基于多权重属性测度和信息融合的辐射源识别算法*

李 楠

(西京学院信息工程学院， 西安 710123)

0 引言

辐射源识别技术经过几十年的发展，取得了大的进步，各种识别算法相继提出，文献[1]提出基于栈式线性降噪器和支持向量机的雷达辐射源信号识别，先将雷达信号变换到频域，利用PAA算法对信号降维，构造多层线性降噪器进行特征学习，构建SVM进行识别。文献[2]提出一种深度学习的雷达辐射源识别算法。文献[3]提出基于希尔伯特-黄变换和多尺度分形特征的通信辐射源识别方法。文献[4]提出基于图像纹理特征的脉内调制识别方法，对辐射源信号进行Choi-Williams变换，提取二值模式纹理特征，利用支持向量机进行分类识别。文献[5]提出基于随机无穷自动机的多功能雷达辐射源识别方法，利用随机上下文无关文法构造随机无穷自动机对辐射源识别。文献[6]提出基于协作表示Boosting的辐射源多传感器融合识别算法。文献[7]提出基于压缩感知的辐射源信号数据级融合识别法。文献[8]提出基于逆云模型的雷达辐射源识别方法，能在噪声环境下得到好的识别效果。文献[9-11]提出分布式传感器信息融合的辐射源识别，识别效果较好。文献[12]对雷达辐射源模糊识别算法进行了改进。文献[13]提出基于云模型的DSm证据建模的辐射源识别方法。文献[14]综述了近年来雷达辐射源识别的研究现状。以上部分识别算法用于军事装备中，但从使用过程中可以发现，集成于装备中的识别算法对新体制雷达和未知辐射源难以奏效，因此研究新的识别算法提高辐射源识别率显得格外重要。

随着雷达体制及信号越来越复杂，传统的五参数法已经难以适应复杂的信号环境。辐射源信号特征具有多样性，各特征在辐射源识别中的作用由其权重确定。特征参数权重确定之后，利用属性识别法对未知辐射源信号进行识别，为进一步提高雷达辐射源信号识别率，采用分布式信息融合技术利用D-S证据理论改善辐射源正确识别率。

1 理论基础

1.1 层次分析定权法

层次分析法是T.L.Saaty等人于20世纪70年代提出的，是确定权重的实用方法。对辐射源信号多参数特征，利用层次分析法对特征参数进行重要性比较，构成判断矩阵。根据一定准则得到特征参数权重。利用层次分析法计算辐射源信号特征参数权重步骤如下[11]：

步骤1：根据辐射源信号特征参数的重要度，构造比对判断矩阵A；

步骤2：利用几何平均法计算权值

步骤3：计算矩阵A·W的最大特征值λmax，其对应的权值经过一致性检验，W可作为层次分析权重。

1.2 熵值定权法

熵值法是客观赋值法，利用数据库中原始信息计算特征参数权值。特征参数值变异程度大，则信息熵值小，该特征参数的信息量大，则该参数的权值也越大；相反，特征参数值变异程度小，则信息熵值大，该特征参数的信息量小，则该参数的权值也越小。因此，可用信息熵工具计算特征参数权值。利用熵值法计算辐射源信号特征参数权重步骤如下[10]：

1.3 粗糙集定权法

1993年Ziarko提出了可变精度粗糙集模型，在其基础上，引入误差参数β(0≤β≤0.5)，进一步完善了近似空间，同时也利于用粗糙集理论从认为不相关的数据中发现相关数据。利用变精度粗糙集模型获取雷达辐射源属性参数的权重，方便于后续的辐射源识别进程。权值获取步骤如下[15]：

1.4 基于证据理论的信息融合

设识别系统的分布式传感器有P个，每个传感器有Q个测量周期，识别框架Θ包含的命题有K个(A1,A2,…,AK)，每个传感器在各测量周期上获得的后验BPAF为mij(As),i=1,2,…,P；j=1,2,…,Q；s=1,2,…,K，mij(U)=uij，i=1,2,…,P；j=1,2,…,Q，其中，uij表示对“未知”命题的BPAF。

分布式传感器多测量周期辐射源识别信息融合算法步骤如下[9]：

步骤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组合规则可得第s个命题As的单传感器融合后验BPAF：

步骤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：

步骤3：决策规则。决策时采用基于BPAF的决策。

2 基于多权重属性测度和信息融合的识别算法及程序流程

采用自适应权重法确定多参数的权重向量更符合实际辐射源识别环境，在获得权重的基础上利用属性测度识别法识别辐射源目标更贴近辐射源识别的特点，下面给出具体的识别算法。

步骤3：利用第1节几种方法计算多参数权重W=(w1,w2,…,wJ)T；

步骤4：计算得到待识别样本x属于Ck类的属性测度μx(Ck)；

步骤5：将多个传感器侦测到的样本属性测度μx(Ck)利用信息融合公式进行融合；

步骤6：融合后的结果采用基于基本概率赋值的决策进行判决，最终得出识别结果。

辐射源识别算法程序流程如图1所示。

图1 多权重属性测度信息融合辐射源识别流程

3 仿真实验

为验证多权重属性测度和信息融合的辐射源识别算法识别效能，利用模拟器模拟辐射源，获得4部雷达数据库，选择雷达辐射源信号特征为载频、脉宽、重复周期，如表1所示。利用上文3种定权法确定辐射源信号特征参数权值。测试识别算法在雷达数据库的基础上构造识别侦察参数，选取库中雷达2，对该雷达特征参数加上均值为0的正态分布噪声，得到侦察测量样本如表2所示。

在得到辐射源数据库和侦察传感器测得的信号特征参数的情况下，利用前述的几种定权法计算辐射源信号参数权重如表3所示。

表1 雷达数据库

表2 信号参数测量值

表3 3种定权法所得权重

选择任一获权法参与辐射源识别权重确定，结合上述计算步骤计算信号特征参数属性测度，构造基本概率赋值BPAF如表4所示。

表4 属性测度基本概率赋值

从表4可发现第4次计算结果判定辐射源为雷达1，是错误的识别结果，原因是测量出现了野值，利用分布式信息融合在时域和空域进行多个测量识别结果的进一步融合，可以降低辐射源错误识别率，文中信息融合识别结果如表5所示。从识别结果可见被测辐射源为辐射源雷达2，识别结果正确。

表5 信息融合识别结果

3.1 不同定权法在识别中的性能分析

假定雷达数据库中每个特征参数含有不同测量误差，其误差服从正态分布，按照表1中的4部雷达进行仿真，生成800个雷达辐射源特征参数数据，每部雷达200个样本，构成待测辐射源数据。图2是3种获权法所得权值在不同噪声环境下的辐射源平均识别率比较结果，识别采用文中属性测度和信息融合的识别算法，各通过1 000次蒙特卡罗仿真。

图2 不同权值平均识别率

从图2的识别结果对比来看，4部雷达在不同的噪声环境下采用不同的定权法，其正确识别率是有差异的，随着噪声的增加，辐射源识别率呈下降趋势，同一噪声环境下，层次分析定权法的识别率最高，其次是熵值法，粗糙集定权法的识别率最低。由此可见，采用不同的权值确定方法对辐射源识别的结果有大的影响，因此单采用一种权值确定方法可能会产生错误的识别结果，利用文中多种定权法能克服一种定权法的劣势，结合分布式多传感器时域、空域融合过程，则能大幅提高辐射源的正确识别率，因此在辐射源的识别过程中，采用多权值法更符合复杂电磁环境的实际。

3.2 文中算法同其它识别法的性能比较

为了验证多权重属性测度和信息融合的识别效能，将文中算法同文献[8]和文献[12]的识别方法在相同的雷达信号数据库和噪声环境下进行辐射源识别仿真分析。

雷达数据库采用表1中的数据，信噪比变化范围-10 dB到5 dB，SNR分别取-10 dB、-5 dB、0 dB、5 dB，经过1 000次蒙特卡罗实验，对加噪的信号参数利用文中识别算法、文献[8]方法、文献[12]方法分别进行辐射源识别，取4部雷达的平均识别率进行对比，识别率对比结果如图3所示。

图3 平均识别率对比

从图3的识别率对比结果来看，当信噪比大于0 dB的时候，3种识别算法都能取得高于80%的正确识别率。在不同的信噪比条件下，文中算法的识别率均高于文献[8]逆云模型的识别率和文献[12]改进模糊识别法的识别率，这是因为采用多权重策略和信息融合的优势。当信噪比较高时，几种识别算法的识别效能相差不大。另外文中算法的耗时要大于其它两种算法，权重确定和分布式时、空域融合占用了部分时间。

通过上述仿真结果，可得以下结论：

1)针对同一数据库，层次分析定权、熵值计算权重、粗糙集定权值，3种方法的权值计算结果有差异，这与辐射源数据库特征参数有重要关系，不同的权值其辐射源识别率是不同的。

2)相比于逆云模型和改进模糊识别法，文中属性测度和信息融合的识别方法识别率更加稳健，当信噪比大于0 dB的时候，识别率高于90%。

3)分布式信息融合利用多权重属性测度融合各传感器独立、互补的信息，消除相互的冗余和悖逆，随着时域、空域的融合，进一步提高了正确识别率。

4 结束语

面对当前复杂电磁环境下辐射源正确识别率低的问题，提出了基于多权重属性测度和信息融合的辐射源识别方法。首先分析当前辐射源识别研究现状，发现辐射源信号特征参数在识别中的权重影响识别效果，给出了层次分析定权法、熵值定权法、粗糙集定权法，并列出信息融合的步骤，构建了基于多权重属性测度和信息融合的辐射源识别算法和识别系统。通过仿真实验，将文中方法同基于逆云模型的辐射源识别方法和改进模糊集的辐射源识别方法进行了识别性能比较，验证了文中算法的优越性。