《基于机器学习的雷达辐射源分选与识别技术研究》论文解读

Data:2023-1-12

Ref: 李雪琼, “基于机器学习的雷达辐射源分选与识别技术研究,” PhD Thesis, 国防科技大学, 2020.

这篇文章我主要关注他的第三、四章。第三章主要描述了基于已知信号的雷达分选技术，第四章主要描述了基于未知信号的雷达分选技术。

背景

在雷达侦察中，雷达接收机会接收到许多信号，其中包括同一个辐射源在不同时间发射出来的雷达信号，也包括不同辐射源发射出来的信号，如下图所示。雷达分选的目标就是对接收到的信号进行分析，分析出来雷达辐射源的数量、方位、个体等信息。

雷达接收机在接收到雷达信号后，经过测量会返回脉冲描述字（Pulse Descriptive Word，PDW）给处理系统。处理系统首先需要对数据进行分选，即将雷达信号划分为一个个的辐射源以便进一步分析；然后需要对分选后的来自单个辐射源的信号进行参数分析；获取到辐射源的参数后需要进行辐射源识别，识别出来辐射源的型号和个体等信息最后输出。处理流程如图1所示。我们关注的是流程中的分选部分。

如下图所示，雷达脉冲描述字一般包含一下几个参数：

• 信号到达方向(DOA)，即雷达辐射源与雷达侦察机之间的方位角；
• 载波频率(RF)，我的理解是雷达信号的频率，但是频率不一定是固定的有多种变换模式；
• 脉冲宽度(PW)，即信号脉冲到达时间和结束时间之间的时间宽度；
• 脉冲幅度(PA)，到达信号的电压电平，与环境有关不够稳定；
• 信号到达时间(TOA)，即脉冲前沿被侦查器接收到的时间。单个辐射源的信号到达时间的差值称为脉冲重复周期(Pulse Repetitive Interval，PRI)，也称为重频。例如，一个辐射源的信号分别在0us,200us,400us,600us....被接收到，那么这就是一个固定重频类型，重频值为200us.

本文的方法都是以PRI为参数进行分析的，因此接下来着重介绍一下重频。

重频(PRI)

来自同一辐射源的TOA可以表示为$T=\{t_1,t_2,t_3...t_n\}$，其中$t_i$表示第$i$个脉冲到达的时间，$n$表示脉冲总数。那么重频可以表示为：
$$P=\{p_1,p_2,p_3...p_{n-1}\},p_i=t_{i+1}-t_i$$
重频有多种类型，主要区别是重频的变化规律，例如重频值固定不变的固定重频、在多个重频值之间定时切换的参差重频。重频的主要类型如下表所示。每种重频类型的具体特性请参考论文（章节2.2.2.2）。

基于已知信号的雷达分选技术

经过长时间的雷达观测，针对一些已知的重点目标的雷达辐射源已经分析得到了其信号参数。因此可以先将这部分已知信息的辐射源信号分选出来进行处理，同时也可以减少混合信号中的信号数量、降低后续处理的噪声。

信号分选本质上是一种去噪操作，将信号中的噪声去除后获得消除误差的信号，以便进行进一步处理。误差主要包含以下几种类型：

1. 丢失脉冲，即本来应该检测到但是没有被捕获到的信号。

2. 虚假脉冲，即捕获到了不存在的脉冲。

3. 测量误差，指测量时的误差，成因为雷达辐射源本身器件或接收机工作状态不稳定。例如信号是在200us时到达的但是雷达接收机测量出错测量的到达时间为220us。测量误差一般符合正态分布：
   $$p_n=\frac{P_n-\mu }{\sigma }$$
   其中，$p_n$为第$n$个PRI值(即公式(1))所示)，$\mu$为整个PRI序列的均值，$\sigma$为标准差。

本文采用了一种自编码器对信号进行处理。自编码器可以自动的从无标注数据中学习到数据的表示方法。由于只提取出来这个信号的特征，因此可以滤除掉无关的信号数据。

基于未知信号的雷达分选技术

待补充…