云模型在分布式传感器辐射源识别中的应用

李 楠

(海军航空兵学院，辽宁葫芦岛 125001)

0 引言

信息系统在信息作战中发挥了巨大作用，对海军航空兵来说，要实现对敌核心要害的精确打击，离不开准确的信息侦察，信息侦察的一个重要步骤就是对敌辐射源的信息识别，只有准确的识别敌核心要害武备，才能为后续的精确打击提供战术支援。当前敌雷达辐射源技术参数出现很大程度模糊，各型雷达参数重叠、交错，采用传统五参数(RF、TOA、DOA、PA、PW)法识别雷达辐射源难度加大，这给信息作战、赛博作战中的信息侦察带来严峻挑战。对于辐射源识别问题，目前的研究方法有基于模糊集的方法［1］、基于神经网络的方法［2］、基于灰色关联的方法［3］、基于粗糙集的方法［4］、基于支撑向量机的方法［5］等。上述方法在辐射源参数存在模糊及交叠时，识别效果较差。

云模型能更好地处理模糊和交叠参数问题，已有研究将云模型用于辐射源识别中，文献［6］将云模型用于平台目标识别，文献［7］将云模型用于支持向量机辐射源识别中，但其具体的计算办法还不完善，因此应考虑将云模型用于分布式传感器辐射源信息识别中，并提出基于云模型的识别算法。首先介绍云模型理论，其次给出分布式传感器辐射源信息识别的概念，将云模型应用于辐射源识别中，建立基于云模型的辐射源隶属度获取模型，给出了识别算法及流程图，最后结合辐射源参数数据库进行识别仿真对比实验，仿真结果表明云模型相比于其他识别算法能获得更高和更稳定的辐射源识别效果。

1 云模型

云模型是李德毅院士［8，9］提出的一种定性定量不确定性转换模型算法，用自然语言值表示定性与定量间不确定性转换，能处理模糊集理论中的模糊性和概率论中的随机性问题，通过期望Ex(Expected value)、熵 En(Entropy)、超熵 He(Hyper entropy)3个数字参数表征一个定性概念，从而实现定性定量转换。期望Ex表示数域空间定性概念量化样本点;熵En表示论域空间定性概念的模糊度，还可表示定性概念的云滴出现的概率;超熵He表示论域空间中定性概念的云滴的凝聚性。

云模型中的正向云发生器可实现辐射源特征参数从定性到定量的转换，由云的数字特征产生云滴就能实现定性定量转换，正向云发生器如图1所示。

图1 正向云发生器

正向云生成算法是先生成以Ex为期望，En为均方差的正态随机数x;再生成以En为期望，He为均方差的正态随机数En';最后计算隶属度那么(x，y)就是生成的云滴，式中x是定性概念的一个随机数，y是x属于定性概念的准确度。

2 分布式传感器辐射源识别

随着传感器技术的飞速发展，传统的单传感器获取的敌辐射源信息往往是不确定的，特别是战场信息空间中的电磁空间和赛博空间尤为突出。信息化战争中，敌我双方大量的信息装备应用于电磁空间和赛博空间，形成了十分复杂的战场电子环境，而其中的装备技术参数更加的多变，使得侦察信息异常复杂和难以分析，而分布式传感器能提取独立、互补的辐射源信息，获得辐射源更为详尽准确的信息情报，这为辐射源识别奠定良好的基础。此外由分布式传感器进行信息融合(DSIF，distributed sensors information fusion)，可消除单传感器间可能存在的矛盾，进一步降低辐射源识别不确定性，同时产生新的有价值信息，有利于提高辐射源识别效果。

3 云模型用于分布式传感器辐射源识别中

通过上述分析，云模型能很好地处理模糊性和不确定性问题，并能将定性问题转化为定量问题，这给具有模糊参数的辐射源识别问题提供了一个新的思路，同时分布式传感器信息融合能克服参数的冲突，进一步提高辐射源识别率，因此考虑将云模型同分布式传感器辐射源识别结合起来进行辐射源识别。首先利用云模型得到辐射源隶属度，而后建立本文识别算法及流程，最后进行仿真验证。

3.1 利用云模型获得辐射源隶属度

假设雷达库中有 n类雷达:R1，R2，…，Rn，每类雷达 Ri(i=1，2，…，n)有 m 个参数，也即 Ri=(xi1，xi2，…，xim)，xij是第 i类雷达第 j个参数。建立含有m 个元素的参数集合 U，即 U={Ux1，Ux2，Uxi，…，Uxm}，其中 Uxj(j=1，2，…，m)是参数集中第 j个参数。这些参数有区间型变量和离散型变量，可用不同建模方式。

对区间型变量如载频RF、脉宽PW、脉冲重复间隔PRI等，存在上下界［Cmin，Cmax］，用云模型中期望值作为上下界中值，云参数计算式为

其中k为常数。

对离散型变量如脉内调制信息等，用评语描述模糊性，将评语置于连续语言值标尺上，每个评语值用云模型实现，构成定性评测云发射器。云评价模型由7个一维云模型组成，相应评语集由7个评语组成:V=(v1，v2，…，v7)=(差、一般、好、较好、很好、非常好、极好)。

假设测出的辐射源有m个参数，即X=(x1，x2，…，xm)，xj(j=1，2，…，m)是测得辐射源的第 j个特征参数。通过计算每个特征参数的云滴，得到每部测得辐射源每个参数相对数据库的隶属度。

对连续型数值参数变量有

式中，μRij是测得辐射源的第j个参数相对于数据库第i类雷达第j个参数的隶属度;Exij是数据库中第i类雷达第j个参数的期望;Enij'是数据库第i类雷达第j个参数的熵Enij和超熵Heij求得的方差。

对离散型数值参数变量，设测得辐射源的第j个参数xj为数值型参数变量，有

构造参数隶属度矩阵Rn×m为

隶属度矩阵构造完后，要考虑各参数权值，一般在没有任何先验信息条件下，采用平均权值法，即

式中，m是所测辐射源参数个数;n是数据库中雷达类型数;ωij是待测辐射源第j个参数相对于数据库中第i类雷达第j个参数在总隶属度中所占权值。

3.2 基于云模型的识别算法及流程

由上述云模型辐射源隶属度的过程，采用云模型对雷达数据库中区间型及离散型参数变量进行建模，计算辐射源样本每个参数相对数据库相应参数的隶属度，根据平均权值法计算各参数的总隶属度，将该隶属度作为 D－S理论［10］中的 BPAF，完成分布式传感器时域及空域信息融合，最后由决策规则完成辐射源识别。基于云模型的分布式传感器辐射源识别算法如下:

(1)构建辐射源参数数据库;

(2)由云模型对数据库中区间型及离散型参数建模并计算各类辐射源的云数字特征期望、熵和超熵;

(3)利用平均权值计算辐射源样本参数隶属度并将其作为基本概率赋值BPAF;

(4)完成单传感器时域信息融合;

(5)完成分布式传感器信息融合;

(6)依据判决规则进行决策，给出辐射源识别结果。

由识别步骤，构设辐射源识别流程系统如图2所示。

图2 辐射源识别流程

4 数据仿真

针对所提出的基于云模型的分布式传感器辐射源识别算法，设计两个实验来验证本文识别算法的性能和识别系统的合理性。设辐射源数据库中有4部雷达数据 R1、R2、R3、R4，参数主要有脉宽(PW)、脉冲重复间隔(PRI)、载频(RF)，参数包括区间型和离散型数字变量。

设空间存在雷达R2，利用3部传感器(ESM)各4个测量周期获得辐射源参数样本，所得参数样本均附加有5%的测量误差，由云模型辐射源样本参数隶属度，并作为D－S理论的BPAF，得到辐射源样本隶属度，见表1。

表1 辐射源样本隶属度

单传感器时域信息融合，见表2。

表2 时域融合

分布式传感器信息融合，见表3。

表3 分布式融合

由判决规则进行决策，依据专家经验知识选择ε1=ε2=0.15，得到该辐射源为雷达 R2。

另设空间中存在4部雷达辐射源，对数据库中4部雷达参数附加噪声构成辐射源样本进行识别仿真，生成800个辐射源样本数据，每部雷达200个样本，样本测量误差服从零均值高斯分布。所研究的云模型分布式传感器辐射源识别率随测量误差的变化曲线，如图3所示。为了对比分析，采用支持向量机(SVM)的辐射源识别算法和本文算法的识别率曲线，如图4所示。识别率曲线是4部雷达的平均识别率，通过对比发现，本文识别率更高。

图3 基于云模型的识别率曲线

图4 识别率对比曲线

所研究的识别算法通过1 500次Monte Carlo实验得到的辐射源识别率同其他识别算法的识别率对比，见表4。由表4可见本文识别算法正确识别率较高，优于其他识别算法。

表4 辐射源识别率对比

由仿真实验结果知，云模型在分布式传感器辐射源识别中具有以下优点:能很好地处理辐射源参数的模糊性和不确定性;云模型能对区间类型变量和离散型参数建模;结合传感器时域融合、分布式传感器信息融合能更进一步提高辐射源识别率和识别的稳健性;相比于其他识别算法，云模型能获得更高的辐射源识别率。云模型的难点则是各类辐射源的数字特征期望、熵和超熵的计算。

5 结语

所研究的将云模型用于分布式传感器辐射源识别中，列出了相应的辐射源识别算法并建立了识别流程图。本算法采用云模型对区间型参数建模，对离散型参数进行评语集定性定量转换，获得辐射源隶属度并将其作为基本概率赋值，通过传感器时域融合、分布式传感器信息融合，得到辐射源识别结果。实验证明，利用云模型进行的辐射源识别比其他传统识别算法识别效果好，并具有处理不确定问题的鲁棒性。

［1］张靖，计文平.基于模糊贴近度和DS推理的辐射源识别方法研究［J］.中国电子科学研究院学报，2013，8(2):201-204.

［2］张中山，贾可新.基于量子神经网络的辐射源识别方法［J］.航天电子对抗，2013，29(3):26-28.

［3］李楠，王春雷，胡锦涛，等.变权灰关联分布式传感器信息融合的辐射源识别［J］.中国电子科学研究院学报，2013，8(3):250-254.

［4］曲长文，李楠，苏峰，等.基于VPRSM的辐射源灰色识别法［J］.控制与决策，2011，26(5):753-756.

［5］邹鹏，姜秋喜，莫翠琼，等.基于SVM识别的雷达辐射源特征向量归一化研究［J］.电子信息对抗技术，2010，25(6):30-33.

［6］王利华，罗景青.云模型和特征辐射源信息的平台目标识别［J］.火力与指挥控制，2013，38(8):25-28.

［7］杨承志，吴宏超，粟苹，等.基于云模型和支持向量机的辐射源识别算法［J］.现代雷达，2013，35(10):41-44.

［8］李德毅，刘常昱.论正态云模型的普适性［J］.中国工程科学，2004，6(8):28-34.

［9］李德毅，刘常昱，淦文燕.正态云模型的重尾性质证明［J］.中国工程科学，2011，13(4):20-23.

［10］周芳，王鹏波，韩立岩.多源知识融合处理算法［J］.北京航空航天大学学报，2013，39(1):109-114.