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。現(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)輻射源信號的特點和現(xiàn)用識別方式的不足，采用特征分析與提取、特征評價與選擇、分類器設(shè)計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)實現(xiàn)算法和實驗驗證的研究，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。 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，剔除冗余特征，實現(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，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、收斂速度快、計算時間短、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(CSVM)、Hu

9、ffman樹支持向量機(HTSVM)和粗集支持向量機(RS-SVM)四種分類器設(shè)計方法，實現(xiàn)雷達(dá)輻射源信號的自動分類識別，用對比實驗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)行了實驗對比，驗證了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)行了實驗對比，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，實驗結(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。再用實驗驗證了粗集理論的引入，既增強了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個參數(shù)不同的雷達(dá)輻射源信號進(jìn)行仿真實驗，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，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)行實驗，分別