[发明专利]一种雷达辐射源个体识别的大规模流式数据处理方法

说明书

本发明涉及一种雷达辐射源个体识别的大规模流式数据处理方法，对已知的辐射源脉内特征波形模板库进行训练，计算模板库中各波形之间的相似度，确定每个辐射源个体的相似度阈值；Spark Streaming分布式计算平台对接收到的包含辐射源脉内信息的二进制中频数据流进行解析计算，得出信号脉内瞬时幅度波形和瞬时频率波形；以瞬时幅度和瞬时频率两种特性作为个体识别特征，使用动态时间规整算法对解析得出的波形与模板库中的波形进行相似度计算，将相似度计算结果与相似度阈值进行比较，得出个体识别的结果。

技术领域

本发明属于雷达辐射源信号识别技术领域，涉及一种雷达辐射源信号的个体识别方法。

背景技术

随着电子信号被动侦测技术的发展，雷达辐射源信号个体识别已经成为电子信号被动侦测技术领域的研究热点。区别于利用信号的五参数常规特征和脉内特征类型作为辐射源分类标准，提取辐射源信号的细微特征能够识别出同一型号辐射源的不同个体，使得被动侦测识别能力得到提高。信号细微特征通常指由于雷达内部元器件的细微差异而产生的信号无意调制特性，该特性能够唯一的标识个体。信号细微特征在工程实践中应用的主要还是提取信号脉内特征(包括瞬时幅度、瞬时频率和瞬时相位等)波形中附带的无意调制信息。

现有研究大多采用信号细微特征相似度计算的方法实现辐射源的个体识别，但是在相似度阈值的选取上过分依赖专家等人为因素，阈值设定的随意性较大；同时，现有研究大多是在单台计算机上完成相似度计算过程，没有考虑多传感器、多型设备协同侦测带来的大量、高速的辐射源数据流的情况，该情况对辐射源个体识别单机计算和存储能力提出了更高的要求；进一步的，对于相似度计算后的个体识别结果如何满足唯一性，现有研究也鲜有论述。

针对上述问题，本发明在相似度计算前对已知的辐射源脉内特征波形模板库进行训练，计算模板库中各波形之间的相似度，确定每个辐射源个体的相似度阈值；在相似度计算过程中利用Spark Streaming构建分布式计算平台，从高速数据流中快速计算辐射源信号脉内特征波形与已知模板波形的相似度大小，用于满足雷达辐射源个体识别对于实时性的要求；在相似度计算后，选择相比于原有模板波形具有更好区分度的特征波形对模板库进行更新，保证个体识别的唯一性。其中，待识别波形与模板波形的相似度计算采用动态时间规整算法，该算法对于时间序列的延伸和压缩不敏感，适用于两个波形的相似度计算。

发明内容

本发明的目的在于提供一种雷达辐射源个体识别的大规模流式数据处理方法。

实现本发明目的的技术解决方案为：首先对已知的雷达辐射源信号脉内特征波形模板库进行训练，通过计算模板库中各脉内特征波形之间的相似度，确定每个辐射源个体的相似度阈值，生成脉内特征波形阈值序列，相比于通过工程经验确定的阈值，该过程利用了已知模板库的分类能力；Spark Streaming分布式计算平台通过套接字接收辐射源二进制中频数据流，基于数据流时间窗口的大小数据流被划分为离散的数据段，根据中频二进制数据XML解析描述对每个数据段进行解析，得到每个信号的瞬时幅度波形和瞬时频率波形各采样点的值；以瞬时幅度和瞬时频率两种特性作为个体识别特征，使用动态时间规整算法对解析得出的两种波形与模板库中的波形进行相似度计算；搜索脉内特征波形阈值序列，将相似度计算结果与阈值序列中对应辐射源个体的阈值进行比较，大于等于阈值则认为两个辐射源相似，存在多个满足阈值条件的结果，取相似度值最大的两个辐射源作为最终识别结果。上述过程利用Map/Reduce操作实现计算过程的并行性，满足了大量、高速辐射源数据流情况下对辐射源个体识别实时性的要求；由于辐射源个体识别的唯一性，对于完成识别后的一对辐射源，选择在模板库中特征波形具有更好区分度的辐射源个体对模板库进行更新。

附图说明

图1本发明流程图。

图2Map/Reduce操作。

具体实施方式

本发明的流程如图1所示。