非線性分類結(jié)合平面變換的雷達(dá)信號(hào)分選方法*

劉志鵬，張國(guó)毅，田潤(rùn)瀾

(空軍航空大學(xué)，吉林 長(zhǎng)春　130022)

?

探測(cè)跟蹤技術(shù)

非線性分類結(jié)合平面變換的雷達(dá)信號(hào)分選方法*

劉志鵬，張國(guó)毅，田潤(rùn)瀾

(空軍航空大學(xué)，吉林 長(zhǎng)春130022)

摘要：現(xiàn)有的對(duì)已知雷達(dá)分選方法存在識(shí)別速度慢、效率低，脈沖丟失敏感以及脈沖序列提取不完整等問題，為此提出了一種非線性分類器結(jié)合平面變換的雷達(dá)信號(hào)分選方法。該方法首先提取載頻、脈寬、脈內(nèi)調(diào)制等單脈沖分類特征，利用非線性分類器實(shí)現(xiàn)單脈沖識(shí)別，然后根據(jù)識(shí)別結(jié)果調(diào)取對(duì)應(yīng)參數(shù)，通過平面變換完成對(duì)脈沖串的抽取。仿真實(shí)驗(yàn)表明，該方法具有速度快，準(zhǔn)確率高，易于實(shí)現(xiàn)等優(yōu)點(diǎn)。

關(guān)鍵詞：雷達(dá)；分選；非線性分類器；平面變換；矢量神經(jīng)網(wǎng)絡(luò)；識(shí)別率

0引言

現(xiàn)代電磁環(huán)境日趨復(fù)雜，脈沖數(shù)量急劇增多，未來可能達(dá)到120萬脈沖/s的量級(jí)[1]。如此高脈沖密度的環(huán)境對(duì)算法的準(zhǔn)確性和實(shí)時(shí)性提出嚴(yán)峻考驗(yàn)；另一方面，如果能充分利用數(shù)據(jù)庫(kù)中的雷達(dá)數(shù)據(jù)，對(duì)環(huán)境中的已知雷達(dá)脈沖進(jìn)行預(yù)先分選，將極大提高分選的速度和準(zhǔn)確度，同時(shí)降低脈沖流密度，進(jìn)而大大減小對(duì)未知輻射源信號(hào)的分選難度[2]。

目前對(duì)已知雷達(dá)信號(hào)分選的方法主要有：PRI關(guān)聯(lián)法、多參數(shù)匹配法，脈沖樣本圖法。PRI關(guān)聯(lián)法需多次選擇PRI進(jìn)行試探性匹配，分選效率低，對(duì)脈沖干擾和脈沖丟失敏感[3]。多參數(shù)匹配法利用已裝訂的RF,PW等參數(shù)的上下限，將介于其間的脈沖分選出來[4-5]。該方法僅限于脈沖參數(shù)固定且不同雷達(dá)參數(shù)域不交疊的情況，不適用現(xiàn)代復(fù)雜高密度的脈沖環(huán)境。脈沖樣本圖法[6]綜合了多參數(shù)匹配法和PRI關(guān)聯(lián)法，雖然減少了試探性匹配的盲目性，但判別閾值及加權(quán)距離需人為先驗(yàn)設(shè)定，同時(shí)該方法對(duì)脈沖丟失敏感。

針對(duì)上述問題，本文提出一種非線性分類結(jié)合平面變換(nonlinearclassifiersandplanetransformation，NCPT)方法，可以適用于復(fù)雜體制雷達(dá)信號(hào)的分選，且具有速度快，準(zhǔn)確率高，對(duì)干擾和脈沖丟失不敏感及易于實(shí)現(xiàn)等優(yōu)點(diǎn)。

1NCPT方法

NCPT方法由2部分算法串聯(lián)構(gòu)成。第1部分為非線性分類器算法；第2部分為平面變換脈沖串抽取算法。算法示意如圖1所示。

圖1　NCPT方法示意Fig.1　NCPT method

首先將一定數(shù)量的脈沖序列放入緩存，讀取某一未標(biāo)記脈沖，經(jīng)非線性分類器初識(shí)別后，記錄識(shí)別結(jié)果，并標(biāo)記此脈沖；根據(jù)識(shí)別結(jié)果調(diào)取數(shù)據(jù)庫(kù)對(duì)應(yīng)雷達(dá)的平面變換參數(shù)，并利用該參數(shù)對(duì)緩存內(nèi)剩余脈沖進(jìn)行平面變換并抽??；直到緩存內(nèi)脈沖全部被抽取或被標(biāo)記，輸出分選結(jié)果或?qū)κＳ嗝}沖進(jìn)行處理，同時(shí)更新緩存，繼續(xù)按以上步驟進(jìn)行處理。

1.1非線性分類器的選擇及改進(jìn)

由于現(xiàn)代復(fù)雜體制雷達(dá)信號(hào)在參數(shù)域上交疊，具有不連續(xù)，線性不可分的特點(diǎn)，故本文選用非線性分類器對(duì)其進(jìn)行識(shí)別。人工神經(jīng)網(wǎng)絡(luò)是典型的非線性分類器，具有成熟的理論基礎(chǔ)及良好的現(xiàn)實(shí)表現(xiàn)，其可以自適應(yīng)數(shù)據(jù)，逼近任意函數(shù)及較強(qiáng)的容錯(cuò)能力使其始終為模式識(shí)別中討論的焦點(diǎn)[7-8]。常見的神經(jīng)網(wǎng)絡(luò)分類器有BP神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)及概率神經(jīng)網(wǎng)絡(luò)，這些分類器雖然在處理標(biāo)量類型的數(shù)據(jù)時(shí)取得了良好的效果，但無法對(duì)參數(shù)捷變這種區(qū)間類型的數(shù)據(jù)進(jìn)行有效識(shí)別[9]。對(duì)此，文獻(xiàn)[10]提出一種矢量神經(jīng)網(wǎng)絡(luò)(vectorneuralnetwork,VNN)，兼?zhèn)溆刑幚韰^(qū)間類型和標(biāo)量類型數(shù)據(jù)的能力。

1.1.1矢量神經(jīng)網(wǎng)絡(luò)

VNN的網(wǎng)絡(luò)結(jié)構(gòu)為n-l-m，即有n個(gè)輸入節(jié)點(diǎn)，l個(gè)隱層節(jié)點(diǎn)，m個(gè)輸出節(jié)點(diǎn)，如圖2所示，實(shí)線箭頭表示正向傳播，虛線箭頭表示反向傳播，其激活函數(shù)f為sigmoid函數(shù)。

圖2　VNN結(jié)構(gòu)示意Fig.2　Structure of VNN

(1)

其誤差計(jì)算方法為NVTBP[8]：

(2)

(3)

進(jìn)而VNN的總誤差為

(4)

樣本可靠性系數(shù)λp的引入進(jìn)一步提高了矢量神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率，然而文獻(xiàn)[11]求解系數(shù)λp的方法為主觀人為設(shè)定，缺乏計(jì)算依據(jù)。本文提出一種利用熵權(quán)值確定樣本可靠性的方法，該方法使得求解系數(shù)λp具有了實(shí)際可操作性，實(shí)驗(yàn)證明，該方法可大大提高VNN網(wǎng)絡(luò)的識(shí)別率和容錯(cuò)能力。

1.1.2基于熵權(quán)的樣本可信度計(jì)算

信息熵反映了系統(tǒng)提供信息量的大小，信息熵值越大，則系統(tǒng)提供信息量越小，信息就越不可靠，因此，考慮利用樣本的信息熵所確定的權(quán)值來表征其可信度。

(5)

對(duì)參數(shù)Ci的第s個(gè)區(qū)間，其信息熵：

(6)

(7)

(8)

將wp歸一化后即可作為VNN網(wǎng)絡(luò)的樣本可靠性系數(shù)，改進(jìn)后的后向傳播方法稱為熵權(quán)值矢量后向傳播算法(entropyweightvector-typebackpropagation，EWVTBP)。

1.2PRI平面變換

文獻(xiàn)[13]提出了對(duì)PRI周期調(diào)制信號(hào)的平面變換方法，當(dāng)PRI未知時(shí)，該方法可操作性不強(qiáng)。本文通過引入平面變換因子，充分發(fā)揮出該方法的搜索速度快，對(duì)脈沖丟失不敏感等優(yōu)點(diǎn)。

1.2.1平面變換原理

假設(shè)第i個(gè)脈沖的到達(dá)時(shí)間為TOAi，按式(9)計(jì)算：

(9)

式中：?x」表示向下取整，mod(x,y)表示取余函數(shù)，W為平面變換窗長(zhǎng)度，N為脈沖個(gè)數(shù)。文獻(xiàn)[14]證明，當(dāng)信號(hào)PRI與平面變換窗W滿足一定關(guān)系時(shí)，若將(xi,yi)以坐標(biāo)形式表示到平面上，則PRI周期調(diào)制信號(hào)的點(diǎn)跡會(huì)在二維平面形成規(guī)律曲線；反之，若信號(hào)PRI與變換窗長(zhǎng)度不滿足相應(yīng)關(guān)系，則變換的點(diǎn)跡在平面上呈無規(guī)律散亂的分布。由此啟發(fā)，通過選擇窗寬，利用平面變換得到的點(diǎn)跡曲線就可以完成對(duì)脈沖的提取。

1.2.2平面變換抽取算法

假設(shè)某已知雷達(dá)信號(hào)在工作模式i時(shí)，其PRI有N種調(diào)制類型，定義平面變換因子(planetransformationfactor，PTF)：

PTF=(W,P,T),

(10)

式中：W=(w1,w2,…，wN)為平面變換窗寬向量；P=(p1,p2,…，pN)為曲線搜索模式向量；T=(t1,t2,…,tN)為搜索容差向量。

于是對(duì)于交疊的脈沖串，一旦得到其中某部雷達(dá)的PTF，就可以根據(jù)窗寬W做平面變換，得到規(guī)律點(diǎn)跡曲線，再由搜索模式P和搜索容差T將曲線上點(diǎn)對(duì)應(yīng)脈沖全部快速抽取出來。

PTF由其對(duì)應(yīng)的PRI值和類型確定，對(duì)于PRI調(diào)制類型為固定、參差的信號(hào)，選擇窗寬使W與PRI值相等(PRI固定信號(hào))或W與PRI骨架周期相等(PRI參差信號(hào))，此時(shí)平面變換點(diǎn)跡為垂直于x軸的直線，故搜索模式P為尋找所有與x軸垂直曲線上的點(diǎn)，搜索容差T由雷達(dá)發(fā)射機(jī)本振及偵察接收機(jī)測(cè)量誤差決定，一般取值較小，其他幾種常見PRI調(diào)制類型的PTF確定規(guī)則總結(jié)見表1。

1.3NCPT技術(shù)流程

NCPT技術(shù)流程總結(jié)如下：

(1) 對(duì)偵察到的輻射源信號(hào)進(jìn)行特征提取，將提取特征后的脈沖送入緩存，直到緩存中脈沖個(gè)數(shù)到達(dá)一定數(shù)量或脈沖累積時(shí)間達(dá)到門限。

(2) 讀取緩存中首個(gè)未處理脈沖并標(biāo)記，利用VNN采用EWVTBP算法進(jìn)行識(shí)別并根據(jù)識(shí)別結(jié)果調(diào)取數(shù)據(jù)庫(kù)中對(duì)應(yīng)雷達(dá)的PTF。

(3) 利用PTF中的窗寬對(duì)緩存中未標(biāo)記脈沖進(jìn)行平面變換，再根據(jù)PTF中的搜索模式和容差參數(shù)進(jìn)行脈沖抽??；若PTF存在多值情況，則對(duì)PTF依次取值。

(4) 重復(fù)步驟(2)、(3)，直到緩存內(nèi)所有脈沖均被抽取或被標(biāo)記，輸出結(jié)果或進(jìn)行后續(xù)處理。

(5) 清空緩存，開始步驟(1)。

2雷達(dá)信號(hào)分選實(shí)驗(yàn)

設(shè)計(jì)3組仿真實(shí)驗(yàn)，分別測(cè)試VNN識(shí)別部分的效果，平面變換抽取算法的有效性以及NCPT方法的有效性。仿真環(huán)境：Windows7,AMDCPUA6, 4GB內(nèi)存，編程工具為Matlab7.10.1。

2.1VNN識(shí)別測(cè)試

在測(cè)試階段， 構(gòu)造160個(gè)測(cè)試樣本，4部雷達(dá)中每部對(duì)應(yīng)40個(gè)測(cè)試樣本，測(cè)試樣本隨機(jī)在訓(xùn)練樣本中對(duì)應(yīng)雷達(dá)參數(shù)區(qū)間中取值。為驗(yàn)證VNN對(duì)測(cè)試樣本測(cè)量誤差的容錯(cuò)能力，定義誤差偏離范圍EDL(errordeviationlevel)[10]：

(11)

式中：xpi表示第p個(gè)測(cè)試樣本第i個(gè)參數(shù)值，ξpi為隨機(jī)添加到xpi的誤差偏離值。將測(cè)試樣本的EDL從0開始逐漸增加到16%，分別利用NVTBP算法和EWVTBP算法進(jìn)行測(cè)試， 結(jié)果見圖3。實(shí)驗(yàn)表明，

表1　PTF確定規(guī)則

一旦VNN訓(xùn)練完成，即可實(shí)時(shí)的給出測(cè)試樣本對(duì)應(yīng)類別， 在測(cè)試樣本參數(shù)沒有偏差的情況下，EWVTBP算法的識(shí)別正確率可達(dá)98.8%，而NVTBP算法只有93.2%。當(dāng)EDL為0時(shí)，EWVTBP算法的識(shí)別率比NVTBP算法高6%，隨著EDL的增加，NVTBP算法性能下降明顯，而EWVTBP算法表現(xiàn)出了更好的對(duì)測(cè)量偏差的容錯(cuò)性能。

圖3　EWVTBP算法識(shí)別效果Fig.3　Performance of EWVTBP

2.2平面變換抽取技術(shù)實(shí)驗(yàn)

定義脈沖分選準(zhǔn)確率和脈沖抽取率分別為

(1) 脈沖分選準(zhǔn)確率

RC=(SC/S)×100%，

(12)

式中：S是分選出同一部雷達(dá)的脈沖數(shù)，SC是分選正確的脈沖數(shù)；

(2) 脈沖抽取率

RE=(SC/SR)×100%，

(13)

式中：SR是所分選雷達(dá)實(shí)際脈沖數(shù)，SC同上。

易見，RC越高，分選效果越好，分選結(jié)果的可信度越高；而對(duì)于已知信號(hào)的分選，還要求有較高的RE指標(biāo)，這是為了減小脈沖密度，保證下一步對(duì)未知雷達(dá)信號(hào)的分選有較高的準(zhǔn)確率和處理速度。

為檢驗(yàn)平面變換算法的效果及PTF選取的合理性，對(duì)不同類型雷達(dá)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)參數(shù)和PTF取值見表3。實(shí)驗(yàn)中將脈沖串按到達(dá)時(shí)間進(jìn)行混疊，分別考慮脈沖丟失和混入干擾脈沖的影響，實(shí)驗(yàn)結(jié)果如圖4所示。從圖4a)可知，脈沖丟失對(duì)平面變換抽取算法效果影響不大，在脈沖丟失率為40%的時(shí)候，總的脈沖分選準(zhǔn)確率RC及脈沖抽取率RE仍大于99%；從圖4b)可知，隨著干擾脈沖的增多，平面變換抽取算法效果略有下降，這是由于平面點(diǎn)密度增高所造成的，然而即使混入干擾脈沖達(dá)到已知雷達(dá)脈沖數(shù)目的200%時(shí)，RC和RE值仍高于94%，證明平面變換抽取算法幾乎可以徹底的抽取已分選雷達(dá)脈沖。

2.3NCPT方法實(shí)驗(yàn)

利用某次偵察的一段實(shí)測(cè)數(shù)據(jù)對(duì)NCPT技術(shù)進(jìn)行測(cè)試，經(jīng)人工分析，測(cè)試數(shù)據(jù)中共包含11部不同雷達(dá)的脈沖數(shù)據(jù)，選擇其中7部雷達(dá)編入數(shù)據(jù)庫(kù)。

表2　樣本數(shù)據(jù)及樣本可信度計(jì)算結(jié)果

5-13-7的結(jié)構(gòu)，學(xué)習(xí)速率η=0.01，慣性系數(shù)α=0.7，收斂誤差Emax=0.05；平面變換因子PTF設(shè)置規(guī)則見表1。

表3　仿真雷達(dá)數(shù)據(jù)及PTF取值

圖4　平面變換分選效果Fig.4　Performance of pane transformation

將NCPT的分選結(jié)果與PRI關(guān)聯(lián)法、多參數(shù)匹配法及脈沖樣本圖法3種算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果見表4。可見，3種現(xiàn)有算法中，脈沖樣本圖法的分選準(zhǔn)確率最高，為88.5%，仍低于NCPT方法約9%；PRI關(guān)聯(lián)法的脈沖抽取率為73.0%，高于多參數(shù)匹配法和脈沖樣本圖法，但遠(yuǎn)低于NCPT方法的99.1%。在處理速度上，通過100次蒙特卡羅實(shí)驗(yàn)得到脈沖數(shù)與處理時(shí)間的關(guān)系如圖5所示，易見，NCPT方法在高脈沖密度條件下更容易滿足實(shí)時(shí)性的要求。

表4　不同分選方法效果比較

圖5　處理時(shí)間與脈沖個(gè)數(shù)關(guān)系Fig.5　Processing time and the pulse number

3結(jié)論

對(duì)電磁環(huán)境中已知輻射源信號(hào)的預(yù)先分選可以大大提高信號(hào)分選的速度和準(zhǔn)確度，但現(xiàn)有的預(yù)分選方法存在對(duì)脈沖丟失敏感，脈沖序列提取不完整等問題。本文提出的非線性分類器結(jié)合平面變換的分選方法，采用改進(jìn)的矢量神經(jīng)網(wǎng)絡(luò)作為分類器，通過平面變換完成對(duì)脈沖串抽取，仿真實(shí)驗(yàn)驗(yàn)證了NCPT的有效性和可行性。得到結(jié)論如下：

(1) 利用熵權(quán)值后向矢量傳播算法(EWVTBP)的矢量神經(jīng)網(wǎng)絡(luò)可有效完成對(duì)單脈沖的非線性分類，其識(shí)別率和容錯(cuò)性能均高于傳統(tǒng)的NVTBP算法。

(2) 通過調(diào)用平面變換因子PTF，平面變換抽取算法可快算準(zhǔn)確的提取出屬于一部雷達(dá)的完整脈沖序列，且具有良好的抗干擾脈沖性能，幾乎不受脈沖丟失的影響。

(3)NCPT方法相比于現(xiàn)有的對(duì)已知雷達(dá)分選方法，無論是在脈沖分選準(zhǔn)確率、脈沖抽取率還是在處理時(shí)間上，均有較為明顯的優(yōu)勢(shì)。

參考文獻(xiàn)：

[1]ELBIRTAJ.InformationWarfare:AreYouatRisk[J].IEEETechnologyandSocietyMagazine, 2003, 22(4): 13-19.

[2]HASSANHE，CHANF，CHANYT．AdaptiveDeinter-LeavinginDenseESMSystemEnvironments[C]∥TheThirdInternationalConferenceonElectricalEngineering．Carlo，Egypt：MilitaryTechnicalCollege，2002．

[3]楊學(xué)永，宋國(guó)棟，錢軼，等. 現(xiàn)代雷達(dá)信號(hào)分選跟蹤的幾種方法[J]. 現(xiàn)代雷達(dá)，2014, 36(3): 43-48.

YANGXue-yong，SONGGuo-dong，QIANYi,etal.SeveralMethodsofRadarSignalSortingandTracking[J].ModernRadar, 2014,36(3): 43-48.

[4]ELTONSD．ACross-CorrelationTechniqueforRadarEmitterRecognitionUsingPulseTimeofArrivalInformation[C]∥Proc．ofDefenceApphcalionsofSignalProcessingWorkshop．BarossaValley，SouthAustralia：[s.n.]，2002．

[5]劉旭波，司錫才. 雷達(dá)信號(hào)分選實(shí)現(xiàn)的新方法[J]. 系統(tǒng)工程與電子技術(shù)，2010,32(1): 53-56.

LIUXu-bo,SIXi-cai.NewMethodforSortingRadarSignals[J].SystemsEngineeringandElectronics, 2010,32(1): 53-56.

[6]孟祥豪，羅景青. 基于合成特征參數(shù)和脈沖樣本圖的雷達(dá)信號(hào)分選[J]. 火力指揮與控制，2012,37(9): 50-54.

MENGXiang-hao，LUOJing-qing.RadarSignalSortingBasedonCompositiveCharacteristicParameterandPulsePattern[J].FireControl&CommandControl, 2012,37(9): 50-54.

[7]張國(guó)柱，姜文利，周一宇. 基于神經(jīng)網(wǎng)絡(luò)的輻射源識(shí)別系統(tǒng)設(shè)計(jì)[J]. 系統(tǒng)工程與電子技術(shù)，2004,26(2): 269-272.

ZHANGGuo-zhu,JIANGWen-li,ZHOUYi-yu.RadiatorIdentificationSystemBasedonNeuralNetworks[J].SystemsEngineeringandElectronics, 2004,26(2): 269-272.

[8]鄭子揚(yáng)，陳永游，張君，等. 基于SOFM網(wǎng)絡(luò)聚類雷達(dá)信號(hào)分選預(yù)處理改進(jìn)算法[J]. 航天電子對(duì)抗，2013,29(3): 42-50.

ZHENGZi-yang，CHENYong-you，ZHANGJun,etal.AnImprovedPre-ProcessingAlgorithmofRadarSignalSortingBasedonSOFMClustering[J].AerospaceElectronicWarfare, 2013,29(3): 42-50.

[9]周玉，朱安福，周林，等. 一種神經(jīng)網(wǎng)絡(luò)分類器樣本數(shù)據(jù)選擇方法[J]. 華中科技大學(xué):自然科學(xué)版，2012，40(6)：39-43.

ZHOUYu,ZHUAn-fu,ZHOULin,etal.SampleDataSelectionforNeuralNetworkClassifiers[J].HuazhongUniv.ofSci. &Tech：NatureScienceed, 2012，40(6)：39-43.

[10]SHIEHC，LINC．AVectorNeuralNetworkforEmitterIdentification[J]．IEEETransactionsonAntennasandPropagation, 2002, 50(8): 1120-1127．

[11]劉海軍，柳征，姜文利，等. 基于云模型和矢量神經(jīng)網(wǎng)絡(luò)的輻射源識(shí)別方法[J]. 電子學(xué)報(bào)，2010,38(12):2797-2799.

LIUHai-jun，LIUZheng，JIANGWen-li，etal.ApproachBasedonCloudModelandVectorNeuralNetworkforEmitterIdentification[J].ActaElectronicaSinica, 2010,38(12):2797-2799.

[12]IgorAizenberg,ClaudioMoraga.MultilayerFeedforwardNeuralNetworkBasedonMuti-ValuedNeurons(MLMVN)andaBackpropagationLearningAlgorithm[J].SoftComput,2007， 11: 169-183.

[13]樊甫華，張萬軍，譚營(yíng). 基于累積變換的周期性對(duì)稱調(diào)制模式的快速自動(dòng)搜索算法[J]. 電子學(xué)報(bào)，2005,33(7): 1266-1270.

FANFu-hua，ZHANGWan-jun，TANYing.AFastandAutomaticSearchingAlgorithmofPeriodicandSymmetricPatternsBasedonAccumulativeTransformationTechnique[J].ActaElectronicaSinica, 2005,33(7): 1266-1270.

[14]張西托，饒偉，楊澤剛，等. 平面變換技術(shù)脈沖分選自動(dòng)實(shí)現(xiàn)方法[J]. 數(shù)據(jù)采集與處理，2012,27(4): 496-500.

ZHANGXi-tuo,RAOWei,YANGZe-gang,etal.AutomaticFulfillmentofDeinterleavingPulsesBasedonPlaneTransformation[J].JournalofDataAcquisition&Processing, 2012,27(4): 496-500.

[15]普運(yùn)偉，金煒東，朱明，等. 雷達(dá)輻射源信號(hào)模糊函數(shù)主脊切面特征提取方法[J]. 紅外與毫米波學(xué)報(bào)，2008,27(2): 133-137.

PUYun-wei,JINWei-dong，ZHUMing，etal.ExtractingtheMainRidgeSliceCharacteristicsofAmbiguityFunctionforRadarEmitterSignals[J].InfraredMillimWaves, 2008,27(2): 133-137.

Approach Based on Nonlinear Classifiers and Plane TransformationforRadarSignalDeinterleaving

LIU Zhi-peng, ZHANG Guo-yi，TIAN Run-lan

(Aviation University of Air Force, Jilin Changchun 130022, China)

Abstract:Aiming at the fact that the existing methods for known radar deinterleaving has disadvantage of low speed of identification, low efficiency, sensitive to pulse missing and sequence extracting incompletely, a new radar signal deinterleaving method called nonlinear classifiers and plane transformation is proposed. This technology firstly extracts the features including radio frequency, pulse width and intra-pulse modulation and so on, which are presented to nonlinear classifiers to achieve the identification of emitter for single pulse, then the corresponding parameters got by identification results are utilized to conduct the plane transformation which come true the extraction of the pulse train. Simulation experiments show that this method has advantage of fast speed, high accuracy, easy to implement, etc.

Key words:radar; signal deinterleaving; nonlinear classifier; plane transformation;vector neural network

*收稿日期：2015-04-30；修回日期：2015-12-02

作者簡(jiǎn)介：劉志鵬(1990-)，男，吉林長(zhǎng)春人。碩士生，主要從事電子情報(bào)處理。

通信地址：130022吉林省長(zhǎng)春市南湖大路2222號(hào)學(xué)員11隊(duì)E-mail：1179283747@qq.com

doi:10.3969/j.issn.1009-086x.2016.03.021

中圖分類號(hào)：TN957.52

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1009-086X(2016)-03-0127-07