电子战中的雷达干扰效果评估技术

刘德龙 凡浩

（中国船舶重工集团公司第七二三研究所 江苏省扬州市 225001）

雷达对抗是电子战中最常规、最关键的技术手段，能在现代战争中起到决定性作用。在雷达对抗中，最关键的技术之一就是干扰效果评估，它能够准确、全面、客观地评价某次雷达干扰实施的效果和电子战装备的作战效能，为战术决策提供支撑。但是雷达对抗是雷达方和干扰方动态博弈过程，夹杂着许多不定因素，所以对雷达干扰效果的评估是一个相当复杂困难的过程，因此如何改善和提升雷达干扰效果评估技术是当前急需深入研究的课题。

1 干扰效果评估的基本概念

雷达对抗是指我方根据作战使命使用电子战装备对敌方雷达设备实施干扰，从而促使受干扰的雷达不能正常工作，使其部分功能丧失，影响其运行的稳定性，甚至将其摧毁。通常可以把对敌方雷达被干扰后的损伤或破坏效应进行科学定性或定量的过程称作雷达干扰效果评估。

基于雷达方的干扰效果评估属于事后评估，常用于雷达对抗试验。在对抗过程中，全程记录雷达屏显，电子战数据，战场双方态势及各平台空间运动信息，然后由专业人员综合对比分析所有数据，以此对干扰效果给出综合评价。在实际作战中，我干扰实施方很难直接从敌被干扰雷达处获取评估干扰效果所需要的数据，也不可能直接观测到干扰效果，因此这种基于雷达方的干扰效果评估方法并不可用。根据认知电子战理论，基于干扰方的雷达干扰效果评估主要是根据干扰实施前后我方电子战系统侦收到的被干扰雷达的辐射源信息变化情况，并结合先验知识来对干扰策略给出可能的干扰效果。如图1 所示。

2 雷达干扰效果评估准则

判定某次对雷达的干扰是否有效时，必须要以科学的评估准则作为依据，并且每条评估准则都应有相应的评估指标。在评估干扰效果时，根据评估准则制定合理、准确的评估指标是最为关键的环节，这就要求我们对干扰目标、干扰类型、干扰时机及外部环境等相关因素进行全面分析。通常情况下，需要同时运用多项评估指标来反馈干扰效果，这就要求根据不同的评估准则构建完善的、系统化的评估指标集。

2.1 信息准则

从信息论的角度出发，可将雷达的工作过程近似于一个信息传输的过程，在雷达的回波信号中包含了丰富的目标信息，雷达接收机通过提取目标回波中的相关信息来获得各种雷达方感兴趣的目标参数。回波信号中包含的目标信息量是雷达能否有效检测目标的关键因素，一般用熵来衡量信息量的大小，因此熵决定了雷达探测能力的强弱。信息准则所采用的评估指标就是对干扰信号计算出的熵值，其大小和不确定性成正比。

干扰信号的熵值H(J)如下式：

其中Pk为干扰信号概率密度分布函数，干扰信号J 的全概率矩阵为：

式中J1…Jn为随机变量的值，P1…Pn为对应随机变量出现的概率。

如若随机变量为连续分布，则有熵H(X)如下式：

图1：基于干扰方的雷达干扰效果评估流程图

图2

对于信息准则，其优势主要是理论清晰和运算简单，而劣势则是其只能结合干扰信号的品质来判定雷达干扰效果，且在实际运用中干扰信号概率密度分布函数很难得到。

2.2 功率准则

功率准则既能量准则，基于和概率相关的雷达参数的分析，其所采用的评估指标主要包括最小干扰距离、干扰压制区域、压制系数以及输入端信干比等，但在实际应用中常用雷达接收机干扰信号比作为参数进行分析，因此功率准则也称作干信比准则。与欺骗干扰相比，干扰信号功率对压制干扰的干扰效果影响更大，因此功率准则一般只用于对压制干扰效果的评估。在具体的应用过程中通常会以压制系数KA进行表示：

在实际的干扰效果评估工作中，功率准则应用得非常广泛，它能够直观地反馈出压制干扰的实际效果，但对于欺骗干扰则失去了评估能力。

2.3 概率准则

概率准则也叫效率准则或战术运用准则，相比于上述两种评估准则，它能够全面考虑到干扰因素，有着更广泛的适用范围。概率准则具体可分为两种情况：其一从雷达本身角度考虑，在干扰环境下，雷达完成自身特定任务的能力，如远程警戒搜索雷达对目标的发现概率，末制导雷达的搜索跟踪制导能力，通过计算分析可得出对这些雷达能力在干扰前后的变化情况，从而反映出相应干扰实施的效果；其二从作战系统角度出发，在干扰环境下，雷达所在的作战系统完成战略任务的能力，例如包含了搜索雷达和火控雷达的火控系统，可以用其在干扰条件下的杀伤概率和打击精度等参数描述干扰效果。

概率准则是一种基于统计法的准则，其运用往往基于大量的统计信息，为了达到期望的评估精度和准确性，需要针对特定雷达在战前进行大量重复的干扰试验，可以说对其运用范围在一定程度上有所影响。

2.4 时间准则

一套完整的雷达系统运行工作时由多个环节组成，每个环节都会有一定的反应时间，例如末制导雷达搜索过程中发现目标的时间，发现目标后搜索转跟踪的时间等，通过计算分析雷达系统各环节的反应时间可以反映出其性能的优劣。当目标雷达遭受干扰后，各个环节的工作性能都会有所下降，导致反应时间将有所延迟，因此时间准则就是通过观察雷达工作时各环节的延迟时间来度量干扰效果的。

3 基于神经网络的干扰效果评估方法

3.1 基于BP神经网络的干扰效果评估方法

3.1.1 网络层数

基于BP 神经网络的干扰效果评估采用3 层BP 网络。输入层由干扰评估指标元素X=(x1,x2,…,xn)T组成，输出层由评估结果Z=(z1,z2,…,zm)T组成，隐含层为Y=(y1,y2,…,yl)T，输入层到隐含层的权向量为V=(v1,v2,…,vi)T，隐含层到输出层的权向量为W=(w1,w2,…, wj)T。

3.1.2 各层神经元个数

输入层神经元个数n 由干扰评估指标集中的元素个数决定，输出层神经元个数m 由评估结果个数决定，例如评估结果为很好、好、一般、差、无效，则m 为5， 隐含层神经元个数l 可由经验公式决定，其中α 为调节常数，取0～10 之间的常数。

3.1.3 激活函数

3.1.4 BP 神经网络学习算法

（1）正向传播：训练样本作为输入传入BP 网络，经过隐含层处理的结果为将次作为输出层的输入，得到最终的输出结果为

（2）反向传播：若输出层的实际输出与期望输出不符，将误差反向传播，采用梯度下降法来调整权值，使误差在容许范围内。

（3）反复正向传播和反向传播，直至完成整个训练样本的学习。

3.2 基于RBF神经网络的干扰效果评估方法

RBF 神经网络与BP 神经网络在结构上基本相同，同为3 层网络结构，使用径向基函数 作为RBF 神经网络的激活函数，cl为第l个隐节点的数据中心，||X-cl||为输入样本到数据中心的欧式距离。在相同的样本和精度要求下RBF 要比BP 的结构更加简洁，且收敛速度更快。

4 基于SVM的干扰效果评估方法

SVM 理论是建立在结构风险最小化原则和VC 维理论之上，是针对小样本或有限样本统计估计与预测学习的最佳理论，它能较好的解决雷达干扰效果评估中样本非线性和高维数等实际问题。SVM 结构图如图3 所示。

SVM 本身是解决2 分类问题的，干扰效果评估问题实质上可归纳为一种多分类问题。设经m 次雷达干扰试验获得的干扰效果样本集为(Xi|yi)，i=1,2,...,m，其中k ≥3，i=1,2,...,m，为干扰评估指标集中各元素的值，yi为类标，既每次干扰的评估结果。

目标任务：根据SVM 多分类算法，将干扰效果样本集分为训练样本集和测试样本集，使用训练集对SVM 多分类器进行训练，寻找判别函数使得测试集上的样本可被该分类器正确分到k 种评估结果中的一种。

输入数据：训练样本，测试样本。

输出数据：测试样本分类结果y，y=(1,2,...,k)，k ≥3。

训练过程：根据选定的SVM 模型和多分类算法构建SVM 多分类器，使用训练集对SVM 多分类器进行训练，得到判决函数f(x)。

测试过程：使用判决函数f(x)，将测试集上的样本分别进行测试，得到其所属类别。

使用过程：在实际作战中，使用干扰前后的雷达辐射源信息作为SVM 多分类器的输入，得到的输出即为干扰效果评估结果。

5 结论

本文对电子对抗中雷达干扰评效果评估技术的基本概念和相关评估准则进行了简单介绍，重点对基于干扰方的雷达干扰效果评估技术进行了详细介绍。可以看出，真正适合在实战之中运用的干扰效果评估技术应当是基于干扰方的，它是当下电子对抗领域的研究热点，但由于目前与之相关的公开文献资料甚少，它的研究难度也颇大，因此希望我们可以在现有基础上进行更加深入的研究与思考，为我国电子对抗技术的发展做出贡献。