Deinterleaving and Classification of Multiple PRF Signals

此作品為產學合作計畫及碩士論文

分析和識別雷達訊號是電子支援量測的重要目標，接收到的訊號通常來自多個雷達。在現代電子戰中，雷達擁有各自的頻率參數，並在多組頻率參數之間切換。所接收的訊號因可能混合高、中、低頻雷達所發射之訊號，在脈波彼此重疊之情況下，將雷達訊號分離為相當挑戰的任務。

本論文提出了:

• QPSE Encoder
• 解決雷達發射器訊號的特徵在作為 deinterleaving 神經網路輸入維度的問題。
• QPSE 序列的多組雷達混合方式
• 模擬 Pulse 訊號丟失、重疊、混淆
• 多重尺度神經網路
• 模擬 15 個雷達混和訊號
• 得到每個雷達模式的分類結果

問題描述

PDWs: Pulse descriptor words

PDWs是用於描述雷達 Pulse Stream 各種參數，其中以下幾種參數作為本文研究目標:

• TOA: Time of arrival
• PW: Pulse width
• PRI: Pulse repetition interval
• PRF: Pulse repetition frequency

一段 Pulse Stream 能以 TOA 和 PW 序列表示。

TOA 序列可以寫成如下：

TOA Sequence=[t1,t2,…,ti,…,tN]

PW 序列可以寫成如下：

PW Sequence=[tt1,tt2,…,tti,…,ttN]

若本文有一段 PRI 為 2000 μs, PW 為 200 μs 的雷達訊號：

TOA Sequence=[10,2010,4010,6010,…]μs

PW Sequence=[200,200,200,200,…]μs

Pulse Missing

雷達可能設有規則或隨機的 PRI/PW Jitter，及一定的時間切換 PRI/PW 參數防止訊號追蹤或干擾。

有來自不同雷達的 TOA 且有相似的 PW 時 ，可能導致 PRI 計算錯誤，如圖中 Overlap。

雷達的 TOA 出現在某個 TOA 的 PW 中，可能導致 TOA 被遮蓋，並且一些 PW 變得相似或失去它的特徵，如圖中 Resemble 和 Morph。

提出方法

QPSE: Quantized Pulse Stream Expression

TOA 序列長度會隨著 Pulses 不斷到達而無限加大。

取一段相同時間長度的訊號，有不同數量的 Pulse 到達，會使 TOA 序列的長度變化。

TOA Sequence=[10,2010,4010,6010,…,tN]μs

PW Sequence=[200,200,200,200,…,ttN]μs

為了讓神經網絡模型盡可能輕鬆地處理輸入，

本文提出 Quantized Pulse Stream Expression (QPSE) 序列。

使 TOA 序列與 PW 序列經過設置過的參數編碼，

相同時間長度的頻域 TOA 和 PW 序列編碼成量化過的時域 QPSE 序列。

QPSE 序列設置 tunit: Quantization Interval 容忍 PRI 的 jitter。

設置適當的 tunit 使 QPSE 序列擁有組量的 ntd: Number of TOA in Duration。

Pulse Mixture

同一區間內會出現多個 Pulse 時，本文使用以下兩種方法，選出其中一個 TOA 作為這個區間的代表 Pulse。

區間內的其他的 Pulse 則可以當作被 Overlap 影響而被捨棄，做為模擬 Pulse Missing 的情境。

PW Maxima Selection in Interval

在 tunit 之中 PW 最大的 TOA 代表這個區間的響應。

TOA Random Selection in Interval

在 tunit 之中隨機選取出一個 TOA 代表這個區間的響應。

POI: Pulse of Interest

為取得乾淨的序列，把含有不在目標 PW 值的 TOA 從序列中去除。

Multiscale Neural Network

Pulse strream 使用不同參數設置的 QPSE encoder，得到在不同尺度下的訊號訊息。

搭配本文設計可將多組 QPSE 序列作為輸入的 Multiscale neural network，

得出類別為雷達的 1 到 5 模式或關閉的分類輸出。

實驗

本文目前已知有 15 個雷達將會混雜於接下來出現的訊號之中。

而這 15 個雷達個別有 5 個模式每一個雷達都有自己獨立的 Jitter 範圍與模式切換時間。

高中低頻率雷達各五個。

Data Generation

取出 15 個雷達的 PRI/PW 參數，可定義出總共 75 種 emitter 的訊號產生器，產生 TOA 序列 和 PW 序列 16000 筆資料。

90% 作為訓練資料，10% 作為驗證資料。

Training

模擬各個雷達模式切換時間的各種組合，

在每一次迭代時，

會以隨機分佈的方式，

在 15 個雷達中，

決定各自的模式 1~5 或關閉。

並在產生完成的資料中，

隨機挑出選中的模式的 TOA 序列和 PW 序列。

使用之前設好參數的 5 個 QPSE Encoder 編碼出 5 個 QPSE 序列。

然後進行 PW Maxima Selection 或 TOA Random Selection 混合。

混合完成後使用 POI 將訊號進行精簡。

結果

本文針對 PW Maxima Selection 和 TOA Random Selection 兩種混合方式，

poi 是否參與，還有兩種不同的 ntd ，進行多次重複訓練與驗證。

發現高 PRF 與中 PRF 雷達模型在兩種混合方式是否使用 POI 和不同的 ntdmin ，

得到準確度超過 0.9 的結果。

通過 POI 之後，低 PRF 雷達訊號

在 PW Maxima Selection 的仍然遭受到大幅度的覆蓋，但是網路的準確度可提升至 0.4。

在 TOA Random Selection，可達到 0.9 的準確度 。

https://hirortw.ml/Deinterleaving-and-Classification-of-Multiple-PRF-Signals/