淺談雷達輻射源信號識別

張奇雯　劉忠義　楊澤剛

[摘要]介紹雷達輻射源信號識別的過程,概述和分析國內外雷達輻射源識別研究的現狀,闡述雷達輻射源信號識別方法,指出雷達輻射源信號識別的發展趨勢。

[關鍵詞]雷達輻射源識別 特征參數匹配 人工智能 脈內分析

中圖分類號:TN95文獻標識碼:A文章編號:1671-7597(2009)0920009-01

一、雷達輻射源信號識別過程

雷達輻射源信號識別主要通過對信號的到達方向、工作頻率、脈沖調制參數、天線掃描方式、頻域和時域波形、功率等參數的分析,從而確定雷達輻射源的體制、用途、威脅等級、載體平臺,為上級決策機構提供情報支持。雷達偵察接收機接收到的雷達輻射源信號是密集交錯的脈沖流,這些脈沖流經過分選和兩次特征提取后,才能把從眾多的雷達信號中分選出某部雷達的信號。經過分選的雷達輻射源信號,提取的特征構成了脈沖描述字,主要包括脈沖到達時間、脈沖到達角、脈沖載頻、脈沖幅度、脈沖寬度等。在此基礎上,經過多次測量和分析,方可獲得脈沖的其他特征參數:脈沖重復間隔、天線掃描周期。有了這些特征參數,雷達輻射源信號識別就變成了一個模式識別的問題。

二、雷達輻射源信號識別方法

(一)特征參數匹配法

主要特點是構建一個特征模式矢量,將傳感器測得的數據與數據庫中已有的信息進行比較查詢,通過距離函數、屬性測度等進行匹配,對雷達輻射源屬性進行判決。其優點是方法簡單、計算速度快。但是也存在著很多缺陷:沒有考慮到新體制雷達的脈內調制特性,不能有效地對其識別;過多依賴于數據庫中先驗知識,不能進行自學習,對數據庫中沒有的雷達不能進行準確識別;容錯性能較差,特別是對不完整或畸變信號的辨別處理能力較差等。

(二)人工智能識別法

隨著人工智能技術的發展,專家系統、人工神經網絡、模糊推理、Agent理論、遺傳算法等人工智能方法成功地被應用于雷達輻射源信號識別領域。專家系統是一種具有大量專門知識和經驗的智能程序系統。它能運用領域專家多年積累的經驗和專門知識,模擬領域專家的思維,解決該領域中專家才能解決的問題。特征參數匹配的方法存在著不能識別數據庫之外的信號,不能有效識別不完整的信號的缺點,將專家系統引入雷達輻射源信號,將輻射源識別領域專家的經驗和知識形成推理規則,從而完成對雷達輻射源信號的識別。基于專家系統的雷達輻射源信號識別方法具有一個或多個專家的知識和經驗,可以接近人類水平進行分析和識別,在推理過程中具有透明性和進行自我學習的能力。但是專家系統也存在著重大的缺陷:對于新體制的雷達輻射源信號表現的無能為力,容易造成漏檢或錯判;數據庫的設計的容量和開銷隨著輻射源類型的增加急劇增大;隨著雷達對抗新技術的發展,專家的知識和經驗需要不斷的填充和完善;專家知識不能并行地在多處理機上運行,也不能協同工作等。

人工神經網絡是由簡單的處理單元所組成的大量并行的處理機,它具有存儲和應用經驗知識的自然特性,在處理數據方面與人腦有相似之處。神經網絡方法具有很強的自學習能力,將人的智能因素引入識別過程中,具有將信息存儲與處理合二為一、魯棒性和容錯性較強的優點。與專家系統相比,無疑具有更好的普適性和識別效果。

(三)脈內特征分析、識別法

脈內特征分析方法通過分析雷達輻射源信號的脈內特征對雷達輻射源進行識別,在一定程度上提高了識別的準確率。脈內特征分析的方法能夠有效地提高對新體制的雷達信號,特別是特殊信號的識別,從而充實電子對抗數據庫。

(四)數據融合識別法

從21世紀初期開始,研究人員提出了多傳感器探測雷達輻射源信息,然后通過相應的融合規則得出合理的融合結果,減少由于單傳感器進行識別準確率低、不確定性程度大的問題。與單傳感器相比,基于多傳感器的雷達輻射源信號的識別顯然能有效提高正確識別率。在多傳感器數據進行融合時,用DS證據理論構建識別框架進行融合,能降低單傳感器的不確定性。

三、結論

特征參數匹配法最大的優點就是查詢簡單、比較速度快,但缺點是不能對知識進行學習,不具備識別未知類型的輻射源信號,更談不上對未知信號的分類處理。專家系統識別法結合輻射源信號的特征,用專家知識對信號類型進行分析處理,運用推理的方式得出識別結果。但專家系統的缺點是不能并行協同工作。人工神經網絡識別方法能將人的智能因素引入識別過程,能夠進行自我學習,具有很好的魯棒性和容錯性,但神經網絡識別的方法不能有效識別新體制、調制參數多變的輻射源類型;采用脈內特征分析的識別方法從信號分析的角度在脈內特征參數多變的情況下能夠減少誤判漏判。多傳感器數據融合的方法從數據處理方面,降低由于單一傳感器帶來的不確定性,提高識別精度。

隨著新體制雷達的使用,這些方法或多或少存在不足,這就需要研究新的識別思路和方法進行識別。

1.對輻射源參數進行進一步分析,建立多種識別方法結合的識別模型,建立起有效的輻射源描述模型。

2.構建新體制雷達輻射源信號數據庫,充實已有的常規體制雷達數據庫及匹配規則。常規體制的雷達輻射源信號數據庫對新體制的信號顯然不匹配,構建合理的特征參數的數據庫是正確識別新體制雷達的基礎。

3.對神經網絡模塊進行優化,這即包括對現有的BP模型進行優化,也包括引入其他的神經網絡模型。

4.現有的雷達輻射源信號識別方法都是先通過有導師訓練,將訓練規則應用于雷達輻射源信號識別,這對于已知類型和用途的雷達輻射源信號識別是有效的。如何用無導師訓練的方法進行識別需要重點研究。

參考文獻:

[1]張葛祥,雷達輻射源信號智能識別方法研究[D].成都:西南交通大學,2005.

[2]桑煒森、顧耀平,綜合電子戰新技術新方法[M].北京:國防工業出版社,1996.

[3]周旭、姜雙章、周治偉,雷達輻射源屬性識別算法研究[J].航天電子對抗,2007,23(4):28～31.

[4]張政超、李應升、王磊,雷達輻射源信號識別研究[J].艦船電子工程,2009.29(4):31～34.

[5]王望森,人工智能原理及其應用(第2版)[M].北京:電子工業出版社,2007.

[6]孟曉琳、刁鳴、茅玉龍、陳建軍,基于模糊理論的雷達信號類型識別方法[J].電子信息對抗技術,2006,21(5):19～21.

[7]張英鑫、王寶樹,模糊匹配方法及證據理論在輻射源識別中的應用[J].計算機工程,2005,31(22):183～185.