一種多模雷達信號分選方法的研究

摘 要:面對日益復雜的雷達，提高發現概率并降低虛警概率已成為雷達信號分選的關鍵技術。提出一種基于BFSN聚類分選結合數據融合的新的多模雷達信號分選方法。仿真結果表明，該方法能夠克服傳統方法在分選多模雷達信號時造成的增批等問題，并能做到實時、準確分選。最后給出一種計算可信度的方法。

關鍵詞:信號分選; BFSN; 聚類; 模式合并; 數據融合

中圖分類號:TN95 文獻標識碼:A

文章編號:1004-373X(2010)13-0099-04

Method of Multi-mode Radar Signal Sorting

ZHAO Yu1， LU Zhi-hong2

(1. Jiangsu University of Science and Technology， Zhenjiang 212003，China;

2. The 723 Institute of CSIS， Yangzhou 225001，China

)

Abstract: The improvement of the detection probability and the reduction of the 1 alarm probaility have become a crucial technology of the signal sorting in the face of more and more complicated radars. A method of multi-mode radar signal sorting which combines BFSN clustering algorithm and data fusion algorithm is put forward. The simulated results indicate that the method can overcome the problems of the selected object addition caused by the traditional signal-sorting method for the selection of multi-mode radar signals and sort the signals accurately in real-time. A method to calculate the reliability is presented.

Keywords: signal sorting; BFSN clustering; mode combination; data fusion

0 引 言

現有的信號分選方法主要分為預分選和主分選。預分選主要基于方位角、載頻、脈寬等參數的子空間劃分法，該方法將信號的特征參數組成的空間劃分為多個分選子空間，然后將脈沖描述字在子空間上投影，屬于同一子空間的聚合在一起，從而實現對來自接收機脈沖流的稀釋。信號主分選主要是基于脈沖重復間隔(PRI)的去交錯算法，這類算法主要有直方圖法，累計差直方圖法，順序差值直方圖法和PRI變化法等[1]。

為了滿足現代戰爭的需要，有些國家已經開發和使用了一些特別先進、特別復雜的綜合體制雷達。所謂“綜合體制”是指這些新型雷達已經集各種體制雷達于一身，具備多種工作模式可完成多種作戰功能。從信號波形設計來看，這種雷達信號波形相當復雜，往往多種波形同時運用，不僅一種信號參數發生變化，而且頻域、時域參數同時參雜著多模式的發生變化。如美國ITT公司設計的Falon多功能雷達，該雷達集常規、MTI、PC、頻率捷變等幾種體制于一身;同時使用5種波形;經常使用三種工作模式。如表1所示[2]。

表1 Falon雷達的三種工作模式

工作模式載頻重頻波形重復時間間隔壓縮脈沖/ns壓縮比脈沖編碼

1捷變無固定27863∶1捷變

2脈組捷變4脈沖參差27863∶1脈組捷變

3脈組捷變6脈沖脈組參差139127∶1脈組捷變

對于表1所示的這種體制的雷達輻射源，利用現有的分選方法進行分選，在分選的過程中容易把其中的每一個模式都分選為一個輻射源，造成增批。現有的分選算法都需要相當數量的脈沖數積累，面對這種多模式雷達，在每種工作模式下發射的脈沖數量有限，并且模式之間的快速轉換，現有的分選算法在實時性上就很難滿足要求了。

針對以上問題，本文提出一種結合聚類、數據融合的綜合分選方法。綜合分選首先是利用方位角(DOA)、載頻(RF)進行預分選，稀釋來自接收機的脈沖串。然后利用脈寬(PW)、脈內調制參數進行聚類，在聚類完成之后，利用多模雷達各個模式脈沖的到達時間(TOA)之間的關聯性，進行模式融合。仿真實驗表明該方法能夠提高分選多模雷達信號的正確性，并且具有較強的實時性。

1 基于BFSN聚類分選算法

基于廣度優先搜索鄰居的聚類算法[3-4](Broad First Search Neighbors，BFSN)屬于基于密度的聚類方法，它可以根據數據對象的分布，將數據分成若干個類，而不需要預先指定類的數目。它具有如下優點:算法簡單，實現容易，聚類結果精確;聚類過程中能夠發現同類對象之間的相異程度;輸入2個參數就基本可以估算;能夠發現孤立點，發現任意形狀的聚類;對輸入數據的順序基本不敏感。

對于預分選后的脈沖，首先使用PW和脈內調制樣式參數(K)進行二維聚類。脈內調制樣式主要有:線性調頻、相位編碼、頻率編碼、偶二次調頻、V型調頻等。這些脈內調制參數的測量識別在實際工程中已經得到很好的實現[5]。下面具體介紹BFSN聚類分選算法。

假設第i個脈沖的參數組成的向量為Xi，則Xi=[PW，K，RF];當脈內調制方式為線性調頻或者非線性調頻時，K為調頻帶寬B，當脈內調制方式采用頻率編碼或者相位編碼時，K為碼元的長度Nc;第k個聚類的中心記為Xok，則Xok=[PWok，Kok，RFok];第i個脈沖與聚類k之間的幾何距離定義為:

Sik=[(Xi-Xok)TW(Xi-Xok)]12

(1)

式中:W是信號參數的加權矩陣。幾何距離越小表示信號參數之間的相似程度越高，如果幾何距離小于某一門限值，則該脈沖參數屬于同一輻射源。如果幾何距離大于某一門限，則該脈沖參數屬于一個新的輻射源。

聚類分選的主要目的是將不屬于同一輻射源的脈沖盡量分開，同時不產生過多的奇異類(成員較少的類別)。聚類分選的流程圖如圖1所示。

圖1 多參數聚類分選流程框圖

聚類的步驟:首先將來自預分選的第一個脈沖設為第一類，并令Xo1=X1，利用式(1)計算第二個脈沖與聚類一的距離S21，如果S21≤S(S為設定的門限)，將脈沖2歸入聚類一，并從原始脈沖串中剔除該脈沖，之后修正聚類一的中心Xo1，聚類中心的修正公式為:

PWok=PWok*n+PWn+1n+1

(2)

式中:PWok為修正后的第k類的脈寬中心;n為已聚類的脈沖數目;PWn+1為第k類第n+1個需要歸入的脈沖的脈寬;Kok，RFok的修正方式同式(2);如果S21>S，則搜索下一個脈沖并計算該脈沖與類一之間的距離，如果距離小于門限，則聚為一類、剔除該脈沖并修改聚類中心，大于門限繼續搜索下一個，直到搜索完所有脈沖，由此可以得到聚類一。取剩余脈沖的第一個脈沖為聚類二的中心，按聚類一的方法，搜索并聚類;用同樣的方法對所有脈沖進行聚類，當剩余脈沖的數量小于門限時聚類停止。這樣就完成了對來自預分選脈沖的聚類。

2 多假設類合并

采用上述聚類的方法可能會將一部具有多種工作模式的雷達聚類為幾個輻射源，因此在聚類結束后要對聚類結果進行合并處理。做多假設類合并的依據是:來自同一個輻射源的信號一定具有很強的相似性，而來自不同輻射源的信號則相似性弱。為了有效地探測目標，雷達信號必須具備一定的時間分辨率和距離分辨率，其掃描調制形式和波形以及載頻所處的頻段也都是為了滿足探測目標的需要。所以如果不是來自同一輻射源的脈沖類可能個別參數有一定的相似性，而兩個來自同一輻射源的脈沖類，大部分參數都有一定的相似性[6]。

為了便于合并分析，建立相似系數矩陣leib_sim(a，a)，a為目前脈沖類的總數;leib(i，j)則對應第i類和第j類的相似系數。同時設定合并門限hebing_thd。

2.1 未合并前各個類的相似性分析

(1) 參數PW的分析

分析各個類之間的PW直方圖的相似性，計算公式為:

PW_x_num=PW_x_numi+PW_x_numj

(3)

PW_y_num=PW_y_numi+PW_y_numj

(4)

PW_simij=PW_x_numx_num+PW_y_numy_num2

(5)

式中:x，y分別為直方圖中橫坐標和縱坐標的取值點;PW_simij為第i類和第j類的相似系數;PW_x_numi，PW_x_numj分別為PW直方圖被匹配上的橫坐標的個數;PW_x_num為兩類匹配上的橫坐標的總個數;x_num為兩類直方圖橫坐標的取值點總個數;PW_y_numi，PW_y_numj分別為PW直方圖被匹配上的脈沖數;PW_y_num為兩類匹配上的脈沖數;y_num為兩類脈沖總數。下面以一個例子來解釋公式的含義。

如圖2、圖3所示為兩類脈沖的PW直方圖(與真實雷達信號無關，僅用于說明公式)。

則有:PW_x_num1=2，PW_x_num2=2，在PW=2和PW=7處匹配上;PW_x_num=4;x_num=5;PW_y_num1=3+4=7，PW_y_num2=5+4=9;PW_y_num=16;y_num=20;則PW_sim12=45+16202=0.8。

利用分析PW的方法，繼續分析載頻RF、帶寬B等參數。從而得到相似系數矩陣leib_sim(a，a)。

圖2 類一PW直方圖

圖3 類二PW直方圖

2.2 利用時間連續性和相似系數矩陣進行合并

多模雷達模式之間的轉變間隔很短，因此各類間的時間連續性分析成為多假設類合并首要因素。具體分為:如果已聚類的結果中某兩類的到達時間為首尾相連則認為具有較好的時間連續性，則認為這兩個聚類為一部雷達的兩個模式，將這兩類進行合并;取類二的到達時間:TOA_start(第一個脈沖到達時間)，TOA_end(最后一個脈沖到達時間);如果TOA_start、TOA_end剛好落入類一的兩個連續脈沖間，則認為具有很強的時間連續性，將這兩類進行合并。對于時間連續性不明顯的類別則利用相似系數矩陣與合并門限進行比較，大于門限則進行合并，小于門限則不合并。

2.3 孤立點的挖掘

經BFSN聚類和多假設類合并后，可以得到多個脈沖類。設定一個關于類中脈沖數目的門限，如果類中脈沖數目小于門限，則表示該類脈沖為孤立點。算法挖掘出的孤立點信號可能是記錄錯誤、測量誤差造成的錯誤數據和噪聲數據，沒有什么意義，剔除就行;但也可能具有較大的信息量，表示平時不易偵察到的雷達。因此，對挖掘出的孤立點進行分析具有很大意義。要判斷這些孤立點是否為雷達信號，只能利用重復周期這個參數。在利用PRI分析分選效果時可以分析這些孤立點。

3 利用PRI分析分選效果

經過聚類和多假設類合并之后，計算經過合并之后各類的PRI，并給出PRI統計直方圖，文獻[7]提出利用直方圖的方法進行判別固定重頻信號。首先利用TOA對信號做一階差值直方圖，假設直方圖包含N個小區間，每個區間的中心為Toi，其對應的直方圖值為H(Toi)，這樣可以得到2個N維的向量:

T=[To1 To2 … Toi … ToN]′，

P=[P(To1) P(To2) … P(Toi) … P(ToN)]′

找出P中最大的元素記為Pmax，將P中所有元素都除以Pmax將其歸一化，再將P中小于0.8的元素都設為0(諧波分量對應的元素變為0)，所有非零元素組成的新向量記為P′，將T中與P對應的元素組成新的向量T′，這樣可信度的定義為:

C=P′T′PT

(6)

式中:T′為N1×1向量，T為N×1向量，且1≤N1≤N。如果N1=1則說明該信號為固定重頻信號概率很大，如果N1>1則需要進行參差判別，文獻[8]給出了滿足雷斯尼克模型的參差信號鑒別方法。

4 仿真驗證

模擬預分選輸入的脈沖由五部同方位X頻段(頻率集中在9 400~9 500 MHz之間)雷達信號組成。其中兩部三模式雷達，一部寬窄脈沖雷達，兩部脈壓雷達，共836個脈沖。具體參數如表2所示(仿真編程時脈內調制形式用不同的數字代表不同的調制形式)。

使用表2數據進行仿真，在BFSN聚類分選完成后，總共被聚為10類，如圖4所示在脈寬為100 μs處有一類，圖5顯示脈寬在200~800 ns之間的聚類共有9類。經過多假設類合并融合之后最終分選為5部雷達，與模擬輸入的數目一樣，如圖6(a)所示。圖6(b)~圖6(f)給出了最終分選出的5部雷達的PRI直方圖。由所得的PRI直方圖可以看出僅圖6(b)對應的PRI變換方式簡單，對應為寬窄脈沖雷達。圖6(c)~圖6(f)中所示的PRI變換范圍比較大，變化方式也比較多，如果用傳統的PRI分選將很難實現。由于本文僅研究分選，重頻類型的識別見文獻[ 9-10] 。

表2 模擬的5部雷達信號參數

批號工作模式脈寬脈內調制形式載頻 /MHz重頻類型脈沖數

1三模式

1200 ns參差線性調頻固定9 400固定30 μs50

2300 ns參差相位編碼脈組捷變脈組參差40

3400 ns捷變頻率編碼脈組捷變脈組參差60

21500 ns固定線性調頻與PRI同時捷變脈組捷變100

3寬窄脈沖1100 μs固定

100 ns固定寬脈沖線性調頻，

窄脈沖常規脈沖4組參差PRI1=200 μs

PRI2=500 μs100

100

41800 ns參差相位編碼3脈沖16點跳頻6脈沖參差96

5三模式

1400 ns固定偶二次調頻6脈沖跳變6脈沖參差90

2300 ns捷變頻率編碼與PRI同時變成組參差80

3400 ns固定線性調頻6參差固定120

圖6 最終分選融合結果直方圖

圖4聚類結果直方圖(一)

圖5 聚類結果直方圖(二)

圖6 最終分選融合結果直方圖

5 結 語

本文提出的多模雷達分選方法，主要分選采用到達角DOA和載頻RF進行預分選處理后的脈沖。在分選的過程中，首先采用脈寬和脈內調制形式參數進行聚類，聚類完成之后求各個類別之間的相似系數矩陣并分析各個類別的時間關聯性，利用多模雷達各個模式之間的時間關聯性和相似性進行模式融合和多假設類合并，對融合之后的類別繼續進行時間關聯性判斷，查找是否有寬窄脈沖雷達，有則進行融合。最后計算并分析最終所得分選結果的PRI，并利用PRI判斷可行度。該方法有很好的分選正確率，實時性也比較好，具有一定的工程應用價值。

參考文獻

[1]趙國慶.雷達對抗原理[M].西安:西安電子科技大學出版社，1999.

[2]曠平昌，王杰貴.基于脈沖樣本圖的雷達輻射源識別新技術[J].電子對抗，2009(4):12-18.

[3]葉菲，羅景青.一種基于BFSN聚類的多參數綜合分選算法[J].雷達與對杭，2005(2):43-45.

[4]申冰，周群.一種信號分選和特征提取聯合處理的雷達信號分析方法研究[J].火控雷達技術，2007(9):51-54.

[5]祝正威.雷達信號的聚類分選方法[ J] .電子對抗，2005(6):6-10.

[6]馮清賢.復雜體制雷達綜合分選技術的研究[D].成都:西南交通大學，2007.