本发明属于雷达通讯，更进一步涉及雷达信号处理的一种利用两分支卷积自编码器的雷达信号分选方法。本发明可用于复杂信噪比条件下多种脉内调制样式的雷达信号分选。
背景技术：
1、雷达信号传统分选方式均采用以五维雷达脉冲描述字pdw(pulse descriptionword)为特征首先对信号脉冲流进行分析，稀疏脉冲流，再通过脉冲重复间隔来进行主要分选的流程。但随着电子信息技术的高速发展，在雷达实际应用场景中，信号的信噪比相较过去显得更低且更为复杂，这大大增加了雷达信号分选的难度。同时多种脉内调制样式的出现使得传统的只依赖少量常规脉间参数的分选系统难以取得理想效果。随着神经网络技术的高速发展，雷达领域相关专家尝试将人工神经网络技术运用于分选任务中，其使用方法大体可以分为将相关参数送进网络并进行聚类分析和利用神经网络对信号某域的特征进行提取并实现分选两种。后者的网络可以自动地对信号特征进行提取分析，这虽然使得特征提取过程不再过分依赖于专家经验，但其提取的特征在无反馈修正下并非针对分选任务提取的，因此不一定能够适用于分选，所以仅被大量应用在有监督学习分选中。但在雷达实际应用场景下，预先配置大量有标签信号进行有监督学习是不现实的。
2、中国人民解放军空军航空大学在其申请的专利文献“一种基于深度聚类的无监督雷达信号分选方法”(申请号：202111226473.x；申请公布号：cn 113971440 a)中提出了一种无监督雷达信号分选方法。该方法通过深度自编码网络将输入的时间序列信号降维压缩为更紧凑的潜在特征表示向量，再用时序信号聚类层对潜在特征表示向量进行无监督聚类分析，得到雷达信号分选结果，同时将重构损失函数与kl对比散度损失函数作为模型的总代价函数，通过最小化总代价函数来反向更新网络权重参数和聚类中心，对无监督分选模型进行联合优化训练。该方法存在的不足之处是，其提取的时序特征过分依赖于同种信号的时序关系，当多种信号存在或部分信号脉冲丢失情况下，该方法的分选性能将大幅降低，根据该专利文献披露的实验结果可以看出，当混合信号达到7种时，该方法的准确率仅有23.65％，而在雷达实际应用场景中，多种信号存在和部分信号脉冲丢失情况是不可避免的，因此该方法实用性较低。
3、殷雪凤在其发表的论文“雷达辐射源智能分选与识别方法研究”(西安电子科技大学硕士毕业论文2022年6月)中提出了一种基于联合深度聚类的无监督分选方法。该方法通过单通道卷积自编码器提取时频图特征并与信号载频脉宽参数拼接形成联合特征，再通过联合特征进行k-means聚类，得到分选结果，同时依据分选结果生成伪标签并对网络进行微调。该方法中k-means最终聚类数和聚类中心通过密度峰值决策图决定。该方法存在两点不足之处，其一，没有考虑信号参数测量误差问题，同时仅在信号载频混叠程度较低情况下对四种基础脉内调制类型进行分选，根据该文献披露的实验结果其最终实现的分选准确率仅为85.48％。其二，该方法通过密度峰值决策图判定k-means最终聚类数k时，需要人工介入去选定k值，容易受到主观因素的影响，在实际应用时，每次聚类均需要对密度峰值决策图进行人工判定k值，费事费力，大大降低了该方法的实际应用性。
技术实现思路
1、本发明的目的在于针对上述现有技术的不足，提供一种利用两分支卷积自编码器的雷达信号分选方法，用于解决自编码器提取特征在多种脉内调制样式下效果不佳，k-means聚类类数判定需要人工介入，以及随机初始聚类中心导致运算时间过长的问题。
2、实现本发明目的的技术思路是：本发明通过两分支卷积自编码器对时频图特征进行提取，一路提取时频图细微特征，一路提取时频图轮廓特征，并通过注意力机制将两种特征融合，提高自编码器的特征表达能力和特征提取性能，同时针对卷积自编码提取特征并非以雷达信号分选为任务指向导致的特征聚类分选效果不佳问题，通过加入已经验证能够用于雷达信号脉内调制样式分选的特征参数对自编码器所提特征进行修正，并结合脉间参数共同实现无监督分选。本发明在完成整个特征提取拼接过程后，依据各特征之间的局部密度和聚类中心相对距离绘制密度峰值决策图确定可能的聚类中心，并结合轮廓系数法，以选取决策图中对应个数的聚类中心作为初始聚类中心代替随机选取初始聚类中心，既解决了密度峰值决策图的最终聚类数判定需要人工介入的问题，又解决了传统轮廓系数法计算结果受随机初始聚类中心影响需多次聚类取平均值，导致运算时间过长的问题。
3、根据上述思路，本发明的实现步骤包括如下：
4、步骤1，生成样本集；
5、步骤2，对生成的样本集中每个雷达脉冲信号进行预处理，将样本集中所有预处理后的两种先验脉内特征与对应雷达脉冲信号的载频脉宽进行拼接构成拼接特征训练集，将样本集中所有预处理后的时频图构成时频图训练集；
6、步骤3，利用拼接特征训练集训练构建的全连接自编码器；
7、步骤4，利用时频图训练集训练构建的两分支卷积自编码器；
8、步骤5，构建联合特征生成网络；
9、步骤6，将拼接特征训练集和时频图训练集输入联合特征生成网络，得到联合特征集；
10、步骤7，通过密度峰值决策图和轮廓系数法估计k-means聚类的最终类数和初始聚类中心；
11、步骤8，通过估计的最终聚类类数和初始聚类中心对雷达脉冲信号的联合特征进行k-means聚类分选，将分选结果作为伪标签；
12、步骤9，利用拼接特征训练集和时频图训练集训练构建的联合特征分类网络，得到聚类特征生成网络；
13、步骤10，对雷达脉冲信号进行分选。
14、本发明与现有技术相比具有以下优点：
15、第一，本发明通过两分支卷积自编码器提取时频图脉内特征，并通过先验脉内特征对其进行修正，同时结合脉间参数共同实现无监督分选，克服了现有技术中自编码器提取特征效果不佳问题，使得本发明在复杂信噪比条件下多种脉内调制样式的雷达信号分选中具备更高的准确率，更具实际应用价值。
16、第二，本发明通过密度峰值决策图确定可能的聚类中心，并结合轮廓系数法确定最终类数k，既克服了最终聚类数判定需要人工介入的缺陷，又克服了传统轮廓系数法计算结果受随机初始聚类中心影响，易陷入局部最优解，需多次聚类取平均值的问题，使得本发明真正实现端对端聚类过程，并在一定程度上降低聚类运算时长。
1.一种利用两分支卷积自编码器的雷达信号分选方法，其特征在于，利用两分支卷积自编码器提取时频图脉内特征，通过先验脉内特征修正时频图脉内特征，结合密度峰值决策图和轮廓系数法确定k-means聚类的初始聚类中心和最终聚类数；该分选方法的步骤包括如下：
2.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤1中所述样本集为，选定至少11部雷达，每部雷达在至少6种信噪比条件下分别生成至少80个雷达脉冲信号组成样本集。
3.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤2中所述对样本集中的每个雷达脉冲信号进行预处理步骤如下：
4.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤3中所述全连接自编码器的结构如下：
5.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤3中所述训练全连接自编码器的过程如下：
6.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤4中所述两分支卷积自编码器的结构如下：
7.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤4中所述训练两分支卷积自编码器过程如下：
8.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤5中所述的联合特征生成网络包含拼接特征扩维模块、时频图特征提取模块、特征拼接层；其中，拼接特征扩维模块的结构和参数与训练好的全连接自编码器中的编码器一致，时频图特征提取模块的结构和参数与训练好的两分支卷积自编码器中的编码器一致；所述拼接特征扩维模块与时频图特征提取模块并联后，再与特征拼接层串联。
9.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤7中所述通过密度峰值决策图和轮廓系数法估计k-means聚类的最终类数和初始聚类中心步骤如下：
10.根据权利要求1所述的利用两分支卷积自编码器的雷达信号分选方法，其特征在于，步骤9中所述的利用拼接特征训练集和时频图训练集训练构建的联合特征分类网络，得到聚类特征生成网络的步骤如下：
