雷達(dá)輻射源信號智能識別方法研究.pdf

1、雷達(dá)輻射源信號識別是電子情報(bào)偵察(ELINT)、電子支援偵察(ESM)和雷達(dá)威脅告警(RWR)系統(tǒng)中的關(guān)鍵處理過程，也是電子干擾的前提和基礎(chǔ)，其識別水平是衡量雷達(dá)對抗設(shè)備技術(shù)先進(jìn)程度的重要標(biāo)志。隨著現(xiàn)代電子戰(zhàn)的激烈對抗，復(fù)雜體制雷達(dá)輻射源迅速增加并逐漸占居主導(dǎo)地位，復(fù)雜多變的信號形式大大弱化并逐漸使傳統(tǒng)識別方法失去其有效性。雷達(dá)輻射源信號識別已面臨前所未有的挑戰(zhàn)。目前，我國識別復(fù)雜體制雷達(dá)輻射源信號的水平與美國等發(fā)達(dá)國家相比，差距十分明

2、顯。其根本原因在于我國在此方面的理論研究水平較低，缺乏支撐雷達(dá)對抗裝備技術(shù)改進(jìn)的理論根據(jù)。作為我國電子對抗的核心科研基地，西南電子設(shè)備研究所的專家們在現(xiàn)代電子裝備的研究中深深感到，當(dāng)前雷達(dá)對抗裝備的技術(shù)水平難以適應(yīng)復(fù)雜體制雷達(dá)輻射源占主導(dǎo)地位的電子對抗環(huán)境，雷達(dá)輻射源信號識別的現(xiàn)有方法滯后于迅速發(fā)展的雷達(dá)技術(shù)。因此，復(fù)雜體制雷達(dá)輻射源信號識別成為電子對抗領(lǐng)域中迫切需要解決的關(guān)鍵問題，只有探索出有效的識別新方法，才能從根本上提高ELINT

3、、ESM和RWR系統(tǒng)的技術(shù)水平 近年來，盡管雷達(dá)輻射源信號識別受到電子對抗人員的高度重視，并提出了多種識別方法，但是，采用常規(guī)五參數(shù)的傳統(tǒng)識別方法及其改進(jìn)方法在識別新體制雷達(dá)輻射源信號時(shí)遇到嚴(yán)重困難，而現(xiàn)有的脈內(nèi)細(xì)微特征分析法主要對少數(shù)兩三種雷達(dá)輻射源信號進(jìn)行定性分析，且很少考慮噪聲的影響，難以滿足現(xiàn)代信息戰(zhàn)對電子對抗偵察系統(tǒng)智能化的要求。對于識別復(fù)雜多變的新體制雷達(dá)輻射源信號的難題，首先需要從不同角度采用多種方法探索新體制復(fù)雜

4、輻射源信號的有效特征，然后對高維特征進(jìn)行篩選、降維，再用高效的分類器實(shí)現(xiàn)自動分類識別。通過系統(tǒng)的理論研究，形成能對雷達(dá)輻射源信號識別的技術(shù)改進(jìn)予以有效支持的理論方法體系。 針對我國雷達(dá)對抗信號處理研究工作中迫切需要解決的關(guān)鍵理論問題，本文對雷達(dá)輻射源信號智能識別的模型結(jié)構(gòu)和算法進(jìn)行了探索性和系統(tǒng)性研究，獲得了如下的研究成果：1提出一種新的雷達(dá)輻射源信號識別模型結(jié)構(gòu)，以一種嶄新的思路研究新型復(fù)雜體制雷達(dá)輻射源信號識別問題?，F(xiàn)用的常

5、規(guī)五參數(shù)匹配識別方式難以有效識別出復(fù)雜多變的新體制雷達(dá)輻射源信號，本文根據(jù)復(fù)雜體制雷達(dá)輻射源信號的特點(diǎn)和現(xiàn)用識別方式的不足，采用特征分析與提取、特征評價(jià)與選擇、分類器設(shè)計(jì)的識別新思路來研究雷達(dá)輻射源信號識別問題。通過對新模型結(jié)構(gòu)實(shí)現(xiàn)算法和實(shí)驗(yàn)驗(yàn)證的研究，證明了新模型結(jié)構(gòu)比現(xiàn)用模型結(jié)構(gòu)更加有效。 2定量地分析和研究信噪比(SNR)變化條件下雷達(dá)輻射源信號的多種特征，從不同角度采用不同方法探索雷達(dá)輻射源信號的本質(zhì)特征。提出雷達(dá)輻射源

6、信號的相像系數(shù)特征提取法、熵特征提取法、復(fù)雜度特征提取法和小波包特征提取法，定性或定量地分析了相像系數(shù)特征、熵特征和復(fù)雜度特征的抗噪性能，結(jié)果表明這些特征在SNR大于5dB或6dB情況下受噪聲影響較小，具有良好的穩(wěn)定性。采用提出的方法從多種雷達(dá)輻射源信號中提取出了兩種相像系數(shù)特征、兩種熵特征(范數(shù)熵和近似熵)、8種小波包特征和4種復(fù)雜度特征(Lempel-Ziv復(fù)雜度、信息維數(shù)、盒維數(shù)和關(guān)聯(lián)維數(shù))。并對比分析幾種特征提取方法的時(shí)間復(fù)雜度

7、、特征樣本的類內(nèi)聚集度和類間分離度，以對這些特征提取方法的性能和特征的質(zhì)量進(jìn)行評價(jià)。 3、進(jìn)一步研究特征充分提取后的本質(zhì)特征挖掘的模型與算法，提出基于類分離度、特征集滿意度、相像系數(shù)、粗集理論和特異性系數(shù)的5種特征選擇方法，從不同角度對提取出的特征進(jìn)行了分析和評價(jià)，剔除冗余特征，實(shí)現(xiàn)特征空間的有效降維。并將提出的方法與已有的多種特征選擇法進(jìn)行了比較分析，證明本文提出方法的有效性和優(yōu)越性。 粗集理論只能處理離散的屬性值，本

8、文將已有的基于斷點(diǎn)劃分的離散化定義拓展為基于類別可分離性的廣義離散化定義，提出一種已有離散化方法難以有效處理的區(qū)間連續(xù)屬性離散化方法，并定性分析了算法的時(shí)間復(fù)雜性。 在采用類分離度、特征集滿意度和相像系數(shù)方法進(jìn)行特征選擇時(shí)，本文采用一種新量子遺傳算法搜索最佳特征集。這種量子遺傳算法比傳統(tǒng)遺傳算法尋優(yōu)能力強(qiáng)、收斂速度快、計(jì)算時(shí)間短、且能有效防止早熟收斂現(xiàn)象 4、提出粗集神經(jīng)網(wǎng)絡(luò)(RSNN)、復(fù)合支持向量機(jī)(CSVM)、Hu

9、ffman樹支持向量機(jī)(HTSVM)和粗集支持向量機(jī)(RS-SVM)四種分類器設(shè)計(jì)方法，實(shí)現(xiàn)雷達(dá)輻射源信號的自動分類識別，用對比實(shí)驗(yàn)證明了這四種分類器的有效性和優(yōu)越性。 先將RSNN與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)、概率神經(jīng)網(wǎng)絡(luò)(PNN)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)進(jìn)行了實(shí)驗(yàn)對比，驗(yàn)證了RSNN的分類能力和識別效率均優(yōu)于RBFNN、PNN和BPNN。接著將一對多(OAA)、一對一(OAO)和二叉樹結(jié)構(gòu)(BTA)三種主要多分類

10、SVM與RBFNN、PNN和BPNN進(jìn)行了實(shí)驗(yàn)對比，結(jié)果表明SVM具有比NN更好的分類性能。然后將CSVM和HTSVM分別與OAA、OAO和BTA進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明CSVM在分類能力和效率兩方面均大大優(yōu)于OAA、OAO和BAT，HTSVM在分類性能不降低情況下具有比OAA、OAO和BTA更快的識別速度。再用實(shí)驗(yàn)驗(yàn)證了粗集理論的引入，既增強(qiáng)了SVM的分類能力，又提高了SVM的推廣能力和泛化能力。 未知信號識別也是雷達(dá)輻射源信

11、號識別中的重要問題，本文還探討了競爭學(xué)習(xí)網(wǎng)絡(luò)(CLNN)和自組織映射網(wǎng)絡(luò)(SOM)在雷達(dá)輻射源信號識別中的應(yīng)用。 5、采用8類調(diào)制方式的155個(gè)參數(shù)不同的雷達(dá)輻射源信號進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明本文提出的模型結(jié)構(gòu)能比現(xiàn)用識別結(jié)構(gòu)更加有效地識別出復(fù)雜體制雷達(dá)輻射源信號，證明了新模型結(jié)構(gòu)比現(xiàn)用模型結(jié)構(gòu)更加合理。同時(shí)，采用經(jīng)四種特征選擇法(基于類分離度、相像系數(shù)、特征集滿意度和粗集理論的特征選擇法)得到的特征和CSVM分類器進(jìn)行實(shí)驗(yàn)，分別