雷达辐射源识别中数据库的构建及应用*

刘飞，何明浩，冯明月，蒋莹

(1.空军预警学院，湖北 武汉 430019；2.中国人民解放军95174部队，湖北 武汉 430040)

0 引言

在当前互联网、大数据的信息网络时代，数据库的应用是无处不在，其作用也是愈加重要。同样，在电子对抗领域，随着战场电磁环境的日趋复杂，传统基于常规参数的雷达辐射源识别方法已难以满足作战需求[1-3]，于是大量研究人员致力于发掘雷达辐射源识别的新方法和新手段[4-6]，追求识别方法的自动化、智能化和精准化，然而不可否认，规范完善的数据库是这“三化”识别方法的基础。

从公开的文献来看，近几年国内关于雷达辐射源识别数据库方面的研究并不多，仅文献[7]在研究被动雷达辐射源识别技术时提出雷达及其信号信息数据库的构建方法，但是其建立的信号信息数据库只涉及到辐射源信号的基本参数，也就是常说的传统的常规参数。然而现实的情况是，被挖掘和发现的雷达辐射源特征参数，尤其是脉内特征参数越来越多[8-11]；新研究的雷达辐射源识别方法对数据库的要求也越来越高[12]，因此，有必要对雷达辐射源识别数据库进行完善和规范，也有必要对基于数据库的相关应用方法做深化研究。

1 数据库设计需求分析

设计雷达辐射源数据库主要考虑2个方面的应用：一是雷达辐射源信息的收集积累，包括辐射源基本信息的收集和辐射源特征参数的收集；二是雷达辐射源数据库在识别中的应用。

1.1 辐射源基本信息的收集

雷达辐射源基本信息是一种对辐射源技战术特点的文字描述，可以给人直接的主观印象。随着雷达技术的飞速发展，不断有新型雷达装备出现在各类战场，因此，雷达辐射源数据库中辐射源的基本信息需不断完善和更新，为战场指挥员提供尽可能全面和准确的情报。

1.2 辐射源特征参数的扩充

雷达辐射源的特征参数是对辐射源信号波形特点的数据描述，是参与算法运算的基础。由于采集环境的不同或雷达辐射源参数设置的不同，造成提取同一个辐射源的特征数据也会不同，所以雷达辐射源数据库要能体现相同辐射源对应多组特征参数的互联关系。并且，越来越多的脉内特征参数的挖掘和提取，数据库要能在横向和纵向扩展，适应雷达辐射源特征参数在种类和维数上的变化。

1.3 辐射源识别技术的支撑运用

雷达辐射源识别数据库及其重要的作用还体现在对辐射源识别技术的数据支撑。不管是用于辐射源识别分类器的智能学习，还是用于匹配识别辐射源的基本信息，都需数据库数据的密切参与，因此，在数据库的设计上，要考虑与实际应用的结合。

2 数据库构建方法

在数据库构建平台的选择上，选用操作简便、应用广泛的SQL Server关系型数据库管理系统[13]。在SQL Server平台中，数据表的设计是构建数据库的基础工作，也是数据库构建的主要内容。根据雷达辐射源识别数据库的设计需求，主要考虑辐射源信息表和特征表两大主表的构建。

2.1 信息表与特征表的关联

在需求分析中提到，雷达辐射源信息表中的一条基本信息记录往往会对应特征表中的多条特征数据记录。这种“一对多”的关系，考虑在设计数据表时对数据表进行“垂直分割”，将信息表定义为“父表”，将特征表定义为“子表”。“父表”、“子表”之间通过外关键字关联，如图1所示。

图1 雷达辐射源信息表与特征表的关联
Fig.1 Relationship between information table and characteristic table

数据库设计中，选用“雷达编号”为信息表的主键，选用“特征编号”为特征表的主键，同时，“雷达编号”还作为特征表的外关键字，与信息表进行关联。

2.2 信息表构建

为完整描述雷达辐射源的基本信息，雷达辐射源信息表的属性项要能涵盖辐射源的各个方面，如图2所示。在有些可以规范统一的属性项上，如敌我属性、雷达用途、工作状态、技术体制、武器平台、威胁等级、国家地区等，可进一步设计属性子表，使数据库的结构简洁明了，数据的维护和调用方便快捷。

图2 辐射源信息表的E-R模型Fig.2 E-R model of information table

在雷达辐射源信息表中，由于选取“雷达编号”作为主键，因此“雷达编号”在数据表中不能为空，且具有唯一性，其他属性可根据实际对雷达辐射源信息的掌握情况进行确定。在信息表属性的数据类型设置上，保持与属性子表一致，如表1所示。

表1 辐射源信息表属性Table 1 Attributes of information Table

2.3 特征表构建

雷达辐射源特征表记录辐射源信号的各类特征参数，包括常见的基本参数，如信号的调制类型、脉宽、载频、重复周期等，还包括信号的脉内特征参数，如信号的频谱、时频关系、熵值、复杂度等，如图3所示。

图3 辐射源特征表的E-R模型Fig.3 E-R model of characteristic table

需要说明的是，特征表的最后2个属性分别为“信号环境”和“训练标志”，其中，“信号环境”指侦收该条记录时所对应信号的战场环境情况，如信噪比、电磁情况等，“训练标志”指该条记录是否加入智能学习训练的样本库，若加入则会改变分类模型，需重新训练分类器，若不加入则作为普通的信号特征记录。特征表记录的属性主要由各种特征参数数据组成，难以形成统一的属性集合，因此，除调制类型表外没有属性子表。

在雷达辐射源特征表中，选取“入库编号”作为表的主键，不能为空，其他属性根据实际特征获取情况进行确定，如表2所示。但当记录加入训练样本时，则要求所有的属性值不能为空。从表中数据类型的设计不难发现，特征表属性的数据类型各不相同，这主要是因为每个特征数据的维数和数值长度不同，如频谱数据的维数是128，每一维的数据是“0.xx”样式，加上数据之间通过“，”隔开，所以每一维数据的数值长度为5位，这样频谱数据的数值总长度就是640位。

表2 辐射源特征表属性Table 2 Attributes of characteristic Table

3 基于辐射源识别数据库的应用实例

构建数据库的重要意义在于其实际应用中简化了数据操作以及奠定了数据基础，本文探究了雷达辐射源识别数据库在实际应用中的3个方面内容。

3.1 数据可视化管理

辐射源数据的可视化管理是关于数据库的最基本的应用。数据库的构建平台如SQL Server本身带有数据库的基础维护管理功能，但是这些功能大都由数据库管理员操作使用，对于普通用户来说，在数据库的数据使用上希望应用界面更直观、交互性更好，因此，一般都会设计专门的可视化应用软件供用户使用。

同样，实现对雷达辐射源识别数据库数据的可视化查询、修改、删除等操作，可根据雷达辐射源识别数据库的两大主表(信息表和特征表)进行开发应用。在应用界面的布局中，分别设计参数设置区、数据管理操作区和数据表格显示区，对应的功能分别为数据表属性值的输入、数据表的数据操作(查询、修改、删除等)和数据表的结果显示，如图4所示。

图4 数据可视化管理的应用界面Fig.4 Application form of visual data administration

在2个数据库的管理应用窗口中，对于“雷达编号”和“特征编号”均设有“获取编号”按钮，通过该按钮可以自动获得新记录的编号，确保数据库中主键的唯一性。在“父表”辐射源信息库中通过“查看特征参数”按钮可引导选定辐射源的特征数据显示。

3.2 信号调制类型识别

采用智能分类的方法实现信号调制类型的识别，是数据库应用非常重要的内容。通过对样本数据的学习训练，生成分类模型；然后把待分类数据输入到分类模型，输出分类结果；对于分类结果可选择是否加入更新样本数据，该过程如图5所示。

图5 智能分类流程结构图Fig.5 Flow chart of intelligently sorting

本文分类器选用在解决小样本、非线性及高维模式识别问题中表现优秀的支持向量机(SVM)[14-15]，样本数据利用特征表和调制类型表之间的关联产生，如图6所示。利用2个表中的公共关键字“调制类型”，建立信号调制类型分类号与雷达辐射源信号脉内特征数据之间的联系。这里选用样本数据主要基于脉内特征数据，因为传统的常规参数在当前复杂电磁环境中表现不佳，不能满足需求，而脉内特征由于其稳定性好、标识性强越来越多的被利用到辐射源信号的分选和识别中。

图6 样本数据的生成方法Fig.6 Method of generating sample data

由此生成的样本数据样式如图7所示，其中“信号环境”和“训练标志”作为样本数据的选择条件。

把样本数据输入到SVM中进行分类训练，输出分类模型model_saveFile，该分类模型对5种典型雷达辐射源信号调制类型的分类准确率达97.8%，分类结果如图8所示。

图8 SVM分类结果Fig.8 Sorting result of SVM

对于实时侦收的雷达辐射源信号，通过提取脉内特征，并输入到SVM分类模型可实时输出信号的调制类型，如图9所示。

图9 信号调制类型的识别结果Fig.9 Recognition result of modulated signals

3.3 雷达辐射源匹配识别

利用智能分类器进行雷达辐射源信号调制类型的识别是一种快速的、有限的识别，若事先采集存储了侦收到的雷达辐射源信号波形数据，则可对雷达辐射源信号做事后全面的数据分析，并结合数据库，识别出详细的雷达辐射源信息。

(1)

式中:A为待识别信号标记;Mi为第i组特征参数的维数。

(2)

式中:D为数据库记录标记。

计算待识别信号与数据库记录的相似度为

(3)

给定阈值ρ(一般大于0.99)，当ρAD≥ρ时，认为待识别信号与数据库中的记录是同源的，如图10所示。此时可根据该记录中的“雷达编号”获取辐射源信息库中对应的雷达辐射源详细信息。若对于数据库中所有的记录均没有ρAD≥ρ，则认为待识别信号来自新的雷达辐射源，需进一步搜集信息并加入辐射源信息库。

图10 辐射源匹配识别结果Fig.10 Recognition result of matching emitter

4 结束语

本文从信息库和特征库2个方面构建雷达辐射源识别数据库，规范和明确了数据库的属性范围，也建立了数据表之间的关联关系，为辐射源信息的收集及数据的应用奠定了基础。该数据库的构建方法适应了目前复杂电磁环境下辐射源识别对数据库的要求。文中提出的关于数据库应用的3个场景，可为雷达辐射源数据管理和智能识别提供重要参考。

[1] 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.

KUANG Ping-chang，WANG Jie-gui，LUO Jing-qing.Radar Emitter Recognition Based on Pulse Sequence Pattern and Vague Set[J].Journal of Astronautics，2011，32(7)：1639-1644.

[2] 廖宇鹏，周仕成，舒汀.基于个体特征的雷达辐射源识别方法研究[J].现代雷达，2015，37(3)：36-41.

LIAO Yu-peng，ZHOU Shi-cheng，SHU Ting.A Study on Radar Emitter Recognition Technology Using Individual Characteristics[J].Modern Radar，2015，37(3)：36-41.

[3] 石丹，刘卓，刘茂，等.一种基于方向特性识别电磁辐射源的新方法[J].电波科学学报，2014，29(5)：964-968.

SHI Dan，LIU Zhuo，LIU Mao，et al.A New Method for Electromagnetic Radiation Source Identification on the Basis of Directional Characteristics[J].Chinese Journal of Radio Science，2014，29(5)：964-968.

[4] 郭强，何友.基于云模型的DSm证据建模及雷达辐射源识别方法[J].电子与信息学报，2015，37(8)：1779-1785.

GUO Qiang，HE You.DSm Evidence Modeling and Radar Emitter Fusion Recognition Method Based on Cloud Model[J].Journal of Electronics & Information Technology，2015，37(8)：1779-1785.

[5] 周志文，黄高明，高俊.基于压缩协作表示的辐射源识别算法[J].航空学报，2016，37(7)：2251-2258.

ZHOU Zhi-wen，HUANG Gao-ming，GAO Jun.Emitter Recognition Algorithm Based on Compressively Collaborative Representation[J].Acta Aeronautica et Astronautica Sinica，2016，37(7)：2251-2258.

[6] CHEN Chang-xiao，HE Ming-hao，LI Hong-fei.An Improved Radar Emitter Recognition Method Based on Dezert-Smarandache Theory[J].Chinese Journal of Electronics，2015，24(3)：611-615.

[7] 韩卫国，章碧，骆彬.基于雷达及其信号信息数据库的被动辐射源识别技术[J].雷达与对抗，2010，30(3)：67-70.

HAN Wei-guo，ZHANG Bi，LUO Bin.The Technology Based on Radar Signal Information for Passive Radiation Source Recognition[J].Radar & ECM，2010，30(3)：67-70.

[8] 孟凡杰，唐宏，王义哲.基于多特征融合的雷达辐射源信号识别[J].计算机仿真，2016，33(3)：18-22.

MENG Fan-jie，TANG Hong，WANG Yi-zhe.Radar Emitter Signal Recognition Based on Fusion of Features[J].Computer Simulation，2016，33(3)：18-22.

[9] 徐玉龙，王金明，徐志军，等.基于小波熵的辐射源指纹特征提取方法[J].数据采集与处理，2014，29(4)：631-635.

XU Yu-long，WANG Jin-ming，XU Zhi-jun，et al.Fingerprint Feature Extraction Method for Emitters Based on Wavelet Entropy[J].Journal of Data Acquisition and Processing，2014，29(4)：631-635.

[10] 刘凯，韩嘉宾，黄青华.基于改进相像系数和奇异谱熵的雷达信号分选[J].现代雷达，2015，37(9)：80-85.

LIU Kai，HAN Jia-bin，HUANG Qing-hua.Sorting Radar Signal Based on the Improved Resemblance Coefficient and Singular Spectrum Entropy[J].Modern Radar，2015，37(9)：80-85.

[11] 李英达，肖立志，李吉民，等.基于网格聚类的复杂雷达信号分选[J].现代防御技术，2013，41(5)：124-128.

LI Ying-da，XIAO Li-zhi，LI Ji-min，et al.A Method of Complex Radar Signal Based on Grid Clustering[J].Modern Defence Technology，2013，41(5)：124-128.

[12] 刘飞，何明浩，郁春来，等.一种雷达辐射源信号识别的工程实现方法[J].空军预警学院学报，2015，29(5)：328-331，342.

LIU Fei，HE Ming-hao，YU Chun-lai，et al.Method for Project Implementation of Recognizing Radar Emitter Signal[J].Journal of Air Force Early Warning Academy，2015，29(5)：328-331，342.

[13] 崔群法，祝洪涛，赵喜来.SQL Server 2008中文版从入门到精通[M].北京：电子工业出版社，2009.

CUI Qun-fa，ZHU Hong-tao，ZHAO Xi-lai.Introduction and Mastery of SQL Server 2008 Chinese Edition[M].Beijing：Publishing House of Electronics Industry，2009.

[14] Vladimir N Vapnik.统计学习理论的本质[M].张学工,译.北京：清华大学出版社，2000.

Vladimir N Vapnik.The Nature of Statistical Learning Theory[M].ZHANG Xue-gong,Translated.Beijing：Tsinghua University Press，2000.

[15] 丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，40(1)：2-10.

DING Shi-fei，QI Bing-juan，TANG Hong-yan.An Overview on Theory and Algorithm of Support Vector Machines[J].Journal of University of Electronic Science and Technology of China，2011，40(1)：2-10.