一種輻射源快速識別新方法

劉志鵬，趙立新，張國毅

(空軍航空大學(xué)，吉林 長春 130022)

一種輻射源快速識別新方法

劉志鵬，趙立新，張國毅

(空軍航空大學(xué)，吉林 長春 130022)

針對現(xiàn)有輻射源識別方法不能識別參數(shù)交疊的雷達(dá)信號以及BP神經(jīng)網(wǎng)絡(luò)迭代速度慢、識別效率低的缺點(diǎn)，設(shè)計(jì)出一種采用改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)快速識別方法。該方法構(gòu)造的特征兼具單個(gè)脈沖參數(shù)統(tǒng)計(jì)特性和雷達(dá)參數(shù)變化整體特性兩個(gè)層面的信息，進(jìn)而可以對參數(shù)交疊的雷達(dá)信號進(jìn)行有效識別。同時(shí)，該方法還對概率神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，使之具備識別出未知雷達(dá)信號的能力。仿真實(shí)驗(yàn)表明，此方法在顯著提高了識別率的同時(shí)，還具有良好的抗噪性和魯棒性。

雷達(dá)；輻射源識別；概率神經(jīng)網(wǎng)絡(luò)；特征提取；識別率

0 引言

雷達(dá)輻射源識別是指雷達(dá)偵察設(shè)備完成脈沖串分選后，利用批信號的參數(shù)(載頻、重頻、脈寬等)判斷出雷達(dá)的型號、工作狀態(tài)，進(jìn)而得到雷達(dá)的平臺屬性、體制、用途等信息，為己方掌握敵方的動態(tài)、目的提供重要依據(jù)。隨著雷達(dá)技術(shù)的進(jìn)步，現(xiàn)代雷達(dá)偵察環(huán)境日趨復(fù)雜，主要表現(xiàn)為輻射源信號和雷達(dá)體制多種多樣，信號參數(shù)在空間域和頻率域的分布范圍和交疊程度大大增加，這對電子情報(bào)偵察(ELINT)系統(tǒng)的信號分選和輻射源識別能力提出更高的要求。針對現(xiàn)有輻射源識別方法已不能適應(yīng)日益復(fù)雜的偵察環(huán)境，本文提出一種新的雷達(dá)輻射源識別方法,即采用改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的快速識別方法，在顯著提高了識別率和識別速度的同時(shí)，還具有良好的抗噪性和魯棒性。

1 現(xiàn)有輻射源識別方法及不足

目前常見的輻射源識別方法主要有特征參數(shù)匹配法、脈沖樣本圖識別法以及人工智能識別方法[1]。

特征參數(shù)匹配法將接收到的批信號參數(shù)與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行查詢比較，計(jì)算二者匹配程度，選擇相似度最大的模板作為識別結(jié)果[2-3]。該方法優(yōu)點(diǎn)是速度快，然而對先驗(yàn)知識依賴較強(qiáng)，當(dāng)雷達(dá)信號參數(shù)域發(fā)生交疊時(shí)，分選正確率下降嚴(yán)重。

脈沖樣本圖識別法[4-5]利用已知脈沖串特征參數(shù)向量作為模板(即脈沖樣本圖)，與待識別脈沖串進(jìn)行匹配，根據(jù)每個(gè)脈沖串對應(yīng)樣本圖的隸屬度做出決策，得到輻射源的識別結(jié)果。該方法對分選結(jié)果的依賴程度低，但運(yùn)算量大，需要構(gòu)造的樣本復(fù)雜，不適用于脈沖密集的偵察環(huán)境。

文獻(xiàn)[6]的方法利用神經(jīng)網(wǎng)絡(luò)作為分類器，具有非線性識別能力，靈活程度高，特別是對參數(shù)不全、參數(shù)畸變及許多新體制和新用途的雷達(dá)具有良好的識別能力。然而存在網(wǎng)絡(luò)結(jié)構(gòu)難以確定，陷入局部極值，造成最終的分類結(jié)果達(dá)不到理想的分類狀態(tài)的缺點(diǎn)。

本文提出一種輻射源快速識別方法，通過引入新的輻射源分類特征，并利用改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)作為分類器，可對參數(shù)域交疊的雷達(dá)做出有效識別，且運(yùn)算量小，滿足實(shí)時(shí)性要求。實(shí)驗(yàn)表明，該方法具有較高的識別準(zhǔn)確率的同時(shí)，還具有良好的抗噪性。

2 快速識別方法設(shè)計(jì)

2.1 特征參數(shù)選取方法

特征選取要盡量使不同的類之間有足夠的區(qū)分度，即不同的類差別足夠大，可以把他們分開。同時(shí)，屬于同一類的元素的特征要十分接近，不至于把他們分到其他類中去。因此，特征選取的好壞決定了分類結(jié)果是否理想。

已有的特征提取思路可分兩類：一類是基于單個(gè)脈沖參數(shù)層面的。這種方法利用脈沖的統(tǒng)計(jì)參數(shù)，如選取脈沖的載頻、脈寬等參數(shù)作為識別特征。其只能得到單個(gè)脈沖的特征信息，無法反映雷達(dá)信號的總體特征和時(shí)序特征，無法對參數(shù)交疊的信號進(jìn)行有效識別，導(dǎo)致識別復(fù)雜體制的雷達(dá)時(shí)正確率較低。另一類特征提取思路是基于脈沖序列層面的，如匹配模板法，脈沖樣本圖法等。此類方法所選取的特征雖能體現(xiàn)出雷達(dá)信號參數(shù)的時(shí)序信息，但隨著雷達(dá)數(shù)目的增多和參數(shù)變化越來越復(fù)雜，所需的模板序列數(shù)目急劇增加，因而對數(shù)據(jù)庫要求增高；且由于采用了逐個(gè)脈沖比對進(jìn)行配對的識別方法，識別的速度和效率也相對較低。

本文針對以上兩種特征提取思路的不足，為了能對參數(shù)復(fù)雜變化的信號進(jìn)行有效識別，提出一種同時(shí)包含兩個(gè)層面信息的識別特征，用如下方法構(gòu)造樣本集，即把對脈沖參數(shù)的描述也作為一特征量，其形式如下：

(1)

Xp=[xp1,xp2,…,xpm]

(2)

Dp=[dp1,dp2,…,dpm]

(3)

由于描述是定性的，而神經(jīng)網(wǎng)絡(luò)只能處理數(shù)量值，因此需把Dp用數(shù)量進(jìn)行表述。這里利用模糊數(shù)學(xué)的思想，把描述的論域映射到數(shù)軸，即把屬于同一參數(shù)的各描述語言按彼此間相似程度依次映射到區(qū)間[-1,+1]中。將載頻(RF)變化類型的描述語言：固定、分集、組變、跳變、捷變等映射到數(shù)軸上，如圖1所示。

圖1 載頻(RF)變化類型映射值

即描述詞“頻率固定”對應(yīng)的數(shù)值為-1，“頻率捷變”對應(yīng)的數(shù)值為1；按照變化規(guī)律的遞進(jìn)，“頻率分集、組變和跳變”的對應(yīng)值分別為-0.5、0和0.5。

因此，對于兩個(gè)載頻分別為1000～1200 MHz捷變和1170 MHz固定的兩部雷達(dá)，由于其參數(shù)出現(xiàn)交疊，在頻率參數(shù)上無法對其進(jìn)行區(qū)分，而引入描述量后，由于其值分別對應(yīng)于-1和1，創(chuàng)造了這兩個(gè)參數(shù)可區(qū)分的條件。

本文選取載頻、脈寬、重頻間隔三個(gè)脈沖參數(shù)作為脈沖特征參數(shù)Xp，即Xp=(RFq,PWq,PRIq)，RFq、PWq、PRIq為各個(gè)參數(shù)的可能取值，并作歸一化。針對載頻、脈寬、重頻間隔這三個(gè)參數(shù)的可能變化樣式，描述語言及其映射的數(shù)值如表1所示。

表1 參數(shù)映射值

2.2 分類器設(shè)計(jì)

2.2.1 分類器選擇

本文選擇徑向基概率神經(jīng)網(wǎng)絡(luò)(PNN)作為分類器，PNN以指數(shù)函數(shù)作為激活函數(shù)進(jìn)而構(gòu)造出能夠計(jì)算非線性判別邊界的神經(jīng)網(wǎng)絡(luò)，其判別邊界接近于貝葉斯最佳判定面，具有把任何輸出模式映射到不同類別的能力。PNN網(wǎng)絡(luò)可看成是貝葉斯分類器，滿足最大后驗(yàn)概率條件；網(wǎng)絡(luò)的訓(xùn)練只需一次完成，速度遠(yuǎn)優(yōu)于BP網(wǎng)絡(luò)等其他網(wǎng)絡(luò)。

PNN的網(wǎng)絡(luò)結(jié)構(gòu)是由輸入層、模式層、加和層和輸出層所組成的一個(gè)四層神經(jīng)網(wǎng)絡(luò)，如圖2所示。其中，模式層的神經(jīng)元計(jì)算輸入變量的徑向基函數(shù)，加和層為權(quán)系數(shù)矩陣，輸出層為單輸出競爭函數(shù)，對應(yīng)分類類別。

圖2 PNN網(wǎng)絡(luò)結(jié)構(gòu)

fA(x) =(2π)-P/2σ-Pm·

(4)

式中，i為模式序號，m為類別模式總數(shù)，xAi為類別θA的第i個(gè)樣本，σ為平滑系數(shù)，P是度量空間維數(shù)。數(shù)學(xué)上已證明式(4)可以近似任意平滑密度函數(shù)，只要用于觀測的訓(xùn)練樣本足夠多，PNN網(wǎng)絡(luò)即可由此構(gòu)建。

對于平滑因子σ，不同的取值對樣本估計(jì)的PDF平滑效果的影響不同。σ越大，PDF越平滑，PNN的識別靈敏度越差；σ越小，識別的靈敏度越高，但σ取值過小則PNN的識別域不能將整個(gè)待識別域有效覆蓋。

通過實(shí)驗(yàn)，可以驗(yàn)證當(dāng)樣本的特征值在區(qū)間[-1,1]時(shí)，取σ=0.7071，使2σ2=1，就能在保證靈敏度的情況下實(shí)現(xiàn)對待識別區(qū)域的有效覆蓋。

2.2.2 訓(xùn)練樣本集的建立

對于信號參數(shù)變化為區(qū)間的情形(如參數(shù)捷變，設(shè)備誤差造成測量值抖動等)，在這種情況下，在區(qū)間內(nèi)等間隔選取n個(gè)參數(shù)的數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)。

如果信號參數(shù)變化值是序列形式的，如頻率組變、重頻參差等，這種情況下取遍所有可能值。

2.2.3 測試樣本集的建立

測試集為PNN網(wǎng)絡(luò)對待識別雷達(dá)信號進(jìn)行識別的輸入，測試集的數(shù)據(jù)需要有與訓(xùn)練樣本數(shù)據(jù)有相同的格式，因此需要對待識別的信號參數(shù)變化類型進(jìn)行判斷。

2.3 對未知雷達(dá)的識別

PNN網(wǎng)絡(luò)的缺點(diǎn)之一就是無法對未知類型的信號進(jìn)行正確識別。當(dāng)測試樣本中出現(xiàn)不屬于任何已知雷達(dá)的信號時(shí)，PNN會將其劃分到與之最相似的已知雷達(dá)的類別中去，這樣就會產(chǎn)生嚴(yán)重的錯(cuò)誤。

因此，本文設(shè)定門限t，當(dāng)競爭獲勝的神經(jīng)元對應(yīng)的輸入值n2小于門限t時(shí)，則判為未知雷達(dá)；若大于t，則判為已知雷達(dá)。即若fA(x)>t，d(θ=θA)；若fA(x)

在數(shù)學(xué)上可以證明，當(dāng)t=hufu(x)/hA時(shí)，為最佳貝葉斯判決門限。hu為未知雷達(dá)的出現(xiàn)的先驗(yàn)概率，hA為已知雷達(dá)現(xiàn)的先驗(yàn)概率，fu(x)為未知雷達(dá)的概率密度函數(shù)。

2.4 識別流程

本文提出的輻射源快速識別算法流程如圖3所示。

圖3 算法識別流程

3 仿真實(shí)驗(yàn)

本文的仿真環(huán)境：Windows 7，Intel CPU Q8200，1GB內(nèi)存，編程工具為MATLAB 2010b 。

實(shí)驗(yàn)一：驗(yàn)證PNN網(wǎng)絡(luò)算法的有效性。首先建立一個(gè)已知雷達(dá)庫，包含7部雷達(dá)13種工作模式，如表2所示。

表2 實(shí)驗(yàn)數(shù)據(jù)

利用表2中的數(shù)據(jù)按2.1的方法構(gòu)造出了含有70個(gè)樣本的訓(xùn)練樣本集，對PNN網(wǎng)絡(luò)進(jìn)行初始化和訓(xùn)練。

然后從這13個(gè)序列中每個(gè)抽取10個(gè)信號作為測試數(shù)據(jù)，由于BP網(wǎng)絡(luò)是目前應(yīng)用比較多的神經(jīng)網(wǎng)絡(luò)，因此本文分別利用PNN和BP網(wǎng)絡(luò)進(jìn)行識別，對結(jié)果進(jìn)行對比，其中BP網(wǎng)絡(luò)的訓(xùn)練次數(shù)為50次。100次蒙特卡洛實(shí)驗(yàn)所得統(tǒng)計(jì)平均，得出兩種網(wǎng)絡(luò)在不同信噪比的識別結(jié)果，如圖4所示，其中縱軸是誤識別率。

圖4 兩種分類器誤識別率對比

從圖4中可以看出，該算法對輻射源的識別具有較高的正確率。隨著信噪比的降低，識別正確率略有下降，但仍能保持較高的識別正確率。

實(shí)驗(yàn)二：仍選取實(shí)驗(yàn)一中的數(shù)據(jù)，新的特征提取方法與傳統(tǒng)三參數(shù)特征在不同信噪比下應(yīng)用PNN網(wǎng)絡(luò)識別的效果對比，如圖5所示。

可以看出，采用新的特征方式進(jìn)行識別的正確率遠(yuǎn)遠(yuǎn)高于三參數(shù)方法識別的正確率。

實(shí)驗(yàn)三：采用實(shí)驗(yàn)一中的數(shù)據(jù)，提取本文所選取的特征，在信噪比為0的條件下，達(dá)到相同識別正確率(99.8%)時(shí)，利用PNN的方法與BP神經(jīng)網(wǎng)絡(luò)方法的耗時(shí)對比，如圖6所示。由此可見，使用PNN作為分

圖5 兩種特征參數(shù)的識別效果對比

類器的效率遠(yuǎn)遠(yuǎn)高于BP網(wǎng)絡(luò)的分類器。

4 結(jié)束語

本文采用改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的快速識別方法，可以對參數(shù)交疊的雷達(dá)信號進(jìn)行有效識別。同時(shí)，該方法還具備識別出未知雷達(dá)信號的能力。此外，本文設(shè)計(jì)的輻射源識別方法在顯著提高了識別率的同時(shí)，還具有良好的抗噪性和魯棒性。■

[1] 許宏泉,劉庚. 雷達(dá)輻射源識別技術(shù)綜述[J]. 艦船電子工程, 2010,30(4):25-27.

[2] 丁軍,劉志成. 基于特征參數(shù)的雷達(dá)輻射源識別方法研究[J]. 現(xiàn)代雷達(dá),2011(9)：29-33.

[3] 關(guān)欣, 孫貴東, 郭強(qiáng), 等. 基于區(qū)間數(shù)和證據(jù)理論的雷達(dá)輻射源參數(shù)識別[J]. 系統(tǒng)工程與電子技術(shù), 2014,36(7):1269-1274.

[4] 王遵祿,陳婷,羅景青. 基于脈沖樣本圖的雷達(dá)輻射源識別方法[J]. 雷達(dá)科學(xué)與技術(shù),2009(4):284-288.[5] 曠平昌,王杰貴,羅景青. 基于脈沖樣本圖和Vague集的雷達(dá)輻射源識別[J].宇航學(xué)報(bào),2011,32(7):1639-1644.[6] 高學(xué)星,孫華剛,侯保林.使用不同置信級訓(xùn)練樣本的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J]. 電子與信息學(xué)報(bào),2013,36(6):1307-1311.

A novel quick emitter recognition method

Liu Zhipeng, Zhao Lixin, Zhang Guoyi

(Aviation University of Air Force,Changchun 130022,Jilin,China)

In view of the existing emitter identification method can not identify radar signals of parameters overlapping and BP neural network has the shortcomings of low efficiency of recognition. A real-time fast identification method with the improved probabilistic neural network is designed. The structural characteristics of this method have two levels of information of both the statistical properties and overall features of the radar signals, and thus can effectively identify the radar signals with overlapping parameters. At the same time, the method of probabilistic neural network was improved, make it have the ability to identify the unknown radar signal. Simulation results show that the design method of emitter recognition in significantly improved the recognition rate at the same time also has good noise resistance and robustness.

radar;emitter identification;probabilistic neural network;feature extraction; identification rate

2014-11-19；2015-01-09修回。

劉志鵬(1990-)，男，碩士研究生，主要研究方向?yàn)槔走_(dá)信號分選與識別。

TN971

A