雷達偵察裝備仿真試驗輻射源綜合識別技術應用研究

樊 鴻張 靖

（1.91404部隊 秦皇島 066000）（2.91366部隊 秦皇島 066000）

1 引言

隨著信息技術的發展，大量新型信息裝備將應用于現代化戰場，雷達偵察裝備面臨的信號環境將越來越復雜、密集、多變，在復雜電磁信號環境條件下快速、準確地獲取各種威脅信號參數已經成為對各型雷達偵察裝備的基本要求和重要指標［1］。

雷達偵察裝備識別輻射源的基本原理是指通過分析所截獲的雷達信號，獲取信號中雷達的工作參數和特征參數，據此確定雷達輻射源的具體型號、體制、用途、威脅等級、搭載平臺等，為作戰過程中指揮決策提供情報支持［2］。行測試和檢驗的重要手段，仿真試驗系統一般包括微波暗室、雷達環境信號仿真器、轉臺、試驗數據處理設備組成，系統工作示意圖如圖1所示。

圖1 雷達對抗裝備仿真試驗工作示意圖

2 雷達偵察裝備仿真試驗簡介

雷達偵察裝備仿真試驗是對雷達偵察裝備進仿真試驗基本流程是雷達環境信號仿真器在微波暗室內按照裝備性能和劇情想定，設定產生大批量不同參數特征和工作體制的雷達輻射源，雷達偵察裝備偵收處理，同時試驗數據處理設備記錄比對偵收的輻射源數據與雷達信號仿真發射器設置數據，建立兩個集合中每批輻射源的對應關系，在此基礎上對數據進行處理和分析，最后得出試驗結論。可以看出，其中比對數據就是雷達輻射源識別。試驗數據處理使用輻射源識別技術從工作方式上接近于數據庫識別方法，可以將雷達信號仿真發射器設置的輻射源數據作為識別需要的數據庫，根據這一數據庫對雷達偵察裝備偵收的輻射源數據進行識別處理。

3 雷達偵察裝備仿真試驗目標識別特點及需求

由于雷達偵察裝備仿真試驗在微波暗室環境中進行，而微波暗室是通過對來波盡可能多地吸收以提供一個能夠抑制內部電磁多路徑反射干擾、屏蔽外界電磁干擾的相對寂靜的電磁測量環境［3］，與裝備實際作戰相比，裝備仿真試驗中目標識別存在以下的應用特點［4］：

1）微波暗室是一個純凈的電磁空間，不存在由仿真器以外設備發射的冗余信號；

2）微波暗室內的雷達信號由仿真器的輻射天線發出，且輻射天線個數有限且方位固定，因此偵察設備接收到的雷達信號方位到達角成為重要的識別參數；

3）雷達環境信號仿真器產生的雷達信號，其特征參數完全受試驗操作人員控制，最終形成的雷達識別庫數據準確、完整；

4）為更好地測試裝備性能，試驗時會設置較為復雜的信號環境，試驗中產生的仿真雷達信號數據遠大于裝備實際工作時面臨的電磁環境，仿真產生的雷達體制也比較復雜；

5）雷達環境信號仿真器產生的雷達信號，受仿真器硬件條件及暗室空間大小的限制，同時需要兼顧考慮雷達偵察設備的分選準則，試驗所設置的雷達信號特征參數分布遵循一定的規則。

在實際的仿真試驗過程中，對于數據處理及其中的輻射源識別，還有實際應用需求：

1）為滿足試驗實時分析、實時決策的工作需求，數據處理中的輻射源識別實時性要求高；

2）試驗過程中，需要同時進行識別的數據量大，因此對單批信號處理的簡易實時要求較高；

3）為保證試驗的嚴格可信，輻射源識別的準確性和成功率要求較高；

4）對最終形成的識別結果，需要能進行反向的白盒識別分析，方便查找原因，判斷試驗情況。

由于仿真試驗的以上特點，為使試驗的數據處理取得很好的效果，需要針對這些特點，對輻射源識別技術做針對性研究，得出最終適用的工程應用方法。

4 輻射源識別方法分析

目前主流輻射源識別方法主要包括基于統計分析的數據庫識別方法、基于專家系統的方法和基于神經網絡的方法等，分別具有各自優缺點，在工程應用中存在一定不足。

基于統計分析的數據庫識別方法是將截獲到的雷達信號與數據庫中存放的已知雷達信號進行比對，經算法判斷識別雷達類別及型號等。主要算法包括［5］：容差比對法、距離測度算法和灰關聯算法。優點是實現簡單，識別速度快。缺點是對先驗知識的依賴性非常強，缺少推理，靈活性差，特別是隨著現代電磁環境的日益復雜、雷達新技術和新體制的大量運用，對于參數不全、參數畸變及許多新體制和新用途的雷達無能為力，難以滿足實戰需求。

專家系統方法利用信號識別專家的專門知識及專家特有的邏輯推理方法和能力構成相應的專家系統，由此專家系統分析待識別的輻射源，最終給出識別結果。優點是對參數完整、齊全的雷達能夠給出體制、用途的識別；對參數不完整的雷達也能進行一定的識別，缺點是迄今為止推理系統和謂詞演算的可計算問題解決方法離實際運用還存在一定距離。

基于神經網絡的方法是用神經網絡構造識別分類器，通過對訓練數據的智能學習構造一個神經網絡，并通過這個網絡對新雷達數據的相關屬性進行識別。人工神經網絡由于具有良好的泛化能力和非線性逼近能力［6～7］，被認為是解決雷達輻射源識別問題的較好工具。目前，BP神經網絡是使用最多的人工神經網絡模型。另外文獻提出改進的模糊 RBF 神經網絡［8］、基于量子神經網絡［9］等模型。但是該類識別算法均存在易陷入局部極小值、收斂速度慢、收斂精度不高等缺點，且自動化智能分析的具體分類規則不可見，神經網絡對用戶而言相當于黑匣。

5 輻射源識別技術在仿真試驗中應用研究

輻射源綜合分析和研究，采用單一的識別技術難以滿足應用需要，因此宜采用多種技術結合的方法，通過結合不同技術的特點和優勢，全面均衡加快識別速度、擴大識別適應范圍和提高識別準確度，從而最大程度地保證最終的數據處理效果。經過理論分析和多次的實踐應用證明，試驗數據處理設備采用統計模式識別技術和決策樹專家技術結合的綜合輻射源識別方法，較好實現了輻射源識別功能。在識別過程中，兩種識別技術分別有所側重，統計模式識別技術作為實時數據處理的主要方式，用于保證識別的實時性；決策樹分類的專家識別系統作為輔助，用于提高復雜體制雷達信號的識別準確度。

5.1 統計模式識別技術應用

統計模式識別方法是提取目標的關鍵特征，將其以向量形式定義在一個特征空間中，不同的目標對象，都對應于此空間中的一點，利用統計決策的原理對特征空間進行劃分，從而達到識別不同特征對象的目的。這種方法應用于輻射源識別中具體稱為特征參數匹配法，其優點是方法簡單、計算速度快。

描述雷達輻射源的特征參數很多，包括載頻、脈沖重復頻率、脈寬、雷達天線掃描周期、射頻類型、脈沖重復頻率特性、脈寬特性等。此外根據仿真試驗特點，輻射源到達方位角等參數也應作為輻射源識別的重要特征參數。

經典的統計識別輻射源信號與已知目標關系的計算公式如下所示［10～12］：

式中，∝i為輻射源信號的第i個電磁特征參數，mji為已知目標j的第i個電磁特征參數；δi為第i個參數的測量均方根差；ri為第i個參數的系數，且有。

在輻射源信號與所有目標的比對相似度中，找出最小比對相似度Dmin：

設計目標識別門限C，當Dmin≤C當 Dmin≤C時，可以確定輻射源識別歸屬關系。

在實際應用過程中，統計模式識別方法對于占雷達信號環境中的多數常規體制信號和部分復雜體制信號具有很好的識別效果，同時其具有計算速度快，識別過程易于分析和調整控制的優點，結合仿真試驗的特點，是適用的主要數據處理方法。

5.2 決策樹分類專家系統輻射源識別技術應用

專家系統是人工智能應用研究的領域之一，目的是模擬人類專家的推理思維過程來解決非數值問題，最基本的專家系統通常由知識庫和推理系統構成。知識庫是經過收集和整理的人類知識和經驗的集合，推理系統是依據知識庫內容，采用一定的控制方法策略解決問題的軟件程序。

分析仿真試驗人工輻射源識別過程的特點，使用決策樹統計分類推理算法來實現輻射源識別推理過程，決策樹是一個對目標進行分類劃分和判定的過程，通過這種方式來不斷縮小子集空間，最終得出判定結果。根據上述仿真試驗的特點分析，利用輻射源方位、天線特點、載頻類型、載頻區域范圍、重頻范圍等重要參數進行專家系統決策樹設計實現，具體應用的決策樹如圖2所示。

圖2 輻射源識別專家系統決策樹

仿真試驗應用的輻射源識別決策樹，是通過分析試驗設計方法、試驗運行環境特點來建立基本的樹結構，同時結合多條應用中的特殊情況和實際問題，加入一些特殊的處理節點，可以完成全面并且多種復雜情況的識別工作。目前的識別決策樹具有針對性很強，但通用性較弱的特點，在今后的運用中需要不斷完善整個決策樹的各個節點的判定規則，提高識別通用性。

5.3 輻射源綜合識別技術應用情況

圖3所示是采用兩種方法結合的識別算法流程圖，圖4所示是采用兩種方法結合的一次驗證性的測試應用結果。

通過與人工識別的數據結果進行比較，本文的數據識別算法實現效果很好，滿足了試驗的數據處理要求。

圖3 識別算法流程圖

圖4 測試輻射源識別結果

6 結語

本文針對仿真試驗數據處理中，輻射源識別技術應用的具體特點，提出統計模式與專家系統結合的識別方法。該方法不僅能夠較好適應仿真試驗中多種復雜體制雷達輻射源工作模式和工作參數的變化特點，也具有較好的工程可實現性，在多次實際應用中取得了很好的效果，同時可以為其它類似的輻射源目標識別工程應用提供一定的方法參考。