基于時序匹配及變長滑窗的雷達信號分選

劉天鵬，牛 鋒，張什永，薛 峰

(1.合肥工業大學，安徽合肥 230601；2.中國電子科技集團公司第三十八研究所，安徽合肥 230088)

0 引言

隨著制導武器的迅速發展以及雷達技術的大量運用，現代戰場的電磁環境日趨復雜，新體制雷達不斷被研發出來，導致從復雜密集的電磁信號環境中快速地分選識別出威脅雷達信號日趨艱難。

雷達信號分選利用信號參數的相關性來實現分選，表征雷達的特征參數有頻域參數、空域參數、時域參數、幅度參數等[1]。雷達信號分選的方法主要有基于脈間五參數的方法、基于脈內細微特征的方法和基于波形匹配的方法[2]。目前廣泛使用的是基于脈間五參數的方法：首先用載頻、脈寬、到達角參數進行預分選，然后基于脈沖重復間隔(PRI)去交錯方法進行主分選。典型的PRI去交錯方法有動態關聯法[3]、直方圖法[4-7]、PRI變換法等[8-10]。目前，眾多學者提出了多種基于脈間五參數的常規雷達信號分選算法，但這些算法運算量較大。同時，這些方法在信號丟失嚴重或者脈沖密度大的情況下易出現增批、漏批等問題，導致分選效果差，虛警和漏警多，從而影響作戰人員對戰場形勢的判斷。

針對上述問題，本文提出一種基于時序匹配及變長滑窗的雷達信號分選算法，首先，利用載頻、脈寬兩個參數對待分選脈沖進行粗篩選，將待分選脈沖稀釋；然后，利用重頻值在時域上對待分選脈沖進行更進一步的抽取，從而獲取符合該輻射源模板的脈沖序列。在此算法基礎上，本文提出了一種新的分選流程：首先，將待分選脈沖分為若干個數據段；然后，對每一段數據先用之前處理的結果作為已知輻射源模板進行本文算法處理，再用常規分選算法處理剩余脈沖，重復進行上述步驟，直到完成大數據量脈沖的快速分選。實驗結果表明，本文算法結合常規分選算法能有效提高雷達的分選精度及速度。

1 基于時序匹配及變長滑窗的信號分選方法

1.1 時序匹配

在脈沖的5個參數中，到達時間(TOA)在雷達分選領域中是一個非常重要的參數，在雷達信號分選的主分選算法中一般都是用TOA來計算雷達的脈沖重復間隔(PRI)，然后用PRI進行主分選[11]。

我們利用PRI參數，用待分選脈沖序列計算出脈沖重復間隔prii，用雷達模板的prij值和給出的pri容差ε計算出pri窗口：[prij*(1-ε),prij*(1+ε)]，若prii落入該窗口，則認為匹配成功，將prii對應的脈沖保存下來。

1.2 變長滑窗

關于子序列匹配問題，Christos提出了一種新技術—滑動窗口，在提取特征的時候只對窗口內的序列進行提取，不用對整個脈沖進行特征提取，極大地提高了信號分選的效率[12-13]。陳國泰提出了一種基于變長的滑窗技術用于譯碼工作[14]，在該研究的基礎上，本文提出一種變長滑窗的方法用于雷達信號分選，即根據模板的PRI值確定pri的容差范圍[PriMin, PriMax]，將滑窗長度與容差范圍比較：(1)若窗口長度小于PriMin，則增加窗口長度；(2)若滑窗長度在PriMin和PriMax之間，則時序匹配成功，將滑窗起點移向當前的滑窗終點，將滑窗終點向后移動一條脈沖；(3)若滑窗長度超過PriMax，則將滑窗起點向后移動一條脈沖，將脈沖終點移向滑窗起點的下一條脈沖。

1.3 處理流程設計

本文提出的分選流程如圖1所示：對于待分選脈沖序列，先用雷達參數模板的載頻RF和脈寬PW進行粗篩選，使得剩余脈沖都和模板的RF、PW匹配，然后初始化滑窗起點為第一條脈沖，滑窗終點為第二條脈沖，根據1.2節所述方法移動滑窗，進行時序匹配，直到滑窗移到最后一條脈沖。

1.4 常規分選算法結合本文算法處理流程

常規分選算法在處理海量脈沖數據時，由于計算機資源有限，無法一次處理過大數據，需要對數據進行截取，分段進行分選。由此會導致增批問題的產生，并且這樣的分段分選，使得后一段的分選無法應用前一段的分選結果，無法利用各個數據段之間的時間關系。常規的雷達信號分選算法結合本文算法則可有效解決此問題，處理流程如圖2所示：(1)對待分選脈沖數據進行切分之后；(2)對第一段脈沖進行常規脈沖；(3)用第一段脈沖的常規分選結果作為已知雷達參數模板，對第二段脈沖進行本文算法處理，然后對第二段剩余脈沖進行本文算法處理；(4)用之前數據段的分選結果作為雷達參數模板，重復步驟3，直到完成對最后一段數據的處理。

圖2 常規分選結合本文算法處理流程

1.5 復雜度分析

本文的算法主要耗時在窗口長度的變化及窗口的移動。由于窗口的長度最大為PriMax，在長度超過PriMax時，窗口長度不再變化，因此窗口長度的變化是常量級的。而窗口的移動則要從第一條脈沖滑動到最后一條脈沖，屬于線性級。因此本文算法的時間復雜度為O(n)。

2 仿真實驗驗證

2.1 仿真數據描述

算法采用仿真數據進行測試，在本文的仿真實驗中，仿真數據包含10部雷達輻射源的混合全脈沖數據，脈沖數分別為9 487，967，3 806，9 531，6 642，9 469，9 486，7 607，9 525，18 989，噪聲脈沖數為4 266。

在仿真試驗中觀測時間為0～25 579 ms，觀測時間內共有10個目標，每個目標在觀測時間內的分布如圖3所示。為模擬常規分選在處理大文件情況下的文件切分，本文將數據分為四段：(1)0～3 840 ms中有雷達1，2，3，4；(2)3 840～12 670 ms中有雷達3，4，5，6；(3)12 670～16 600 ms中有雷達5，6，7，8；(4)16 600～25 579 ms中有雷達7，8，9，10。

圖3 雷達目標在時序中的分布

考慮到真實情況雷達脈沖會有丟失現象，本文仿真數據的丟失率設置為5%。為更加真實地模擬戰場情況，本文在仿真數據中加了10%的高斯噪聲脈沖，噪聲的分布均值為真實參數，方差為真實參數的20%。其中每個目標的樣式特征如表1所示，參數分布如圖4所示。

表1 雷達目標的樣式特征

圖4 雷達參數分布

2.2 仿真實驗一

為驗證本文算法對常規分選的提升效果，本實驗的仿真數據使用2.1節所示雷達數據，在仿真數據上分別對單獨的常規分選算法和常規分選算法結合本文算法進行實驗。常規分選算法以基于CDIF的分選算法為代表，常規分選結合本文算法處理流程如圖2所示，實驗結果如表2所示。

表2 CDIF算法和CDIF結合本文算法對比

從表2中數據可以看出，在仿真數據集上，一共有10部雷達，共發射雷達脈沖85 509條，基于CDIF的常規分選算法可分選出83 752條脈沖，準確率為97.94%，共用時4 398 ms。而常規分選算法結合本文算法則可分選出83 946條脈沖，準確率為98.17%，共用時1 475 ms。實驗表明結合本文算法在保證分選準確率稍優的基礎上，能有效縮短分選時間。其中在數據段4上由于利用數據段3的分選結果事先將目標7和目標8的脈沖抽取出來，分選效率甚至提高5倍。

2.3 仿真實驗二

為驗證本文算法可以有效解決常規分選算法的增批問題，我們分別對0～3 840 ms，3 840～12 670 ms，12 670～16 600 ms和16 600～25 579 ms四段數據進行基于CDIF的常規分選和本文所述算法的對比實驗。常規分選算法會產生16個目標，如表3所示：數據段1、2都會識別出目標3和目標4，數據段2、3都會識別出目標5和目標6，數據段3、4都會識別出目標7和目標8。為解決增批問題，在傳統的分選算法之后，需要增加雷達信號融合算法，判斷分選的結果中是否有目標可以融合，該過程會大大降低分選識別的速度。

表3 常規分選結果

如果結合本文的算法，對于待分選脈沖序列，截取其中的一部分用來進行CDIF，然后用CDIF的結果作為已知輻射源，對剩余脈沖使用本文算法進行分選。即對數據段1進行傳統分選，用數據段1的分選結果對數據段2使用本文算法進行二次分選，從數據段2中分選出目標1和目標2的脈沖，然后對數據段2中剩下的脈沖進行傳統分選；對數據段3和4也進行同樣的分選步驟。對仿真數據進行實驗，得到10個目標，如表4所示。

表4 結合本文算法的分選結果

由于本文的算法是一種基于已知輻射源的分選算法，因此文件的切分不會造成增批問題；而且充分利用了各數據段在時間維度上的關系，減少了之后常規分選的脈沖密度。因此在大數據量脈沖的情況下，本文算法可以有效解決文件切分導致的增批問題，提高分選速度。

2.4 仿真實驗三

由于真實環境中在捕獲雷達信號時存在脈沖丟失情況，為測試在此情況下本文算法的適應性，在仿真數據上進行了不同漏脈沖比例下的實驗。不同漏脈沖比例下算法的分選精度如圖5所示。

圖5 漏脈沖比例對算法的影響

分析實驗可知：本文算法對漏脈沖的魯棒性特別高，即使有20%的漏脈沖，本文算法的準確率仍然可以達到86.94%，甚至在有50%的脈沖丟失的情況下，本文仍然可以準確分選出來49.74%的脈沖。

2.5 仿真實驗四

為測試TOA的測量誤差對本文算法的影響，本次實驗設計了7個樣本，每個樣本10萬條脈沖，漏脈沖比例為5%，樣本之間只有TOA測量誤差不同，分別為[0.001, 0.005, 0.01, 0.02, 0.03, 0.04, 0.05]。同時在這些樣本上，進行4次仿真實驗，每次實驗的重頻容差分別為0.5%、1%、2%、3%(重頻容差表示算法對重頻的容忍度，即變化小于該值則認為屬于同一個重頻值)。實驗結果如圖6所示。

圖6 TOA測量誤差對算法的影響

分析可知，在分選算法中重頻容差范圍確定的情況下(例如0.5%)，當TOA測量誤差較小時，抽取成功率維持在較高水平。隨著TOA測量誤差增大，分選成功率會急劇降低。但是隨著重頻容差范圍的提升(從0.5%到3%)，算法對TOA測量誤差的適應性逐漸加大(重頻容差范圍在0.5%情況下，TOA測量誤差超過0.5%即會急速降低；重頻容差范圍在1%時，TOA測量誤差超過1%才會下降；在重頻容差范圍為3%時，TOA測量誤差則要超過3%才會降低)。由實驗結果可知，本文算法的重頻容差范圍和TOA測量誤差存在類似線性的關系，在實際分選過程中，可根據設備的TOA測量誤差來設定本文算法的容差范圍。

3 結束語

針對復雜電磁環境中雷達信號常規分選算法計算量大、識別速度慢、增批漏批等嚴重問題，本文提出了一種基于時序匹配及變長滑窗的分選算法，對載頻、脈寬兩參數過濾后的脈沖進行時域參數的匹配，匹配過程中窗口的大小根據脈沖間的到達時間差來動態確定。仿真實驗結果表明，本文算法能有效提高常規分選算法的準確率和效率，并且在處理海量脈沖的情況下可有效解決常規分選算法產生的增批問題，在復雜的電磁環境下仍然保持在較高的識別準確率，適應能力強，在實際環境中具有較高的實用價值。