本發明屬于電子戰，尤其涉及一種基于ai的雷達信號分選方法及系統。

背景技術：

1、在現代高科技戰爭中，電子戰已經融入到陸、海、空和天四大領域且成為最重要的作戰手段。電子偵察是指通過雷達發射信號去搜索和截獲敵方的電子系統發出的電磁輻射信息以獲得對方的相關戰術或設備信息，及時做出相對應的防御策略或發出干擾信息。雷達信號分選技術、識別技術是雷達偵查信號處理系統的關鍵環節。

2、電子偵察作為電子戰中的先導，是電子戰最關鍵的一部分，它的偵查結果直接導致后面的火控制導和干擾防御的成敗，電子偵察所獲得到的敵方的信息對戰場態勢的評估、采取的作戰策略、裝備的選擇和力量的部署都有重要的作用。

3、電子技術高速發展，雷達信號在特定空間的類型因不斷進步的雷達技術變得越來越多，數量也越來越大。雷達信號環境在空間中的復雜度顯著提升，因此人們有必要引起對雷達信號環境的重視，尤其是對電子對抗的重視。電子戰作為第四戰場，相較于傳統的海陸空，對戰爭的勝利和失敗起著決定性的影響。因此需要非常關注電子裝備的性能，取得在電子對抗中的主導權。雷達信號分選是雷達信號處理的第一步，也是輻射源工作模式識別和態勢分析最重要的一步。對電子情報系統(electronic?intelligence，elint)具有極大的指導作用，為電子戰提供重要的情報信息。雷達信號分選精度是判斷一個雷達信號處理系統性能的重要指標。因此，需要一種高精度的雷達信號方法，旨在通過對已知雷達信號和未知雷達信號進行分選，實現目標的個體區分和識別，最終實現對于雷達輻射源信號的精準認知。

技術實現思路

1、本發明的目的是提供一種基于ai的雷達信號分選方法及系統，基于機器學習方法，針對已知雷達輻射源信號主分選階段，未知雷達輻射源信號主分選環節，采用不同的分選方法，并采用聯合分選算法解決聚類算法計算量較大、運算時間較長的弊端。

2、本發明提供了一種基于ai的雷達信號分選方法，包括：

3、針對已知雷達輻射源信號主分選階段，對于預分選過濾后的己知雷達輻射源信號混疊pdw流，在數據庫中存在先驗信息，通過人工完成數據標注；假設接收機收到z個雷達輻射源脈沖信號，共計c個雷達輻射源，構造雷達輻射源pdw信號數據集y＝{(x1,y1),(x2,y2),…(xi,yi)},yi∈(1,2,…,c)其中每個對象xi為雷達輻射源信號，yi為雷達輻射源信號力所屬的雷達種類，利用有監督學習方法，以已知雷達信號數據庫中完成標注的數據集x作為訓練集，生成分類器，針對未知樣本y進行分類預測，最終完成信號分選。

4、進一步地，針對已知雷達輻射源信號主分選階段，采用有監督學習方法中的隨機森林算法或xgboost算法完成信號分選。

5、進一步地，所述的基于ai的雷達信號分選方法還包括：

6、對于未知雷達輻射源信號主分選環節，將無監督學習中的聚類方法應用于未知雷達輻射源信號主分選環節，結合經預分選處理后的未知雷達輻射源脈沖pdw信號集在樣本空間的分布特性、數據特征，將基于密度聚類算法應用于未知雷達輻射源信號主分選環節，根據特征性關系熱圖確定聚類特征，進而完成信號分選。

7、進一步地所述的基于ai的雷達信號分選方法還包括：基于聚類與有監督學習的聯合分選算法對輸入的未知雷達輻射源脈沖pdw信號集，抽取部分信號基于密度聚類算法進行分類，獲取信號所屬的雷達輻射源類型，并以此為訓練集送入有監督學習算法中進行訓練，而后針對剩余數據采用有監督學習算法進行處理，最終合并得到整個分選結果。

8、進一步地，所述聯合分選算法中的有監督學習算法采用隨機森林算法。

9、本發明還提供了一種基于ai的雷達信號分選系統，包括信號分選模塊，所述信號分選模塊執行所述一種基于ai的雷達信號分選方法。

10、本發明還提供了一種非暫態計算機可讀存儲介質，所述非暫態計算機可讀存儲介質存儲計算機指令，所述計算機指令被處理器執行時實現所述一種基于ai的雷達信號分選方法。

11、本發明還提供了一種電子設備，包括：

12、存儲器和處理器，所述存儲器和所述處理器之間互相通信連接，所述存儲器中存儲有計算機指令，所述處理器通過執行所述計算機指令，從而執行所述一種基于ai的雷達信號分選方法。

13、借由上述方案，通過基于ai的雷達信號分選方法及系統，通過對已知雷達信號和未知雷達信號進行分選，實現目標的個體區分和識別，將機器學習方法應用于信號處理相關領域，最終實現對于雷達輻射源信號的精準認知，對于全面提高軍隊面向戰場復雜電磁環境的適應能力、奪取信息權、為軍地各行各業提供支撐作用等方面具有一定理論研究價值和實踐意義。

14、上述說明僅是本發明技術方案的概述，為了能夠更清楚了解本發明的技術手段，并可依照說明書的內容予以實施，以下以本發明的較佳實施例并配合附圖詳細說明如后。

技術特征：

1.一種基于ai的雷達信號分選方法，其特征在于，包括：

2.根據權利要求1所述的基于ai的雷達信號分選方法，其特征在于，針對已知雷達輻射源信號主分選階段，采用有監督學習方法中的隨機森林算法或xgboost算法完成信號分選。

3.根據權利要求1所述的基于ai的雷達信號分選方法，其特征在于，還包括：

4.根據權利要求1所述的基于ai的雷達信號分選方法，其特征在于，還包括：基于聚類與有監督學習的聯合分選算法對輸入的未知雷達輻射源脈沖pdw信號集，抽取部分信號基于密度聚類算法進行分類，獲取信號所屬的雷達輻射源類型，并以此為訓練集送入有監督學習算法中進行訓練，而后針對剩余數據采用有監督學習算法進行處理，最終合并得到整個分選結果。

5.根據權利要求4所述的基于ai的雷達信號分選方法，其特征在于，所述聯合分選算法中的有監督學習算法采用隨機森林算法。

6.一種基于ai的雷達信號分選系統，其特征在于，包括信號分選模塊，所述信號分選模塊執行權利要求1-5任一項所述一種基于ai的雷達信號分選方法。

7.一種非暫態計算機可讀存儲介質，其特征在于，所述非暫態計算機可讀存儲介質存儲計算機指令，所述計算機指令被處理器執行時實現如權利要求1-5中任一項所述一種基于ai的雷達信號分選方法。

8.一種電子設備，其特征在于，包括：

技術總結
本發明涉及一種基于AI的雷達信號分選方法及系統，該方法包括：針對已知雷達輻射源信號主分選階段，利用有監督學習方法，以已知雷達信號數據庫中完成標注的數據集X作為訓練集，生成分類器，針對未知樣本Y進行分類預測，最終完成信號分選；對于未知雷達輻射源信號主分選環節，將無監督學習中的基于密度聚類算法應用于未知雷達輻射源信號主分選環節，完成信號分選；基于聚類與有監督學習的聯合分選算法完成信號分選。本發明將機器學習方法應用于信號處理相關領域，最終實現對于雷達輻射源信號的精準認知，對于全面提高軍隊面向戰場復雜電磁環境的適應能力、奪取信息權、為軍地各行各業提供支撐作用等方面具有一定理論研究價值和實踐意義。

技術研發人員：呂學剛,郭英濤
受保護的技術使用者：北京揚銘科技發展有限責任公司
技術研發日：
技術公布日：2025/4/24