一种基于稀疏分解的雷达信号识别方法

摘要

本发明公开了一种基于稀疏分解的雷达信号识别方法，待识别的具有不同脉内调制方式的雷达信号S(t)经基于复合差分进化算法的稀疏分解方法进行特征提取，包括时域衰减系数、频域衰减系数和时-频联合系数三种特征。然后采用自底向上二叉树支持向量机BUBTSVM对雷达信号进行识别。本发明采用复合差分进化算法结合多种试验向量产生策略以及参数设置，改进差分进化算法，可以很好地解决单一策略与参数匹配所带来的问题有效降低稀疏分解方法的计算复杂性，对雷达信号处理技术领域具有重要的实际应用价值。

说明书

所属技术领域

本发明涉及信号识别技术领域，尤其是基于稀疏分解方法的雷达信号识别 技术领域。

背景技术

稀疏分解是一种近年来发展较为快速的信号表示和处理方法，采用过完备 冗余函数取代传统正交基函数，并从原子库中选择具有最佳线性组合的原子表 示信号，实现灵活、自适应的表示，是一种非线性逼近的信号表示方法，在此 基础上，可通过对信号原子进行操作，实现对原信号的处理。稀疏分解方法有 较强的噪声抑制能力，有利于提高受噪声污染严重的雷达信号的正确识别率。

雷达信号识别是雷达对抗信号处理中的关键技术，其识别水平己成为衡量 电子对抗装备先进程度的重要标志。长期以来，人们主要依靠常规五参数实现 雷达信号的识别处理，往往对于常规雷达信号和信号密集度较低的情况下才能 获得满意的识别效果。随着现代电子和雷达技术的发展以及它们在现代战争中 的大量应用，新型雷达信号更加灵活多变，电磁信号越来越密集，致使传统识 别技术已不能满足现代电子战的需要。因此，迫切需要探索新的雷达信号识别 方法，以提高我国电子对抗装备的技术水平。近年来，国内外学者对雷达信号 识别进行了大量的研究，提出了许多新方法，以提高雷达信号识别水平。然而， 现有方法在信噪比小于0dB时无法实现雷达信号脉内调制的有效识别，且考虑 雷达信号种类较少，很少涉及低信噪比条件下调制类型不同的信号识别问题。 而在实际情况中，由于信号传播中大量噪声干扰以及截获过程中接收机内部噪 声的影响，雷达信号中常常含有大量噪声，信噪比较低，致使有用信号淹没在 噪声中，大大增加了识别的难度。但是，当采用稀疏分解方法分析雷达信号时， 计算复杂性偏高，难以有效处理采样率较高的雷达信号，其计算复杂度主要集中 在最佳原子搜索过程。

发明内容

鉴于现有技术的以上缺点，本发明旨在提出一种雷达信号识别新方法，降 低最佳原子搜索过程的计算复杂度，以解决在低信噪比情况下雷达信号识别率 骤降问题。

本发明的目的是通过如下的手段实现的。

一种基于稀疏分解的雷达信号识别方法，电子侦察接收机接收雷达脉冲信 号，经由射频到中频的降频和A/D采样处理后，得到待识别的具有不同脉内调 制方式的雷达信号S(t)，再在信号处理模块中对信号S(t)进行处理，识别出雷 达信号的脉内调制方式并输出，所述对雷达信号S(t)进行处理的具体作法包括：

(1)、雷达信号特征提取：采用基于复合差分进化算法的稀疏分解方法进行特 征提取，包括时域衰减系数、频域衰减系数和时-频联合系数三种特征；

(2)、采用自底向上二叉树支持向量机BUBTSVM对雷达信号进行识别，通过 设计、训练BUBTSVM分类器，将1)所获得的雷达信号特征样本输入到 BUBTSVM底层的每个二分类SVM分类器上，再根据SVM的分类结果，选 出进入到上一层二分类SVM的类型，直到到达二叉树顶端，最终选出的类别 即为识别出的雷达信号，即获得输出结果。

本发明采用复合差分进化算法搜索最佳原子，以降低计算复杂性，使其更 具有实用价值。复合差分进化算法是一种结合多种试验向量产生策略以及参数 设置的改进差分进化算法，可以很好地解决单一策略与参数匹配所带来的问 题。复合差分进化算法通过变异、交叉、选择过程选择最佳原子，这一过程的 运算复杂度大大低于原稀疏分解方法中最佳原子搜索的贪心算法，可有效降低 稀疏分解方法的计算复杂性，以使其能更好地应用于雷达信号处理中。

本发明的突出优势在于，在信噪比低至-10分贝条件下，具有5种不同脉 内调制方式的雷达信号的平均正确识别率能达到77％以上，且本发明具有对雷 达信号参数变化不敏感的特点，可适用于电子对抗、侦察及预警等场合。

因此，发明一种基于稀疏分解的雷达信号识别方法对雷达信号处理技术领 域具有重要的实际应用价值。

附图说明：

图1是采用基于复合差分进化算法的稀疏分解方法进行特征提取的流程 图。

图2是本发明实施例中识别5种雷达信号时采用BUBTSVM分类器示意 图。

图3是本发明实施例中5种雷达信号的特征分布图，信噪比从5分贝变化 至-10分贝。

图4是本发明实施例中5种雷达信号正确识别率随信噪比变化曲线图。

具体实施方式

下面结合附图和具体实施对本发明作进一步描述。

本发明为解决其技术问题，所采用的技术方案为：

一种基于稀疏分解的雷达信号识别方法，主要步骤包括：电子侦察接收机 接收雷达脉冲信号，经由射频到中频的降频和A/D采样处理后，得到待识别的 具有不同脉内调制方式的雷达信号S(t)，再在信号处理模块中对信号S(t)进行 处理，识别出雷达信号的脉内调制方式并输出。

所述对雷达信号S(t)进行处理的具体作法为：

1.雷达信号特征提取，包括时域衰减系数、频域衰减系数和时-频联合系 数三种特征。下面先介绍本发明采用的原子库，随后介绍特征提取的详细步骤。

本发明采用具有最佳时频分辨率的Gabor原子库作为稀疏分解所使用的原 子库。每个Gabor原子g_γ(t)为

$g_{\gamma }\left(t\right)=\frac{1}{\sqrt{s}}g\left(\frac{t-u}{s}\right)\cos (\mathrm{vt}+w)---\left(1\right)$

其中，为高斯窗函数，γ＝(s,u,v w)为原子参数，其中s为尺度因子， u为位移因子，v为频率因子，w为相位因子。

本发明采用基于复合差分进化算法的稀疏分解快速算法，对雷达信号S(t) 进行特征提取(频域特征提取过程需先将信号进行快速傅立叶变换，并将变换 后的信号F(f)进行与时域信号相同的处理)，流程图如图1所示，步骤为：

(1)稀疏分解算法初始化：分解次数H，当前分解次数h；复合差分 进化算法初始化：进行种群大小N、进化代数T、交叉因子池C、变异因子 池F以及试验向量产生策略池的初始化；

(2)使用复合差分进化算法搜索原子，直到进化代数大于T，则保存 本次分解所获得的最佳原子；

(3)采用步骤(2)中剩余信号R继续进行分解，直到分解次数大于2， 获得2个时域最佳原子a_T(1)、a_T(2)；再重复上述步骤，获得2个频域最佳 原子a_F(1)、a_F(2)；

(4)采用所获得的最佳原子a_T(1)，a_T(2)，产生信号的时域衰减系数 (TDC)、频域衰减系数(FDC)和时-频联合系数(TFC)三个特征值，即

$\mathrm{TDC}=\frac{\left|\right|<a_T\left(1\right),R_t\left(0\right)>a_T\left(1\right)\left|\right|}{\left|\right|<a_T\left(2\right),R_t\left(1\right)>a_T\left(2\right)\left|\right|}---\left(2\right)$

$\mathrm{FDC}=\frac{\left|\right|<a_F\left(1\right),R_f\left(0\right)>a_F\left(1\right)\left|\right|}{\left|\right|<a_F\left(2\right),R_f\left(1\right)>a_F\left(2\right)\left|\right|}---\left(3\right)$

$\mathrm{TFC}=\frac{\left|\right|<a_T\left(1\right),R_t\left(0\right)>a_T\left(1\right)\left|\right|}{\left|\right|<a_F\left(1\right),R_f\left(0\right)>a_F\left(1\right)\left|\right|}---\left(4\right)$

其中，R_t(h)为时域信号第h次分解的残余部分，R_t(0)=S(t)，且

R_t(1)＝R_t(0)-<R_t(0)，a_T(1)>a_T(1)(5)

R_f(h)为频域信号第h次分解的残余部分，R_f(0)=F(f)，且

R_f(1)＝R_f(0)-<R_f(0)，a_F(1)>a_F(1)(6)

2.采用自底向上二叉树支持向量机(Bottom Up Binary Tree Support Vector Machine，BUBTSVM)对雷达信号进行识别。支持向量机通过核函数 的非线性变换，将待分类样本从样本空间映射到高维特征空间，这样便可以将 一些非线性分类问题转换为线性问题。SVM分类器最初是为二分类问题设计 的，当遇到多类分类问题时，需要设计合适的多类分类器。BUBTSVM与其他 分类器相比，它只做n-1次比较，而不是在传统的表决机制下做n(n-1)/2次 比较，可以有效降低在测试阶段的比较次数，因此，本发明采用BUBTSVM实 现多种雷达信号的自动识别，其具体步骤如下：

1)设计BUBTSVM分类器。对于n类雷达信号识别问题，将代表这n类信 号的序号进行随机排序，置于二叉树底端，并按当前排序，两两组成一对进行 二分类。通过进行二分类，有一类会被选为代表当前两类的“赢家”，所有选 出的类别会构成更高一层的二分类结点。最终，只有一个类别会出现在二叉树 的顶端。

2)训练BUBTSVM分类器。从任意两类待识别的雷达信号特征中，抽取一 定数量的样本，输入到对应的二分类SVM分类器中，获得该SVM的参数值， 如此反复，获得全部n(n-1)/2个二分类SVM分类器的参数，完成BUBTSVM 分类器的训练过程。

3)识别雷达信号并输出。在对未知雷达信号进行分类识别时，先将其特征 样本输入到BUBTSVM底层的每个二分类SVM分类器上，再根据SVM的分类 结果，选出进入到上一层二分类SVM的类型，直到到达二叉树顶端，最终选 出的类别即为识别出的雷达信号，即获得输出结果。

实施例

一种基于稀疏分解的雷达信号识别方法，其步骤包括电子侦察接收机接收 雷达脉冲信号，经由射频到中频的降频和A/D采样处理后，得到待识别的雷达 信号S(t)。本实施例考虑5种雷达信号，即常规雷达信号(CW)、线性调频雷达 信号(LFM)、二相编码雷达信号(BPSK)、二频率编码雷达信号(2FSK)和四频率 编码雷达信号(4FSK)，信噪比从5分贝变化至-10分贝，各雷达信号参数设置 为：脉冲宽度为6.5us，采样频率为500MHz，CW的载频为150MHz，LFM的 频率变化范围为50MHz至200MHz；BPSK的载频为150MHz，采用13位Barker 码；2FSK的两个载频分别为50MHz和200MHz，采用13位Barker码；4FSK 的四个载频分别为50MHz、100MHz、150MHz和200MHz，采用25位Frank 码。再在信号处理模块中对信号S(t)进行处理，识别出雷达信号并输出。对雷 达信号S(t)进行处理的具体作法为：

1.雷达脉冲信号特征提取，包括时域衰减系数、频域衰减系数以及时-频 联合系数。时域衰减系数提取具体步骤为(频域衰减系数提取过程需先将信号 进行FFT变换，再将变换后的信号F(f)作与时域信号相同的处理)：

(1)稀疏分解算法参数初始化：分解次数H=2，当前分解次数初始值 h=1；复合差分进化算法参数初始化：种群规模N=100，进化次数T=100，变 异因子池F=[1.01.00.8]，交叉因子池C=[0.10.90.2]，试验向量产生策略池 为[rand/1/bin，current to rand/1，rand/2/bin]；初始化种群 $P\left(k\right)=[X_1^k,X_2^k,···,X_{100}^k],$k=1，其中$X_i^k=[x_{i,1}^k,x_{i,2}^k,x_{i,3}^k,x_{i,4}^k],$i＝1，2…100，采用随机 初始化方法。分别代表时频参数γ＝(s，u，v，w)中的4个变量s、u、 v、w，其可行域分别为s∈[1，N]，u∈[0，N-1]，ω∈(-π，π]，

(2)使用复合差分进化算法搜索最佳原子。按照第(1)步中的参数设置， 种群通过交叉、变异、选择过程完成100代进化过程，每次进化所产生的原子 a′(k)的适应度|<R(k)f，a′(k)>|与之前保存最佳原子的适应度进行比较，保存适应 度较大的原子为最佳原子。完成100次进化后，保存最后留下的原子a(h)(时 域为a_T(h)，频域为a_F(h))。

(3)使用最佳原子对信号(或信号的残余分量)进行分解，分解次数为2 次，故产生2个原子。R(h)为第h次分解后，信号的残余分量，其中，R(0)=S(t)， R(1)＝R(0)-<R(0)，a(1)>a(1)。

(4)通过所得最佳原子a_T(1)，a_T(2)，产生信号的时域衰减系数(TDC)、频 域衰减系数(FDC)和时-频联合系数(TFC)三个特征值，即

$\mathrm{TDC}=\frac{\left|\right|<a_T\left(1\right),R_t\left(0\right)>a_T\left(1\right)\left|\right|}{\left|\right|<a_T\left(2\right),R_t\left(1\right)>a_T\left(2\right)\left|\right|}---\left(8\right)$

$\mathrm{FDC}=\frac{\left|\right|<a_F\left(1\right),R_f\left(0\right)>a_F\left(1\right)\left|\right|}{\left|\right|<a_F\left(2\right),R_f\left(1\right)>a_F\left(2\right)\left|\right|}---\left(9\right)$

$\mathrm{TFC}=\frac{\left|\right|<a_T\left(1\right),R_t\left(0\right)>a_T\left(1\right)\left|\right|}{\left|\right|<a_F\left(2\right),R_f\left(0\right)>a_F\left(2\right)\left|\right|}---\left(10\right)$

本发明采用上述步骤对5种雷达信号分别进行特征提取，对于每种信号， 信噪比间隔为1分贝，在16种不同信噪比条件下均提取出200个样本，因此， 对于每种信噪比情况，5种雷达信号共有1000个特征样本，从而，5种雷达信 号在所有信噪比条件下总共有16000个样本。图3给出了信噪比从5分贝变化 到-10分贝时的5种雷达信号特征分布图，共有3200特征样本(每种信噪比下， 每种雷达信号随机抽取50个样本进行显示)。

2.采用BUBTSVM分类器识别雷达信号，其具体步骤如下：

(1)：设计BUBTSVM分类器。本实施例为5类雷达信号识别问题，选择 任意两类设计1个二分类SVM，这样，总共可设计10个二分类SVM；然后 构造自底向上二叉树，如图2所示，a1～a5为数字1～5的随机排列，分别代表 一种雷达信号，并且，每次对一个信号样本进行分类时，就重新生成一次a1～a5。

(2)：训练BUBTSVM分类器。在每个信噪比情况下，从每两种待识别的 雷达信号特征中各抽取50个样本，输入到对应的二分类SVM分类器中，通过 计算，获得该SVM的参数值，如此反复，获得全部10个二分类SVM分类器 的参数，通过此过程，完成BUBTSVM分类器的训练过程。

(3)：识别雷达信号。在对未知雷达信号进行分类识别时，先将其特征样 本输入到如图2所示的BUBTSVM最底层每对二分类SVM中，再根据SVM 的分类结果，选择其中一类进入到上一层继续分类，直到达到二叉树的顶端， 最后剩下的数字所代表的类别即为未知雷达信号的类别，即获得输出结果。本 实施例在每一种信噪比条件下对5种雷达信号的250个样本进行了分类识别， 这5种雷达信号的平均正确识别率随信噪比变化的曲线如图4所示。

由图4可知，本发明在信噪比从5分贝降低至-4分贝时，平均正确识别率保持 在接近100％，在信噪比降为-6分贝时，平均正确识别率为90％以上，而当信 噪比继续降至-10分贝时，识别率仍然接近77％，充分表明本发明在低信噪比 情况下，仍然能很好地识别出多种这雷达信号。