一种基于相似度分析的多功能雷达信号序列预测方法

本发明属于多功能雷达，具体涉及一种基于相似度分析的多功能雷达信号序列预测方法。

背景技术：

1、多功能雷达是指能够执行多种任务并支持多种功能的雷达系统，具有灵活可变的工作模式和易变的波形特征，因此得到了广泛应用。多功能雷达的多变性为第三方信号接收分析带来了巨大的挑战。目前在多功能雷达行为认知技术中，接收系统主要关注雷达当前时刻的发射信号，但这种方式对波形灵活变化的多功能雷达并不适用。只有当接收系统能够有效预测未来时刻的多功能雷达信号时，才能更好地掌握雷达方的行为意图，从而制定最优应对策略。

2、目前，国内外对多功能雷达信号序列预测的研究仍较少。文献“modelling，learning and prediction of complex radar emitter behavior，2019 18th ieeeinternational conference on machine learning and applications(icmla)，ieee，2019，pp.305-310”使用了一种扩展的多功能雷达信号层级结构模型，提出了一种基于长短期记忆网络(lstm)的多功能雷达信号序列预测方法，对信号的不同层级分别训练预测网络。文献“prediction of multi-function radar signal sequence using encoder-decoder structure，2022 7th international conference on signal and imageprocessing(icsip)，ieee，2022，pp.152-156”提出了一种基于编码器-解码器结构的多功能雷达信号序列预测方法，实现了良好的预测效果。然而，现有方法对于先验知识依赖较强，需要大量信号序列样本作为训练数据。因此，多功能雷达信号序列预测领域缺乏独立于先验信息的方法，仍有待进一步研究。

技术实现思路

1、本发明提供了一种基于相似度分析的多功能雷达信号序列预测方法，能有效对非理想第三方信号接收场景下多功能雷达信号序列进行预测。

2、本发明采用的技术方案为：一种基于相似度分析的多功能雷达信号序列预测方法，具体步骤如下：

3、s1、雷达信号序列预处理；

4、对接收方截获的多功能雷达信号序列进行预处理，通过趋势滤波算法重建雷达信号序列参数，并对信号序列进行子片段划分与简化表示。

5、s2、雷达信号序列相似度计算；

6、基于步骤s1，通过动态时间规整dtw算法计算当前与历史时刻信号序列之间的相似度。

7、s3、信号序列预测结果输出；

8、基于步骤s2计算的信号序列相似度，利用具有最高相似度的历史时刻信号序列对应的后序序列构建预测原型，并对预测原型进行加权，得到雷达信号序列预测结果。

9、进一步地，所述步骤s1具体如下：

10、s11、对接收方截获的多功能雷达信号序列进行预处理；

11、接收方截获的多功能雷达信号序列记为{p,a}，根据信号序列的脉冲幅度信息找到序列片段切换点，雷达信号序列的片段切换点tseg表达式如下：

12、tseg＝{t||at-at-1|＞εs}

13、其中，p表示需要预测的信号参数，包括：脉冲重复间隔、脉冲宽度，a表示脉冲幅度；at表示信号序列第t个脉冲的幅度，εs表示脉冲幅度变化门限值。

14、然后根据信号序列片段切换点对序列进行分段，得到的第i个序列片段记为pi。

15、s12、在所述信号序列分段结果的基础上，通过趋势滤波算法，从信号序列片段pi中重建信号序列参数，得到第i个信号序列参数重建结果

16、其中，信号序列片段pi中含有各类误差，包括：漏脉冲、虚假脉冲。

17、将信号序列参数中的噪声建模为高斯混合分布，将信号序列参数的先验函数建模为gibbs分布，优化目标函数表达式如下：

18、

19、其中，表示需要估计的参数，表示待估计的信号参数真实值，表示的第n个元素，pi(n)表示信号序列片段观测值pi的第n个元素，π、σ分别表示高斯混合分布中各高斯分布权重与方差的集合，n表示信号序列的长度，m表示高斯分布的个数，表示后验函数。表示单个高斯分布，πm表示第m个高斯分布的权重，ηm表示第m个高斯分布的方差。φλ,c(·)表示稀疏诱导函数，且c是一个小的正值，用于避免φλ,c(·)计算结果为0。f是一个矩阵，表示向量的第l个元素。

20、所述优化目标函数中，稀疏诱导函数具体表达式如下：

21、

22、其中，λ表示比例系数。

23、所述优化目标函数中，对于不同的信号序列参数调制类型，需要设置不同的矩阵f，用于提取信号序列在不同域中的稀疏性。

24、s13、在所述信号序列参数重建结果的基础上，对信号序列进行子片段划分，即针对不同调制类型的信号序列片段进行不同的处理；

25、s14、在所述信号序列子片段划分结果的基础上，针对不同的信号序列参数调制类型，对信号序列子片段进行不同的简化表示。

26、进一步地，所述步骤s2具体如下：

27、首先，构建dtw距离矩阵w，初始化表达式如下：

28、

29、其中，r、s表示矩阵的索引，w(r,s)表示从(0,0)到(r,s)的累积距离。

30、迭代计算矩阵w元素表达式如下：

31、w(1,1)＝d(pi,1,pj,1)

32、

33、1≤r≤r,1≤s≤s

34、其中，d(pi,r,pj,s)表示信号序列子片段pi,r与pj,s之间的距离。对于不同的信号序列参数调制类型，采用不同的距离计算方法。

35、根据所述距离矩阵w，信号序列片段pi与pj之间的dtw距离表达式如下：

36、

37、然后，将所述dtw距离转换为[0,1]之间的相似度，记为s(pi,pj)。信号序列片段pi与pj之间的相似度定义表达式如下：

38、

39、其中，σ表示放缩系数。

40、最后，记滑窗长度为w，取最新的w个信号序列片段作为当前信号序列，记为pcur；在剩余信号序列中以滑窗形式每次取w个信号序列片段，其中第i个滑窗记为计算当前与历史时刻信号序列滑窗之间的相似度，表达式如下：

41、

42、其中，pcur(w)、分别表示当前信号序列与历史信号序列第i个滑窗的第w个子片段。

43、进一步地，所述步骤s3具体如下：

44、首先，根据所述步骤s2得到的当前与历史时刻信号序列滑窗之间的相似度，找出具有最高相似度的j个滑窗，其编号为vj,j＝1,2,...,j，其对应的后序序列记为以这j个具有最高相似度的滑窗的后续序列作为信号序列预测原型。

45、然后，根据所述j个历史时刻信号序列滑窗与当前时刻信号序列之间的相似度，计算所述j个原型在加权时的权重ωj，表达式如下：

46、

47、最后，根据所述权重ωj，对各原型进行加权，得到信号序列预测结果ppred表达式如下：

48、

49、当各预测原型具有不同长度时，对原型取相等长度，信号序列预测结果表达式如下：

50、

51、其中，tp表示所取序列长度，表示前tp个元素。

52、本发明的有益效果：本发明的方法首先对雷达信号序列进行预处理，通过趋势滤波算法重建雷达信号序列参数，对信号序列进行简化表示，然后通过动态时间规整算法计算当前与历史时刻信号序列之间的相似度，最后利用具有最高相似度的若干历史时刻信号序列构建预测原型，对预测原型进行加权，得到雷达信号序列预测结果。本发明的方法与现有方法相比，不依赖于脉冲样式先验信息，且能够提升信号序列预测准确性，能有效对非理想第三方信号接收场景下多功能雷达信号序列进行预测，在雷达信号分析处理领域具有重要意义，适用于非理想侦收场景下多功能雷达信号序列的预测。

技术特征：

1.一种基于相似度分析的多功能雷达信号序列预测方法，具体步骤如下：

2.根据权利要求1所述的一种基于相似度分析的多功能雷达信号序列预测方法，其特征在于，所述步骤s1具体如下：

3.根据权利要求1所述的一种基于相似度分析的多功能雷达信号序列预测方法，其特征在于，所述步骤s2具体如下：

4.根据权利要求1所述的一种基于相似度分析的多功能雷达信号序列预测方法，其特征在于，所述步骤s3具体如下：

技术总结
本发明公开了一种基于相似度分析的多功能雷达信号序列预测方法，首先对雷达信号序列进行预处理，通过趋势滤波算法重建雷达信号序列参数，对信号序列进行简化表示，然后通过动态时间规整算法计算当前与历史时刻信号序列之间的相似度，最后利用具有最高相似度的若干历史时刻信号序列构建预测原型，对预测原型进行加权，得到雷达信号序列预测结果。本发明的方法与现有方法相比，不依赖于脉冲样式先验信息，且能够提升信号序列预测准确性，能有效对非理想第三方信号接收场景下多功能雷达信号序列进行预测，在雷达信号分析处理领域具有重要意义，适用于非理想侦收场景下多功能雷达信号序列的预测。

技术研发人员：王谋,冯康桉,李晋,张立东,孟博超,余显祥,易伟,黄钰,贺飞云,孔令讲
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/12/5