【雷达信号数据集】雷达脉冲活动分段的多级学习算法【附下载链接】

摘要

无线电信号识别是电子战中的一项重要功能。电子战系统需要精确识别和定位雷达脉冲活动,以产生有效的对抗措施。尽管这些任务很重要,但基于深度学习的雷达脉冲活动识别方法在很大程度上仍未得到充分探索。虽然之前已经探索了用于雷达调制识别的深度学习,但分类任务通常仅限于短且非交织的IQ信号,限制了其在军事应用中的适用性。为了解决这一差距,我们引入了一种端到端的多阶段学习方法,以检测和定位跨扩展时间范围的交错雷达信号的脉冲活动。我们提出了一个简单的,但非常有效的多阶段架构,用于增量预测细粒度的分割掩模,在多个通道上定位雷达脉冲活动。我们展示了我们的方法对一个新的雷达数据集上的几个参考模型的性能,同时也提供了一个第一的雷达脉冲活动分割的基准。

引言

雷达活动识别是认知电子战(CEW)的一项基本能力。它包括关键的子功能,如隐藏在低信噪比(SNR)环境中的未知雷达脉冲活动的检测和分类。这些子功能对于从原始信号生成高精度脉冲描述符字(PDW)至关重要。PDW是雷达系统团体使用的数据结构,其提供用于表示关键信号属性(诸如脉冲宽度(PW)和脉冲重复间隔(PRI))的值的通用格式。识别这些值是部署雷达威胁对抗措施的关键步骤[2]。因此,推导精确的PDW需要精确识别和定位雷达脉冲,这可能会因它们在长时间范围内的存在以及在有争议的环境中多个脉冲的交织而变得复杂。

近年来,基于深度学习的雷达脉冲活动性识别技术取得了显著的性能,但由于该技术是一个新兴的领域,因此在很大程度上还没有得到充分的研究。尽管来自相邻领域的类似任务,例如说话人日记化[7]、生物医学信号处理[8]和图像语义分割[9,10],为开发鲁棒的和高分辨率的分割模型提供了基础,存在一个领域空白,即缺乏具有适当特征的公开可用雷达数据集来支持雷达脉冲深度学习模型的开发活动分段。

无线电数据集,如RadioML [3],RadarComms [5]和RadChar [6]存在于公共领域,但它们不适合雷达脉冲活动的语义分割任务,原因有两个。首先,现有的数据集不提供样本注释。该信息对于确定时间占用(例如,PW)在给定信号内。其次,现有的数据集仅限于非交织和短持续时间的IQ信号,而现实的雷达脉冲活动可以共存,并且通常发生在延长的时间范围内。第二个问题特别具有挑战性,简单地说,需要细粒度的多通道语义分割,这是使用基于能量检测[11]和脉冲相关性[12,13]的传统方法不可能实现的。另外,由于课堂活动的不平衡,可能会出现过度分割错误[14,15]。因此,仔细细化的信道预测是必要的,以预测连续和平滑的活动间隔,现实世界的雷达脉冲的特性。

为了解决这些问题,本文提出了一种多阶段学习方法,该方法能够在扩展的时间范围内准确地分割交织雷达信号的脉冲活动。我们的主要贡献有三个方面。首先,我们发布了一个开源数据集1,其中包含具有复杂交织特性和长IQ序列的雷达信号。其次,我们引入了一种简单而高效的端到端多级架构,无需专业的特征工程师即可对原始IQ数据执行样本式信号分类[4,16]。最后,我们建立了第一个雷达脉冲活动分割的基准,并展示了我们的多级结构的竞争性能。

RadSeg数据集

我们引入了一个新的雷达脉冲活动数据集(RadSeg)的语义分割。RadSeg建立在[6]的基础上,包含5个雷达信号类。这些包括相干未调制脉冲(CPT)、巴克码、多相巴克码、弗兰克码和线性调频(LFM)脉冲。巴克码和弗兰克码的码长分别为13和16。与其他数据集[3,5,6]不同,RadSeg包含长持续时间信号,每个信号具有32,768个复基带IQ样本(Xi + j xq),而RadChar [6]提供了512个样本。RadSeg中使用的采样率为3.2 MHz,信号持续时间为10.24 ms,每个样本的时间分辨率为0.3125 µs。选择该分辨率以充分捕获典型脉冲雷达系统的真实PW和PRI [2]。

为了生成独特的雷达脉冲活动,选择若干信号参数,并从均匀分布中递增采样,以创建随机的独特信号排列。重要的是,我们允许雷达信号自由交织,以模拟典型电子战环境的时间特性[2]。信号参数包括PW(tpw)、PRI(tpri)、第一脉冲的到达时间(ttoa)、脉冲数(np)和存在的信号类别数(nc)。tpw、tpri、ttoa、np和nc的范围分别为10 − 100 µs、320 − 5120 µs、0 − 5120 µs、2 − 16和1 − 5,我们从这些范围中均匀采样以创建每个雷达信号类别。

我们总共生成了80,000个独特的雷达信号,并将数据集分为三个部分。训练集包含60000个信号,而验证集和测试集各包含10000个信号。加性白色高斯噪声(AWGN)被添加到每个信号以模拟变化的SNR设置。我们对均匀分布的SNR进行采样,以产生分辨率为0.5 dB的−20和20 dB范围内的信号。以5 ×N二进制分割掩码的形式提供样本方面的地面实况注释,其中N是IQ序列的长度。5个通道掩码中的每一个表示信号类别,其中二进制值1指示信号存在于对应的样本位置处。图1显示了数据集的一个示例。

图1.删除了AWGN通道的RadSeg摘录。类别索引1、2、3、4和5分别对应于信号类别CPT、巴克、多相巴克、弗兰克和LFM。这里,Barker和LFM脉冲是交错的。

论文相关算法插图

结论

本文提出了一种简单,但高效的多级分割模型预测细粒度的雷达脉冲活动显着下降的SNR环境。我们创建了一个开源数据集,包含80,000个具有复杂交织雷达信号特征的长IQ序列,并为每种雷达信号类型提供精确的多通道分割掩码。我们的研究结果表明,通过多阶段设计,MS-UNet 1D有效地保留了细粒度的功能,并逐步减少分割错误。因此,它在-20 dB SNR下实现了15.5%的测试性能(IoU)大幅提升,性能与MS-TCN++相当,同时需要的模型参数显著减少。在未来的工作中,数据集可能会扩展到包含更多的雷达类别和行为,以进一步研究所提出的模型的实际效用。

数据集链接

### Raw IQ Data

-[`RadSeg-IQ-Train`](https://radseg.s3.amazonaws.com/train/radseg_iq.hdf5) - approx. file size of 29.3 GB

-[`RadSeg-IQ-Validation`](https://radseg.s3.amazonaws.com/validation/radseg_iq.hdf5) - approx. file size of 4.9 GB

-[`RadSeg-IQ-Test`](https://radseg.s3.amazonaws.com/test/radseg_iq.hdf5) - approx. file size of 4.9 GB

### Segmentation Masks (Channel-wise Annotations)

-[`RadSeg-Masks-Train`](https://radseg.s3.amazonaws.com/train/radseg_labels.hdf5) - approx. file size of 87.9 GB

-[`RadSeg-Masks-Validation`](https://radseg.s3.amazonaws.com/validation/radseg_labels.hdf5) - approx. file size of 14.6 GB

-[`RadSeg-Masks-Test`](https://radseg.s3.amazonaws.com/test/radseg_labels.hdf5) - approx. file size of 14.6 GB

### SNR Labels

-[`RadSeg-SNR-Train`](https://radseg.s3.amazonaws.com/train/radseg_snrs.hdf5) - approx. file size of 470.8 KB

-[`RadSeg-SNR-Validation`](https://radseg.s3.amazonaws.com/validation/radseg_snrs.hdf5) - approx. file size of 80.1 KB

-[`RadSeg-SNR-Test`](https://radseg.s3.amazonaws.com/test/radseg_snrs.hdf5) - approx. file size of 80.1 KB

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/884511.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

vscode php Launch built-in server and debug, PHP内置服务xdebug调试,自定义启动参数配置使用示例

在vscode中,当我们安装了插件 PHP Debug(xdebug.php-debug)或者 xdebug.php-pack 后 我们通过内置默认的 php xdebug配置启动php项目后,默认情况下我们在vscode中设置断点是不会生效的,因为我们的内置php服务默认启动时…

(二 上)VB 2010 设计初步

目录 一、常用类应用 1.Console类控制台 2.窗体基本控件 二、面向对象程序设计 1.类和对象 2.对象的属性、方法、事件属 1.属性 2.方法 3.事件、事件过程 1.事件 2.事件过程 3.对象浏览器 三、.NET类库与命名空间 1.命名空间 常用命名空间 1.System命名空间 2.…

[CARLA系列--01]CARLA 0.9.15 在Windows下的安装教程(一)

Carla是一款开源的自动驾驶仿真器,它基本可以用来帮助训练自动驾驶的所有模块,包括感知系统,Localization, 规划系统等等.Carla这个产品目前已经更新到了最新的0.9.15版本,目前遇到好多人在windows系统上如何安装可编辑版的Carla遇到了好多问…

禾川HCQ1控制器程序编译报错如何解决

1、第一次打开用户程序 2、提示库未安装 3、安装库文件 4、脉冲轴库未安装 5、没有错误 去禾川自动化官网,把可以安装的包和库都安装下,程序编译就没有错误了。 6、下载相关包文件

ubuntu20安装opencv3.2记录

系统环境 ubuntu20安装了ros-noetic,所以系统默认装了opencv4.2.0,但是跑fastlivo推荐的是opencv3.2.0,而且海康相机别人写的ros驱动(海康相机ros驱动)也是需要opencv3.2.0,最终还是选择安装多版本的openc…

基于NVIDIA NIM平台实现盲人过马路的demo(一)

前言:利用NVIDIA NIM平台提供的大模型进行编辑,通过llama-3.2-90b-vision-instruct模型进行初步的图片检测 step1: 部署大模型到本地,引用所需要的库 import os import requests import base64 import cv2 import time from datetime import datetimestep2: 观看官方使用文…

MATLAB下的四个模型的IMM例程(CV、CT左转、CT右转、CA四个模型),附源代码可复制

文章目录 基于IMM算法的目标跟踪概述源代码运行结果代码结构与功能1. 初始化2. 仿真参数设置3. 模型参数设置4. 生成量测数据5. IMM算法初始化6. IMM迭代7. 绘图8. 辅助函数总结基于IMM算法的目标跟踪 概述 该MATLAB代码实现了基于交互式多模型(IMM)算法的目标跟踪,旨在估…

Netty 组件介绍 - Future Promise

在异步处理时,经常用到这两个接口 netty 中的 Future 继承 jdk 中的 FutuFuture,而Promise 又对 netty Future 进行了扩展。 idk Future 只能同步等待任务结束(或成功或失败)才能得到结果netty Future 可以同步等待任务结束得到结也可以异…

ai数字人分身123口播克隆数字人小程序源码_博纳软云

功能配置 一、用户 用户管理小黑屋用户反馈登录设置短信参数 二、作品 视频作品背景音乐库背景音乐分类 三、形象分身 上传记录视频要求参数配置 四、声音克隆 克隆记录参数配置声音要求文案示例 五、AI文案 生成记录创作模型模型分类Al配置 六、充值 充值订单积分套…

Elasticsearch Interval 查询:为什么它们是真正的位置查询,以及如何从 Span 转换

作者:来自 Elastic Mayya Sharipova 解释 span 查询如何成为真正的位置查询以及如何从 span 查询过渡到它们。 长期以来,Span 查询一直是有序和邻近搜索的工具。这些查询对于特定领域(例如法律或专利搜索)尤其有用。但相对较新的 …

软件测试模型

软件测试模型是在软件开发过程中,用于指导软件测试活动的一系列方法和框架。这些模型帮助测试团队确定何时进行测试、测试什么以及如何测试,从而确保软件的质量和稳定性。 一 V模型 V模型是一种经典的软件测试模型,它由瀑布研发模型演变而来的测试模型…

Tiling与流水线技术小结

文章目录 Tiling技术Loop TilingAI推理中的Tiling 参考 流水线技术指令周期 参考 Tiling技术 Tiling(平铺)是一种将大的问题或数据集分解为较小的子问题或子数据集的技术,目的是提高数据局部性和缓存利用率,从而提升程序性能。 在…

Pinia-状态管理

Pinia-状态管理 特点: 1. 轻量和模块化 Pinia 是一个轻量级的状态管理库,支持模块化管理,即可以将应用的状态分成多个 store 以实现更好的组织。使用 Pinia,可以定义多个 store,每个 store 都是一个独立的模块&#x…

openpnp - 在openpnp中单独测试相机

文章目录 openpnp - 在openpnp中单独测试相机概述笔记测试工装相机镜头顶部盖子到目标的距离END openpnp - 在openpnp中单独测试相机 概述 底部相机的位置不合适, 重新做了零件,准备先确定一下相机和吸嘴的距离是多少才合适。 如果在设备上直接实验,那…

网络模型——二层转发原理

网课地址:网络模型_二层转发原理(三)_哔哩哔哩_bilibili 一、路由交换 网络:用来信息通信,信息共享的平台。 网络节点(交换机,路由器,防火墙,AP)介质&#…

[watevrCTF 2019]Voting Machine 1-好久不见10

shiiftF12查找字符串,发现flag.text跟踪 from pwn import * i remote("node5.anna.nssctf.cn",22956) address 0x400807 payload ba*(0x28) p64(address) i.sendline(payload) i.interactive()

【Linux】从零开始使用多路转接IO --- select

碌碌无为,则余生太长; 欲有所为,则人生苦短。 --- 中岛敦 《山月记》--- 从零开始认识五种IO模型 1 前言2 认识多路转接select3 多路转接select等待连接4 完善代码5 总结 1 前言 上一篇文章我们讲解了五种IO模型的基本概念,并…

【Java SE 】String 类 详解!

🔥博客主页🔥:【 坊钰_CSDN博客 】 欢迎各位点赞👍评论✍收藏⭐ 1. String 的地位 在Java 编程中,字符串的使用是非常频繁的,而字符串的使用有离不开 String类 ,在开发和面试中String类也是非常…

专业130+总400+武汉理工大学855信号与系统考研经验电子信息与通信工程,真题,大纲,参考书。

已经顺利读研一段时间,回顾一下考研还是历历在目。应群里学弟要求,回忆总结一下自己考研经历,希望对大家复习有帮助。总分400,专业课855信号与系统130(犯了低级错误,计算出现问题,大家专业好好准…

Self-Lengthen:阿里千问开源提升 LLM 长文本生成能力的训练框架

❤️ 如果你也关注大模型与 AI 的发展现状,且对大模型应用开发非常感兴趣,我会快速跟你分享最新的感兴趣的 AI 应用和热点信息,也会不定期分享自己的想法和开源实例,欢迎关注我哦! 🥦 微信公众号&#xff…