本发明属于信号处理与数据分析，尤其涉及一种雷达脉冲重复间隔调制类型识别方法及系统。
背景技术：
1、雷达脉冲重复间隔(pulse repetition interval,pri)是雷达最为重要的信号参数，它与雷达工作模式、具体用途等战术功能密切相关。对雷达pri进行分析一直是雷达侦察数据分析的重要内容，也是最为复杂的内容。雷达pri的侦测质量受电磁环境、装备性能、人员能力等多种因素的影响，不仅有常规的测量误差，还存在脉冲丢失、脉冲分裂、多径脉冲合并等现象，给雷达pri分析，特别是pri典型值统计、pri调制类型识别带来了巨大挑战。
2、雷达pri调制类型识别是pri分析的核心内容，主要任务是分析pri的具体变化规律，为雷达信号分选、信号样式分析、型号识别、个体识别等提供基础支撑。由于雷达pri调制类型识别内容的重要性，其技术发展动态备受各方关注。现有关于雷达pri调制类型识别的方法主要分为两类：信号处理类方法，具体包括直方图方法统计法、到达时间差分矩阵分析法、pri调制特征提取法等；机器学习方法，具体包括：支持向量机、决策树、卷积神经网络、循环神经网络等。这些方法虽然在一定程度上提升了pri调制类型的识别准确率，但仍然存在效果稳健性差、扩展应用能力不强的问题。
3、为提升雷达pri调制类型识别算法的实用能力，特别是在高脉冲丢失率场景下的工作效能，亟需提出一种新的雷达pri调制类型识别方法，不仅要有高的准确率，而且对工作场景要有较高的稳健性。
技术实现思路
1、为解决上述问题，本发明基于脉冲序列到达时间(time of arrival,toa)的全局角度，在pri周期样本构建和调制特征提取的基础上，结合卷积神经网络，提出适用于高脉冲丢失率环境的雷达pri调制类型识别方案。
2、本发明第一方面提出一种雷达脉冲重复间隔调制类型识别方法。所述方法包括：
3、步骤s1、获取雷达脉冲信号，根据所述雷达脉冲信号的雷达脉冲重复间隔，并构建单个周期内的脉冲序列到达时间集合；
4、步骤s2、利用所述单个周期内的脉冲序列到达时间集合，重构所述雷达脉冲重复间隔的周期样本；
5、步骤s3、从所述雷达脉冲重复间隔的周期样本提取出相应的调制特征；
6、步骤s4、利用所述雷达脉冲重复间隔的周期样本和所述调制特征生成所述雷达脉冲重复间隔的样本数据；
7、步骤s5、构建基于卷积神经网络的识别模型，并利用所述雷达脉冲重复间隔的样本数据对所述识别模型进行训练；
8、步骤s6、利用经训练的识别模型对所述雷达脉冲重复间隔的调制类型进行识别。
9、根据本发明第一方面的方法，在所述步骤s1中，构建的所有脉冲序列到达时间在单个周期pritotal内的投影集合为：
10、
11、其中，mod(×)表示求余运算，tn为第n个脉冲的脉冲序列到达时间；
12、利用直方图统计得到的特征向量x，并进行门限判决获得单个周期内脉冲序列到达时间集合{qm}；
13、当时，将x(m,1)归入集合{qm}中；
14、其中，s为门限阈值，且满足条件的脉冲序列到达时间总数为m。
15、根据本发明第一方面的方法，在所述步骤s2中，利用所述单个周期内的脉冲序列到达时间集合的一阶差分构造单个周期内顺序排列的雷达脉冲重复间隔值，则所述雷达脉冲重复间隔的周期样本为tpattern，其中：
16、tpattern＝{pri1,pri2,l,prim}
17、prim＝qm+1-qm,m＝1,2,l,m
18、qm+1＝q1+pritotal。
19、根据本发明第一方面的方法，在所述步骤s3中，所述调制特征包括：
20、典型值数目c1＝num(tpattern)，num(×)表示提取集合长度的函数；
21、重复性参数di表示集合tpattern中第i个互异典型值出现的次数，表示集合tpattern中互异典型值的数目；
22、二阶差分均值
23、令则sp曲线特征最大值表示集合的第i个元素，h为人工辅助参数；
24、sp曲线特征的最大值
25、根据本发明第一方面的方法，在所述步骤s4中，生成所述雷达脉冲重复间隔的样本数据包括：
26、确定所述样本数据的维数l；
27、判决所述周期样本与训练样本的维度关系，构造l-5维列向量s1；
28、利用所述调制特征生成样本数据列向量(×)t表示转置运算。
29、根据本发明第一方面的方法，所述步骤s5具体包括：构建所述基于卷积神经网络的识别模型；分割所述样本数据为训练数据、验证数据和测试数据；初始化所述卷积神经网络的网络参数，以开展模型训练。
30、根据本发明第一方面的方法，所述步骤s6具体包括：输入接收数据并根据所述雷达脉冲重复间隔的调制周期pritotal切分脉冲序列；构建周期样本，提取所述调制特征以生成样本数据向量；将所述样本数据向量接入所述经训练的识别模型，从而完成对所述雷达脉冲重复间隔的调制类型的识别。
31、本发明第二方面提出一种雷达脉冲重复间隔调制类型识别系统。所述系统包括：
32、第一处理单元，被配置为：获取雷达脉冲信号，根据所述雷达脉冲信号的雷达脉冲重复间隔，并构建单个周期内的脉冲序列到达时间集合；
33、第二处理单元，被配置为：利用所述单个周期内的脉冲序列到达时间集合，重构所述雷达脉冲重复间隔的周期样本；
34、第三处理单元，被配置为：从所述雷达脉冲重复间隔的周期样本提取出相应的调制特征；
35、第四处理单元，被配置为：利用所述雷达脉冲重复间隔的周期样本和所述调制特征生成所述雷达脉冲重复间隔的样本数据；
36、第五处理单元，被配置为：构建基于卷积神经网络的识别模型，并利用所述雷达脉冲重复间隔的样本数据对所述识别模型进行训练；
37、第六处理单元，被配置为：利用经训练的识别模型对所述雷达脉冲重复间隔的调制类型进行识别。
38、根据本发明第二方面的系统，所述第一处理单元具体被配置为：构建的所有脉冲序列到达时间在单个周期pritotal内的投影集合为：
39、
40、其中，mod(×)表示求余运算，tn为第n个脉冲的脉冲序列到达时间；
41、利用直方图统计得到的特征向量x，并进行门限判决获得单个周期内脉冲序列到达时间集合{qm}；
42、当时，将x(m,1)归入集合{qm}中；
43、其中，s为门限阈值，且满足条件的脉冲序列到达时间总数为m。
44、根据本发明第二方面的系统，所述第二处理单元具体被配置为：利用所述单个周期内的脉冲序列到达时间集合的一阶差分构造单个周期内顺序排列的雷达脉冲重复间隔值，则所述雷达脉冲重复间隔的周期样本为tpattern，其中：
45、tpattern＝{pri1,pri2,l,prim}
46、prim＝qm+1-qm,m＝1,2,l,m
47、qm+1＝q1+pritotal。
48、根据本发明第二方面的系统，所述第三处理单元具体被配置为：所述调制特征包括：
49、典型值数目c1＝num(tpattern)，num(×)表示提取集合长度的函数；
50、重复性参数di表示集合tpattern中第i个互异典型值出现的次数，表示集合tpattern中互异典型值的数目；
51、二阶差分均值
52、令则sp曲线特征最大值表示集合的第i个元素，h为人工辅助参数；
53、sp曲线特征的最大值
54、根据本发明第二方面的系统，所述第四处理单元具体被配置为：生成所述雷达脉冲重复间隔的样本数据包括：
55、确定所述样本数据的维数l；
56、判决所述周期样本与训练样本的维度关系，构造l-5维列向量s1；
57、利用所述调制特征生成样本数据列向量(×)t表示转置运算。
58、根据本发明第二方面的系统，所述第五处理单元具体被配置为：构建所述基于卷积神经网络的识别模型；分割所述样本数据为训练数据、验证数据和测试数据；初始化所述卷积神经网络的网络参数，以开展模型训练。
59、根据本发明第二方面的系统，所述第六处理单元具体被配置为：输入接收数据并根据所述雷达脉冲重复间隔的调制周期pritotal切分脉冲序列；构建周期样本，提取所述调制特征以生成样本数据向量；将所述样本数据向量接入所述经训练的识别模型，从而完成对所述雷达脉冲重复间隔的调制类型的识别。
60、本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本公开第一方面所述的一种雷达脉冲重复间隔调制类型识别方法中的步骤。
61、本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本公开第一方面所述的一种雷达脉冲重复间隔调制类型识别方法中的步骤。
62、综上，本发明提出一种利用pri构建周期样本、提取调制特征信息，并结合卷积神经网络，完成雷达pri调制类型识别的方法及系统，该方法无需利用原始脉冲序列的任何先验知识，便可实现雷达pri调制类型的高精度识别；在干扰脉冲、高脉冲丢失率等恶劣电磁环境下，该方法仍然具有非常高的稳健性。
1.一种雷达脉冲重复间隔调制类型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种雷达脉冲重复间隔调制类型识别方法，其特征在于，在所述步骤s1中，构建的所有脉冲序列到达时间在单个周期pritotal内的投影集合{q′n}为：
3.根据权利要求2所述的一种雷达脉冲重复间隔调制类型识别方法，其特征在于，在所述步骤s2中，利用所述单个周期内的脉冲序列到达时间集合的一阶差分构造单个周期内顺序排列的雷达脉冲重复间隔值，则所述雷达脉冲重复间隔的周期样本为tpattern，其中：
4.根据权利要求3所述的一种雷达脉冲重复间隔调制类型识别方法，其特征在于，在所述步骤s3中，所述调制特征包括：
5.根据权利要求4所述的一种雷达脉冲重复间隔调制类型识别方法，其特征在于，在所述步骤s4中，生成所述雷达脉冲重复间隔的样本数据包括：
6.根据权利要求5所述的一种雷达脉冲重复间隔调制类型识别方法，其特征在于，所述步骤s5具体包括：构建所述基于卷积神经网络的识别模型；分割所述样本数据为训练数据、验证数据和测试数据；初始化所述卷积神经网络的网络参数，以开展模型训练。
7.根据权利要求6所述的一种雷达脉冲重复间隔调制类型识别方法，其特征在于，所述步骤s6具体包括：输入接收数据并根据所述雷达脉冲重复间隔的调制周期pritotal切分脉冲序列；构建周期样本，提取所述调制特征以生成样本数据向量；将所述样本数据向量接入所述经训练的识别模型，从而完成对所述雷达脉冲重复间隔的调制类型的识别。
8.一种雷达脉冲重复间隔调制类型识别系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1-7任一项所述的一种雷达脉冲重复间隔调制类型识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-7任一项所述的一种雷达脉冲重复间隔调制类型识别方法中的步骤。
