一种辐射源快速识别新方法

刘志鹏，赵立新，张国毅

(空军航空大学，吉林 长春 130022)

一种辐射源快速识别新方法

刘志鹏，赵立新，张国毅

(空军航空大学，吉林 长春 130022)

针对现有辐射源识别方法不能识别参数交叠的雷达信号以及BP神经网络迭代速度慢、识别效率低的缺点，设计出一种采用改进概率神经网络的实时快速识别方法。该方法构造的特征兼具单个脉冲参数统计特性和雷达参数变化整体特性两个层面的信息，进而可以对参数交叠的雷达信号进行有效识别。同时，该方法还对概率神经网络进行了改进，使之具备识别出未知雷达信号的能力。仿真实验表明，此方法在显著提高了识别率的同时，还具有良好的抗噪性和鲁棒性。

雷达；辐射源识别；概率神经网络；特征提取；识别率

0 引言

雷达辐射源识别是指雷达侦察设备完成脉冲串分选后，利用批信号的参数(载频、重频、脉宽等)判断出雷达的型号、工作状态，进而得到雷达的平台属性、体制、用途等信息，为己方掌握敌方的动态、目的提供重要依据。随着雷达技术的进步，现代雷达侦察环境日趋复杂，主要表现为辐射源信号和雷达体制多种多样，信号参数在空间域和频率域的分布范围和交叠程度大大增加，这对电子情报侦察(ELINT)系统的信号分选和辐射源识别能力提出更高的要求。针对现有辐射源识别方法已不能适应日益复杂的侦察环境，本文提出一种新的雷达辐射源识别方法,即采用改进概率神经网络的快速识别方法，在显著提高了识别率和识别速度的同时，还具有良好的抗噪性和鲁棒性。

1 现有辐射源识别方法及不足

目前常见的辐射源识别方法主要有特征参数匹配法、脉冲样本图识别法以及人工智能识别方法[1]。

特征参数匹配法将接收到的批信号参数与数据库中的数据进行查询比较，计算二者匹配程度，选择相似度最大的模板作为识别结果[2-3]。该方法优点是速度快，然而对先验知识依赖较强，当雷达信号参数域发生交叠时，分选正确率下降严重。

脉冲样本图识别法[4-5]利用已知脉冲串特征参数向量作为模板(即脉冲样本图)，与待识别脉冲串进行匹配，根据每个脉冲串对应样本图的隶属度做出决策，得到辐射源的识别结果。该方法对分选结果的依赖程度低，但运算量大，需要构造的样本复杂，不适用于脉冲密集的侦察环境。

文献[6]的方法利用神经网络作为分类器，具有非线性识别能力，灵活程度高，特别是对参数不全、参数畸变及许多新体制和新用途的雷达具有良好的识别能力。然而存在网络结构难以确定，陷入局部极值，造成最终的分类结果达不到理想的分类状态的缺点。

本文提出一种辐射源快速识别方法，通过引入新的辐射源分类特征，并利用改进的概率神经网络作为分类器，可对参数域交叠的雷达做出有效识别，且运算量小，满足实时性要求。实验表明，该方法具有较高的识别准确率的同时，还具有良好的抗噪性。

2 快速识别方法设计

2.1 特征参数选取方法

特征选取要尽量使不同的类之间有足够的区分度，即不同的类差别足够大，可以把他们分开。同时，属于同一类的元素的特征要十分接近，不至于把他们分到其他类中去。因此，特征选取的好坏决定了分类结果是否理想。

已有的特征提取思路可分两类：一类是基于单个脉冲参数层面的。这种方法利用脉冲的统计参数，如选取脉冲的载频、脉宽等参数作为识别特征。其只能得到单个脉冲的特征信息，无法反映雷达信号的总体特征和时序特征，无法对参数交叠的信号进行有效识别，导致识别复杂体制的雷达时正确率较低。另一类特征提取思路是基于脉冲序列层面的，如匹配模板法，脉冲样本图法等。此类方法所选取的特征虽能体现出雷达信号参数的时序信息，但随着雷达数目的增多和参数变化越来越复杂，所需的模板序列数目急剧增加，因而对数据库要求增高；且由于采用了逐个脉冲比对进行配对的识别方法，识别的速度和效率也相对较低。

本文针对以上两种特征提取思路的不足，为了能对参数复杂变化的信号进行有效识别，提出一种同时包含两个层面信息的识别特征，用如下方法构造样本集，即把对脉冲参数的描述也作为一特征量，其形式如下：

(1)

Xp=[xp1,xp2,…,xpm]

(2)

Dp=[dp1,dp2,…,dpm]

(3)

由于描述是定性的，而神经网络只能处理数量值，因此需把Dp用数量进行表述。这里利用模糊数学的思想，把描述的论域映射到数轴，即把属于同一参数的各描述语言按彼此间相似程度依次映射到区间[-1,+1]中。将载频(RF)变化类型的描述语言：固定、分集、组变、跳变、捷变等映射到数轴上，如图1所示。

图1 载频(RF)变化类型映射值

即描述词“频率固定”对应的数值为-1，“频率捷变”对应的数值为1；按照变化规律的递进，“频率分集、组变和跳变”的对应值分别为-0.5、0和0.5。

因此，对于两个载频分别为1000～1200 MHz捷变和1170 MHz固定的两部雷达，由于其参数出现交叠，在频率参数上无法对其进行区分，而引入描述量后，由于其值分别对应于-1和1，创造了这两个参数可区分的条件。

本文选取载频、脉宽、重频间隔三个脉冲参数作为脉冲特征参数Xp，即Xp=(RFq,PWq,PRIq)，RFq、PWq、PRIq为各个参数的可能取值，并作归一化。针对载频、脉宽、重频间隔这三个参数的可能变化样式，描述语言及其映射的数值如表1所示。

表1 参数映射值

2.2 分类器设计

2.2.1 分类器选择

本文选择径向基概率神经网络(PNN)作为分类器，PNN以指数函数作为激活函数进而构造出能够计算非线性判别边界的神经网络，其判别边界接近于贝叶斯最佳判定面，具有把任何输出模式映射到不同类别的能力。PNN网络可看成是贝叶斯分类器，满足最大后验概率条件；网络的训练只需一次完成，速度远优于BP网络等其他网络。

PNN的网络结构是由输入层、模式层、加和层和输出层所组成的一个四层神经网络，如图2所示。其中，模式层的神经元计算输入变量的径向基函数，加和层为权系数矩阵，输出层为单输出竞争函数，对应分类类别。

图2 PNN网络结构

fA(x) =(2π)-P/2σ-Pm·

(4)

式中，i为模式序号，m为类别模式总数，xAi为类别θA的第i个样本，σ为平滑系数，P是度量空间维数。数学上已证明式(4)可以近似任意平滑密度函数，只要用于观测的训练样本足够多，PNN网络即可由此构建。

对于平滑因子σ，不同的取值对样本估计的PDF平滑效果的影响不同。σ越大，PDF越平滑，PNN的识别灵敏度越差；σ越小，识别的灵敏度越高，但σ取值过小则PNN的识别域不能将整个待识别域有效覆盖。

通过实验，可以验证当样本的特征值在区间[-1,1]时，取σ=0.7071，使2σ2=1，就能在保证灵敏度的情况下实现对待识别区域的有效覆盖。

2.2.2 训练样本集的建立

对于信号参数变化为区间的情形(如参数捷变，设备误差造成测量值抖动等)，在这种情况下，在区间内等间隔选取n个参数的数据作为训练集数据。

如果信号参数变化值是序列形式的，如频率组变、重频参差等，这种情况下取遍所有可能值。

2.2.3 测试样本集的建立

测试集为PNN网络对待识别雷达信号进行识别的输入，测试集的数据需要有与训练样本数据有相同的格式，因此需要对待识别的信号参数变化类型进行判断。

2.3 对未知雷达的识别

PNN网络的缺点之一就是无法对未知类型的信号进行正确识别。当测试样本中出现不属于任何已知雷达的信号时，PNN会将其划分到与之最相似的已知雷达的类别中去，这样就会产生严重的错误。

因此，本文设定门限t，当竞争获胜的神经元对应的输入值n2小于门限t时，则判为未知雷达；若大于t，则判为已知雷达。即若fA(x)>t，d(θ=θA)；若fA(x)

在数学上可以证明，当t=hufu(x)/hA时，为最佳贝叶斯判决门限。hu为未知雷达的出现的先验概率，hA为已知雷达现的先验概率，fu(x)为未知雷达的概率密度函数。

2.4 识别流程

本文提出的辐射源快速识别算法流程如图3所示。

图3 算法识别流程

3 仿真实验

本文的仿真环境：Windows 7，Intel CPU Q8200，1GB内存，编程工具为MATLAB 2010b 。

实验一：验证PNN网络算法的有效性。首先建立一个已知雷达库，包含7部雷达13种工作模式，如表2所示。

表2 实验数据

利用表2中的数据按2.1的方法构造出了含有70个样本的训练样本集，对PNN网络进行初始化和训练。

然后从这13个序列中每个抽取10个信号作为测试数据，由于BP网络是目前应用比较多的神经网络，因此本文分别利用PNN和BP网络进行识别，对结果进行对比，其中BP网络的训练次数为50次。100次蒙特卡洛实验所得统计平均，得出两种网络在不同信噪比的识别结果，如图4所示，其中纵轴是误识别率。

图4 两种分类器误识别率对比

从图4中可以看出，该算法对辐射源的识别具有较高的正确率。随着信噪比的降低，识别正确率略有下降，但仍能保持较高的识别正确率。

实验二：仍选取实验一中的数据，新的特征提取方法与传统三参数特征在不同信噪比下应用PNN网络识别的效果对比，如图5所示。

可以看出，采用新的特征方式进行识别的正确率远远高于三参数方法识别的正确率。

实验三：采用实验一中的数据，提取本文所选取的特征，在信噪比为0的条件下，达到相同识别正确率(99.8%)时，利用PNN的方法与BP神经网络方法的耗时对比，如图6所示。由此可见，使用PNN作为分

图5 两种特征参数的识别效果对比

类器的效率远远高于BP网络的分类器。

4 结束语

本文采用改进概率神经网络的快速识别方法，可以对参数交叠的雷达信号进行有效识别。同时，该方法还具备识别出未知雷达信号的能力。此外，本文设计的辐射源识别方法在显著提高了识别率的同时，还具有良好的抗噪性和鲁棒性。■

[1] 许宏泉,刘庚. 雷达辐射源识别技术综述[J]. 舰船电子工程, 2010,30(4):25-27.

[2] 丁军,刘志成. 基于特征参数的雷达辐射源识别方法研究[J]. 现代雷达,2011(9)：29-33.

[3] 关欣, 孙贵东, 郭强, 等. 基于区间数和证据理论的雷达辐射源参数识别[J]. 系统工程与电子技术, 2014,36(7):1269-1274.

[4] 王遵禄,陈婷,罗景青. 基于脉冲样本图的雷达辐射源识别方法[J]. 雷达科学与技术,2009(4):284-288.[5] 旷平昌,王杰贵,罗景青. 基于脉冲样本图和Vague集的雷达辐射源识别[J].宇航学报,2011,32(7):1639-1644.[6] 高学星,孙华刚,侯保林.使用不同置信级训练样本的神经网络学习方法[J]. 电子与信息学报,2013,36(6):1307-1311.

A novel quick emitter recognition method

Liu Zhipeng, Zhao Lixin, Zhang Guoyi

(Aviation University of Air Force,Changchun 130022,Jilin,China)

In view of the existing emitter identification method can not identify radar signals of parameters overlapping and BP neural network has the shortcomings of low efficiency of recognition. A real-time fast identification method with the improved probabilistic neural network is designed. The structural characteristics of this method have two levels of information of both the statistical properties and overall features of the radar signals, and thus can effectively identify the radar signals with overlapping parameters. At the same time, the method of probabilistic neural network was improved, make it have the ability to identify the unknown radar signal. Simulation results show that the design method of emitter recognition in significantly improved the recognition rate at the same time also has good noise resistance and robustness.

radar;emitter identification;probabilistic neural network;feature extraction; identification rate

2014-11-19；2015-01-09修回。

刘志鹏(1990-)，男，硕士研究生，主要研究方向为雷达信号分选与识别。

TN971

A