基于區間改進灰關聯的輻射源識別方法*

劉傳波

(武漢藏龍北路1號　武漢　430205)

LIU Chuanbo

(No.1 Canglong North Road, Wuhan　430205)

?

基于區間改進灰關聯的輻射源識別方法*

劉傳波

(武漢藏龍北路1號武漢430205)

針對輻射源特征參數的不確定性帶來的區間型特征參數的輻射源識別問題，提出了一種新的基于區間改進灰關聯的輻射源識別算法。該算法首先利用區間的偏離度構建灰關聯權系數矩陣，其次通過熵權法計算屬性權重向量，克服了屬性權重的主觀性，最后運用最大決策規則進行決策來實現輻射源識別。仿真實例驗證了該算法的有效性和實用性。

區間偏差； 改進灰關聯； 輻射源識別； 屬性權重

LIU Chuanbo

(No.1 Canglong North Road, Wuhan430205)

Class NumberTN95

1　引言

雷達輻射源型號和工作模式識別是電子偵察情報系統(ELINT)的重要內容[1～2]，它可以通過對所測出的敵方雷達工作參數和特征參數進行分析，獲取敵方雷達的體制、用途和型號等信息，掌握其相關武器系統及其工作狀態、制導方式，了解其戰術運用特點、活動規律和作戰能力，也是高層次上的態勢評估和威脅估計的主要依據。在現代戰爭中，各種復雜體制雷達層出不窮，這就要求電子偵查設備能夠快速地對雷達型號、雷達工作模式進行識別，進而判斷出雷達的威脅等級。

現有的輻射源識別方法包括特征參數匹配法[3]、模糊理論[4～5]、人工智能分析法[6～7]、脈內特征分析法[8]等在雷達輻射源識別中都有比較成功的應用，但這些方法一般都針對標量形式的參數測量值進行處理，在一定程度上解決了由于參數測量誤差所引起的輻射源識別問題，而對于誤差的另一種情形，即測量參數為區間類型模糊值的情況卻是無能為力的。本文針對區間型的特征參數的輻射源識別，提出了一種基于區間改進灰關聯的輻射源識別算法。

2　基于區間灰關聯的輻射源識別方法

2.1識別模型描述

(1)

常見的屬性類型有效益型和成本型，設I1、I2分別表示效益型和成本型的下標集。為了消除不同量綱對決策結果的影響，可采用文獻[9]中的規范方法，即

(2)

(3)

2.2區間偏差度

傳統的灰關聯算法是用絕對差的大小來反映待識別參數與模板參數的偏差程度，但對于區間型的特征參數無法計算其絕對差，因此計算兩個區間之間的偏差度，從而代替絕對差來反映兩個區間的相似程度。

(4)

2.3灰關聯系數計算

由上述算法可以獲取待識別輻射源與輻射源庫中的各輻射源的偏差度矩陣為

(5)

待識別輻射源信息si與特征庫中輻射源U關于屬性pj的區間灰關聯系數為

(6)

其中i=1,2,…,M,j=1,2,…,N，ρ∈[0,1]為分辨系數，一般取0.5。

因此未知輻射源與輻射特征數據庫U的區間灰關聯系數矩陣為

(7)

2.4特征參數權值確定

根據上述參數的灰關聯系數計算其熵值，即：

Sij=-ξijln(ξij)

(8)

式中，Sij為待識別傳感器第j個特征參數相對于輻射特征數據庫第i個輻射源的第j個特征參數的灰關聯系數的熵。則權值可以確定為

(9)

將權值帶入

(10)

得到總的特征參數矩陣ω=[ω1,ω2，…，ωN]T。

2.5灰關聯度計算

由上述得到的灰關聯系數和其對應的權值可以求出待識別輻射源與模板輻射源庫中第i個傳感器的關聯度為

(11)

則總的關聯度矩陣為

G=[g1g2…gM]

(12)

2.6決策規則

根據求得的灰關聯度矩陣，采用以下決策規則進行判決：

設??g1g2?G，滿足：

g1=max{gi,gi?G}

g2=max{gi,gi?G且gi≠g1}

(13)

若有：

g1>ε1

g1-g2>ε2

(14)

則g1為判決結果，ε1ε2為判決門限。

3　識別算法步驟

本文提出的基于區間改進灰關聯的識別算法的具體步驟如下，識別算法具體流程如圖1所示。

圖1　識別算法具體流程圖

3)根據式(4)計算待識別輻射特征參數置信區間與輻射特征庫中特征參數的置信區間的偏差值，得到偏差度矩陣D；

4)根據式(6)計算區間灰關聯系數，得到灰關聯系數矩陣ξ；

5)根據式(10)得到待識別輻射特征與輻射特征數據庫中輻射特征之間關聯度，構造關聯度矩陣G；

6)根據式(12)、(13)判決規則做出判斷。

4　仿真實例

為了驗證本文算法的性能，對輻射源識別進行了仿真。設模板雷達庫中有三個輻射源，采用載頻(RF)、重復頻率(PRI)、脈寬(PW)作為傳感器識別的特征參數，其特征參數如表1所示，輻射源R1的一組探測特征參數數據如表2所示。

表1　數據庫中輻射特征信息

表2 傳感器探測未知目標特征值

本文為成本型的屬性類型，根據表1、2，得到增廣特征指標矩陣：

根據式(2)、式(3)得到規范化的增廣特征指標矩陣為

由式(4)、(5)計算的偏差度矩陣為

由式(6)、(7)可得待識別輻射源與輻射特征數據庫中輻射源的區間灰關聯系數矩陣為

由式(8)～式(10)計算總的特征參數矩陣為

由式(11)、式(12)計算總的關聯度矩陣為

G=[0.9390,0.7113,0.5732]

在此，判決門限ε1=0.7,ε2=0.1。由式(13)、式(14)判別該未知輻射源為輻射源R1，識別結果正確。

仿真過程中對模板庫中的10部雷達進行仿真，生成100個待識別輻射源樣本數據，每部雷達對應10個樣本。待識別輻射源樣本屬性值構造通過隨機取一個模板雷達已知特征參數并加上測量誤差(誤差標準差為相應已知特征參數的3%)組成。將本文的區間灰關聯算法與模糊模式識別方法進行了比較，識別正確率如圖2所示。

從圖2可以看出，本文方法識別正確率在100次實驗中幾乎都大于模糊模式識別方法。

為了進一步驗證本文方法的可信度，在上述條件下進行100次Monte Carlo實驗，得到的識別結果如表3所示。從表3可知，基于區間灰關聯的輻射源識別方法正確率為91.67%，優于模糊模式識別方法。

表3　輻射源識別正確率對比(%)

5　結語

本文針對當前輻射源識別中由特征參數測量的不確定性和輻射源識別庫中輻射源特征參數據的不確定性所帶來的區間型參數識別問題，提出了一種基于區間模型改進灰關聯算法的輻射源識別算法，該算法利用區間數的偏離度構造灰關聯權系數矩陣，然后用熵權法計算屬性權重向量，最后用最大決策規則進行決策。通過仿真實驗，將本文方法與模糊模式識別進行比較，驗證了該識別方法是有效可行的，為解決特征參數是區間值的輻射源識別提供了一種新的方法。

[1] 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，2005:20-22.

[2] 何友，王國宏，彭應寧.多傳感器信息融合及應用[M].北京：電子工業出版社,2000:35-39.

[3] 張多林，潘泉，張洪才.基于理想點貼近度的輻射源威脅綜合評價建模與仿真驗證[J].系統仿真學報,2008,20(14):3896-3898.

[4] Glossas N I, A spragathos N A. Fuzzy logic grasp control using tactile sensors[J].Mechatronics (S0957-4158),2001,11(7):899-820.

[5] 劉建書,李人厚,劉云龍等.基于相關性函數和模糊綜合函數的多傳感器數據融合[J].系統工程與電子技術,2006,28(70):1006-1009.

[6] 孟曉琳,刁鳴,茅玉龍等.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] 寇華,王寶樹.基于遺傳算法的RBF-PLS方法在輻射源識別中的應用[J].電子信息學報,2007,25(9):1031-1034.

[8] 劉慶云,王根弟,朱偉強.雷達輻射源信號特征參量分析[J].航天電子對抗,2008,24(4):21-24.

[9] 徐澤水，達慶利.區間型多屬性決策的一種新方法[J].東南大學學報,2003,339(4):498-501.

[10] Ren M，Duan J，Yang S. Decision Models Evaluation Using Fuzzy Pattern Recognition[C]//Proceedings IEEE International Conference on Grey Systems and Intelligent Services(GSIS 2007), Nanjing, China,2007.

[11] 劉海軍,柳征,姜文利,等.一種基于云模型的輻射源識別方法[J].電子與信息學報,2009,31(9)：2079-2083.

[12] 劉凱,王杰貴,李俊武.基于區間灰關聯的雷達輻射源識別新方法[J].火力與指揮控制,2013,38(7):20-23.

Emitter Recognition Based on Interval Improved Grey Relation*

Aiming at the interval type characteristic parameters radiating source recognition problem brought about by the uncertainty of the radiation source characteristic parameters，an improved grey relational algorithm based on interval model is proposed.Firstly, this method uses the degree of the interval deviation to build gray relation coefficient matrix. Then, the weight vector of the attributes is obtained by entropy weight, avoiding the subjectivity of selecting attribute weight. Lastly, the algorithm of emitter recognition is determined by the maximum rules. The simulated example improves that the method is both effective and practicable.

interval deviation, improved grey relational algorithm, radiating source recognition, attribute weight

2016年2月10日,

2016年3月26日

劉傳波，男，博士，工程師，研究方向：復雜系統分析建模與仿真。

TN95

10.3969/j.issn.1672-9730.2016.08.015