认知电子战 (2.1)：目标侦察信号处理

引入

  目标信号的威胁感知是认知电子战的基础，是从茫茫信号海洋中发掘敌方信号的措施。本节主要介绍目标侦察信号处理。
  注：认知电子战的机器学习理论无外乎有监督、半监督、无监督、分类、聚类、强化学习、深度学习等。对此，本文均不做细节介绍。
  

1 主要任务

  1）目标侦察信号处理的一般流程如下，本节主要介绍信号分选、辐射源识别

  2）目标侦察系统所面临的电磁信号环境具有以下特点：
  $\bullet$ 信号来源广泛、样式繁多
  $\bullet$ 信号的传播路径复杂
  $\bullet$ 信号的频段宽、密度大
  $\bullet$ 信号的实时性高

2 信号分选

2.1 雷达信号的分选识别

  1）主要依据：雷达信号的脉冲描述字 (PDW) 序列，包括脉冲到达角、载频、脉冲到达时间、脉冲宽度、脉冲幅度等。其实就是雷达收到的信号，你需要提取哪些出来哇

  2）PDW序号通常包含3个部分：无用数据、辐射源数据、可能存在的未知辐射源数据。这个倒好理解，不是说接收到的数据就是你需要的，比如民用通信啥的。我们真正关心的是敌方的信号，如果他们有新的技术，那可能就是未知的、你需要识别的。在机器学习中就有专门的研究，例如未知未知的探索。就好比新冠刚出来的时候，这种未知的新型病毒，在未识别之前，还是蛮危险的

  3）雷达信号分选的目的：从原始PDW序列中将其包含的各个部分区分开

  4）已知辐射信号分选：
  $\bullet$ 预分选：通过辐射源参数匹配进行处理，具体如下：
    $\star$ 取PDW中的脉冲宽度、载频、脉内调制特征作为匹配特征
    $\star$ 将3个参数与辐射源库中的每一个已知辐射源参数进行匹配
    $\star$ 匹配成功的加入同一个预分选类中，并建立一个编号
    $\star$ 均不匹配则作为一个未知类
    $\star$ 点评：简单的匹配法，受选取特征、已知库及匹配算法的影响
  $\bullet$ 主分选：对编号的预分选类进一步处理，具体如下：
    $\star$ 找到辐射库中相应辐射源的类型和脉冲重复间隔 (PRI)
    $\star$ 根据PRI进行序列搜索，并分离已知辐射源信号
    $\star$ 匹配完毕后，余下的脉冲与其他辐射源匹配
    $\star$ 点评：依然是匹配

  5）未知辐射源分选
  聚类、累积差值直方图、序列差值直方图、PRI变换等。

2.2 通信信号的盲源分离

  1）盲源分离 (BSS)：又称盲信号分离，指在信号的理论模型和源信号无法精确获知精确获知的情况下，如何从混叠信号中分离各源信号的过程

  2）一般思想：利用通信混合信号所蕴含的统计特性，从一组传感器接收到的观测数据中分离出不可直接测量的源信号，或寻找一种具有物理意义的新的观测信号的表示形式

  3）常用方法：快速独立成分分析 (Fast ICA)：
  $\bullet$ 基本思想：由观测信号$X$，确定线性变换矩阵$W$，依据一定的优化算法，使得变换后的输出信号$Y$相关性最小，即分量之间相互独立，具体步骤如下：
    $\star$ 1）对观测信号去均值
    $\star$ 2）对去均值后的观测信号白化处理
    $\star$ 3）执行ICA算法
  $\bullet$ Python的sklean库的调用如下：

from sklearn.datasets import load_digits
from sklearn.decomposition import FastICA


X, _ = load_digits(return_X_y=True)
ica = FastICA(n_components=7, random_state=0, max_iter=10000, tol=0.01)
X_ica = ica.fit_transform(X)
print(X.shape)
print(X_ica.shape)

  $\bullet$ 其他方法还包括：
    $\star$ 矩阵联合近似对角化 (JADE)
    $\star$ 集成模型模态分解 (EEMD)

3 辐射源识别

  1）定义：将被测辐射源与预先积累的参数库进行比对以确认辐射源的过程

  2）分类：
  $\bullet$ 基于机器学习的辐射源识别方法
  $\bullet$ 基于指纹特征的辐射源识别方法

4 传统方法的局限

  1）威胁感知的粒度较粗糙

  2）对先验知识的依赖较大

  3）对未知目标信号的感知难度加大