基于熵灰關(guān)聯(lián)算法的雷達對抗情報數(shù)據(jù)融合處理

趙汝鵬，汪洪艷，張國毅，邢敏捷

(1.空軍航空大學(xué)對抗系，吉林 長春 130022；2.中國人民解放軍93175部隊，吉林 長春 130000)

基于熵灰關(guān)聯(lián)算法的雷達對抗情報數(shù)據(jù)融合處理

趙汝鵬1，汪洪艷1，張國毅1，邢敏捷2

(1.空軍航空大學(xué)對抗系，吉林 長春 130022；2.中國人民解放軍93175部隊，吉林 長春 130000)

針對灰關(guān)聯(lián)算法直接應(yīng)用于雷達對抗情報融合時可靠性和準確性不高的問題，提出了基于熵灰關(guān)聯(lián)融合算法的雷達對抗情報融合算法。該算法首先利用融合矩陣對雷達目標間參數(shù)的灰關(guān)聯(lián)度和權(quán)重值進行建模，得出綜合評價值，然后將其與閾值進行比較，最后計算屬于同一雷達對抗情報數(shù)據(jù)的均值，實現(xiàn)雷達對抗情報數(shù)據(jù)的融合。仿真實驗結(jié)果表明了該算法能夠充分利用雷達對抗情報數(shù)據(jù)的有效信息，融合結(jié)果準確可靠，模型泛化能力強。

雷達對抗情報；數(shù)據(jù)融合；灰關(guān)聯(lián)；熵

0 引言

隨著雷達技術(shù)迅速發(fā)展，各種新體制雷達相繼出現(xiàn)，電磁環(huán)境變得更加密集和復(fù)雜。在如此復(fù)雜的電磁環(huán)境中進行雷達對抗情報偵察，雷達目標發(fā)射的某一信號就有可能被對方多個偵察設(shè)備偵收并將其上報，無形中給情報數(shù)據(jù)庫中增加了很多重復(fù)信號數(shù)據(jù)，極大消耗了系統(tǒng)資源和影響進一步融合處理的高效性和準確性。而融合一般包括數(shù)據(jù)級融合、特征級融合和決策級融合[1-3]。對雷達對抗情報數(shù)據(jù)融合處理主要是根據(jù)雷達對抗情報的各參數(shù)實現(xiàn)數(shù)據(jù)的有效融合，其特點是盡可能多地保留情報本身的現(xiàn)場信息，同時使雷達情報數(shù)據(jù)庫變得簡潔有效。

雷達對抗情報數(shù)據(jù)融合中常用的算法有聚類分析算法、粗糙集算法和灰關(guān)聯(lián)算法等。聚類算法是一種硬劃分，這種劃分的界限是分明的，它把待辨識的對象嚴格地劃分到某類中，具有“非此即彼”的性質(zhì)[4]。面對數(shù)據(jù)量大和充滿不確定性的情報數(shù)據(jù)時，聚類算法已不能滿足要求；粗糙集算法是利用粗糙集的分類功能，從不同參數(shù)的相關(guān)性出發(fā)對情報數(shù)據(jù)大量記錄和考察,從而找出問題的規(guī)律，但對于多參數(shù)、變化快的雷達情報對象來說缺乏靈活性[5]；灰關(guān)聯(lián)算法通過計算參數(shù)間的灰關(guān)聯(lián)度實現(xiàn)情報數(shù)據(jù)間和內(nèi)在關(guān)系挖掘量化，能較好滿足對數(shù)據(jù)量大、變化靈活的情報數(shù)據(jù)融合的要求[6]。但灰關(guān)聯(lián)度能描述雷達對抗情報各對象間關(guān)系的強弱、大小和次序，卻不能反映各參數(shù)的重要性差異，即各參數(shù)對數(shù)據(jù)融合貢獻的大小，這會影響數(shù)據(jù)融合結(jié)果的可靠性和準確率。

針對直接使用灰關(guān)聯(lián)算法進行融合處理會影響融合結(jié)果的問題，本文提出了熵灰關(guān)聯(lián)算法。熵灰關(guān)聯(lián)算法中的熵主要是對情報數(shù)據(jù)各參數(shù)充分考慮的體現(xiàn)，客觀反映了各參數(shù)的變異程度及其重要性，并且熵值的有效性和唯一性得到了理論驗證[7]。熵灰關(guān)聯(lián)算法是在灰關(guān)聯(lián)算法的基礎(chǔ)上引入?yún)?shù)熵值，然后與各參數(shù)的關(guān)聯(lián)度結(jié)合得出客觀的綜合決策值再進行融合處理。實驗仿真證明熵灰關(guān)聯(lián)算法適合于多參數(shù)分析，實驗結(jié)果可靠準確。

1 基本原理

1.1 灰色關(guān)聯(lián)度模型

灰色關(guān)聯(lián)度的建立考慮了各個雷達對抗情報參數(shù)的不確定性對融合處理的影響，并且充分利用了雷達對抗情報數(shù)據(jù)，使各信號間的關(guān)聯(lián)度得到量化，情報對象間的關(guān)系變得更加清晰。

1)建立融合矩陣。設(shè)參與融合的雷達對抗情報對象有m個，參與融合決策的參數(shù)有n個，用xij表示第i個融合對象的第j個參數(shù)的指標值，則產(chǎn)生融合矩陣為X=(xij)m×n。

2)對融合矩陣進行標準化處理。由于融合矩陣中的參數(shù)來自于不同的偵察單位或不同的偵察設(shè)備，這導(dǎo)致各參數(shù)的量綱有所不同，給融合處理結(jié)果帶來影響。因此需對融合矩陣進行標準化處理。

將融合矩陣X=(xij)m×n進行標準化：

(i=1,2,···,m;j=1,2,···,n)

(1)

(i=1,2,···,m;j=1,2,···,n)

(2)

1.2 熵權(quán)模型的定義

在雷達對抗情報融合處理中，為保持各參數(shù)對其影響穩(wěn)定有效，且又能充分體現(xiàn)各參數(shù)對融合貢獻的大小，引入熵的概念。以此確定各參數(shù)關(guān)聯(lián)系數(shù)的權(quán)重wj，使灰關(guān)聯(lián)分析算法得到進一步改善。

1)標準化處理：對融合矩陣Xij進行標準化處理：

(3)

式中，x″ij(0≤x″ij≤1)為第i個雷達信號在第j個參數(shù)的標準化值，形成標準化的融合矩陣為X″=(x″)m×n。

2)計算雷達對抗情報的第j個參數(shù)的熵值sj

(4)

該熵值是一種非概率熵，熵值的灰性由序列的灰性決定。如果該參數(shù)的變異程度越大，則該參數(shù)熵值越小，表明該參數(shù)反映的信息量越大，所需的權(quán)重越大。因此可以利用該參數(shù)熵值計算各參數(shù)的權(quán)重。定義各參數(shù)的差異系數(shù)為dj：

dj=1-sj

(5)

dj越大，則表示該參數(shù)提供的信息量越大，所以所占的權(quán)重也越大。

3)確定各參數(shù)的熵權(quán)值：

(6)

式中wj表示差異系數(shù)歸一化后的第j個參數(shù)的權(quán)重。

2 算法實現(xiàn)

熵灰關(guān)聯(lián)算法根據(jù)由雷達對抗情報間的灰關(guān)聯(lián)度和熵值得到的綜合灰關(guān)聯(lián)度對雷達對抗情報進行融合處理，具體算法步驟如下：

1)建立融合矩陣并計算相應(yīng)的雷達情報參數(shù)權(quán)重wj和灰關(guān)聯(lián)度ri(j)。

2)計算綜合評價值。熵權(quán)優(yōu)化后的綜合評價值為：

(i=1,2,···,m;j=1,2,···,n)

(7)

Gi值越大，說明關(guān)聯(lián)度越高，依據(jù)Gi值對雷達對抗情報數(shù)據(jù)庫進行融合決策。

3)進行融合決策。設(shè)置相應(yīng)的閾值λ，將綜合評價值和閾值λ進行比較：

(8)

當Gi大于等于閾值時，則判定與需要融合的雷達為等價類，否則為不等價類。將等價類提取出來，對于固定參數(shù)進行相加取均值來更新參數(shù)值；對于多值參數(shù)進行補充添加來完善參數(shù)值。

基于熵灰關(guān)聯(lián)算法的雷達對抗情報數(shù)據(jù)融合處理步驟框圖如圖1所示。

3 仿真分析

3.1 對熵灰關(guān)聯(lián)算法仿真分析

雷達對抗情報數(shù)據(jù)庫里面的數(shù)據(jù)都是由各單位偵察處理后上報匯集的，但由于庫里面數(shù)據(jù)過多，不同偵察設(shè)備或相同偵察設(shè)備檢測到的相同雷達沒有得到融合，浪費數(shù)據(jù)庫的空間，影響指揮員的決策。實驗選取表征雷達特征的4個參數(shù):RF(載頻)，PW(脈寬)，PRI(脈沖重復(fù)周期)，DOA(到達角)。DOA為已經(jīng)過相應(yīng)運算處理得到的在同一坐標系上的參數(shù)值[10]。則第i個雷達對抗情報數(shù)據(jù)為xi=(RFi,PRIi,PWi,DOAi)。采用Matlab仿真編程進行實驗分析。首先對熵灰關(guān)聯(lián)雷達融合算法的正確率進行反向檢驗。通過人工挑選在數(shù)據(jù)庫中任意挑選出5種雷達參數(shù)共20組數(shù)據(jù)，如表1所示。

1)根據(jù)表1建立融合矩陣X，通過Matlab編程得出標準化融合矩陣，分別選取第1、第2、第3、第4和第5個雷達對抗情報數(shù)據(jù)為融合對象：

xA=x1=(3772.51，190.400，10.225，220.991)

xB=x2=(3323.39，161.200，6.637，125.993)

xC=x3=(3772.51，190.400，10.225，220.991)

xD=x4=(6387.25，358.725，6.537，81.760)

xE=x5=(3479.68，180.125，8.530，107.230)

求出與需要融合的5種雷達對抗情報數(shù)據(jù)的灰關(guān)聯(lián)度。

2)計算各參數(shù)間的權(quán)重值。根據(jù)1.2節(jié)對融合矩陣處理求出各參數(shù)權(quán)重w=(0.2526，0.2492，0.2475，0.2508)，可以看出所參與融合的雷達對抗情報對象各參數(shù)對融合決策的貢獻都在0.25左右。

表1 雷達對抗情報數(shù)據(jù)融合矩陣

3)經(jīng)熵灰關(guān)聯(lián)算法處理后的雷達對抗情報各對象的綜合評價值如表2所示，從表2中大體能看出它們各自的相似程度，盡管還沒有將它們?nèi)诤显谝黄穑珜ζ溥M行統(tǒng)計，運用熵灰關(guān)聯(lián)算法進行融合決策，20組的雷達對抗情報數(shù)據(jù)的識別結(jié)果與實際一樣。不足之處是當融合對象數(shù)據(jù)比較接近時，該算法對其進行決策時難度加大，對于閾值選取的要求高。依序設(shè)置閾值分別為0.82，0.95，0.96，0.97，0.94，將綜合評價值與閾值進行比較，然后將屬于同一等價類的提取出來。最后對各等價類的數(shù)據(jù)進行均值處理，完成參數(shù)更新，結(jié)果如表3所示。

再通過觀察表3中的結(jié)果，與融合前的情報數(shù)據(jù)庫比較，可以看出通過融合后的雷達情報數(shù)據(jù)庫比之前的更加完善，信息更加簡潔充分，幾乎保留了原有信息。說明模型泛化能力強、可靠性高。

3.2 與直接運用灰關(guān)聯(lián)算法的仿真比較

對表1直接采用各參數(shù)的灰關(guān)聯(lián)度進行簡單的加和求均值，然后以此為綜合依據(jù)對雷達對抗情報數(shù)據(jù)進行融合處理，其結(jié)果如表4所示。

從表4可以看出直接運用灰關(guān)聯(lián)度進行簡單的加權(quán)求均值，對于同一融合矩陣其結(jié)果較差，將序號10的工作樣式1融合到了工作樣式5中。由此可以看出在灰關(guān)聯(lián)算法的基礎(chǔ)上引入熵權(quán)值，明確各參數(shù)對融合決策的重要性，使融合結(jié)果的準確性明顯得到提高。

表2 雷達對抗情報融合的綜合評價值

表3 融合的結(jié)果

表4 直接運用灰關(guān)聯(lián)算法的融合結(jié)果

3.3 利用蒙特卡羅分析方法進行實驗

使用蒙特卡羅分析方法進行100次實驗仿真，將基于熵權(quán)灰關(guān)聯(lián)算法融合結(jié)果和直接使用灰關(guān)聯(lián)算法的實驗結(jié)果進行比較，進一步分析它們的準確性和可靠性。其每次實驗結(jié)果的正確率為：

ρ=m/N

(9)

式中，m為正確融合的雷達對抗情報對象的個數(shù)，N為參加融合全部樣本數(shù)。則實驗結(jié)果如圖2所示。

由圖2可以得出，基于熵灰關(guān)聯(lián)算法的雷達對抗情報融合處理的準確率基本維持在0.98，達到了實驗的預(yù)期效果，而直接利用關(guān)聯(lián)法對雷達進行融合，其準確率處于0.87左右，其融合效果也較好。但總體來講，直接使用灰關(guān)聯(lián)算法的正確率曲線與熵灰關(guān)聯(lián)算法的曲線相比波動幅度較大，說明熵值的引入有利于提高融合結(jié)果的穩(wěn)定性，且熵灰關(guān)聯(lián)算法的融合結(jié)果正確率總體上高于直接使用灰關(guān)聯(lián)算法，體現(xiàn)了熵灰關(guān)聯(lián)算法的優(yōu)越性。

4 結(jié)束語

在復(fù)雜多變的電磁環(huán)境，如何運用算法更好地實現(xiàn)雷達對抗情報數(shù)據(jù)的有效融合已成為能否進一步有效融合處理的關(guān)鍵。單一使用灰關(guān)聯(lián)度對數(shù)據(jù)進行融合處理，其結(jié)果準確率和可靠性不夠高。本文在灰關(guān)聯(lián)度的基礎(chǔ)上加入了熵權(quán)值，形成綜合評價值，為融合決策提供了更加客觀的依據(jù)。經(jīng)過實驗仿真驗證，其準確率和可靠性均高于直接使用灰關(guān)聯(lián)算法進行融合處理，表明基于熵灰關(guān)聯(lián)算法的雷達對抗情報數(shù)據(jù)融合處理的結(jié)果準確可靠，為進一步融合處理打下了基礎(chǔ)，在雷達對抗情報分析中有一定應(yīng)用價值。■

[1] 韓增奇, 于俊杰, 李寧霞，等. 信息融合技術(shù)綜述[J]. 情報雜志, 2010, 29(05): 110-114.

[2] 葛紅, 田聯(lián)房. 信息融合技術(shù)在模式識別中的運用[J]. 計算機運用研究, 2009, 26(1): 20-24.

[3] 沈陽, 陳永光, 李修和. 雷達輻射源識別的多元信息融合算法研究[J]. 電子與信息學(xué)報, 2007, 29(10): 2229-2332.

[4] 張紅云,等. 數(shù)據(jù)挖掘中聚類算法的比較研究[J]. 計算機運用與軟件， 2003,2.

[5] Borkowski M, Peters JF. Approximating Sensor Signals: A rough set approach [C]∥ Procceding of the 2002 Candian Conference on Electrical & Computer Engineering, 2002: 980-985.

[6] Daisuke Y, Li GD, kozo M. On the generaliazation of grey relational analysis [J]. Journal of Grey System, 2006, 9(1): 23-24.

[7] 王正新, 黨耀國, 曹明霞. 基于灰熵優(yōu)化的加權(quán)灰色關(guān)聯(lián)度[J]. 系統(tǒng)工程與電子技術(shù), 2010, 32(4): 774-776.[8] 劉泉, 呂鋒, 劉翔. 灰色趨勢關(guān)聯(lián)分析及其應(yīng)用[J]. 系統(tǒng)工程理論與實踐, 2001, 21(7): 77-80.

[9] 張留山, 劉煒. 灰關(guān)聯(lián)分析法在數(shù)據(jù)融合中的應(yīng)用[J]. 船舶電子對抗, 2000(4): 26-28.

[10] 梁百川. 情報偵察數(shù)據(jù)融合技術(shù)的幾個問題[J]. 上海航天, 2000(2): 34-39.

Data fusion for radar countermeasures intelligence based on entropy coefficient gray correlation analysis

Zhao Rupeng1, Wang Hongyan1, Zhang Guoyi1, Xing Minjie2

(1.Department of Information Countermeasures, Aviation University of Air Force, Changchun 130022, Jilin, China; 2.Unit 93175 of PLA ,Changchun 130000, Jilin, China)

With the problem of reliability and the accuracy is not high while gray relational algorithm directly applied in radar countermeasures intelligence fusion, an algorithm which based on entropy coefficient gray correlation is presented. The algorithm firstly uses matrix of the radar target parameter to model the gray correlation degree and weight values, and the comprehensive evaluation value is concluded, and then it is compared with the threshold. Finally, the algorithm calculates the average belongs to the same radar counter intelligence data and realize the fusion. The simulation experimental results show that the algorithm can make full use of radar counter intelligence data information effectively, the fusion results are accurate and reliable, and the model generalization ability is strong.

radar countermeasures intelligence; data fusion; gray correlation; entropy

2016-11-09；2017-01-25修回。

趙汝鵬(1993-)，男，碩士研究生，主要研究方向為通信與信息系統(tǒng)。

TJ76;TN972

A