一種新的雷達信號實時分選方法

劉志鵬，張國毅

(1.中國人民解放軍93993部隊，甘肅 蘭州 730100；2.空軍航空大學，吉林 長春 130022)

?

·技術前沿·

一種新的雷達信號實時分選方法

劉志鵬1，張國毅2

(1.中國人民解放軍93993部隊，甘肅 蘭州 730100；2.空軍航空大學，吉林 長春 130022)

針對現(xiàn)有實時分選方法依賴滑動窗(單次處理脈沖數(shù))的選取、分選效率低以及分選結果存在嚴重增批現(xiàn)象等缺陷，將脈沖串的接收視為數(shù)據(jù)流過程，從而設計了一種基于進化數(shù)據(jù)流聚類的雷達信號實時分選框架。該框架分為在線處理和離線分析兩個階段，通過引入時態(tài)密度特征避免了主觀上對滑動窗長度的選取，并利用衰變檢測和噪聲點檢測來提高在線聚類的效率。離線階段通過對歷史快照的分析可以判明雷達的活動情況，并將屬于一部雷達的脈沖批組進行關聯(lián)。仿真實驗表明了該框架的有效性和可行性。

信號分選；數(shù)據(jù)流；時態(tài)密度；放射傳播聚類；離線分析

0　引言

在實時偵察中，偵收機不斷接收到新到達的脈沖串，為了對這些不斷到達的脈沖進行分選，傳統(tǒng)的做法是利用滑動窗去積累一定數(shù)量的脈沖，再對這些由滑動窗分割成一段一段的脈沖串進行處理。此種方法的分選結果受滑動窗的影響，而滑動窗長度的選取依賴經驗設定，并沒有完整的理論作為支撐。為此，本文提出基于進化數(shù)據(jù)流[1-2]的新的分選框架，引入脈沖數(shù)據(jù)的時態(tài)密度特征[3]，從而避開了滑動窗選取對分選結果的影響。

由于電磁環(huán)境中不斷有輻射源消失和新的輻射源活躍，因此，本文提出的分選框架首先發(fā)掘出活躍批組(批組就是由若干脈沖形成的聚類)，利用活躍批組來對新到達的脈沖進行優(yōu)先關聯(lián)，大大提高了分選的實時性。此外，由于算法實時給出當前電磁環(huán)境的分選結果而不考慮歷史影響，可能會造成增批的情況。為解決這個問題，本文提出的分選框架的在線部分負責更新分選的實時概要信息，發(fā)現(xiàn)新的輻射源并給出聚類的結果；離線部分則對分選結果的歷史演化進行深度分析，完成跟蹤合批，并為用戶提供更為準確的輻射源偵察信息。

1　分選模型的建立

本文建立的基于進化數(shù)據(jù)流的分選框架分為兩階段，即在線處理部分和離線處理部分[4]。其中，在線處理部分完成聚類并提取數(shù)據(jù)流的特征向量，形成概要數(shù)據(jù)[5]；離線處理部分依據(jù)概要數(shù)據(jù)的歷史演化[6]，給出更為精確的分選結果。

該框架利用到衰變因子、時態(tài)密度特征、批數(shù)據(jù)概要特征、活躍批組等概念，現(xiàn)進行說明如下。

1.1衰變因子及時態(tài)密度特征

若把數(shù)據(jù)流看做是隨時間變化的過程，則距現(xiàn)時刻越近的數(shù)據(jù)，重要程度越高，越久遠的歷史數(shù)據(jù)，相對的重要程度就越低。

定義衰變因子為[7]：

(1)

衰變因子隨時間的增加而遞減，其值的大小反映了數(shù)據(jù)出現(xiàn)時間的先后，這里以衰變因子作為權值來表征數(shù)據(jù)的重要程度，衰減的速率可通過λ的取值進行調節(jié)。

1.2時態(tài)密度特征

1)脈沖的時態(tài)密度特征

設x是數(shù)據(jù)流中的一個脈沖，t0為脈沖到達時刻，則該脈沖的時態(tài)密度為：

(2)

2)批組的時態(tài)密度

設bc為由n個脈沖聚類形成的批組，則批組bc在時刻t的時態(tài)密度特征定義為：

(3)

1.3批組的概要特征

假設批組bc中包含帶有到達時間戳為ti1,ti2,…,tin的脈沖串xi1,xi2,…,xin，定義批數(shù)據(jù)的概要特征BF為：

(4)

式中，Ci為代表批組的聚類中心；Tbci為批組的時態(tài)密度，表示批組在時間上的密度；maxi為批組內距離中心點最遠的脈沖；tn為批組最后更新時間；∑i為批組內的脈沖相似性，定義為：

(5)

1.4活躍批組與稀疏批組

批組時態(tài)密度的最大值為：

(6)

式中,v為數(shù)據(jù)流的流速，故任意批組的平均時態(tài)密度不超過v/(N(1-e-λ))，N為脈沖總數(shù)。

為提高分選的效率，新到達的脈沖將優(yōu)先與檢測到的活躍雷達關聯(lián)，設定閾值：

(7)

式中,μ>1，當批組bc的時態(tài)密度Tbc(t)≥Tthred時，認為該批組為活躍批組，否則為稀疏批組。

1.5時態(tài)密度的更新

假設時刻tl為批組bc上一次更新的時刻，由式(3)可得：

(8)

根據(jù)時態(tài)密度定義得：

(9)

如果該批組在時刻tn接收到新的脈沖，則其在時刻tn的時態(tài)密度更新公式為：

(10)

1.6活躍批組和稀疏批組可被增量的維護

某一批組bc{Ci,Tbci,∑i,maxi,tn}，在Δt內沒接收到新的脈沖，則bc概要特征變?yōu)閧Ci,e-λΔtTbci,∑i,maxi,tn+Δt}；若在Δt時間內接收到脈沖P，則bc的聚類中心不變，其他信息變更為：

(11)

(12)

(13)

maxi=Idx(dmax(xi,ci))

(14)

式中,maxi取更新后脈沖數(shù)據(jù)中離聚類中心最遠的脈沖。

2　算法流程

2.1初始聚類

對數(shù)據(jù)流中首先到達的N個脈沖利用仿射傳播聚類算法[8-9]進行初始聚類，并依據(jù)聚類結果將脈沖分成若干初始批組，對任意初始批組bc，若其時態(tài)密度大于閾值Tthred，則標記為活躍批組，否則為稀疏批組，取所有活躍批組的最大半徑作為初始半徑r。

2.2在線聚類

初始化聚類完成后，新到達的脈沖p將首先與活躍批組相比較，若活躍批組不能吸收，再嘗試將p置于稀疏批組中。批組吸收脈沖要同時滿足的條件為：新到達脈沖參數(shù)與聚類中心Ci最近且小于初始半徑r。如果活躍批組與稀疏批組均不能吸收脈沖p，則將其存入緩存盒中，并監(jiān)測個數(shù)變化；當緩存盒內的脈沖數(shù)到達門限n_max時，利用仿射傳播聚類發(fā)掘出新模式，并將整體模型重建。

2.3衰變檢測和離群噪聲的檢測

若活躍批組長時間未接受新的脈沖，則隨著時間推移，其時態(tài)密度將發(fā)生衰減，直至低于閾值Tthred，此時活躍批組蛻變?yōu)橄∈枧M，需要從活躍批組隊列中移入稀疏批組隊列中，因此，需要定期檢測活躍批組的時態(tài)密度。由等式e-λTdTthred+1=Tthred得出最短蛻變時間為：

(15)

所以選擇Td為衰變檢測時間。

同時，隨著時間的演進，數(shù)目不斷增多的活躍批組與稀疏批組將不斷增加系統(tǒng)的負擔，需要對離群的噪聲點進行刪除，而對于新產生的批組，其時態(tài)密度較低，又要為其成長為活躍批組保證一定的成長時機。因此，采用最低閾值淘汰機制，即每隔Td對稀疏批組進行檢測，如果時態(tài)密度小于閾值下限，則幾乎不可能成長為活躍批組，于是將其視為離群噪聲刪除。閾值下限設為：

(16)

式中，t0為批組首次出現(xiàn)時刻。易知當t=t0時，ξ(t,t0)=1；當t→∞時，ξ(t,t0)=Tthred。

活躍批組與稀疏批組相互轉化及離群噪聲剔除機制如圖1所示，t1時刻，存在活躍批組bc1及稀疏批組bc2。經過n1Td時間后，批組bc1的時態(tài)密度低于式(7)所設門限Tthred，蛻變?yōu)橄∈枧M；而批組bc2由于不斷接受新脈沖，時態(tài)密度大于Tthred，成長為活躍批組。再經歷n2Td時間后，批組bc1的時態(tài)密度已低于式(16)確定的閾值下限ξ(t,t0)，被視作離群噪聲而被剔除；批組bc2由于有新的脈沖加入仍保持活躍；此時緩存盒內發(fā)現(xiàn)新模式bc3，但時態(tài)密度較低被判為稀疏批組。

圖1　檢測機制示意圖

2.4離線處理

1)批組關聯(lián)

如果兩個活躍批組bci{Ci,Tbci,∑i,maxi,tn}和bcj{Cj,Tbcj,∑j,maxj,tn}滿足密度可達，即‖ci-cj‖≤‖maxi-ci‖+‖maxj-cj‖，則認為兩個活躍批組相關聯(lián)。于是用戶可依據(jù)某一時刻的快照，以深度優(yōu)先搜索為準則找到所有相關聯(lián)的活躍批組，從而得到更準確的聚類結果。

2)演化分析

用戶可指定分析時間差h和時刻tp，利用快照S(tp)和S(tp-h)相減的結果得到tp和tp-h的批組集差H，并根據(jù)H得出新增的活躍批組、消失的活躍批組和保持活躍的批組，進而分析脈沖流的演化情況。分選框架模型流程如圖2所示。

圖2　進化數(shù)據(jù)流分選框架模型

3　仿真實驗

為驗證進化數(shù)據(jù)流聚類分選框架的可行性，分別用仿真數(shù)據(jù)和實際數(shù)據(jù)對算法進行測試，仿真環(huán)境：Windows 7, AMD CPU A6, 4GB 內存，編程工具為Matlab 7.10.1。

3.1仿真信號

實驗所用雷達數(shù)據(jù)見表1，生成一段50ms的脈沖流，加入3%的噪聲脈沖，并按下式模擬脈沖散失：

TOAi-1+PWi-1+tp≤TOAi

(17)

式中，tp為接受機反應時間，設為1μs；當脈沖到達時間TOAi不滿足式(17)時，則被認定為散失脈沖，從脈沖流中去除，雷達出現(xiàn)和消失的時間亦見表1。

采用本文提出的基于進化數(shù)據(jù)流聚類的分選方法，分選參數(shù)為{RF,PRI,DOA,PM}，衰減的速率λ設為0.5，閾值系數(shù)μ設為5，得到的在線處理結果如圖3所示。

圖3　在線處理結果示意圖

雷達編號RF/MHzPRI/μsDOA/(°)PW/μs脈內調制類型出現(xiàn)時間/μs消失時間/μsR13200～3400單脈沖捷變2110固定105～1071.1固定CON990044500R23300～3500脈沖組跳變129～134抖動101～104.73.5～17.5捷變LFM450014500R33170/3390頻率分集177/183/193三參差103～1054.7固定BPSK35350持續(xù)R43390頻率固定145/155/165/170脈組參差104.1～104.311.2～15.2捷變Costas1001持續(xù)

由圖3可見，由于雷達R1的脈沖間隔較大，開始被識別為稀疏批組，隨著新脈沖的加入，6ms(吸收三個脈沖)后，成長為活躍批組，在45ms后，批組蛻變?yōu)橄∈杳}沖，隨即又被視為噪聲點剔除。雷達R2在5ms成為活躍批組，在15ms左右蛻為稀疏批，由于未接收新脈沖，隨即被剔除。雷達R3和R4分別在1.5ms和36ms左右形成活躍批，并一直延續(xù)到脈沖流結束。每隔10ms進行一次離線分析，統(tǒng)計分選正確率，并與模糊C-均值聚類算法及修正PRI算法的分選效果進行比較，兩種算法的參數(shù)設置參見文獻[10～11]，滑動窗設為1024，結果如表2所示。

表2　離線分析記錄

通過比較表1和表2可知，基于進化數(shù)據(jù)流聚類的分選框架可以準確地反應出輻射源的活動情況，具有較高的分選正確率，有效抑制了增批，有效性明顯優(yōu)于已有算法。

表3　實驗數(shù)據(jù)參數(shù)及雷達活動情況

3.2實際信號測試

利用實際信號對數(shù)據(jù)流聚類分選框架進行驗證，分選特征參數(shù)的選取和算法參數(shù)設置同3.1節(jié)，實驗數(shù)據(jù)為某次航空偵察得到的一段長度為14.6s的全脈沖數(shù)據(jù)，共91700個脈沖，經反復人工分析后，認為該時間內先后出現(xiàn)了共14部雷達，主要參數(shù)及具體情況見表3，這里僅給出部分雷達大致范圍和變化類型。

采用基于進化數(shù)據(jù)流聚類的分選框架，分選參數(shù)為{RF,PW,DOA,PM}，衰減的速率λ設為0.5，活躍批組閾值系數(shù)μ設為5，得到的離線分析結果仍與模糊C-均值聚類算法及修正PRI算法的分選效果進行比較，最終結果見表4。

表4　離線分析結果及與其他算法對比

從表4可看出，基于進化數(shù)據(jù)流的實時分選框架對實際偵察環(huán)境具有良好的適應性，可以正確分析出輻射源的活動狀況，有效抑制增批，并且平均分選正確率高于90%，明顯優(yōu)于其他分選算法。

4　結束語

針對當前實時分選技術存在的分選效率低及增批現(xiàn)象嚴重的問題，本文設計了一種基于進化數(shù)據(jù)流聚類的實時分選框架，即利用聚類算法和時態(tài)密度建立在線模型，通過衰變檢測來提高分選效率，最后利用離線分析進行合批和歷史數(shù)據(jù)分析。仿真實驗證實了該方法的實用性和高效性。■

[1]Ntoutsi I, Zimek A, Palpanas T, et al.Density-based projected clustering over high dimensional data streams[C]∥Anaheim, USA：proc.of the 12th SIAM interna-tional Conference on Data Mining，2012: 987-998.

[2]Kranen P, Kremer H, Jansen T, et al.Stream data mining using the MOA framework[C]∥Busan, Republic of Korea：Proc.of the 17th International Conference on Database Systems for Advanced Applications，2012:309-313.

[3]孫大為, 張廣艷, 鄭緯民.大數(shù)據(jù)流式計算:關鍵技術及系統(tǒng)實例[J].軟件學報, 2014, 25(4): 839-862.

[4]牛新征, 佘堃.面向大規(guī)模數(shù)據(jù)的快速并行聚類劃分算法研究[J].計算機科學, 2012, (1): 67-71.

[5]徐文華, 覃征, 常揚.基于半監(jiān)督學習的數(shù)據(jù)流集成分類算法[J].模式識別與人工智能, 2012(2): 117-119.

[6]Xu Ye, Shen Furao, Zhao Jinxi.An incremental learning vector quantization algorithm for pattern classification[J].Neural Computing and Applications, 2012 (6):439-442.

[7]Cormode G, Hadjieleftheriou M.Methods for finding frequent items in data streams[J].The VLDB Journal, 2010 (1): 39-43.

[8]Frey BJ, Dueck D.Clustering by passing messages between data points[J].Science, 2007, 316(5814): 972-976.

[9]王開軍, 張軍英, 李丹，等.自適應仿射傳播聚類[J].自動化學報, 2007，33(12): 1242-1246.

[10]尹亮, 潘繼飛, 姜秋喜.基于模糊聚類的雷達信號分選[J].火力與指揮控制, 2014, 39(2): 52-57.

[11]羅長勝, 吳華, 程嗣怡.一種對重頻調制與抖動信號的PRI變換分選新方法[J].電訊技術, 2012, 52 (9): 1491-1496.

A novel deinterleaving method in real time of radar signal

Liu Zhipeng1, Zhang Guoyi2

(1.Unit 93993 of PLA, Lanzhou 730100,Gansu,China; 2.Aviation University of Air Force, Changchun 130022,Jilin,China)

In view of the existing real-time sorting methods having defects of relying on sliding window (the pulse number to be conducted one time), low sorting efficiency and serious phenomenon of increased number, pulse sequence is regarded as a data flow process, thus a real-time signal sorting framework based on online clustering of evolution data stream is designed.The framework is divided into two stages as an online part and an offline analysis part.With the utilization of temporal density characteristics, the subjective selection of sliding window length is avoided.And the disintegration detection and noise detection are used to improve the efficiency of online clustering.Off-line stage with the analysis of the historical snapshot can determine the movements of the radar, and merge groups of pulses which come from the same emitter.The simulation experiment shows the validity and feasibility of the framework.

signal deinterleaving;data stream;temporal density;affinity propagation cluster;off-line analysis

2015-12-03；2016-03-09修回。

劉志鵬(1990-)，男，碩士研究生，主要研究方向為雷達信號分選與識別。

TN971+.1；TN974

A