[发明专利]PDW序列预处理方法、系统、计算机设备及存储介质

说明书

本发明公开了一种PDW序列预处理方法、系统、计算机设备及存储介质，基于PDW序列生成PDW特征图，先将雷达侦察接收机所截获到的PDW序列转换为特征参数向量序列，再将该PDW序列所属的频段[fre_min，fre_max]映射到区间[nf_min，nf_max]，最后根据给定抽样间隔Δt生成包括频率特征图freFM和幅度特征图PAFM的PDW特征图，生成的PDW特征图中包含了PDW序列中的频率、脉宽、幅度以及到达时间信息。生成PDW特征图后，可以将其馈入经过训练的深度神经网络，能够在一定程度的脉冲特征参数失真条件下实现对信号的识别，输出相应的信号分类结果信息，从而改善识别性能。

技术领域

本发明涉及信号处理技术领域，尤其涉及一种PDW序列预处理方法、系统、计算机设备及存储介质。

背景技术

基于雷达侦察接收机所截获到的PDW(脉冲描述字)序列实现信号分选是雷达信号处理的重要环节，得到信号分选结果后，利用信号分选结果通过模板匹配、数据库匹配等方法实现目标识别是非常常见的信号处理方法。

雷达信号分选方法的研究始于20世纪70年代，方法多种多样。其中，Mardia等人1989年在文献“New techniques for the deinterleaving of repetitive sequences[J].IEE Proceedings，1989，136(4)：149-154.”中提出了非常著名的累积差值直方图(CDIF)算法。后续在CDIF的基础上，Nelson、Kenichi，以及王兴颖等人又做了各种各样的改进。直方图分选法的特点是基于TOA(Time Of Arrival，脉冲到达时间)信息实现信号分选，没有利用其他的脉冲特征参数，在复杂信号环境中始终存在很大的改进空间。

从上世纪90年代开始，AI算法开始应用于雷达信号分选领域。1990年，James等人在文献“Radar Signal Categorization Using a Neural Network.Proceedings of theIEEE，1990，78(16).”中利用神经网络对信号进行分类。后续梁百川、万建伟、Shieh等人也采用了不同形式的神经网络来实现分选识别。2003年，朱元清等人在文献“支持矢量分析在雷达信号分选中的应用[J].空军雷达学院学报，2003，17(3)：19-21.”中提出了基于支持向量机(SVM)的雷达信号分选方法，后续张葛祥也进行了SVM信号分类识别的研究。

无论是基于人工智能或非人工智能的算法，共同的特点都是使用脉冲或脉冲序列的特征参数信息作为信号分选识别的输入，因此，一旦因为各种原因(例如信噪比差、多径影响)导致PDW序列中的脉冲特征参数信息失真，就会影响到信号分选识别的性能。

发明内容

如前所述，现有算法的共同特点是使用脉冲或脉冲序列的特征参数信息作为信号分选识别的输入，因此一旦出现参数失真，就会影响到信号分选识别的性能。本发明使用PDW序列生成PDW特征图，生成PDW特征图后，可以将其馈入经过训练的深度神经网络，可以在一定程度的脉冲特征参数失真条件下实现对信号的识别，从而改善识别性能。

本发明提出一种PDW序列预处理方法、系统、计算机设备及存储介质，其技术方案如下：

一种PDW序列预处理方法，按照如下步骤基于PDW序列生成PDW特征图，该PDW特征图能够馈入经过训练的深度神经网络进行处理，输出相应的识别结果：