基于时频分析特征融合的雷达工作模式识别方法及系统

包括：
13.①
对输入雷达信号进行frft计算；
14.②
计算不同阶数下frft的峰度系数，并找出峰度系数的峰值个数k，同时根据峰度系数的峰值所对应的最大阶数和最小阶数设置阶数搜索范围；
15.③
对输入雷达信号进行vmd分解，得到表示雷达信号的分量集合；
16.④
对每个雷达信号分量进行局部最优stfrft计算，得到每个雷达信号分量的时频分布；
17.⑤
将雷达信号分量的时频分布进行叠加，得到原始雷达输入信号的时频表示；
18.⑥
计算同步提取算子seo，得到雷达信号分数阶时频分布特征x1。
19.在上述基于时频分析特征融合的雷达工作模式识别方法中，所述基于倒谱的多重同步压缩de-shape msst处理，获取雷达信号的短时时频特征x2包括：
20.⑴
对信号进行短时傅里叶变换stft，得到输入信号的时频特征；
21.⑵
将时频特征进行倒谱变换处理，包括短时倒谱变换、倒谱域滤波、逆短时倒谱变换；
22.⑶
将信号时频特征及倒谱变换结果相乘，得到基于倒谱变换de-shape的短时傅里叶stft时频分布特征；
23.⑷
利用多重同步压缩msst进行时频特征聚集，以降低虚假信号对时频特征的影响，得到高聚集度的信号短时时频特征。
24.在上述基于时频分析特征融合的雷达工作模式识别方法中，所述雷达信号的功率谱特征x3的计算采用ar模型算法。
25.在上述基于时频分析特征融合的雷达工作模式识别方法中，所述典型雷达的工作模式包括：速度搜索vs、边搜索边测距rws、边搜索边跟踪tws、搜索加跟踪tas、单目标跟踪stt、多目标跟踪mtt；经过训练的特征融合模型损失函数值随着训练次数的增加逐渐减小，最终收敛至某一值。
26.一种用于基于时频分析特征融合的雷达工作模式识别系统，包括雷达信号提取模块，用于获取雷达信号；雷达信号特征提取模块，用于提取雷达信号特征；特征融合模块，用于将提取的雷达信号特征构建雷达工作模式特征模型；信号处理模块，用于对雷达信号进行处理并识别雷达工作模式。
27.一种电子设备，存储计算机可执行指令的计算机可读存储介质；和一个或多个处理器，所述一个或多个处理器耦接到所述计算机可读存储介质并被配置为执行所述计算机可执行指令，以使得所述设备执行根据上述的方法。
28.一种可读存储介质，存储有计算机可执行指令，所述计算机可执行指令当由处理器执行时，将处理器配置为执行上述的方法。
29.与现有技术相比，本发明的有益效果是：本发明提取雷达信号的分数阶时频分布特征、短时时频分布特征、功率谱特征三种信号特征，构建雷达工作模式特征融合网络进行联合特征提取，可以获取雷达工作模式的特征融合参数，降低了信号噪声、脉冲丢失、干扰信号对雷达工作模式识别的影响，在对丢脉冲、漏脉冲及虚假脉冲存在的情况下的雷达工作模式识别具有更好的适应性和识别概率。
附图说明
30.图1为本发明实施例基于时频分析特征融合的雷达工作模式识别方法流程图；
31.图2为本发明实施例基于变分模态分解的同步提取短时分数傅里叶变换算法(pro-stfrft)流程图；
32.图3为本发明实施例基于倒谱的多重同步压缩(de-shape msst)流程图；
33.图4为本发明实施例特征融合模型进行训练示意图；
34.图5为本发明实施例训练后的特征融合网络损失函数值示意图；
35.图6为本发明实施例训练后的雷达工作模式融合网络的雷达工作模式识别示意图。
具体实施方式
36.下面将结合本发明实施例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作出创造性劳动的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。
37.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
38.下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
39.在复杂的战场电磁环境下，各种新型、未知的电磁威胁辐射源层出不穷，如何提高电子侦察系统在复杂电磁环境下的雷达工作模式识别能力是电子战应对未来战场生存能力挑战的关键问题。本实施例提出一种基于时频分析特征融合的雷达工作模式识别方法，通过时频分析、功率谱估计处理，提取雷达辐射源的时频分布和功率谱，构建特征融合模型进行雷达工作模式识别，并通过训练标签对识别结果进行评估和改建，不断获得最优的工作模式识别结果。本实施例将雷达信号时频分布特征及具有统计意义的功率谱特征进行融合，构建的工作模式识别模型对丢脉冲、漏脉冲及虚假脉冲存在的情况下的雷达工作模式识别具有更好的适应性和识别概率。
40.本实施例是通过以下技术方案来实现的，一种基于时频分析特征融合的雷达工作模式识别方法，包括：
41.s1、获取有利于完成雷达工作模式识别任务的雷达信号；
42.s2、将同步提取变换、变分模态分解与短时分数傅里叶变换相结合，得到基于变分模态分解的同步提取短时分数傅里叶变换算法(pro-stfrft)，提取雷达信号分数阶时频分布特征x1；
43.s3、利用多重同步压缩算法(msst)和倒谱变换对雷达信号进行基于倒谱的多重同步压缩(de-shape msst)处理，获取雷达信号的短时时频特征x2；
44.s4、利用功率谱估计算法对雷达信号的功率谱特征进行估计，得到雷达信号的功率谱特征x3；
45.s5、基于x1、x2、x3构建综合度较高的雷达工作模式特征融合模型，通过将雷达信号特征及雷达工作模式信息做为输入和输出，对工作模式特征融合模型进行训练，调整内部元素权重及连接方式等信息，使模型损失函数最小；
46.s6、利用构建的模型对雷达信号进行处理即可得到雷达工作模式的识别结果。
47.实施例1
48.如图1所示，一种基于时频分析特征融合的雷达工作模式识别方法，包括：1)、获取雷达信号；2)、将同步提取变换、变分模态分解与短时分数傅里叶变换相结合，得到基于变分模态分解的同步提取短时分数傅里叶变换算法(pro-stfrft)，提取雷达信号分数阶时频分布特征x1；3)、利用多重同步压缩算法(msst)和倒谱变换对雷达信号进行基于倒谱的多重同步压缩(de-shape msst)处理，获取雷达信号的高聚集度时频特征x2；4)、利用功率谱估计算法对雷达信号的功率谱特征进行估计，得到雷达信号的功率谱特征x3；5)、基于x1、x2、x3构建综合度较高的雷达工作模式特征融合模型，通过将雷达信号特征及雷达工作模式信息做为输入和输出，对工作模式特征融合模型进行训练，调整内部元素权重及连接方式等信息，使模型损失函数最小；6)、利用构建的模型对雷达信号进行处理即可得到雷达工作模式的识别结果。
49.如图2所示，所述s2步骤中，基于变分模态分解的同步提取短时分数傅里叶变换算法(pro-stfrft)具体实现方法为：
①
对输入信号进行frft计算；
②
计算不同阶数下frft的峰度系数，并找出峰度系数的峰值个数k，同时根据峰度系数的峰值所对应的最大阶数和最小阶数设置阶数搜索范围；
③
对输入信号进行vmd分解，得到可以表示信号的分量集合；
④
对每个分量进行局部最优stfrft计算，得到每个分量的时频分布；
⑤
将分量的时频分布进行叠加，得到原始输入信号的时频表示；
⑥
计算同步提取算子seo，得到信号分数阶时频分布特征。
50.如图3所示，所述s3步骤中，基于倒谱的多重同步压缩(de-shape msst)处理具体实现方法为：
①
对信号进行短时傅里叶变换(stft)，得到输入信号的时频特征；
②
将时频特征进行倒谱变换处理，包括短时倒谱变换、倒谱域滤波、逆短时倒谱变换；
③
将信号时频特征及倒谱变换结果相乘，得到基于倒谱变换(de-shape)的短时傅里叶(stft)时频分布特征；
④
利用多重同步压缩(msst)进行时频特征聚集，以降低虚假信号对时频特征的影响，得到高聚集度的信号短时时频特征。
51.所述s4步骤中，功率谱计算采用ar模型算法获得信号的功率谱特征x3；
52.如图4所示，所述s5步骤中，构建基于卷积神经网络的雷达辐射源工作模式特征融合网络，将提取的雷达信号分数阶时频分布特征x1、短时时频分布特征x2、功率谱特征x3作为输入，对特征融合模型进行训练，调整内部元素权重及连接方式等信息，使模型损失函数最小；
53.如图5所示，在构建典型雷达的工作模式训练数据库的基础上，包括：vs(速度搜索)、rws(边搜索边测距)、tws(边搜索边跟踪)、tas(搜索加跟踪)、stt(单目标跟踪)、mtt(多目标跟踪)等典型的工作模式，经过训练后的特征融合网络损失函数值随着训练次数的增加逐渐减小，最终收敛至某一值；
54.如图6所示，使用上述训练后的雷达工作模式融合网络进行雷达工作模式识别，可以得到较高的识别概率。
55.实施例2
56.用于基于时频分析特征融合的雷达工作模式识别系统，包括雷达信号提取模块，用于获取雷达信号；雷达信号特征提取模块，用于提取雷达信号特征；特征融合模块，用于
将提取的雷达信号特征构建雷达工作模式特征模型；信号处理模块，用于对雷达信号进行处理并识别雷达工作模式。
57.实施例3
58.一种电子设备，存储计算机可执行指令的计算机可读存储介质；和一个或多个处理器，所述一个或多个处理器耦接到所述计算机可读存储介质并被配置为执行所述计算机可执行指令，以使得所述设备执行实施例1所述的方法。
59.实施例4
60.一种可读存储介质，存储有计算机可执行指令，所述计算机可执行指令当由处理器执行时，将处理器配置为执行实施例1所述的方法。
61.以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

技术特征：
1.一种基于时频分析特征融合的雷达工作模式识别方法，其特征在于，包括：获取雷达信号；将同步提取变换、变分模态分解与短时分数傅里叶变换相结合，得到基于变分模态分解的同步提取短时分数傅里叶变换算法pro-stfrft，提取雷达信号分数阶时频分布特征x1；利用多重同步压缩算法msst和倒谱变换对雷达信号进行基于倒谱的多重同步压缩de-shape msst处理，获取雷达信号的短时时频特征x2；利用功率谱估计算法对雷达信号的功率谱特征进行估计，得到雷达信号的功率谱特征x3；基于雷达信号分数阶时频分布特征x1、雷达信号的短时时频特征x2、雷达信号的功率谱特征x3构建雷达工作模式特征融合模型，通过将雷达信号各特征及雷达工作模式信息做为输入和输出，对工作模式特征融合模型进行训练，调整内部元素权重及连接方式信息，使工作模式特征融合模型损失函数最小；利用构建的工作模式融合模型对雷达信号进行处理从而识别雷达工作模式。2.根据权利要求1所述基于时频分析特征融合的雷达工作模式识别方法，其特征在于，所述基于变分模态分解的同步提取短时分数傅里叶变换算法pro-stfrft，提取雷达信号分数阶时频分布特征x1包括：
①
对输入雷达信号进行frft计算；
②
计算不同阶数下frft的峰度系数，并找出峰度系数的峰值个数k，同时根据峰度系数的峰值所对应的最大阶数和最小阶数设置阶数搜索范围；
③
对输入雷达信号进行vmd分解，得到表示雷达信号的分量集合；
④
对每个雷达信号分量进行局部最优stfrft计算，得到每个雷达信号分量的时频分布；
⑤
将雷达信号分量的时频分布进行叠加，得到原始雷达输入信号的时频表示；
⑥
计算同步提取算子seo，得到雷达信号分数阶时频分布特征x1。3.根据权利要求1所述基于时频分析特征融合的雷达工作模式识别方法，其特征在于，所述基于倒谱的多重同步压缩de-shape msst处理，获取雷达信号的短时时频特征x2包括：
①
对信号进行短时傅里叶变换stft，得到输入信号的时频特征；
②
将时频特征进行倒谱变换处理，包括短时倒谱变换、倒谱域滤波、逆短时倒谱变换；
③
将信号时频特征及倒谱变换结果相乘，得到基于倒谱变换de-shape的短时傅里叶stft时频分布特征；
④
利用多重同步压缩msst进行时频特征聚集，以降低虚假信号对时频特征的影响，得到高聚集度的信号短时时频特征。4.根据权利要求1所述基于时频分析特征融合的雷达工作模式识别方法，其特征在于，所述雷达信号的功率谱特征x3的计算采用ar模型算法。5.根据权利要求1所述基于时频分析特征融合的雷达工作模式识别方法，其特征在于，所述典型雷达的工作模式包括：速度搜索vs、边搜索边测距rws、边搜索边跟踪tws、搜索加跟踪tas、单目标跟踪stt、多目标跟踪mtt；经过训练的特征融合模型损失函数值随着训练次数的增加逐渐减小，最终收敛至某一值。
6.用于权利要求1-5任一项所述基于时频分析特征融合的雷达工作模式识别方法的系统，其特征在于，包括雷达信号提取模块，用于获取雷达信号；雷达信号特征提取模块，用于提取雷达信号特征；特征融合模块，用于将提取的雷达信号特征构建雷达工作模式特征模型；信号处理模块，用于对雷达信号进行处理并识别雷达工作模式。7.一种电子设备，其特征在于，存储计算机可执行指令的计算机可读存储介质；和一个或多个处理器，所述一个或多个处理器耦接到所述计算机可读存储介质并被配置为执行所述计算机可执行指令，以使得所述设备执行根据权利要求1-5中任一项所述的方法。8.一种可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令当由处理器执行时，将处理器配置为执行根据权利要求1-5中任一项所述的方法。

技术总结
本发明涉及雷达通信技术，具体涉及基于时频分析特征融合的雷达工作模式识别方法及系统，该方法通过时频分析、功率谱估计处理，提取雷达辐射源的时频分布和功率谱，构建特征融合模型进行雷达工作模式识别，并通过训练标签对识别结果进行评估和改建，不断获得最优的工作模式识别结果。该方法将雷达信号时频分布特征及具有统计意义的功率谱特征进行融合，构建的工作模式识别模型对丢脉冲、漏脉冲及虚假脉冲存在的情况下的雷达工作模式识别具有更好的适应性和识别概率。适应性和识别概率。适应性和识别概率。


技术研发人员：邵命山 邱磊 张学志 郝大为 何鹏 周巧玲 唐勉
受保护的技术使用者：中国人民解放军陆军工程大学
技术研发日：2023.04.24
技术公布日：2023/7/22