雷达辐射源识别技术综述*

2010-04-26许宏泉

舰船电子工程 2010年4期

许宏泉刘庚

(武汉市74223信箱1) 武汉 430074)(武汉数字工程研究所2) 武汉 430074)

1 雷达辐射源识别背景

雷达辐射源识别技术是目标识别技术的重要组成部分,在军事作战中,发现目标主要依靠雷达探测,雷达探测会辐射电磁波,我方可以通过电子侦察设备在接收空间范围内被动的接收并捕获敌方发射的电磁波,并快速计算出电磁辐射源的方位和频率等参数,雷达辐射源识别技术依据这些电磁波的参数,按照某种规则和算法及查询辐射源特征数据库,判断出发射该电磁波雷达的用途或类型,进而推断出敌方平台的类型或是型号,为我方制定作战预案提供参考依据,做到先发制敌,取得战场的主动权[1]。

然而,雷达自二战以来有了很大的发展,尤其是近二十几年,雷达的功能越来越多样,体制越来越复杂,配置数量大大增加。当前,各国的雷达工作体制除了继续使用原有的搜索雷达、圆锥扫描雷达等常规体制外,还不断使用频率分集雷达、载频准正弦捷变雷达、载频随机捷变雷达、脉冲重频调制雷达、正弦波调制雷达、脉冲压缩雷达及相控阵雷达等特殊工作体制,并且配置数量也越来越多[2]。由于雷达在现代战争中的应用日益增多,频谱迅速扩展,导致电磁信号环境高度密集。

从以上分析得知,利用计算机技术,并结合现代信号处理及各种智能化识别技术,自动、实时地对舰载雷达辐射源进行分类识别成为一项有难度而又十分必要和紧迫的工作。

2 雷达辐射源识别系统

雷达辐射源识别是指通过分析截获的雷达信号,得到信号中雷达的工作参数和特征参数,然后利用这些参数获取该雷达的体制、用途和型号等信息,进而掌握其被装载的军舰、飞机等平台的工作状态、制导方式,了解其战术运用特点、活动规律和作战能力。图1是单信息源雷达辐射源识别示意图。

图1 单信息源雷达辐射源识别示意图

图1中,首先,在电子侦察设备收到辐射源信号以后进行特征提取,以得到有效的特征向量;其次,利用特征数据库对提取到的特征向量进行分类识别,得到雷达的型号及类型等信息;最后,通过平台映射来判断出雷达所被装载的平台。

但在实际情况下,作战指挥中心往往会收到来自多个不同信息源的多个雷达辐射源目标。可以通过这多个信息源来共同识别判定雷达辐射源,其决策级识别流程如图2所示。

图2 多信息源雷达辐射源识别示意图

在多信息源决策级识别方法中,每个信息源分别完成特征提取和身份判别的变换,获得独立的身份估计,通过相关处理后再对不同信息源关于同一雷达辐射源目标的身份属性进行融合,给出雷达辐射源目标的一个联合身份说明。

在识别流程中,目标识别算法是雷达辐射源识别的核心。在实际的工程应用中,算法的适应性将直接影响到识别的结果或识别效能。在雷达辐射源识别系统中主要涉及分类识别和身份融合两种识别算法。

3 分类识别算法

在单信息源雷达辐射源识别中主要用到的是分类识别算法,分类识别是指对表征事物或现象的各种形式(数值、文字或逻辑关系)的信息进行处理和分析,以及对事物或现象进行描述、辨认、分类和解释的过程。分类识别算法可大致分为如下几类[3],如图3所示。

通常使用的分类识别技术主要包括相似系数法、参数模板法、聚类分析法、神经网络法、物理模型法和基于知识的方法。

相似系数法利用特征向量度量两个目标的相似程度,其数学模型为[4]:

如果Rxy→1.0,则目标X正确地被识别为目标Y;如果Rxy→0.0,则目标X与目标Y不属于同一个目标;如果Rxy→0.5,则不进行决策。相似系数法描述了特征向量相对于目标向量的接近程度。尽管其模型比较简单,但在某些情况下比较实用。

图3 目标识别方法分类

神经网络技术[5]是模仿生物神经连接产生特征向量与身份分类之间映射的非线性变换技术。具有代表性的是BP神经网络,该网络模型是一种多层感知器模型,包括输入层、隐含层和输出层。输入层通过隐含层映射到输出层,而映射误差又从输出层回送到输入层,当总的映射误差趋近于零时,完成映射。BP算法的识别成功率依赖于来自训练模型的最佳加权矩阵和所使用的训练数据等因素。其问题是无法预测收敛所需要的迭代步数,一般需要迭代上千次才能收敛。此外,该模型的应用还需对如下几个方面进行深入研究:网络模型的选择、层数和节点数的选择、导出训练策略的选择等。

物理模型法[3]通过一个物理模型直接计算实体的特征信号,但是该方法对实体信号的预测必须基于备选对象的物理表征,而每个对象或对象类型可能需要不同的物理模型。并且物理模型可能很复杂,需要很大的软件程序,即使物理模型比较简单或利用预先设定的信号数据,观测模型及预处理过程也可能很复杂。以上原因限制了物理模型在实时系统中的应用,然而,在非实时系统中,该方法对于研究潜在的物理现象有着十分重要的作用。

基于知识的方法[3]借助规则、符号表达式、框架等表示对象的身份或特征。此种技术通过知识表示和推理模拟人类对事物的认识过程。例如专家系统,它使用知识表示技术和推理技术进行推断,以获得所需要的结论。基于知识的方法是一种智能化的识别方法,实现过程比较复杂。

聚类分析法[3]是一种把数据组合为表示对象身份的自然聚类技术。它的基本思想是根据各个待分类的模式特征的相似程度进行分类,相似的归为一类,不相似的作为另外一类。给出了聚类分析的概念模型,包括两个基本内容:模式相似性度量和聚类算法。

图4 聚类分析概念模型

相似性测度的算法主要分为两种:

距离测度法:欧氏距离、绝对值距离、切氏距离、明氏距离、马氏距离等。

相似度量法:角度相似系数、相关系数、指数相似系数、格贴近度等。

这些相似性测度算法各具特点,在实际应用中可根据具体问题选定。建立了模式相似性测度之后,两个模式的相似程度就可以用数值来表征,据此便可以采用相应的聚类算法进行分类和识别。

4 身份融合算法

身份融合是指多个信息源分别进行独立的身份变换,各自得到独立的身份信息,然后根据相关信息将可以相关上的目标进行身份的合成,得到一个联合的身份说明。

在多传感器系统中,由于传感器的精度、系统组成的诸多环节、外部环境以及精度等自身条件的影响,导致系统具有不确定性,降低目标识别的准确性,因此我们需要采用身份融合算法,把分布在不同位置的多个传感器所提供的局部观察量加以综合,消除多传感器之间可能存在的冗余和矛盾,降低其不确定性。

目前身份融合算法主要包括经典推理、Bayes推理与D-S证据理论三种方法。

经典推理方法[3]使用经验概率模型,用二值假设检验的方法,在已知先验概率的条件下对事件的存在与否进行判别。经典推理的优点是,使用抽样分布,并且能提供判定误差概率的一个度量值。但一次仅能估计两个假设,即假设和与其相对的备择假设;多变量数据的复杂性提高;需要一个先验密度函数的有效度,否则不能直接使用先验估计。

Bayes推理[6]基于Bayes统计理论。它综合了先验信息和试验提供的信息,形成了关于假设的可能性大小的当前认识,这个从先验信息到后验信息的转化过程就是Bayes统计的特征。Beyes统计的基本观点是把未知参数看作一个有一定概率分布的随机变量。这个分布总结了在抽样以前对未知参数的了解,因此称为先验分布。Bayes推理在许多领域有广泛的应用,但在目标识别中直接使用这一公式主要有以下困难:第一,一个证据的概率是在大量的统计数据的基础上得出的,这使得定义先验函数非常困难;第二,要求各证据之间是不相容或相互独立的,当存在多个可能假设和多条件相关事件时,计算复杂性迅速增加;第三,缺乏分配总的不确定性的能力。

D-S证据理论[7]最早是由Dempster提出的,Shafer又对这一理论进行了推广,使之适用于一般的不确定性水平。在证据理论中,传感器的信息被认为是关于作业环境或目标的某些描述的证据,这种证据通常是不确定和不完善的,并且有误差。每个证据包含多个命题,对于每个命题赋予一个置信概率。一个证据集合本身可作为识别框架,也可以认为是一个特别的集合函数。信息融合的基本方法是Dempster组合规则,它可将同一识别框架的两个不同的证据集合合成为一个新的证据集合,根据这个集合给出目标的唯一身份。