本技术涉及信号分析，尤其涉及一种雷达辐射源个体的识别方法、装置、设备、介质及产品。
背景技术：
1、雷达辐射源个体识别是指对接收的电磁信号进行特征测量，根据已有的先验信息确定产生信号的辐射源个体，并将其与辐射源个体及所属平台和武器系统关联起来，有着非常重要的战略和战术意义。
2、目前，雷达辐射源个体识别方案是对雷达信号在时域、频域或者时频域等单一视角下进行特征提取，并基于提取的特征进行分类，从而获得雷达辐射源个体识别结果。
3、然而，雷达信号往往是多种过程叠加的情况，这种内在的多周期属性使得雷达信号的变化极其复杂，因此采用上述方案进行雷达辐射源个体识别的准确度较低。
技术实现思路
1、基于上述技术现状，本技术提出一种雷达辐射源个体的识别方法、装置、设备、介质及产品，能够提高雷达辐射源个体识别结果的准确度。
2、为了达到上述技术目的，本技术具体提出如下技术方案：
3、本技术第一方面提出一种雷达辐射源个体的识别方法，包括：获取待识别的雷达辐射源个体的原始信号；从所述原始信号中提取得到k个信号集合，并分别获取各个信号集合的时序变化特征，每个信号集合中包括多个子信号，所述时序变化特征包括所述多个子信号各自的周期内时序变化特征和所述多个子信号之间的周期间时序变化特征，所述k为正整数；基于k个时序变化特征，确定对所述雷达辐射源个体的分类结果。
4、在一些实现方式中，从所述原始信号中提取得到k个信号集合，并分别获取各个信号集合的时序变化特征，通过对所述各个信号集合的时序变化特征进行融合，得到所述原始信号对应的融合信号特征，以及，基于所述融合信号特征，确定对所述雷达辐射源个体的分类结果，包括：将所述原始信号输入雷达辐射源个体分类模型，以使所述雷达辐射源个体分类模型从所述原始信号中提取得到k个信号集合，并分别获取各个信号集合的时序变化特征，以及基于k个时序变化特征，确定对所述雷达辐射源个体的分类结果。
5、在一些实现方式中，所述原始信号为时域信号，所述从所述原始信号中提取得到k个信号集合，包括：将所述原始信号转换至频域，得到所述原始信号对应的频域信号；基于所述频域信号中频率强度最大的k个频率分量，从所述原始信号中提取得到所述k个信号集合。
6、在一些实现方式中，所述基于k个时序变化特征，确定对所述雷达辐射源个体的分类结果，包括：通过对所述k个时序变化特征进行融合，得到所述原始信号对应的融合信号特征；基于所述融合信号特征，确定对所述雷达辐射源个体的分类结果。
7、在一些实现方式中，通过对所述k个时序变化特征进行融合，得到所述原始信号对应的融合信号特征，包括：对所述k个时序变化特征进行融合，得到初始融合信号特征，并将所述初始融合信号特征确定为所述原始信号对应的融合信号特征；或者，对所述k个时序变化特征进行融合，得到初始融合信号特征，并将所述初始融合信号特征和所述原始信号的残差结果确定为所述原始信号对应的中间融合信号特征，以及在迭代次数未达到预设次数的情况下，将所述中间融合信号特征作为下一轮迭代时新的原始信号，并重复从所述原始信号中提取得到k个信号集合，分别获取各个信号集合的时序变化特征，通过对所述各个信号集合的时序变化特征进行融合得到初始融合信号特征，以及将所述初始融合信号特征和所述原始信号的残差结果确定为所述原始信号对应的中间融合信号特征的步骤，直至迭代次数达到预设次数，将最后一次迭代得到的中间融合信号特征确定为所述原始信号对应的融合信号特征。
8、在一些实现方式中，所述对所述k个时序变化特征进行融合，得到初始融合信号特征，包括：基于所述原始信号对应的频域信号中频率强度最大的k个频率分量的大小，确定k个时序变化特征各自对应的权重，其中，各个频率分量的大小与各个频率分量各自对应的时序变化特征的权重为正相关关系；基于所述k个时序变化特征及其各自对应的权重进行加权求和，得到所述初始融合信号特征。
9、在一些实现方式中，所述雷达辐射源个体分类模型的训练过程，包括：从获取的原始样本信号中提取得到k个样本信号集合；分别获取各个样本信号集合的时序变化样本特征，每个样本信号集合中包括多个子样本信号，所述时序变化样本特征包括所述多个子样本信号各自的周期内时序变化特征和所述多个子样本信号之间的周期间时序变化特征；基于k个时序变化样本特征，对预设的雷达辐射源个体分类网络进行训练，得到雷达辐射源个体分类模型。
10、在一些实现方式中，所述原始样本信号为时域样本信号，所述从获取的原始样本信号中提取得到k个样本信号集合，包括：将所述原始样本信号转换至频域，得到所述原始样本信号对应的频域样本信号；基于所述频域样本信号中频率强度最大的k个频率分量，从所述原始样本信号中提取得到所述k个样本信号集合。
11、在一些实现方式中，所述基于k个时序变化特征，对预设的雷达辐射源个体分类网络进行训练，得到雷达辐射源个体分类模型，包括：对k个时序变化样本特征进行融合，得到所述原始样本信号对应的融合样本信号特征；基于所述融合样本信号特征对预设的雷达辐射源个体分类网络进行训练，得到雷达辐射源个体分类模型。
12、在一些实现方式中，所述对k个时序变化样本特征进行融合，得到所述原始信号对应的融合样本信号特征，包括：对所述k个时序变化样本特征进行融合，得到初始样本信号融合特征，并将所述初始样本信号融合特征确定为所述原始样本信号对应的融合样本信号特征；或者，对所述k个时序变化样本特征进行融合，得到初始样本信号融合特征，并将所述初始样本信号融合特征和所述原始样本信号的残差结果确定为所述原始样本信号对应的中间样本信号融合特征，以及在迭代次数未达到预设次数的情况下，将所述中间样本信号融合特征作为下一轮迭代时新的原始样本信号，并重复从所述原始样本信号中提取得到k个样本信号集合，分别获取各个样本信号集合的时序变化样本特征，通过对所述各个样本信号集合的时序变化样本特征进行融合得到初始样本信号融合特征，以及将所述初始样本信号融合特征和所述原始样本信号的残差结果确定为所述原始样本信号对应的中间样本信号融合特征的步骤，直至迭代次数达到预设次数，将最后一次迭代得到的中间样本信号融合特征确定为所述原始样本信号对应的融合样本信号特征。
13、在一些实现方式中，所述对所述k个样本信号集合的时序变化样本特征进行融合，得到初始样本信号融合特征，包括：基于所述原始样本信号对应的频域样本信号中频率强度最大的k个频率分量的大小，确定k个时序变化样本特征各自对应的权重，其中，各个频率分量的大小与各个频率分量各自对应的时序变化样本特征的权重为正相关关系；基于所述k个时序变化样本特征及其各自对应的权重进行加权求和，得到所述初始样本信号融合特征。
14、在一些实现方式中，所述基于所述融合样本信号特征对预设的雷达辐射源个体分类网络进行训练，得到雷达辐射源个体分类模型，包括：采用所述预设的雷达辐射源个体分类网络对所述融合样本信号特征进行分类，得到雷达辐射源个体的预测分类结果；基于所述预测分类结果和其对应的真实分类结果之间的差异，确定分类损失；基于所述分类损失对所述预设的雷达辐射源个体分类网络进行收敛，得到所述雷达辐射源个体分类模型。
15、本技术第二方面提出一种雷达辐射源个体的识别装置，包括：获取单元，用于获取待识别的雷达辐射源个体的原始信号；特征提取单元，用于从所述原始信号中提取得到k个信号集合，并分别获取各个信号集合的时序变化特征，每个信号集合中包括多个子信号，所述时序变化特征包括所述多个子信号各自的周期内时序变化特征和所述多个子信号之间的周期间时序变化特征，所述k为正整数；分类单元，用于基于k个时序变化特征，确定对所述雷达辐射源个体的分类结果。
16、本技术第三方面提出一种电子设备，包括存储器和处理器；
17、所述存储器与所述处理器连接，用于存储程序；
18、所述处理器用于通过运行所述存储器中的程序，实现第一方面以及第一方面的实现方式中的任意一项所述的雷达辐射源个体的识别方法。
19、本技术第四方面提出一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现第一方面以及第一方面的实现方式中的任意一项所述的雷达辐射源个体的识别方法。
20、本技术第五方面提出一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器实现第一方面以及第一方面的实现方式中的任意一项所述的雷达辐射源个体的识别方法。
21、本技术提出的雷达辐射源个体的识别方法、装置、设备、介质及产品，通过从原始信号中提取得到k个信号集合，并分别获取各个信号集合的时序变化特征，每个信号集合中包括多个子信号，时序变化特征包括多个子信号各自的周期内时序变化特征和多个子信号之间的周期间时序变化特征，从而基于原始信号的周期内时序变化特征和周期间时序变化特征共同进行雷达辐射源个体分类，以提高雷达辐射源个体分类的准确度。
1.一种雷达辐射源个体的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，从所述原始信号中提取得到k个信号集合，并分别获取各个信号集合的时序变化特征，通过对所述各个信号集合的时序变化特征进行融合，得到所述原始信号对应的融合信号特征，以及，基于所述融合信号特征，确定对所述雷达辐射源个体的分类结果，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述原始信号为时域信号，所述从所述原始信号中提取得到k个信号集合，包括：
4.根据权利要求1或2所述的方法，其特征在于，所述基于k个时序变化特征，确定对所述雷达辐射源个体的分类结果，包括：
5.根据权利要求4所述的方法，其特征在于，通过对所述k个时序变化特征进行融合，得到所述原始信号对应的融合信号特征，包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述k个时序变化特征进行融合，得到初始融合信号特征，包括：
7.根据权利要求2所述的方法，其特征在于，所述雷达辐射源个体分类模型的训练过程，包括：从获取的原始样本信号中提取得到k个样本信号集合；
8.根据权利要求7所述的方法，其特征在于，所述原始样本信号为时域样本信号，所述从获取的原始样本信号中提取得到k个样本信号集合，包括：
9.根据权利要求7所述的方法，其特征在于，所述基于k个时序变化特征，对预设的雷达辐射源个体分类网络进行训练，得到雷达辐射源个体分类模型，包括：
10.根据权利要求9所述的方法，其特征在于，所述对k个时序变化样本特征进行融合，得到所述原始信号对应的融合样本信号特征，包括：
11.根据权利要求10所述的方法，其特征在于，所述对所述k个样本信号集合的时序变化样本特征进行融合，得到初始样本信号融合特征，包括：
12.根据权利要求9所述的方法，其特征在于，所述基于所述融合样本信号特征对预设的雷达辐射源个体分类网络进行训练，得到雷达辐射源个体分类模型，包括：
13.一种雷达辐射源个体的识别装置，其特征在于，包括：
14.一种电子设备，其特征在于，包括存储器和处理器；
15.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1至12中任意一项所述的方法。
16.一种计算机程序产品，其特征在于，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器实现如权利要求1至12中任意一项所述的方法。
