基于决策矩阵的雷达型号识别算法

2023-10-20邱海健

现代计算机 2023年15期

邱海健

（中国电子科技集团公司第三十八研究所，合肥 230000）

0 引言

不同雷达信号参数交叠使得情报处理系统对目标辐射源识别困难。由于雷达时域、频域参数覆盖范围大，侦察系统截获的信号参数往往能够匹配多个威胁辐射源，这导致对截获雷达目标的判型困难，即仅靠传统的到达方向、载频、到达时间、脉冲宽度、脉冲重复间隔等常规参数来分选和雷达型号识别，已远远不能满足雷达辐射源目标识别的需要。

雷达参数对雷达型号能够取得较好的识别效果，多型雷达在频率、脉宽或者脉冲间隔等参数上常有重叠等限制条件，以致造成实际工程应用中雷达参数分离效果不佳，且需人工介入进行判断等缺点，这将严重影响系统的工作效能和效率。

在接收到的交错重叠的各类雷达信号基础上，选取时频空联合分选方法对信号分析处理获得雷达特征参数信息，利用载频类型、信号带宽、脉冲宽度、脉冲重复间隔、脉冲调制类型、脉内调制类型、数据率、重频等特征参数，构成复杂体制雷达目标描述向量，作为辐射源识别的基础，建立决策矩阵。利用相同雷达信号的参数相关性和不同雷达信号的参数差异性来实现雷达信号的区分和雷达型号识别。

1 基于时频空联合的分选方法

雷达信号分选［1-2］中常常需要解决的问题包括：大数据量的处理策略、片段信号提取、错漏脉冲处理及目标复杂时序等。由上述难点分析结合系统设计流程，为设计一个相对通用的分选过程，将分选步骤划分为如图1所示的几个部分，每个部分设计相应的处理算法。

图1 分选处理流程

其中，人工参数设置及预览主要为人机交互界面，该部分提供后续处理步骤的参数设置接口及效果预览；匹配预处理主要完成基于已知目标库，采用RF、PW及PRI参数匹配的方法，对已知目标进行过滤；密度聚类完成输入PDW 的聚类，可根据数据情况选择采用参数RF、PW、DOA 的各组合中的一种作为聚类参数，聚类结果作为不同的通道分别进行后续处理；PRI估计完成输入PDW 流的PRI 检测任务，作为后续抽取的依据；序列抽取根据估计的PRI值，实现对相同PRI 的PDW 序列抽取；参数统计对抽取的各PDW 序列进行统计分析，生成RDW，同时计算RDW 的占空比，以评估RDW 的可信度，超出占空比范围的RDW不作为输出结果。

2 基于决策矩阵的雷达型号识别

采用决策矩阵的方法，利用载频类型、信号带宽、脉冲宽度、脉冲重复间隔、脉冲调制类型、脉内调制类型、数据率、重频等特征参数，构成复杂体制雷达目标描述向量，作为辐射源识别的基础。

其中：M为选择的特征个数。特征参数向量与待识别的目标种类构成决策矩阵空间。

其中：N为待识别的目标种类个数，uij表示第i个特征参数对第j类目标的隶属度。

根据特征参数集中各特征参数的变量类型（离散型、连续型），可以采用不同的算法来确定隶属度。如离散型特征参数可采用匹配的方式设置隶属度：

而对于连续模拟型变量，如雷达的射频、重频、脉宽等，可以根据经验选择用正态型或柯西型等隶属度函数：

其中：u为侦察测量获得的数据值，σ为传感器对特征参数测量误差的均方差。由上述方法获得的隶属度矩阵U满足归一化、独立性和兼容性条件。

为了量化各观测值对目标类别的支持，从而获得型号的综合判决结果，需对隶属度矩阵设置权重矩阵：

权重矩阵可以根据专家知识设定，在无先验知识的情况下可通过熵值分析法设置。对于第j类目标的雷达辐射源，已提取的特征参数共有M个。对每个特征参数Fi(i= 1,2,…,M)，将其对应的分布区间分为相等的L段，记为rk(i),k= 1,2,…,L。这里的分布区间是指第j类模式的最大可能的参数分布区间。则满足Fi∈rk(i)的样本属于第j类的概率为

式中：Nk(i)为满足Fi∈rk(i)的样本数，Nkj(i)为Nk(i)中属于第j类的样本数，则有

设Pk(i)为一个样本满足Fi∈rk(i)的概率，则有

其中：N0为总的样本数，即。

这样，定义特征参数Fi的熵值为

根据该函数的性质，熵值H(Fi)越小，各类目标在特征Fi上的类间分离性越大，则特性Fi对分类的贡献越大，即在识别过程中的权重越大。如果Fi∈rk(i)所有的样本都属于同一类，则有H(Fi)= 0。在得到各特征参数的H(Fi)后，就可以定义相应的归一化权值。