两个元素之间的差的绝对值，并填在矩阵的相应位置，其余位置值为0，并将这个矩阵转化为512pix*512pix的图像；步骤b：对步骤a中的图像进行正则化操作，统计每个像素的频次，并用这个频次代替像素原来的值，把正则化后的数据集分成三个部分，即训练集、验证集和测试集；步骤c：构建基于卷积神经网络和transformer的rdnet来进行雷达信号分选，rdnet包括特征提取编码器、解码器以及雷达信号分选头；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果；步骤d：使用步骤b中所得到的训练集和验证集对rdnet进行训练，生成训练好的rdnet模型；步骤e：使用步骤b中所得到的测试集对步骤d中训练好的rdnet模型进行测试。2.根据权利要求1所述的雷达信号分选方法，其特征在于，在步骤a中，所述六种雷达信号调制模式包括恒参调制模式、抖动调制模式、参差调制模式、组参差调制模式、滑变调制模式以及正弦pri调制模式。3.根据权利要求1所述的雷达信号分选方法，其特征在于，在步骤a中生成雷达信号脉冲的toa序列时，使用六种雷达信号调制模式的全排列组合，总计生成65700个数据。4.根据权利要求1所述的雷达信号分选方法，其特征在于，在步骤c中，所述rdnet还包括卷积径；所述特征提取编码器包括卷积编码器和混合编码器。5.根据权利要求4所述的雷达信号分选方法，其特征在于，步骤c具体包括：rdnet的输入是png图像，输入的png图像首先经过卷积径，随后经过卷积编码器和混合编码器，并通过部分跳跃连接弥补采样造成的损失，之后将特征送入雷达信号分选头，完成雷达信号分选；在卷积径中，输入图像经过了一个tdc模块，每个tdc模块包括三个深度可分离卷积层、bn层以及relu层；深度可分离卷积层首先对输入特征进行逐通道卷积，卷积核大小为3*3，步长为1，补全为1，组数为输入通道数；之后对这些特征进行逐点卷积，卷积核大小为3*3，步长为1，补全为0，组数为1；原始图像经过卷积径后输入到卷积编码器中；在卷积编码器中，首先经过一个卷积核大小为3*3，步长为1的卷积，再经过bn层和relu层来降低通道数；之后经过一个ddc模块，每个ddc模块包括两个深度可分离卷积层、bn层以及relu层；将最后一个relu层的输出，输入到另一个卷积核大小为3*3，步长为1的卷积，再输入bn层和relu层，将通道数调整为输出的通道数；再经过一个下采样层，将特征图的大小减半；最终得到提取的底层特征，然后将该底层特征输入到混合编码器中；在混合编码器中，先将输入的底层特征经过一个下采样层，使特征图大小减半，下采样层的采样方法同卷积编码器；并引入两个分支：第一个分支为一个mbba模块，用来提取条形特征；第二个分支为一个vision transformer层，利用多头自注意力机制来建模输入的全局特征；将这两个分支的输出使用mcaf模块融合起来；在使用1*1的卷积层调整条形特征和
全局特征的通道后，对融合后的特征使用通道注意力，使模型更集中于重要的特征；最后将该特征输入到解码器中；在解码器中，输入混合编码器处理后特征，并经过四个解码器模块，每个解码器模块包含一个ddc模块和一个上采样层；上采样层的采样方法使用转置卷积，卷积核大小为4*4，步长为2，补全为1；最后一个上采样层的输出进入到雷达信号分选头；在雷达信号分选头中，被解码器处理后的特征首先经过一个卷积核大小3*3的深度可分离卷积，bn层和relu层来减少通道数；之后将这些输出送进一个卷积核大小为1*1的雷达信号分选头；最后将得到的特征进行计算，从而得到雷达信号分选的结果。6.根据权利要求5所述的雷达信号分选方法，其特征在于，在卷积编码器中，下采样方法采用的是卷积方法，使用一个卷积核大小为3*3，步长为2，补全为1的卷积层。7.根据权利要求5所述的雷达信号分选方法，其特征在于，在混合编码器中，mbba将输入的特征通过一个1*1的卷积层，以减少通道的数量和计算的复杂性；随后，mbba采用三个条形卷积块分支来提取不同长度的条形特征；之后，mbba将每个分支的输出与输入特征相结合，然后将其作为注意力权重，对mbba模块的输入进行重新加权；条形卷积块即为卷积核大小为1*n和n*1的两个卷积层叠加。8.根据权利要求5所述的雷达信号分选方法，其特征在于，在混合编码器中，在mcaf模块中，在处理vision transformer输出的全局特征时使用空间注意力；再将来自mbba中的特征与空间注意力处理后的vit特征按特定维度拼接后，使用通道注意力来聚合融合特征。9.根据权利要求1所述的雷达信号分选方法，其特征在于，所述的步骤d具体为：使用步骤b中得到的训练集对所提出的网络rdnet进行训练，设置初始学习率为1e-4，并在训练过程中使用余弦退火方法动态调整学习率；batch size设置为4，优化器选择adam优化器，损失函数使用ce loss和dice loss的组合，训练轮次为150。10.根据权利要求1所述的雷达信号分选方法，其特征在于，所述的步骤e具体为：使用步骤b获得的测试集，对已经训练好的rdnet模型进行测试，将网络输出的雷达信号分选结果与标签做对比，判断分选的准确率。

技术总结
本发明适用于雷达信号处理领域，提供了一种雷达信号分选方法，该方法包括以下步骤：步骤A：生成六种雷达信号调制模式不同情况的数据，以扩充数据集；步骤B：对步骤A中的图像进行正则化操作；步骤C：构建基于卷积神经网络和Transformer的RDNet；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果，本发明的分选准确度高，在面对输入脉冲中缺失率和噪音率高的情况下鲁棒性强，可以成为复杂电磁环境下雷达信号分选的有利工具，有助于电子战中雷达电子对抗的实施。对抗的实施。对抗的实施。


技术研发人员：周柚 刘洪嘉 肖钰彬 吴翾 李沅书 赵鹏 孙铭蔚 宋磊
受保护的技术使用者：吉林大学
技术研发日：2023.08.23
技术公布日：2023/9/20