雷達輻射源識別技術綜述*

許宏泉 劉 庚

(武漢市74223信箱1) 武漢 430074)(武漢數字工程研究所2) 武漢 430074)

1 雷達輻射源識別背景

雷達輻射源識別技術是目標識別技術的重要組成部分,在軍事作戰中,發現目標主要依靠雷達探測,雷達探測會輻射電磁波,我方可以通過電子偵察設備在接收空間范圍內被動的接收并捕獲敵方發射的電磁波,并快速計算出電磁輻射源的方位和頻率等參數,雷達輻射源識別技術依據這些電磁波的參數,按照某種規則和算法及查詢輻射源特征數據庫,判斷出發射該電磁波雷達的用途或類型,進而推斷出敵方平臺的類型或是型號,為我方制定作戰預案提供參考依據,做到先發制敵,取得戰場的主動權[1]。

然而,雷達自二戰以來有了很大的發展,尤其是近二十幾年,雷達的功能越來越多樣,體制越來越復雜,配置數量大大增加。當前,各國的雷達工作體制除了繼續使用原有的搜索雷達、圓錐掃描雷達等常規體制外,還不斷使用頻率分集雷達、載頻準正弦捷變雷達、載頻隨機捷變雷達、脈沖重頻調制雷達、正弦波調制雷達、脈沖壓縮雷達及相控陣雷達等特殊工作體制,并且配置數量也越來越多[2]。由于雷達在現代戰爭中的應用日益增多,頻譜迅速擴展,導致電磁信號環境高度密集。

從以上分析得知,利用計算機技術,并結合現代信號處理及各種智能化識別技術,自動、實時地對艦載雷達輻射源進行分類識別成為一項有難度而又十分必要和緊迫的工作。

2 雷達輻射源識別系統

雷達輻射源識別是指通過分析截獲的雷達信號,得到信號中雷達的工作參數和特征參數,然后利用這些參數獲取該雷達的體制、用途和型號等信息,進而掌握其被裝載的軍艦、飛機等平臺的工作狀態、制導方式,了解其戰術運用特點、活動規律和作戰能力。圖1是單信息源雷達輻射源識別示意圖。

圖1 單信息源雷達輻射源識別示意圖

圖1中,首先,在電子偵察設備收到輻射源信號以后進行特征提取,以得到有效的特征向量;其次,利用特征數據庫對提取到的特征向量進行分類識別,得到雷達的型號及類型等信息;最后,通過平臺映射來判斷出雷達所被裝載的平臺。

但在實際情況下,作戰指揮中心往往會收到來自多個不同信息源的多個雷達輻射源目標。可以通過這多個信息源來共同識別判定雷達輻射源,其決策級識別流程如圖2所示。

圖2 多信息源雷達輻射源識別示意圖

在多信息源決策級識別方法中,每個信息源分別完成特征提取和身份判別的變換,獲得獨立的身份估計,通過相關處理后再對不同信息源關于同一雷達輻射源目標的身份屬性進行融合,給出雷達輻射源目標的一個聯合身份說明。

在識別流程中,目標識別算法是雷達輻射源識別的核心。在實際的工程應用中,算法的適應性將直接影響到識別的結果或識別效能。在雷達輻射源識別系統中主要涉及分類識別和身份融合兩種識別算法。

3 分類識別算法

在單信息源雷達輻射源識別中主要用到的是分類識別算法,分類識別是指對表征事物或現象的各種形式(數值、文字或邏輯關系)的信息進行處理和分析,以及對事物或現象進行描述、辨認、分類和解釋的過程。分類識別算法可大致分為如下幾類[3],如圖3所示。

通常使用的分類識別技術主要包括相似系數法、參數模板法、聚類分析法、神經網絡法、物理模型法和基于知識的方法。

相似系數法利用特征向量度量兩個目標的相似程度,其數學模型為[4]:

如果Rxy→1.0,則目標X正確地被識別為目標Y;如果Rxy→0.0,則目標X與目標Y不屬于同一個目標;如果Rxy→0.5,則不進行決策。相似系數法描述了特征向量相對于目標向量的接近程度。盡管其模型比較簡單,但在某些情況下比較實用。

圖3 目標識別方法分類

神經網絡技術[5]是模仿生物神經連接產生特征向量與身份分類之間映射的非線性變換技術。具有代表性的是BP神經網絡,該網絡模型是一種多層感知器模型,包括輸入層、隱含層和輸出層。輸入層通過隱含層映射到輸出層,而映射誤差又從輸出層回送到輸入層,當總的映射誤差趨近于零時,完成映射。BP算法的識別成功率依賴于來自訓練模型的最佳加權矩陣和所使用的訓練數據等因素。其問題是無法預測收斂所需要的迭代步數,一般需要迭代上千次才能收斂。此外,該模型的應用還需對如下幾個方面進行深入研究:網絡模型的選擇、層數和節點數的選擇、導出訓練策略的選擇等。

物理模型法[3]通過一個物理模型直接計算實體的特征信號,但是該方法對實體信號的預測必須基于備選對象的物理表征,而每個對象或對象類型可能需要不同的物理模型。并且物理模型可能很復雜,需要很大的軟件程序,即使物理模型比較簡單或利用預先設定的信號數據,觀測模型及預處理過程也可能很復雜。以上原因限制了物理模型在實時系統中的應用,然而,在非實時系統中,該方法對于研究潛在的物理現象有著十分重要的作用。

基于知識的方法[3]借助規則、符號表達式、框架等表示對象的身份或特征。此種技術通過知識表示和推理模擬人類對事物的認識過程。例如專家系統,它使用知識表示技術和推理技術進行推斷,以獲得所需要的結論。基于知識的方法是一種智能化的識別方法,實現過程比較復雜。

聚類分析法[3]是一種把數據組合為表示對象身份的自然聚類技術。它的基本思想是根據各個待分類的模式特征的相似程度進行分類,相似的歸為一類,不相似的作為另外一類。給出了聚類分析的概念模型,包括兩個基本內容:模式相似性度量和聚類算法。

圖4 聚類分析概念模型

相似性測度的算法主要分為兩種:

距離測度法:歐氏距離、絕對值距離、切氏距離、明氏距離、馬氏距離等。

相似度量法:角度相似系數、相關系數、指數相似系數、格貼近度等。

這些相似性測度算法各具特點,在實際應用中可根據具體問題選定。建立了模式相似性測度之后,兩個模式的相似程度就可以用數值來表征,據此便可以采用相應的聚類算法進行分類和識別。

4 身份融合算法

身份融合是指多個信息源分別進行獨立的身份變換,各自得到獨立的身份信息,然后根據相關信息將可以相關上的目標進行身份的合成,得到一個聯合的身份說明。

在多傳感器系統中,由于傳感器的精度、系統組成的諸多環節、外部環境以及精度等自身條件的影響,導致系統具有不確定性,降低目標識別的準確性,因此我們需要采用身份融合算法,把分布在不同位置的多個傳感器所提供的局部觀察量加以綜合,消除多傳感器之間可能存在的冗余和矛盾,降低其不確定性。

目前身份融合算法主要包括經典推理、Bayes推理與D-S證據理論三種方法。

經典推理方法[3]使用經驗概率模型,用二值假設檢驗的方法,在已知先驗概率的條件下對事件的存在與否進行判別。經典推理的優點是,使用抽樣分布,并且能提供判定誤差概率的一個度量值。但一次僅能估計兩個假設,即假設和與其相對的備擇假設;多變量數據的復雜性提高;需要一個先驗密度函數的有效度,否則不能直接使用先驗估計。

Bayes推理[6]基于Bayes統計理論。它綜合了先驗信息和試驗提供的信息,形成了關于假設的可能性大小的當前認識,這個從先驗信息到后驗信息的轉化過程就是Bayes統計的特征。Beyes統計的基本觀點是把未知參數看作一個有一定概率分布的隨機變量。這個分布總結了在抽樣以前對未知參數的了解,因此稱為先驗分布。Bayes推理在許多領域有廣泛的應用,但在目標識別中直接使用這一公式主要有以下困難:第一,一個證據的概率是在大量的統計數據的基礎上得出的,這使得定義先驗函數非常困難;第二,要求各證據之間是不相容或相互獨立的,當存在多個可能假設和多條件相關事件時,計算復雜性迅速增加;第三,缺乏分配總的不確定性的能力。

D-S證據理論[7]最早是由Dempster提出的,Shafer又對這一理論進行了推廣,使之適用于一般的不確定性水平。在證據理論中,傳感器的信息被認為是關于作業環境或目標的某些描述的證據,這種證據通常是不確定和不完善的,并且有誤差。每個證據包含多個命題,對于每個命題賦予一個置信概率。一個證據集合本身可作為識別框架,也可以認為是一個特別的集合函數。信息融合的基本方法是Dempster組合規則,它可將同一識別框架的兩個不同的證據集合合成為一個新的證據集合,根據這個集合給出目標的唯一身份。

5 結語

本文介紹了雷達輻射源識別的概念、用途以及現在所面臨的挑戰;介紹了單信息源識別流程和多信息源識別流程,說明了兩種流程的差別;最后介紹了雷達輻射源識別中的關鍵部分,即分類識別算法和身份融合算法,并對各算法優缺點進行了分析。

[1]朱英凱.基于模式識別技術的雷達輻射源分類識別方法研究[D].哈爾濱:哈爾濱工程大學,2007

[2]張國柱.雷達輻射源識別技術研究[D].長沙:國防科學技術大學,2005

[3]王小非.C3I系統中的數據融合技術[M].哈爾濱:哈爾濱工程大學出版社,2006

[4]孫即祥.現代模式識別[M].長沙:國防科技大學出版社,2003

[5]唐健仁,朱元清.用神經網絡進行雷達輻射源識別的研究[J].空軍雷達學院學報,2007(1):8～13

[6]郭小賓.基于貝葉斯網絡的目標綜合識別方法研究[D].長沙:國防科學技術大學,2004

[7]蓋明久,關欣,衣曉,時寶.基于條件證據理論的雷達輻射源識別方法[J].西安電子科技大學學報,2006(5):833～837