[发明专利]一种基于U-Net分割网络的信号分选方法

说明书

本发明公开了一种基于U‑Net分割网络的信号分选方法，具体包括：训练U‑Net分割网络；将待分选的PDW序列经过预处理后，输入训练好的U‑Net分割网络，得到所述待分选的PDW序列对应的分选结果；所述分选结果为所述待分选的PDW序列中的所有脉冲所属目标分类。本发明所提出的分选模型在PDW序列预处理环节尽可能地保留了信号在时域和频域的联合特征，通过U‑Net强大的分割能力来实现PDW序列的分选；采用有监督学习方法来训练U‑Net分割网络，一旦较充分地截获到了能够代表单目标信号特征的脉冲序列片段，就可以用本发明中所述的数据增强方法构建任意多个已知目标的数据来训练U‑Net分割网络，提升对已知目标的分选能力。

技术领域

本发明涉及应用U-Net网络来实现信号分选技术领域，特别是一种基于U-Net分割网络的信号分选方法。

背景技术

信号分选传统上是指通过信号检测、预处理等环节获得了一系列PDW(PDW)之后，根据不同辐射源目标之间信号的差异性，将时域上混叠在一起的分属于不同辐射源的PDW序列分离开，得到不同的PDW子序列。

雷达信号分选方法的研究始于20世纪70年代，方法多种多样。石荣，吴聪在文献“基于PRI信息的雷达脉冲信号分选技术研究综述[J].电讯技术,2020.1,60(1):112-120”中指出，基于PRI信息的分选是雷达脉冲信号主分选流程的核心关键技术之一，在雷达侦察中广泛应用。基于PRI信息的分选方法中，Mardia等人1989年在文献“Newtechniquesforthedeinterleavingofrepetitivesequences[J].IEEProceedings，1989，136(4)：149-154.”中提出了非常著名的累积差值直方图(CDIF)算法，非常具有代表性。后续在CDIF的基础上，Nelson、Kenichi，以及王兴颖等人又做了各种各样的改进。基于PRI的分选方法没有利用除脉冲TOA(到达时间)之外的其他的脉冲特征参数，在复杂信号环境中始终存在很大的改进空间。

除了基于PRI信息的分选方法，研究学者们还提出了很多其他的分选方法。例如多参数聚类法、平面变换法等，还提出了多种基于人工智能的分选方法，例如李文君等在文献“一种快速的支持向量聚类雷达信号分选方法[J].现代电子技术，2013，36(17):65-67”中提出了基于SVM的分选算法，GrangerE等在文献“Acomparisonofself-organizingneuralnetworksforfastclusteringofradarpulses[J].Signalprocessing，1998，64(3):249-269”中提出了基于自组织神经网络的雷达脉冲快速聚类算法。

近年来，已经开始有研究学者注意到了深度学习应用于信号分选的前景。例如郑贺在文献“一种基于U-Net图像语义分割技术的雷达信号分选方法[D].长春:吉林大学，2020.”中提出了利用U-Net来分割不同PRI类型的信号的算法；金炜东，陈春利在文献“基于集成深度学习的雷达信号分选研究[J].系统仿真学报.2019.9，31(9)：1868-1874”中开展了用集成深度学习来提高信号分选准确率的研究。

雷达对象变得越来越复杂，经典的信号分选方法面临挑战。深度学习已经在图像、语音、NLP以及智能博弈等多个领域所取得了前所未有的成功。

发明内容

鉴于此，本发明提供一种基于U-Net分割网络的信号分选方法，将深度学习技术应用于信号分选领域，利用深度神经网络强大的特征表征能力来提升信号分选性能，为电子战信号分选提供一种全新思路。

本发明公开了一种基于U-Net分割网络的信号分选方法，具体包括：

步骤1：训练U-Net分割网络；

步骤2：将待分选的PDW序列经过预处理后，输入训练好的U-Net分割网络，得到所述待分选的PDW序列对应的分选结果；所述分选结果为所述待分选的PDW序列中的所有脉冲所属目标分类。