[发明专利]多类别、未知雷达辐射源脉冲信号分选系统

权利要求书

1.一种多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：包括特征学习模块（1）、首次聚类模块（2）、参数调整模块（3）、脉内信息分选模块（4）和脉间信息分选模块（5）；

所述特征学习模块（1）用于通过大数据分析软件对复杂电磁环境下的多类别、未知雷达辐射源脉冲信号进行特征学习，将复杂冗长的脉冲信号用简短、有效的脉冲特征来替代，构建成脉冲的深度特征空间；

所述首次聚类模块（2）用于根据脉冲的深度特征空间对多类别、未知雷达辐射源信号进行初次聚类，将脉冲密度特征一致的雷达辐射源信号聚类到同一个簇，从而使复杂电磁环境下的多类别雷达辐射源信号形成若干个形状各异的簇；

所述参数调整模块（3）用于通过调整每个簇的密度参数，确定每个簇的核心点和边界点，并将核心点脉冲作为纯净、无混叠脉冲，将边界点、以及核心点与边界点之间的脉冲作为多个脉冲串在同一时间段混叠而成的时频混叠脉冲；

所述脉内信息分选模块（4）包括训练集和分析集划分模块（4-1）、时频混叠脉冲脉内信息分选模块（4-2）；

所述训练集和分析集划分模块（4-1）用于将每个簇的核心点处的纯净、无混叠脉冲划分为需要进行脉冲特征学习的训练集，将每个簇的边界点、以及核心点与边界点之间的时频混叠脉冲划分为需要进行脉冲映射的分析集；

所述时频混叠脉冲脉内信息分选模块（4-2）用于通过大数据分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习，获取训练集中的每个无混叠脉冲的脉冲类别，并贴上标签，作为单脉冲信号样本集，并将单脉冲信号样本集中的单脉冲信号重新聚类到一个新簇中；再通过该大数据分析软件将获取的单脉冲信号样本集应用到分析集中，对分析集中的每个时频混叠脉冲进行成分分析，识别出每个时频混叠脉冲中包含的单脉冲个数、以及单脉冲类别；最后按照单脉冲类别，将识别出的每个时频混叠脉冲中的单脉冲分别类聚到相应的新簇中，形成只有纯净脉冲的聚类结果；

所述脉间信息分选模块（5）用于对每个新簇中的每种类别单脉冲进行脉冲重复频率的分选，分选出每种类别单脉冲的脉冲重复间隔，从而将脉内信息相同、但脉间信息不同的脉冲进一步区分开来。

2.根据权利要求1所述的多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：所述特征学习模块（1）对复杂电磁环境下的多类别、未知雷达辐射源脉冲信号进行特征学习之前，还需要对各雷达辐射源脉冲的序列长度进行归一化预处理。

3.根据权利要求2所述的多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：所述特征学习模块（1）通过CNN卷积神经网络对多类别、未知雷达辐射源脉冲信号进行特征学习。

4.根据权利要求1所述的多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：所述首次聚类模块（2）采用DBSCAN聚类方法对多类别、未知雷达辐射源脉冲信号进行初次聚类。

5.根据权利要求4所述的多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：所述参数调整模块（3）调整每个簇的密度参数包括定义密度时的邻域半径、定义核心点的阈值。

6.根据权利要求5所述的多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：所述训练集和分析集划分模块（4-1）将出现次数较少的新类别脉冲划分为需要进行脉冲映射的分析集。

7.根据权利要求6所述的多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：所述时频混叠脉冲分选模块（4-2）通过CapsNet分析软件对训练集中的每个无混叠脉冲进行脉冲类别特征的机器学习。

8.根据权利要求1所述的多类别、未知雷达辐射源脉冲信号分选系统，其特征在于：所述脉间信息分选模块（5）采用累积差值直方图算法对每个簇中的每种类别单脉冲进行脉冲重复频率的分选。