[发明专利]基于CWD特征的多相编码雷达信号波形自动识别方法

摘要

本发明涉及一种基于CWD特征的多相编码雷达信号波形自动识别方法，属于信息对抗技术领域。本发明以离散采样型Choi‑Williams变换为基本工具，将多相编码脉冲压缩雷达信号的CWD图像作为特征提取对象，提出将CWD图像的Pseudo‑Zernike矩、图像中的目标个数、CWD中峰值功率的时间位置和多相码波形对称性质作为识别多相编码脉冲压缩雷达波形的特征，利用多相码信号在特征上的不同，建立一个由10个感知器组成的总体平均提前停止的神经网络进行自动波形识别。本发明提出的方法提高了多相编码雷达信号波形的识别准确率，进一步降低了信噪比的要求，并且还可以经过推广运用于多相编码连续波雷达信号，为雷达信号识别与分选的设计提供了一条新的途径。

主权项

基于CWD特征的多相编码雷达信号波形自动识别方法，分为多相编码雷达信号离散化CWD图像的归一化处理、信号特征提取和信号分类器设计3个部分，共计4个处理步骤；假定侦察接收机接收到的雷达信号混杂有加性高斯白噪声(AWGN)，并且信号已经经过处理变成基带信号则接收到的雷达信号y(t)的复包络如下所示：y(t)＝x(t)+ω(t)   (1)其中x(t)是雷达辐射信号的复包络，只包括一个码元周期，ω(t)是循环加性复高斯白噪声；雷达辐射的相位编码复信号表示如下：x(t)=Aej(2πfct+φt)---(2)]]>其中，A是信号幅度，fc是信号载波频率，φi是信号离散相位序列，每个相位都有相同的持续时间，下面给出要研究的5种多相编码雷达信号的数学模型；Frank码信号是一种对LFM信号的步进逼近，它采用了N个步进频率，并且在每个频率点上进行N次采样，因此，一个Frank码的总采样数为N2，一个Frank码的第j个频点的第i个采样的相位如下所示：φi,j=2πN(i-1)(j-1)---(3)]]>其中，i＝1，2，…，N，j＝1，2，…，N，则此Frank码的脉冲压缩比为N2；P1码信号也是对LFM信号的步进逼近，它采用了N个步进频率，并且在每个频率点上进行N次采样，一个P1码的第j个频点的第i个采样的相位如下所示：φi,j=-πN[N-(2j-1)][(j-1)N+(i-1)]---(4)]]>其中，i＝1，2，…，N，j＝1，2，…，N，则此P1码的脉冲压缩比为N2；P2码具有回文的特点，即P2码的正反是相同的，一个P2码的第j个频点的第i个采样的相位如下所示：φi,j=[π2·N-1N·πN(i-1)](N+1-2j)---(5)]]>其中，i＝1，2，…，N，j＝1，2，…，N，则此P2码的脉冲压缩比为N2，需要指出的是，在P2码中N必须为偶数，若N为奇数，则此P2码的自相关旁瓣的数值会过高；P3码从对一个LFM信号进行采样演化而来，一个P3码的第i个采样的相位如下所示：φi=πρ(i-1)2---(6)]]>其中i＝1，2，…，ρ，ρ为脉冲压缩比；P4码从对P3码相同的信号进行采样演化而来，一个P4码的第i个采样的相位如下所示：φi=πρ(i-1)2-π(i-1)---(7)]]>其中i＝1，2，…，ρ，ρ为脉冲压缩比；实现多相编码雷达信号波形自动识别方法的步骤如下：步骤一、对任意一段多相编码雷达信号的观测信号y(t)＝x(t)+ω(t)进行采样，得到离散形式y(n)＝x(n)+ω(n)，采样频率fs，采样时间Ts；然后计算信号y(n)的离散CWD变换，W(t,ω)=∫∫14πτ2/σexp(-(μ-t)24τ2/σ)·y(μ+τ2)·y*(μ-r2)exp(-jωτ)dμdτ---(8)]]>其中，σ(σ＞0)是尺度因子；步骤二、为了最小化信号带宽和采样频率对信号CWD图像带来的影响，需要对信号的CWD图像进行归一化处理，归一化处理的步骤如下所示：(1)对信号的CWD图像进行阈值检测处理；(2)对阈值检测处理后的图像进行时间选通和频域滤波，即从图像边缘中去除不含信号的区域；(3)最终的二值图像高宽比归一化为1；阈值选通处理对于整个归一化算法来说有至关重要的作用，经过阈值选通处理后的图像数据应该仅包含信号成分而不包含有任何独立的噪声点，因为第二步的处理结果对这些噪声点十分敏感，对阈值选通处理来说，阈值的选取对于第一步的输出起关键作用，本文中采用迭代算法对全局阈值T进行求解，具体算法如下：(1)选择一个T的初始估计值，该数值何以通过对CWD图像的最大灰度水平和最小灰度水平求平均得到；(2)根据选定的T值将CWD图像划分为G1和G2两部分，其中G1包含所有灰度水平高于T的点，G2包含所有灰度水平等于或低于T的点；(3)分别计算G1和G2两部分中平均灰度水平μ1和μ2；(4)根据T＝0.5(μ1+μ2)计算新的阈值T；(5)重复(2)到(4)的步骤，直到T的数值达到收敛的要求；仅仅设定全局阈值的数值不能保证独立噪声点的完全移除，因此在第二步时间选通和频域滤波之前，首先要对CWD图像进行处理，以剔除有害的噪声点，有害噪声点剔除通过以下步骤完成：(1)首先对二值图像进行腐蚀和膨胀处理，对二值图像进行腐蚀和膨胀处理不仅可以平滑CWD图像，而且可以在低信噪比条件下移除由于Choi‑Williams和式(8)产生的平行或垂直谱线；(2)然后对处理的图像进行标记，将二值图像中具有明显区分性的的对象进行标记；(3)最后剔除标记目标中小于一定阈值的目标，如果剔除小目标的阈值设定的足够高，那么对于P1、P2和P4信号CWD图像中的非主要成分也会被作为小目标剔除掉；在归一化处理的第二步中，将不含信号成分的图像区域从整个CWD图像中移除，第三步将剩余含有信号成分的图像区域高宽比归一化，经过处理后的二值图像大小为M×M，其中M是归一化过程第二步处理后图像的最小维数；步骤三、在归一化处理后的信号CWD二值图像中提取具有明显区分性的信号特征，用来实现不同类型多相编码信号的波形识别，所提取的CWD信号特征及其计算方式如下所示：(1)Pseudo‑Zernike矩：Pseudo‑Zernike矩具有平移不变性、缩放不变性、旋转不变性和镜像不变性，一个数字图像f(x，y)的p+q阶几何矩定义如下：mpq=ΣxΣyf(x,y)xpyq---(9)]]>平移不变和缩放不变中心几何矩定义如下：Gpq=1m00(p+q+2)/2ΣxΣyf(x,y)(x-x‾)p(y-y‾)q---(10)]]>其中，x‾=m10m00,y‾=m01m00]]>平移不变和缩放不变径向几何矩定义如下：Gpq=1m00(p+q+3)/2ΣxΣyf(x,y)(x~2-y~2)1/2x~py~q---(11)]]>其中，m次循环的n阶Pseudo‑Zernike矩可以通过平移不变和缩放不变中心几何矩和平移不变和缩放不变径向几何矩进行计算，具体算法如下：Znm=n+1πΣs=0n-s-m=evenn-|m|DnmsΣa=0kΣb=0m(-j)bkambBnmsG2k-2a+m-b,2a+b+n+1πΣs=0n-s-m=oddn-|m|DnmsΣa=0dΣb=0m(-j)bkambBnmsG2d-2a+m-b,2a+b---(12)]]>其中，k=n-s-m2,]]>d=n-s-m-12]]>通过对Pseudo‑Zernike矩Znm取绝对值得到旋转不变性，并且通过对其取对数来进行动态范围压缩，综合以上，可以得出最终的提取特征为：Z^nm=loge|Znm|---(13)]]>其中，选取归一化处理后二值图像的以下Pseudo‑Zernike矩作为波形识别的特征：和(2)归一化处理后二值图像中的目标个数：在归一化成功完成的基础上，Frank码和P3码信号的二值CWD图像中有2个信号目标分量，而其它3个多相编码信号的二值CWD图像中只有1个信号目标分量，为了提高特征的鲁棒性，将小于最大目标信号分量20％的信号分量全部移除；(3)CWD中峰值功率的时间位置：P1、P2和P4码信号的峰值功率与编码中心的距离相对较近，而Frank码和P3码在编码末端具有最高的峰值功率，该特征不是从二值图像中计算得出的，所以不需要对原始CWD图像的完全归一化，仅仅通过时间选通处理就可以实现，在CWD图像中计算该特征的方法如下：tmax=1N-1argmaxx{WCW(x,y)}---(14)]]>其中，x表示时间轴，y表示频率轴，N表示WCW(x，y)在时间轴上的长度，的目的是使该特征的数值归一化到0～1之间；(4)针对Frank码、P1和P2码信号的CWD图像的块状结构的识别提出通过计算二值图像中目标分量宽度的标准差，可以将P3和P4码信号同其它3种编码信号区分开，具体计算方法如下：在标记CWD图像中的信号对象分量之后，针对信号对象的每一个分量进行单独处理，即每次将所需要处理的分量之外的所有信号分量移除，一个二值图像B(x，y)中的主成分是其协方差矩阵的特征向量，其计算方法如下：C=Σx=0N-1Σy=0N-1(z-c)(z-c)TB(x,y)---(15)]]>其中，二值图像大小为N×N，z＝(x，y)T，和为图像的中心横、纵坐标，可以通过式(11)计算得出；对二值图像进行旋转，使得主坐标轴同图像的纵或横坐标轴平行，由于图像的离散坐标特点，此旋转过程需要进行插值计算，采用最近邻差值法，图像目标宽度的标准差可以通过旋转后的二值图像数据进行计算，假定图像中与能量最高的主成分对应的第一个主坐标轴旋转到与图像的纵轴平行的，则需要计算图像行的和值r(x)=Σy=0N-1B^(x,y),x=0,1,...,N-1---(16)]]>其中，表示旋转后的二值图像；归一化的r(x)表示如下，它限定在0～1区间，r^(x)r(x)maxr(x)---(17)]]>综合以上，二值图像中目标分量宽度的标准差计算公式如下：σobj=1MΣxr^2(x)-(1MΣxr^(x))2---(18)]]>其中，M表示的非弱小采样的数量，上式中的求和就是针对非弱小采样求和的，由于弱小采样严重影响标准差估计的质量，尤其当图像的行或列(取决于旋转方向)不含有任何信号成分时，所以在计算之前就要将其排除，设定Tobj的值为0.3，即将所有的弱小采样排除在求和计算之外；最终的特征的数值就是图像中所有信号分量的标准差σobj的平均值；(5)第5个信号特征利用了编码信号的不同的编码对称特性，通过计算符号率采样脉冲和该脉冲的时间翻转信号的互相关函数得到，该互相关函数的最大值的时间延迟大小是识别上述不同编码信号的一个重要特征，其计算方法如下：r^y(τ)=Σn=0N-τ-1y(n+τ)y*(N-1-n),τ≥0Σn=-τN-1y(n+τ)y*(N-1-n),τ<0---(19)]]>其中，y(n)，n＝0，1，…，N‑1是单符号率采样的离散时间复包络信号，|τ|≤N‑1，则最终的互相关函数的最大值的时间延迟大小表示为：τmax=argmaxτ(r^y(τ))---(20)]]>此特征具有常数旋转不变性，即y(n)中n＝0，1，…，N‑1时旋转幅度相同，为了得到与时间反转信号相同的特征，还可以将|τmax|作为特征进行识别；步骤四、设计一种组合神经网络分类器，用以从识别精度和效率上提高神经网络的识别性能，所设计的神经网络分类器如下所示：采用对后验概率加权，通过投票表决来确定调制类型；设待分类信号的类别数为K，分类器数目为N，对于输入特征矢量X，则第n个分类器的第k个输出为Onk(X)＝P(ck|X)+enk(X)   (21)其中，P(ck|X)表示当输入为X时判断为第k类的后验概率，enk(X)表示第n个分类器第k个节点的输出误差，权矢量ωk＝{ω1k，ω2k，…，ωnk}为第n个分类器第k个节点的输出权值，则各个分类器判断同一类别的输出加权和可以表示如下：Sk(X)=Σn=1NωnkOnk(X)---(22)]]>其中，k＝1，2，…，K；增加约束条件和则有Sk(X)＝P(ck|X)   (23)当时，判断第k类信号存在。