基于模糊集和指纹特征的辐射源识别

李 楠

(海军航空兵学院，辽宁葫芦岛 125001)

0 引 言

20世纪末到21世纪初，雷达辐射源的参数出现了很大程度的模糊，各种类型的雷达参数重叠、相互覆盖，利用常规参数(如DOA、PA、RF和PRF等)识别不同属性辐射源的难度越来越大，这使得信息战，电子战中的ELINT、ESM和RWR系统面临严峻挑战。针对辐射源识别困难的问题，专家们发现辐射源个体特征能反映辐射源发射机的物理特性，因此展开了个体辐射源识别研究，国外常称为特定辐射源识别(SEI,specific emitter identification)，也即指纹识别。

针对辐射源识别问题，Langley L. E.提出以脉内无意调制(UMOP,unintentional modulation on pulse)作为辐射源识别的重要特征，应用到ESM系统中[1]。Kawalec等[2]提出了雷达脉冲信号的上升、下降沿时间/陡度及调频斜率作为脉内细微特征。文献[3]提出了基于相似系数(RC,resemblance coefficient)的辐射源特征提取方法，实验结果表明所提取的辐射源信号相似系数特征对噪声不敏感，稳定度高。美国海军研究室实验室的T. L. Carroll提出一种对连续波和脉冲信号中部稳态部分进行特征提取的SEI方法[4]，采用相空间微分方法，比较相轨迹微分统计量，能有效提取由功放引起的非线性无意调制，对雷达放大器进行了分类研究。文献[5]提出基于交互信息和模糊支持向量机(FSVM,fuzzy support vector machines)的雷达辐射源识别方法，实验结果获得了超过78%的正确识别率。文献[6]研究了通信领域中的调制识别算法，提出了基于联合参数估计的最大似然调制识别法，可用于MPSK和MQAM信号的识别。文献[7,8]分别研究了窄带信号中放大器指纹特征提取及功放宽带Volterra级数模型的辐射源指纹分类法，对辐射源个体识别问题进行了有益探索。

单传感器提取的指纹信息往往是待识别辐射源的不确定描述，而利用多个传感器提取的独立、互补的指纹信息，进行分布式传感器信息融合(DSIF,distributed sensors information fusion)，可以消除指纹信息之间可能存在的冗余和矛盾，降低识别的不确定性，并产生新的有意义的信息，这有利于提高SEI性能。分布式传感器指纹信息融合由于采用了D-S(Dempster-Shafer)证据理论中基本可信度赋值函数(BPAF,basic probability assignment function)作为度量[9]，巧妙地给出了先验概率，能很好地处理SEI问题。

本文提出了基于模糊集(FS,fuzzy sets)和指纹特征的特定辐射源分布式融合识别方法。利用特定辐射源脉冲上升沿和下降沿作为指纹特征，采用分布式传感器提取该指纹信息，通过模糊集理论构造BPAF，再进行分布式信息融合，选择合适的决策规则完成SEI任务。最后列出相关算法并建立了相应的特定辐射源识别模型。

1 理论基础

1.1 基于FS的BPAF获取法

1.2 指纹特征

辐射源指纹特征在特定辐射源识别中扮演重要角色，指纹特征具有最大分类信息。脉冲信号指纹特征包括脉内调制特征和脉冲包络特征，其中脉内调制特征有线性调频和相位编码等，包络有上升沿和下降沿、顶部降落等。文献[10]对辐射源指纹特征的稳定性进行了实验研究，得出辐射源脉冲信号上升沿、下降沿特征稳定性较高。因此这里选取脉冲上升沿和下降沿两个参数作为特定辐射源识别的指纹特征。

1.3 分布式融合规则

(1)时域融合

对第i个传感器，按照Q个测量周期的累积量测，由Dempster组和规则可得第s个命题As的单传感器融合后验BPAF为[9]

(1)

未知命题的融合后验BPAF为

(2)

(2)空域融合

对P个分布式传感器系统，在上述单传感器多测量周期信息融合的基础上，对所有传感器进行信息融合，可得第s个命题As的分布式传感器融合后验BPAF

(3)

未知命题的融合后验BPAF为

(4)

1.4 决策规则

决策时采用基于BPAF的决策，即

设∃A1,A2⊂Θ，满足m(A1)=max{m(Ai),Ai⊂Θ}m(A2)=max{m(Ai),Ai⊂ΘandAi≠A1}，且有

则A1为判决结果，其中ε1,ε2为预先设定的门限。

2 识别算法及系统

辐射源识别是通过对被识别辐射源辐射的信号特征参数的观测和提取，采用一定的算法与辐射源数据库中各个已知辐射源信号特征参数进行比较来确定被识别辐射源类别。基于FS和指纹的特定辐射源分布式融合识别算法如下。

(1)依据传感器观测信息(脉冲上升沿和脉冲下降沿)建立特定辐射源信号指纹特征数据库；

(2)在不同位置、不同时间段被动侦察辐射源信号指纹特征作为待识别的辐射源参数；

(3)利用1.1节的模糊集方法和(1)、(2)获取待识别辐射源信号的BPAF；

(4)利用式(1)、(2)进行时域信息融合；

(5)再由式(3)、(4)进行分布式信息融合；

(6)最终按照1.4节的规则进行决策，给出特定辐射源识别结果。

根据上述步骤，建立基于FS和指纹的特定辐射源分布式融合识别系统,如图1所示。

图1 基于FS和指纹的辐射源识别系统

3 仿真结果与分析

为验证特定辐射源分布式融合识别算法的正确性，按照图1搭建辐射源识别系统。首先建立特定辐射源指纹库，雷达辐射源A、B1、B2和C分别测量在不同输入功率下其脉冲上升沿和下降沿时间，A、B和C是不同厂家生产的同型雷达辐射源，B1、B2是同一厂家生产的同型的雷达辐射源。对4种辐射源设置相同脉冲调制参数。辐射源分FS特征分布如图2所示。图2(a)是fRF=1 GHz，τPW=5 μs，TPRI=10 μs，输入功率为-30 dBm时10次测量结果。图2(b)是fRF=500 MHz，τPW=1 μs，TPRI=5 μs，输入功率为-20 dBm时10次测量结果。从图2可见辐射源脉冲指纹特征有较高稳定性。

图2 辐射源FS特征分布

经过多次测量取平均值可以得到4部辐射源指纹特征，见表1。

表1 辐射源指纹特征

用模拟器分别模拟雷达辐射源A、B1、B2和C，并设识别框架为Θ={A1,A2,A3,A4}，分布式传感器选择两个独立的ESM和一个ELINT系统。假设雷达辐射源信号环境中只有辐射源A，利用ESM系统三个测量周期和ELINT系统三个测量周期的量测数据获取辐射源指纹特征(每个周期进行100次测量再取平均得上升沿、下降沿时间)。ESM1、ESM2和ELINT系统每个测量周期均采用1.1节模糊集法获取BPAF，结果如图3(a)、(b)和(c)所示。

获取BPAF后，进行信息融合。先进行时域融合，对ESM1、ESM2和ELINT，基于三个周期的累积测量，利用式(1)、(2)，计算每个命题的融合后验BPAF，如图3(d)所示。再进行分布式空域融合，利用上述三个分布式传感器的后验BPAF，由式(3)、(4)计算三个传感器经分布式空域融合后每个命题的后验BPAF，结果如图3(d)中实线所示。最后按照决策规则进行判决，根据专家经验选取ε1=ε2=0.1，则判定该辐射源为雷达辐射源A。经分布式信息融合后，关于辐射源的未知概率m(u)有了下降，这说明分布式传感器信息融合辐射源识别方法增加了辐射源识别的可信度。

图3 传感器BPAF及融合结果

通过给上述4部辐射源上升沿和下降沿指纹特征加上不同SNR的噪声，SNR分别取为-3 dB、-2 dB、-1 dB、0 dB、1 dB、2 dB和3 dB，利用特定辐射源分布式融合识别算法分别进行辐射源识别，时域融合次数取为2、3、4次，传感器个数型号同上。在不同信噪比下取平均识别率作为识别结果，并同文献[11]的识别结果进行对比，识别率随SNR变化及对比结果如图4所示。特定辐射源分布式融合识别算法在不同融合次数下的算法耗时，如图5所示。

图4 识别率对比图

图5 算法耗时图

从图4和图5能得出以下结论：在低信噪比条件下，特定辐射源分布式融合识别算法识别效果较好；分布式传感器信息融合利用了多个传感器提取的独立、互补的信息，消除了分布式传感器之间可能存在的冗余和矛盾，随着传感器数量增加，正确识别率得到提高；传感器个数增加到一定程度后，识别率增长不再明显，实际应用时应适当选取分布式传感器个数；从算法耗时来看，融合次数越多，算法耗时越多，原因是增加融合次数，必然增加了运算量，但同时也获得了较高的识别率，这是以增加运算量换取高的识别率，实际应用中，应考虑算法耗时同识别率的折中。

5 结 语

本文提出一种基于模糊集理论和指纹特征的特定辐射源分布式融合识别算法，该算法利用特定辐射源脉冲上升沿和下降沿作为指纹特征，借助模糊集理论构造基本概率赋值，然后由分布式传感器进行时域、空域融合，最后基于BPAF的决策规则和专家经验知识完成特定辐射源识别，识别结果可靠、识别率高。仿真实验结果表明，利用该算法搭建的识别系统实用有效，具有工程实用价值。

[1] LANGLEY L E. Specific Emitter Identification(SEI) and Classical Parameter Fusion Technology[C]// WESCON, 1993: 377-381.

[2] KAWALEC ADAM, OWCZAREK ROBERT. Specific Emitter Identification Using Intrapulse Data[C]//European Radar Conference, Amsterdam, 2004: 249-252.

[3] ZHANG GEXIANG,JIN WEIDONG,HU LAIZHAO.Resemblance Coefficient Based Intrapulse Feature Extraction Approach for Radar Emitter Signals[J]. Chinese Journal of Electronics, 2005, 14(2): 337-341.

[4] CARROLL T L. A Nonlinear Dynamics Method for Signal Identification[J]. Chaos, 2007, 17(2).

[5] MINGQIU REN,JINYAN CAI,YUANQING ZHU,et al. Radar Emitter Signal Classification Based on Mutual In-

formation and Fuzzy Support Vector Machines[C]//The 9th International Conference on Signal Processing Proceedings, Beijing, 2008(10): 1 641-1 646.

[6] 李小捷, 许录平, 陈佳. 基于联合参数估计的最大似然调制识别算法[J]. 仪器仪表学报, 2008, 29(12): 2 509-2 514.

[7] 许丹, 柳征, 姜文利, 等. 窄带信号中的放大器“指纹”特征提取：原理分析及FM广播实测实验[J]. 电子学报, 2008, 36(5): 927-932.

[8] 许丹, 姜文利, 周一宇. 基于子空间比较的宽带信号下辐射源功放“指纹”分类方法[J]. 电子学报, 2009, 37(8): 1 712-1 717.

[9] HENRY LEUNG,JIANGFENG WU.Bayesian and Dempster-Shafer Target Identification for Radar Surveillance[J].IEEE Trans Aerospace and Electronic Systems,2000, 36(2): 432-447.

[10] 林震鹊, 姜秋喜, 李帅. 基于脉冲信号上升/下降沿的雷达辐射源识别[J]. 舰船电子对抗, 2009, 32(3): 33-37.

[11] 胡国兵, 刘渝. 基于最大似然准则的特定辐射源识别[J]. 系统工程与电子技术, 2009, 31(2): 270-273.