一种改进的PRI变换算法

对雷达辐射源脉冲序列进行准确分选是当前电子对抗领域迫需解决的一个难题,基于脉冲重复间隔（PRI）变换算法可以实现对固定重频、抖动重频脉冲序列的分选,但存在一定的缺陷。文章分析了使用PRI变换算法时,PRI的取值范围对分选准确率有着较大影响,并推导证明了PRI变换算法不适用于参差重频脉冲序列。针对分析出的两点问题,提出一种改进的PRI变换算法,并通过仿真验证了该改进算法的有效性。     

一种脉冲重复间隔固定序列快速检测方法

针对脉冲混迭造成的脉冲重复间隔(PRI)固定序列检测以及PRI估计困难的问题,该文提出一种基于平面变换的PRI固定序列快速检测方法。该方法通过脉冲到达时间(TOA)对平面宽度的整数取余运算,只需1次时域变换处理即可生成PRI固定序列平面变换点迹的周期性图形(PGPTP);之后依据点迹图形模式的差异实现多个TOA交错的PRI固定脉冲序列的判定,并结合点迹图形纵向展开周期和平面宽度逐一估计出PRI值,进而实现密集信号环境下PRI固定脉冲序列分选。仿真实验验证了该方法的有效性以及高效、实用等优点。     

一种快速重频参差信号分选方法

针对重频参差信号的分选,提出了一种快速信号分选方法,首先对参差信号脉冲序列的到达时间(TOA)做一次一阶差分运算,然后提取出所有满足条件的脉冲重复间隔(PRI)值,同时得到该参差信号的相周期、帧周期和参差数;最后,对脉冲序列的TOA做一次或多次高阶差分运算,并利用之前获得的相周期和参差数,解出各相周期的顺序关系.仿真实验结果表明,本文提出的方法在脉冲丢失率达到40%时仍能正确分选,且计算速度快.     

基于点云分割网络的雷达信号分选方法

针对现有基于图像分割的端到端雷达信号分选方法存在的像素点重叠与处理效率不高的问题,该文提出一种基于点云分割网络的端到端分选方法。首先将雷达脉冲流的脉冲描述字(PDW)映射为点云;之后利用点云分割网络(PointNet++)对该点云中各点依据其所属辐射源进行分割;最后将具有相同标签的点聚类形成脉冲集合,分别提取各脉冲集合所包含的辐射源并形成相应的辐射源描述字。仿真结果表明：所提方法能够有效对未知雷达信号进行分选,在脉冲丢失和虚假脉冲干扰的分选环境下也表现出较强的可靠性与稳定性,并且由于采用具有轻量化特点的模型使得该方法的执行效率更高。     

一种折叠聚类的威胁雷达信号识别方法

威胁雷达信号的分选识别是雷达对抗侦察系统的重要任务,是影响对抗成败的因素之一。针对雷达数量大幅增加、信号调制样式多样、信号密度越来越高的复杂电磁环境,提出了一种TOA折叠聚类的威胁雷达信号识别方法。该方法首先对截获的脉冲流进行TOA折叠分选,然后用DBSCAN聚类算法提取数据,最后进行威胁雷达信号模板匹配识别。仿真结果表明,该方法在复杂环境下能够分选出目标雷达信号,对复杂体制的雷达信号适应能力强。     

电子侦察脉冲列中重频信息提取与应用综述

脉冲重复间隔（PRI）或脉冲重复频率（PRF）是雷达辐射源最稳健的特征参数之一，体现了雷达辐射脉冲的时序规律。在功能上，重频既决定了雷达单值测距范围,又影响不模糊测速区域大小。现代雷达常采用多个重频值和多种调制类型以满足不同功能的需求。在非合作机制的电子侦察领域，PRI指2个连续脉冲上升沿的间隔，是重要的脉冲描述字（PDWs）之一。由PRI衍生的雷达重频信息包括典型重频值集、重频调制类型、重频参数时序模式，均需要从复杂的电子侦察脉冲列中提取之后才能应用至分选、识别等数据处理任务。从电子侦察系统中重频信息提取与应用的体制与技术难点出发，综述了3种重频信息提取与应用的研究现状，并对重频信息提取与应用的进一步发展做出了展望。     

基于累积变换的周期性对称调制模式的快速自动搜索算法

借鉴平面变换技术,将密集雷达脉冲序列映射成平面位图矩阵,并提出自动搜索周期性对称调制模式的快速算法,用于分选密集信号环境下PRI受周期性对称调制的雷达脉冲.大量的仿真试验结果表明算法在密集信号环境下,分选PRI是周期性对称调制的雷达脉冲的平均准确率达到92%,平均漏选率只有5%,极大地提高了雷达脉冲分选的效率和准确性.最后给出模式搜索时间、脉冲分选平均准确率和平均漏选率随脉冲密度变化的结论.     

雷达信号的聚类分选方法

雷达信号分选，就是从交错的j密集复杂的脉冲信号流中提取出属于同一雷达辐射源的脉冲序列。现代雷达具有多种工作状态，其各项特征参数都是可变的，甚至是随机变化的。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文章提出一种基于多参数聚类分析的雷达脉7中信号分选方法，提供了一种解决密集复杂脉冲信号分选问题的新途径。仿真试验表明，该方法能够从多部相控阵雷达信号交错的脉冲序列中，准确地分选出属于每个辐射源的脉冲序列。     

一种基于脉冲重频跟踪的信号分选方法

脉冲重频是雷达信号的重要特征之一,能否充分利用雷达信号的脉冲重频信息,直接影响雷达信号分选质量.采用由CPU给出的分选结果,包括最后一个用于分选的脉冲的到达时间,装订现场可编程门阵列(FPGA)关联比较器,利用雷达信号到达时间的相参性,将前后脉冲的到达时间差取余,根据余数判断两脉冲的相参关系,快速建立跟踪,由硬件实现对关联信号的脉冲重频跟踪,提高了速度,实现了信号跟踪的稳定性.     

基于平面显示的雷达脉冲分选研究

平面显示技术开启了雷达脉冲分选的新思路,但需要在显示平面上搜索特征曲线,等分离出特征曲线上的脉冲后,才能获取脉冲序列PRI(脉冲重复周期)的调制方式和大小等信息,增加了算法的复杂性.针对平面显示技术的缺点,研究了雷达脉冲序列的平面显示特性,给出了特征曲线参数与显示平面宽度及雷达脉冲序列PRI之间的关系,直接从特征曲线获取脉冲序列PRI的调制方式和大小等信息,降低了算法的复杂性.仿真试验证明了算法的正确性和有效性.     

现代雷达信号分选技术综述

概述了雷达信号预分选、信号分选和综合分析处理技术．阐述了扩展关联法．差直方图法（SDIF和CDIF）、PRI变换法的工作原理及其性能．提出了一种辅助分选方法——TOA折叠分选法：实验表明．在密集的雷达信号环境下．差直方图法是一种可行的实时分选方法．其性能优于扩展关联法．且比PRI变换法速度快;TOA折叠分选法能够适应复杂的现代新体制雷达信号环境．例如大量丢失脉;中和干扰脉冲的情况以及PRI特殊变化的信号的情况．对实时分选方法是一种很好的补充：     

高信号密度雷达脉冲分选算法

利用脉冲重复间隔(PRI)是高信号密度环境下一种主要的脉冲分选去交错方法.文中分析了受到雷达扫描特性影响时,脉冲到达时间(TOA)测量误差对PRI估计及对脉冲分选去交错的影响,提出了一种对脉冲幅度变化不敏感的TOA测量算法和能够克服PRI误差累积的去交错算法.仿真结果表明,该算法适用于高信号密度环境,性能良好.算法已在DSP平台上实现,具有很好的实时性.     

脉冲重复间隔估计与去交织的方正弦波插值算法

在高密度复杂信号环境中,根据脉冲到达时间提取脉冲重复间隔并去交织是一个常用方法。但由于存在严重的倍周期干扰和脉冲重叠现象,传统的脉冲重复间隔估计算法在高密度复杂信号环境中性能急剧下降。为了克服上述缺点,该文提出了一种的新算法方正弦波插值算法(SSWIA)。其核心是把不等间隔的到达时间序列变换成连续信号;然后利用快速傅里叶算法提取重复周期并用滤波技术和过零检测形成检测波门提取周期序列。该算法能够适应固定重频、参差重频、抖动重频和滑变重频交织的高密度复杂信号环境。仿真结果表明:该算法提取重复频率精度高,速度快并且抗丢失和虚警脉冲的能力强;其综合性能优于现有其它方法,具有很好的工程应用价值。     

雷达辐射源信号分选研究进展

雷达辐射源信号分选是雷达信号侦察的关键技术之一,同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术,从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展,并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后,对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。      

雷达辐射源信号聚类分选算法

基于脉内特征参数的聚类是实现雷达辐射源信号分选的一种重要途径.本文在小波域滤波算法的基础上提出一种新的雷达辐射源信号脉内特征提取和聚类分选方法,将小波变换后的低频逼近小波系数的能量分布熵与经过尺度相关去噪计算后反映信号边缘的高频细节小波系数能量分布熵作为分选的脉内特征向量,并引入灰关联测度来衡量脉内特征样本之间的相似程...     

一种可视化的雷达脉冲序列综合分选方法

分析比较了序列差值直方图法(SDIF)、PRI变换法和TTP(TOA to PRI)变换法三种雷达信号分选方法的优缺点,在此基础上提出了一种可视化的雷达脉冲序列综合分选方法,并仿真实现了该方法。仿真结果表明该综合分选方法简单实用,能适应多种类型的重频信号,在信号PRI较分散的时候有很好的分选效果。     

一种改进的动态关联信号分选算法

在基于脉冲制外辐射源的无源相干雷达系统中,直达波通道信号通常需要信号分选后才能与目标回波信号进行相参信号处理。为了从直达波通道互相交叠的信号中分选出特定辐射源的信号,提出了改进的动态关联信号分选算法。该算法在对实测信号特点分析后,指出利用脉冲重复频率和相邻脉冲幅度比这两个参数进行实测信号分选。信号分选结果表明:该算法能够完整分选出辐射源主瓣信号,也可以保证一定的辐射源副瓣信号分选成功率;同时动态设置脉冲重复频率容限亦可以完成参差重频、抖动重频等信号的分选工作。     

基于滑动时间窗的雷达脉冲列分选方法

电磁空间中大量存在着相互交错的固定重频雷达脉冲列,例如海面大量舰船发射的导航雷达信号、机载脉冲多普勒雷达在不同时段发射的相干脉冲列等。这些脉冲列以时间片段的形式存在,电子侦察分析系统无法事先确定其起止时刻,给这类雷达的重频参数估计和脉冲分选造成了较大困难。该文首先分析脉冲列的短持续时间特性给传统脉冲分选方法性能造成的负面影响,然后引入滑动时间窗思想来削弱这一影响,并据此提出脉冲重频间隔(PRI)高精度估计和脉冲分选方法。仿真结果验证了新方法的重频参数估计和脉冲分选性能。     

Deinterleaving pulse trains using discrete-time stochasticdynamic-linear models

Pulse trains from a number of different sources are often received on the one communication channel. It is then of interest to identify which pulses are from which source, based on different source characteristics. This sorting task is termed deinterleaving. the authors propose time-domain techniques for deinterleaving pulse trains from a finite number of periodic sources based on the time of arrival (TOA) and pulse energy, if available, of the pulses received on the one communication channel. They formulate the pulse train deinterleaving problem as a stochastic discrete-time dynamic linear model (DLM), the “discrete-time” variable k being associated with the kth received pulse. The time-varying parameters of the DLM depend on the sequence of active sources. The deinterleaving detection/estimation task can then be done optimally via linear signal processing using the Kalman filter (or recursive least squares when the source periods are constant) and tree searching. The optimal solution, however, is computationally infeasible for other than small data lengths since the number of possible sequences grow exponentially with data length. The authors propose and study two of a number of possible suboptimal solutions: 1) forward dynamic programming with fixed look-ahead rather than total look-ahead as required for the optimal scheme; 2) a probabilistic teacher Kalman filtering for the detection/estimation task     

基于EidosBSB人工神经元网络的雷达脉冲分选方法

提出了一种基于EidosBSB人工神经元网络的雷达脉冲分选方法。仿真表明,该模型能够通过对大量带有测量误差的雷达脉冲样本进行自联想学习,完成对脉冲模式的记忆,进而实现分选功能。与其他脉冲分选方法相比,该方法具有更好的参数测量误差适应能力和更高的分选精度。