Data:2023-1-12
Ref: 李雪琼, “基于机器学习的雷达辐射源分选与识别技术研究,” PhD Thesis, 国防科技大学, 2020.
文章目录
- 背景
- 重频(PRI)
- 基于已知信号的雷达分选技术
- 基于未知信号的雷达分选技术
这篇文章我主要关注他的第三、四章。第三章主要描述了基于已知信号的雷达分选技术，第四章主要描述了基于未知信号的雷达分选技术。
背景
在雷达侦察中，雷达接收机会接收到许多信号，其中包括同一个辐射源在不同时间发射出来的雷达信号，也包括不同辐射源发射出来的信号，如下图所示。雷达分选的目标就是对接收到的信号进行分析，分析出来雷达辐射源的数量、方位、个体等信息。
雷达接收机在接收到雷达信号后，经过测量会返回脉冲描述字（Pulse Descriptive Word，PDW）给处理系统。处理系统首先需要对数据进行分选，即将雷达信号划分为一个个的辐射源以便进一步分析；然后需要对分选后的来自单个辐射源的信号进行参数分析；获取到辐射源的参数后需要进行辐射源识别，识别出来辐射源的型号和个体等信息最后输出。处理流程如图1所示。我们关注的是流程中的分选部分。
如下图所示，雷达脉冲描述字一般包含一下几个参数：
- 信号到达方向(DOA)，即雷达辐射源与雷达侦察机之间的方位角；
- 载波频率(RF)，我的理解是雷达信号的频率，但是频率不一定是固定的有多种变换模式；
- 脉冲宽度(PW)，即信号脉冲到达时间和结束时间之间的时间宽度；
- 脉冲幅度(PA)，到达信号的电压电平，与环境有关不够稳定；
- 信号到达时间(TOA)，即脉冲前沿被侦查器接收到的时间。单个辐射源的信号到达时间的差值称为脉冲重复周期(Pulse Repetitive Interval，PRI)，也称为重频。例如，一个辐射源的信号分别在
0us,200us,400us,600us....被接收到，那么这就是一个固定重频类型，重频值为200us.
本文的方法都是以PRI为参数进行分析的，因此接下来着重介绍一下重频。
重频(PRI)
来自同一辐射源的TOA可以表示为
T
=
{
t
1
,
t
2
,
t
3
.
.
.
t
n
}
T=\{t_1,t_2,t_3...t_n\}
T={t1,t2,t3...tn}，其中
t
i
t_i
ti表示第
i
i
i个脉冲到达的时间，
n
n
n表示脉冲总数。那么重频可以表示为：
P
=
{
p
1
,
p
2
,
p
3
.
.
.
p
n
−
1
}
,
p
i
=
t
i
+
1
−
t
i
P=\{p_1,p_2,p_3...p_{n-1}\},p_i=t_{i+1}-t_i
P={p1,p2,p3...pn−1},pi=ti+1−ti
重频有多种类型，主要区别是重频的变化规律，例如重频值固定不变的固定重频、在多个重频值之间定时切换的参差重频。重频的主要类型如下表所示。每种重频类型的具体特性请参考论文（章节2.2.2.2）。
基于已知信号的雷达分选技术
经过长时间的雷达观测，针对一些已知的重点目标的雷达辐射源已经分析得到了其信号参数。因此可以先将这部分已知信息的辐射源信号分选出来进行处理，同时也可以减少混合信号中的信号数量、降低后续处理的噪声。
信号分选本质上是一种去噪操作，将信号中的噪声去除后获得消除误差的信号，以便进行进一步处理。误差主要包含以下几种类型：
-
丢失脉冲，即本来应该检测到但是没有被捕获到的信号。
-
虚假脉冲，即捕获到了不存在的脉冲。
-
测量误差，指测量时的误差，成因为雷达辐射源本身器件或接收机工作状态不稳定。例如信号是在200us时到达的但是雷达接收机测量出错测量的到达时间为220us。测量误差一般符合正态分布：
p n = P n − μ σ p_n=\frac{P_n-\mu}{\sigma} pn=σPn−μ
其中， p n p_n pn为第 n n n个PRI值(即公式(1))所示)， μ \mu μ为整个PRI序列的均值， σ \sigma σ为标准差。
本文采用了一种自编码器对信号进行处理。自编码器可以自动的从无标注数据中学习到数据的表示方法。由于只提取出来这个信号的特征，因此可以滤除掉无关的信号数据。
基于未知信号的雷达分选技术
待补充…
