廣範圍脈衝頻率混雜的雷達訊號之分類與解交織

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：

$$
TOA\ Sequence=[t_1,t_2,\ldots,t_i,\ldots,t_N]
$$

PW 序列可以寫成如下：

$$
PW\ Sequence=[t_{t_1},t_{t_2},\ldots,t_{t_i},\ldots,t_{t_N}]
$$

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

$$
TOA\ Sequence = [10,2010,4010,6010,\ldots]μs
$$

$$
PW\ Sequence = [200,200,200,200,\ldots]μs
$$

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。

$$
TOA\ Sequence = [10,2010,4010,6010,\ldots,t_N]μs
$$

$$
PW\ Sequence = [200,200,200,200,\ldots,t_{t_N}]μs
$$

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 $t_{unit}$: Quantization Interval 容忍 PRI 的 jitter。
設置適當的 $t_{unit}$ 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 $t_{unit}$ 之中 PW 最大的 TOA 代表這個區間的響應。

TOA Random Selection in Interval

在 $t_{unit}$ 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 ${ntd}_{min}$ ，
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 。

　 PW Maxima Selection TOA Random Selection
with POI x o x o
${ntd}_{min}$ 32 64 32 64 32 64 32 64
High
PRF		 radar1 0.984 0.961 0.981 0.996 0.956 0.950 0.993 0.997
radar2 0.984 0.986 0.988 0.996 0.957 0.980 0.996 0.953
radar3 0.984 0.981 0.984 0.988 0.957 0.980 0.987 0.983
radar4 0.968 0.972 0.992 0.981 0.956 0.964 0.997 0.997
radar5 0.979 0.982 0.980 0.981 0.953 0.989 0.981 0.951
Medium
PRF		 radar6 0.981 0.987 0.957 0.984 0.901 0.919 0.980 0.977
radar7 0.984 0.987 0.984 0.977 0.910 0.966 0.984 0.981
radar8 0.988 0.985 0.984 0.977 0.941 0.987 0.982 0.980
radar9 0.955 0.987 0.988 0.996 0.953 0.987 0.981 0.986
radar10 0.992 0.987 0.981 0.984 0.961 0.984 0.981 0.982
Low
PRF		 radar11 0.188 0.170 0.504 0.371 0.242 0.165 0.873 0.857
radar12 0.191 0.166 0.507 0.352 0.327 0.167 0.913 0.932
radar13 0.184 0.227 0.539 0.375 0.195 0.210 0.857 0.875
radar14 0.168 0.186 0.441 0.371 0.165 0.169 0.845 0.926
radar15 0.250 0.169 0.465 0.352 0.328 0.172 0.847 0.924
High Avg. 0.980 0.977 0.985 0.988 0.956 0.973 0.991 0.976
Mid Avg. 0.980 0.986 0.979 0.984 0.933 0.968 0.982 0.981
Low Avg. 0.196 0.184 0.491 0.364 0.252 0.177 0.867 0.903
Total Avg. 0.719 0.716 0.818 0.779 0.714 0.706 0.946 0.953