基于Vague 集ELINT 系统的效能评估算法

邱日升，潘继飞，李为圣，赵 君

（国防科技大学电子对抗学院，合肥 230037）

0 引言

ELINT 系统是一种从截获的雷达信号中提取信息，为电子战和其他作战行动提供情报支援的雷达对抗情报侦察系统，具有侦察作用距离远、获取目标信息多而准、预警时间长、隐蔽性好等优点。ELINT 系统效能评估是研制、规划、配置和部署ELINT 系统及作战筹划的依据。因此，ELINT 系统效能评估对推动ELINT 系统发展及提高整体作战效能有着重要意义。当前，系统效能评估的方法很多，主要有以下两种方法：一是传统的ADC 算法［1］、AHP 算法［2］、SEA 法［3］以及指数法［4］，该类算法一般对评估指标的具体参数值以及所处状态的概率密切相关，大都需要统计作为支撑；二是利用神经网络法，通过大量的数据进行训练，最后得到一个匹配的神经网络，进而对系统进行效能评估，但是该方法需要大量数据作为支撑，且中间过程缺乏科学的解释，操作起来难度较大［5-7］。本文基于Vague集理论，提出了一种ELINT 系统效能评估的模糊综合评价算法。一方面，该算法不需要测得各评估指标的具体值，仅仅需要一个模糊的区间值；另一方面，该算法不需要大量的数据作为支撑，可用于小样本的对比分析，具有很强的操作性与实用性。

1 Vague 集基本理论

1.1 Vague 集理论

1.2 Vague 集的运算

ωi为元素xi在X 上的权重，则Vague 集A 和B之间的加权相似度量为：

2 ELINT 系统评估指标体系

ELINT 系统通过截获雷达发射的电磁波，分析敌方雷达的特征参数，从而判断雷达的性能、类型、用途、配置和所控制的武器等有关军事情报，以便为高级决策指挥机关和中心数据库提供详实的数据。主要由天线、接收机、信号处理器、输出终端组成，如图1 所示［10］。ELINT 系统工作时利用天线截获空间中的辐射源信号，而后由测频测向接收机对信号进行测量分析得到信号的脉冲描述字等信息，最后，由处理器对信号进行分选和识别［11］。

图1 ELINT 系统组成图

ELINT 系统的评价指标较多而且内在关联复杂，不易统一量化处理。本文主要结合ELINT 系统工作原理，用信号截获能力、信号测量能力和信号处理能力［12］3 项能力综合表征系统效能。信号截获能力主要是指ELINT 系统截获到空间中电磁信号的能力，主要由灵敏度、方位覆盖范围、频率搜索范围、截获概率和截获时间构成；信号测量能力主要是对截获信号进行脉冲描述字的测量，主要由角度测量精度、频率测量精度、脉宽测量精度以及重频测量精度构成；信号处理能力主要是对信号进行识别和分析，主要由信号密度、分选能力和识别能力构成［13-14］。

图2 ELINT 系统评估指标体系

3 基于Vague 集ELINT 系统效能评估算法

3.1 评估指标模糊集表示

评估指标一般按其具体含义可分为效益型指标和成本型指标。效益型指标是指其值越大越好的指标，成本型指标是指其值越小越好的指标［15］；此外，指标的取值一般有单值数据和区间值数据两种形式，其模糊集表示方法如下所示［16-18］：

3.2 基于Vague 集ELINT 系统效能评估流程

基于Vague 集对ELINT 系统效能进行评估时，对于不同的ELINT 系统，各指标有不同的取值。将各指标的样本值转换为Vague 值后，就可以按照基于Vague 集的综合决策规则进行决策分析处理，其运算流程如下［19］：

图3 ELINT 系统效能评估流程

3.2.1 建立指标集范围，x4为截获概率，x5为截获时间，x6为角度测量精度，x7为频率测量精度，x8为脉宽测量精度，x9为重频测量精度，x10为信号抑制度，x11为分选能力，x12为识别能力。

3.2.2 建立模糊集

根据式（9）和式（10），将指标样本值由区间值或者单值数据转换为Vague 值，构成样本Vague 集。利用式（12），将样本Vague 值转换为样本Fuzzy 值，构成样本Fuzzy 矩阵。

3.2.3 建立期望Vague 集

区分效益型指标和成本型指标，比较待评价各系统下指标样本的模糊值，取指标最佳期望模糊值对应的Vague 值，构成期望Vague 集B。

3.2.4 计算相似度量

通过比对各系统指标Vague 值和期望Vague 值的相似度，结合Vague 集的综合决策规则可以对各系统优劣进行排序。ELINT 系统的不同指标在工作过程中发挥的作用是不一样的。因此，在评价ELINT系统效能时，不同指标在决策中占的权重可能存在差异。对于各指标的权重可以由不同专家对指标权重打分，然后利用基于Vague 集的综合决策规则确定最优指标权重，最后利用式（8）得到待测系统的加权相似度量，进而对待测系统进行评估。

4 实例仿真与结果分析

实际工作效能，得到各系统指标的样本值，如表1所示。

4.1 建立指标样本集

结合ELINT 系统工作原理和指标性质，各指标可以划分为成本型指标和效益型指标。其中灵敏度、频率搜索范围、截获概率、信号抑制度、分选能力、识别能力均为成本型指标，当指标取值越大时，指标能力越强；而截获时间、角度测量精度、频率测量精度、脉宽测量精度、重频测量精度为效益型指标，当取值越小，指标性能越强，精度越高。因此，在评价时，要区分效益型指标和成本型指标的特点进行针对性地分析。此外，由于传统的ELINT 系统工作频率范围一般在1 GHz～18 GHz 左右，因此，本文指标x3频率搜索范围取值范围在1 GHz～18 GHz 范围之内。

表1 ELINT 系统指标样本集

表2 ELINT 系统Vague 集

4.2 建立指标模糊集

利用式（9）和式（10），将表1 中指标样本值由区间值或者单值数据转换为Vague 值，构成样本Vague 集，如表2 所示。当系统的样本指标值转为Vague 集之后，仅仅通过Vague 集无法进行比较，所以，为了得到各系统指标的期望值，需要将各指标的Vague 集利用式（11）得到各系统的模糊集，构成模糊矩阵F。

整个评价方案的模糊矩阵F 可以表示为：

4.3 建立期望Vague 集

根据ELINT 系统工作原理，按照上文区分的成本型指标和效益型指标，结合模糊矩阵F，可以得到期望的Vague 集B，如表3 所示。

表3 期望Vague 集

4.4 计算相似度向量

根据式（7）计算A1，A2，A3，A4的Vague 集与期望Vague 集B 之间的相似度：

4.5 确定最优系统

基于Vague 集的综合决策规则可知，待测系统Vague 集与期望Vague 集相似度越大，说明待测系统效能优于其他系统。因此，在本例中，效能排序为：

对于ELINT 系统而言，不同的指标在评估系统效能时，由于功能指向的原因在评估过程中所占的权重是存在差异的。对于当前ELINT 系统而言，系统的信号处理能力越来越重要。因此，通过专家赋权的方法，得到多个专家对指标的权重打分，而后同样依据基于Vague 集的综合决策规则，得到最优指标权重。

利用式（8），可以算出4 个系统的加权相似度向量：

因此，在本例中，则当系统的信号处理能力在整个ELINT 系统作用要求越来越高时，各系统的效能优劣排序为：

5 结论

ELINT 系统效能评估本质上是一个多指标综合决策的过程，且决策过程中涉及到定性和定量的指标。本文利用Vague 集综合决策规则对ELINT 系统进行效能评估，将所有的指标转化到一定的区间集。综合考量定量和定性指标的优劣，将单值评估结果转化为定性模糊评估结果。在衡量ELINT 系统和改进ELINT 系统功能有着较好的运用前景。