基于自适应遗传算法的电子支援侦察搜索方式设计

杜 浩，毕大平，2，李敏乐

(1. 电子工程学院503教研室, 合肥 230037； 2. 安徽省电子制约技术重点实验室， 合肥 230037)



·信号处理·

基于自适应遗传算法的电子支援侦察搜索方式设计

杜 浩1，毕大平1，2，李敏乐1

(1. 电子工程学院503教研室, 合肥 230037； 2. 安徽省电子制约技术重点实验室， 合肥 230037)

电子支援侦察是雷达对抗侦察的重要组成部分，主要借助已有情报信息对高威胁目标进行核实精测，对时效性和精确性具有较高的要求。传统的搜索方式多为周期步进或区间搜索，与电子支援侦察的任务特性和搜索要求并未完全契合，面对不同环境和任务的灵活性较差。文中基于自适应遗传算法对电子支援侦察的搜索方式进行设计：每一条染色体对应一种侦察搜索方式，染色体的基因值和基因位分别对应该时刻侦察系统的侦察区间和侦察系统在不同区间的停留顺序，以截获概率为适应度函数进行染色体的诱导变异，得到的最优染色体即为当前环境和任务下的最佳搜索方式。理论推导和实验仿真验证了该搜索方式的可行性和有效性。

电子支援侦察；遗传算法；自适应搜索；截获概率

0 引 言

雷达对抗侦察通常可以分为电子情报侦察、电子支援侦察和雷达告警等类型[1]。各类对抗侦察系统的目的都是为了获取敌方辐射源(主要是雷达)的技术参数和战术情报，但各类侦察方式的任务要求和应用背景有着较为显著的差异。电子情报侦察多用于未知的长期情报搜集；电子支援侦察则主要用于特定战场环境下重点目标群的搜索和验证，目标情报信息通常较为详实，但侦察时效性和精确性要求较高[2]。为了提高目标信号的截获效率，需采用一定的搜索方式，对频域和空域进行有侧重的搜索。但在实际情报信息搜索过程中，两种类型的侦察系统在搜索方式上并未严格区分，均采用周期性搜索或特定区间搜索。考虑到电子支援侦察是对特定目标情报信息的核实和精测，前期的侦察数据较为详实，侦察记录有迹可循，领域专家对目标有着较为充分的研究。因此，在信号的侦察过程中，应当可以结合目标数据库、专家知识库、已有侦察记录等信息，针对性地引导侦察的频率和方位，形成高效的搜索调度方法。

电子侦察的工作流程大致分为信号截获、检测、处理分析、辐射源识别[3]四个阶段，而信号截获是后续行动的先决条件。Self和Smith[4]较早对雷达信号的截获问题进行了研究，通过采用窗口函数对信号的截获事件进行建模，并根据统计平均的方式推导得到了周期信号最大截获时间的计算公式，为搜索方式的选取和评估提供了重要依据。Vaughn I[5]以最大截获时间为准则，采用数论和丢番图近似的方法，对电子支援侦察的搜索方式进行了设计，通过对侦察系统在不同频段的停留时间进行分配，有效避免了周期搜索方式下侦察目标和侦察系统之间的“同步问题”(同步指目标和侦察系统均采用周期扫描，二者的周期相近或成比例时，侦察系统很难截获到目标信号的情况)。但避免同步现象仅提升了系统的搜索性能下限，搜索的实时性和灵活性仍有较大的提升空间。Edwin D[6]对先验信息不充分情况下的优化搜索问题进行了研究，提出了基于连续时间马尔科夫过程的随机搜索方式，使侦察系统的最大截获时间随雷达扫描周期的增大而线性增长，但采用的搜索方式为随机方式，搜索行为的可控性不强。Winsor C[7]采用遗传算法对信道化接收体制的侦察系统进行了研究，为搜索方式的设计提供了新的思路，但由于算法设计中的适应度函数构建较复杂，遗传算法未结合接收机特性进行改进，导致算法的收敛速度慢、侦察耗时较长。

本文在文献[7]的基础上，将搜索方式建模为遗传算法中的染色体，将搜索方式的设计问题转为对染色体寻优问题的求解。通过对遗传算法的适应度函数进行重新设计，对染色体的交叉变异过程进行自适应诱导变异，改进了算法的适用性，提高了搜索方式在特定环境和任务要求下的针对性和灵活性。实验仿真表明：该方法相比传统搜索方式，对电子支援侦察系统的截获性能提升较为明显。

1 侦察截获模型建立

图1所示为三窗口函数的示例，窗口函数1表示雷达的天线转动规律，函数峰值表示该时间段雷达天线波束照射到侦察系统；窗口函数2表示侦察系统的频率搜索规律，函数峰值表示该时间段侦察系统的频率覆盖范围包含对方雷达的工作频率；窗口函数3表示侦察系统的天线转动规律，函数峰值表示该时间段侦察系统天线波束照射到雷达。三个窗口函数的重合部分表示该时间段内侦察系统能够截获到雷达信号。

图1 将不同维度的截获条件用窗口函数表示

2 基于遗传算法的搜索方式设计

2.1 自适应遗传算法原理

遗传算法借鉴了“优胜劣汰”的自然界法则，是一种并行的随机搜索算法，被广泛应用于人工智能、系统仿真、运筹管理等领域[9-11]。但遗传算法自身存在不少待完善的地方，尤其是算法的收敛速度和收敛性之间存在矛盾。受生物学中人工诱导变异方法的启发，采用诱导变异方法对算法进行改进。

如图2所示，为了提升后代染色体的适应度，本文在交叉变异环节，根据适应度函数确定出适应度较大的个体，对该部分个体进行分析得到各染色体的基因序列，并对各基因值和对应位置的出现规律进行统计。统计得到的出现概率较高的基因值和所在染色体的位置即为优秀基因值和基因位。在本文的应用背景下，优秀基因值和基因位置表明，在该时刻侦察系统如果对基因值对应的频率区间进行侦察更有可能截获到目标，它们为侦察系统的最佳搜索行为提供了具体的建议。

图2 诱导变异方法流程

2.2 搜索方式模型建立

信道化接收机具有良好的频率选择性、高灵敏度和宽瞬时频率覆盖范围，典型的信道化接收机可以瞬时覆盖侦察频域的10%～20%。将侦察频域根据信道化接收机的瞬时频率覆盖范围进行等间隔划分，则信道化接收机的搜索只需在5～10个侦察区间进行切换。根据遗传算法的理论，遗传算法中的每一条染色体对应一种侦察搜索方式，染色体的每一个基因由整数构成，对应该时刻侦察系统正在侦察的频率区间，基因在染色体上的排列次序对应侦察系统在不同区间的停留顺序。图3所示为搜索方式与染色体的对应关系，根据侦察系统的瞬时频率覆盖范围将待侦察频域均匀划分成10个区间，并予以编号，侦察系统单位时间内仅对某一区间进行侦察。遗传算法生成的染色体长度与侦察所需的总时间相等，染色体上的基因位置对应侦察的具体时刻，基因的数值(取整数0～9)对应该时刻侦察系统的侦察区间，通过构建染色体可对侦察系统的每一个时刻的侦察行为进行精确控制。

图3 搜索方式与染色体的对应关系

2.3 算法适应度函数设计

由于侦察策略主要用于短时间内特定目标群的精测和验证，适应度函数采用各目标截获概率的加权和P。

目前通用的截获概率计算方法是将各维度的截获事件采用泊松流描述，根据各窗口函数的平均窗口宽度τi和平均搜索周期Ti进行计算，T时间内k次截获的概率为[12]

T≥0, k=1,2,…

(1)

考虑到遗传算法生成的初始种群为一系列随机数列，每个数字的重现频率不满足周期性，采用式(1)计算将存在较大的误差，不能正确反映截获性能。

如图4所示，现将各维度窗口函数经过采样得到0和1组成的数列，将染色体分别按照是否停留在特定频率区间化为若干条数字序列(数列只有0和1构成，1表示该时刻停留在区间内，0表示不在该区间)，将各数列按位进行“与”运算，对运算得到的数列中数字1的位置和数目进行统计分析。1的数量和连续出现的位数为成功截获该雷达信号的次数和截获的持续时间。

图4 染色体与窗口函数采样序列的运算过程

实际情况下，雷达的开机时间无法获取，即空域窗口函数的初始相位φi无法确定，需要根据采样精度对初始相位不同取值下的截获情况逐一统计，将能够截获目标的取值个数除以总取值个数，即为该目标的截获概率pi

(2)

式中：Na为初始相位的取值个数；Nb为数列R(φj)的位数；R(φj)为初始相位φj条件下各数列“与”运算的结果。

总截获概率P的计算公式为

(3)

式中：hi为目标的优先级(取值越大，优先级越高)；pi为目标i的截获概率；N为待侦察目标的个数。

2.4 算法运算步骤

步骤1 确定染色体长度、基因的取值范围，产生初始种群；

步骤2 计算种群的适应度，并按升序排列，分别用B1(t)～B10(t)表示；

步骤3 分别对B3(t)～B10(t)进行优秀基因位的统计，将优秀基因值保存到T3～T10；

步骤4 根据步骤3中的T3～T10的值对B3(t+1)～B10(t+1)诱导变异[13]。随机产生2个新个体赋值给B1(t+1)和B2(t+1)；

步骤5 判断是否达到设定的迭代次数，达到则结束，否则t=t+1，执行步骤3。

3 理论分析和场景仿真

3.1 算法收敛性分析

根据算法的运算步骤可知，种群在第t+1代的状态只与第t代种群状态有关，与之前的代数无关，种群是有限集，故可以采用有限齐次马尔科夫过程进行分析描述[14]。

以Xi表示t=i时刻的状态，以Pi表示处于状态Xi的概率，以Pi,j表示状态Xi→Xj的转移概率，P表示状态转移矩阵。

(4)

则

(5)

又

(6)

将上式代入，则

(7)

又

(8)

综上可得

(9)

即迭代次数足够大时，文中的算法能搜索到全局最优值。

3.2 场景仿真及分析

下面对本文的搜索方式通过场景仿真，进一步分析截获性能。某次侦察任务，需要在尽可能短的时间内对下列11部雷达的工作参数和开机与否进行精测和核实。侦察目标工作参数如表1所示。

表1 待侦察目标清单

侦察系统采用信道化体制的接收机，瞬时频率覆盖范围为600 MHz，侦察范围为0.3 GHz～8 GHz。分别针对常规周期往复搜索方式(搜索行为如图5所示，对应的截获概率为P1)、只在目标群所在频率区间(以下简称参考区间)周期往复搜索(搜索行为如图6所示，对应的截获概率为P2)和基于遗传算法的搜索(P3)三种方式，每个频率区间的停留时间为0.1 s和0.05 s两种情况下，相同观测时长时的截获性能进行比较分析。

图5 常见周期往复搜索示意图

图6 参考区间周期往复搜索示意图

图7、图8所示分别为停留时间是0.05 s和0.1 s时三种搜索方式的性能对比。

图7 单次停留时间为0.05 s时搜索方式性能对比

图8 单次停留时间为0.1 s时搜索方式性能对比

通过分析可得到如下结论：

(1)三种搜索方式中，基于遗传算法的搜索方式截获概率是最高的。这是因为提高截获概率的关键是提高各窗口函数的峰值重叠部分。对于周期往复的搜索方式，各窗口函数的形状均是固定的，若要提高峰值的重叠部分只能借助增加搜索时间，不能对窗口函数的峰值长度和峰值位置进行调整；基于遗传算法的搜索方式，通过多代遗传变异得到最优染色体，侦察系统对应的窗口函数的峰值长度和峰值位置得到了针对性的设计，当搜索时间延长时，峰值的重叠部分会增加的很快，由此实现高截获概率。

(2)单次停留时间为0.05 s时的搜索方式截获概率略高于停留时间为0.1 s的搜索方式。采用较短的停留时间进行周期搜索，能够提高侦察系统对不同区间的搜索频次，同样可以提高对不同窗口函数的重合机会，但停留时间不应过短，否则窗口函数的峰值部分会太小，不利于实现与其他窗口函数的峰值匹配。基于遗传算法的搜索方式，停留时间减小，则对应染色体上的基因数目增多，从而使基因排布的灵活性增强，频率搜索的控制精度增高，减少了时间上的浪费；但与此同时，对遗传算法的收敛速度要求更高(需要更多的进化代数才能得到最优解)。

(3)常规搜索的截获概率随时间的增幅比较恒定，而后两种方式在观测超过40 s后，截获概率的增长速度均放缓。P3的增长放缓是由于此时截获概率已经趋近于1，算法的寻优结果趋于稳定。P2增长的放缓是由于截获概率是11个侦察目标截获概率的加权和，天线波束宽度宽、脉冲重复间隔(PRI)短的目标能够随观测时间的增长实现高截获概率；但天线波束宽度窄、PRI长的目标，对应维度的窗口函数的峰值部分短、重复周期长，短时间内不易实现各函数峰值的重合；随着观测时长的增加，部分目标的截获概率增长较快，短时间内达到很高的值，而另一部分目标较难截获，单纯增加观测时长，效果不明显。P1的增长趋势比较稳定是由于该搜索方式尚未对容易搜索到的目标实现最佳截获，可以预见，当观测时间继续增大时，P1的后续增长也会出现同P2相似的情形。

(4)观测时长变长，三种搜索方式的截获概率均增大。这是由于观测时间增大，不同维度的窗口函数实现重合的机会变多。

图9所示为单次停留时间为0.05 s，观测时长分别为10 s、20 s、30 s、40 s时遗传算法的性能曲线。不同观测时长下的初始截获概率的大小处于常规周期搜索和参考区间周期搜索两种方式的性能之间，经过140代左右的进化，算法的性能逐渐稳定，最终截获概率较初始值提高了0.2左右，迭代过程中有时会陷入局部收敛，但由于采用了自适应诱导变异经过20代左右的时间能够摆脱局部收敛。

图9 基于遗传算法的搜索方式性能(停留时间为0.05 s)

4 结束语

本文主要研究了一种基于改进型遗传算法的雷达对抗侦察搜索方式。适应度函数的设计采用对窗口函数采样、采样数列进行“与”运算、运算得到的数列按位相加统计等步骤，为非周期搜索方式下的截获概率计算提供了一种快捷可行的求解途径。通过自适应诱导变异提升了遗传算法的性能。基于改进型遗传算法的搜索方式利用了信道化接收机的宽瞬时频率覆盖范围等优点，使侦察系统能够根据当前环境下的搜索任务采取针对性地搜索方式，相较传统的周期性步进搜索方式提高了重点目标群的截获概率，减少了搜索时间，为后续的信号处理奠定了良好的基础。

[1] WILEY R G. 电子情报(ELINT): 雷达信号截获与分析[M]. 吕跃广, 译. 北京:电子工业出版社, 2008. WILEY R G. Electronic intelligence: radar signal acquisition and analysis [M]. LÜ Yueguang, translate. Beijing: Pubishing House of Electronics Industry, 2008.

[2] 姜秋喜. 网络雷达对抗系统导论[M]. 北京: 国防工业出版社，2010. JIANG Qiuxi. Introduction to network radar countermeasure systems[M]. Beijing: National Defense Industry Press, 2010.

[3] VAUGHN I. CLARKSON L. The farey series in synchronization and intercept-time analysis for electronic support[J]. Transactions of the AOC, 2004, 1(1): 7-28.

[4] SELF A G, SMITH B G. Intercept time and its prediction[J]. IEE Proceedings,1985,13(2): 215-220.

[5] VAUGHN I, CLARKSON L. Optimization of periodic search strategies for electronic support[J]. IEEE Transactions on Aerospace Electronic Systems, 2011, 47(3): 1770-1784.

[6] EDWIN D. MAHASSNI E, STEPHEN D, et al. A markov-chain model for sensor scheduling in electronic support[J]. IEE Proceedings of Radar, Sonar & Navigation, 2006, 153(4): 325-332.

[7] WINSOR C, HUGHES E J. Optimization and evaluation of receiver search strategies for electronic support[J]. IET Radar, Sonar and Navigation, 2012, 6(4): 233-240.

[8] 胡来招. 雷达侦察接收机设计[M]. 北京: 国防工业出版社, 2000. HU Laizhao. Design for radar reconnaissance receivers[M]. Beijing: National Defense Industry Press, 2000.

[9] 杨正龙, 张 锐, 杨文军, 等. 基于遗传算法的网格化球顶相控阵波束综合[J]. 现代雷达, 2016, 38(3): 70-74. YANG Zhenglong, ZHANG Rui, YANG Wenjun, et al. Radiation pattern synthesis for geodesic dome phased array antenna based on genetic algorithm[J]. Modern Radar, 2016, 38(3): 70-74.

[10] 朱 玲, 江朝抒, 陈祝明,等. 基于矩估计的遗传算法杂波幅度模型参数估计[J]. 现代雷达, 2009, 31(12): 53-56. ZHU Ling, JIANG Chaoshu, CHEN Zhuming, et al. Genetic algorithm applied to parameter estimation for clutter amplitude model based on MOM[J]. Modern Radar, 2009, 31(12):53-56.

[11] 王 鹏, 谭贤四, 王 红,等. 基于遗传算法的地面中重频PD雷达PRF组选择[J]. 现代雷达, 2008, 30(9): 33-35. WANG Peng, TAN Xiansi, WANG Hong, et al. PRF set selection for ground-based MPRF PD radar based on generic algorithm[J]. Modern Radar, 2008, 30(9): 33-35.

[12] 赵国庆. 雷达对抗原理[M]. 西安: 西安电子科技大学出版社, 2012. ZHAO Guoqing. Principles of radar countermeasure[M]. Xi′an: Xidian University Press, 2012.

[13] 梁亚澜, 聂长海. 覆盖表生成的遗传算法配置参数优化[J]. 计算机学报, 2012, 35(7): 1522-1538. LIANG Yalan, NIE Changhai. The optimization of configurable genetic algorithm for covering arrays generation[J]. Chinese Journal of Computers, 2012,35(7): 1522-1538.

[14] 曹 凯, 陈国虎, 江 桦. 自适应引导进化遗传算法[J]. 电子与信息学报, 2014, 36(8): 1884-1890. CAO Kai, CHEN Guohu, JIANG Hua. Guided self-adaptive evolutionary genetic algorithm[J]. Journal of Electronics & Information Technology, 2014,36(8):1884-1890.

杜 浩 男，1990年生，硕士研究生。研究方向为电子对抗装备。

毕大平 男，1965年生，教授，博士生导师。研究方向为电子对抗装备新技术。

李敏乐 男，1992年生，硕士研究生。研究方向为雷达对抗侦察技术。

Search Strategy Design for Electronic Support Measure Based on Adaptive Genetic Algorithm

DU Hao1，BI Daping1,2，LI Minle1

(1. Department of 503, Electronic Engineering Institute, Hefei 230037, China)(2. Key Laboratory of Electronic Restriction, Anhui Province, Hefei 230037, China)

Electronic support measure is an important part of radar reconnaissance, mainly through existing intelligence information on the high level threat emitters to make high precision measurement or verification. Such operation heavily demands on timeliness and accuracy. Traditional search mode tends to be periodic pattern or stayed on certain region, which is not fully fit with the emitters' characteristics or the task requirement and possesses poor flexibility. Based on the adaptive genetic algorithm, this paper designs and analyzes the search strategy of electronic support measure. Each chromosome corresponds to a search strategy; the gene value of the chromosome and the position of the gene corresponds to the search intervals and the dwell sequence of search strategy separately. Based on the fitness function, which is calculated by the intercept probability, chromosomes take induced mutation to find the optimal offspring which is also the desired search strategy confronted with the current environment. Theoretical derivation and experimental simulation verify the feasibility and effectiveness of this method.

electronic support measure; genetic algorithm; adaptive search; intercept probability

10.16592/ j.cnki.1004-7859.2016.11.005

杜浩 Email：kevindu0930@163.com

2016-08-15

2016-10-13

TN957.51

A

1004-7859(2016)11-0018-06