浅谈雷达辐射源信号识别

张奇雯　刘忠义　杨泽刚

[摘要]介绍雷达辐射源信号识别的过程,概述和分析国内外雷达辐射源识别研究的现状,阐述雷达辐射源信号识别方法,指出雷达辐射源信号识别的发展趋势。

[关键词]雷达辐射源识别 特征参数匹配 人工智能 脉内分析

中图分类号:TN95文献标识码:A文章编号:1671-7597(2009)0920009-01

一、雷达辐射源信号识别过程

雷达辐射源信号识别主要通过对信号的到达方向、工作频率、脉冲调制参数、天线扫描方式、频域和时域波形、功率等参数的分析,从而确定雷达辐射源的体制、用途、威胁等级、载体平台,为上级决策机构提供情报支持。雷达侦察接收机接收到的雷达辐射源信号是密集交错的脉冲流,这些脉冲流经过分选和两次特征提取后,才能把从众多的雷达信号中分选出某部雷达的信号。经过分选的雷达辐射源信号,提取的特征构成了脉冲描述字,主要包括脉冲到达时间、脉冲到达角、脉冲载频、脉冲幅度、脉冲宽度等。在此基础上,经过多次测量和分析,方可获得脉冲的其他特征参数:脉冲重复间隔、天线扫描周期。有了这些特征参数,雷达辐射源信号识别就变成了一个模式识别的问题。

二、雷达辐射源信号识别方法

(一)特征参数匹配法

主要特点是构建一个特征模式矢量,将传感器测得的数据与数据库中已有的信息进行比较查询,通过距离函数、属性测度等进行匹配,对雷达辐射源属性进行判决。其优点是方法简单、计算速度快。但是也存在着很多缺陷:没有考虑到新体制雷达的脉内调制特性,不能有效地对其识别;过多依赖于数据库中先验知识,不能进行自学习,对数据库中没有的雷达不能进行准确识别;容错性能较差,特别是对不完整或畸变信号的辨别处理能力较差等。

(二)人工智能识别法

随着人工智能技术的发展,专家系统、人工神经网络、模糊推理、Agent理论、遗传算法等人工智能方法成功地被应用于雷达辐射源信号识别领域。专家系统是一种具有大量专门知识和经验的智能程序系统。它能运用领域专家多年积累的经验和专门知识,模拟领域专家的思维,解决该领域中专家才能解决的问题。特征参数匹配的方法存在着不能识别数据库之外的信号,不能有效识别不完整的信号的缺点,将专家系统引入雷达辐射源信号,将辐射源识别领域专家的经验和知识形成推理规则,从而完成对雷达辐射源信号的识别。基于专家系统的雷达辐射源信号识别方法具有一个或多个专家的知识和经验,可以接近人类水平进行分析和识别,在推理过程中具有透明性和进行自我学习的能力。但是专家系统也存在着重大的缺陷:对于新体制的雷达辐射源信号表现的无能为力,容易造成漏检或错判;数据库的设计的容量和开销随着辐射源类型的增加急剧增大;随着雷达对抗新技术的发展,专家的知识和经验需要不断的填充和完善;专家知识不能并行地在多处理机上运行,也不能协同工作等。

人工神经网络是由简单的处理单元所组成的大量并行的处理机,它具有存储和应用经验知识的自然特性,在处理数据方面与人脑有相似之处。神经网络方法具有很强的自学习能力,将人的智能因素引入识别过程中,具有将信息存储与处理合二为一、鲁棒性和容错性较强的优点。与专家系统相比,无疑具有更好的普适性和识别效果。

(三)脉内特征分析、识别法

脉内特征分析方法通过分析雷达辐射源信号的脉内特征对雷达辐射源进行识别,在一定程度上提高了识别的准确率。脉内特征分析的方法能够有效地提高对新体制的雷达信号,特别是特殊信号的识别,从而充实电子对抗数据库。

(四)数据融合识别法

从21世纪初期开始,研究人员提出了多传感器探测雷达辐射源信息,然后通过相应的融合规则得出合理的融合结果,减少由于单传感器进行识别准确率低、不确定性程度大的问题。与单传感器相比,基于多传感器的雷达辐射源信号的识别显然能有效提高正确识别率。在多传感器数据进行融合时,用DS证据理论构建识别框架进行融合,能降低单传感器的不确定性。

三、结论

特征参数匹配法最大的优点就是查询简单、比较速度快,但缺点是不能对知识进行学习,不具备识别未知类型的辐射源信号,更谈不上对未知信号的分类处理。专家系统识别法结合辐射源信号的特征,用专家知识对信号类型进行分析处理,运用推理的方式得出识别结果。但专家系统的缺点是不能并行协同工作。人工神经网络识别方法能将人的智能因素引入识别过程,能够进行自我学习,具有很好的鲁棒性和容错性,但神经网络识别的方法不能有效识别新体制、调制参数多变的辐射源类型;采用脉内特征分析的识别方法从信号分析的角度在脉内特征参数多变的情况下能够减少误判漏判。多传感器数据融合的方法从数据处理方面,降低由于单一传感器带来的不确定性,提高识别精度。

随着新体制雷达的使用,这些方法或多或少存在不足,这就需要研究新的识别思路和方法进行识别。

1.对辐射源参数进行进一步分析,建立多种识别方法结合的识别模型,建立起有效的辐射源描述模型。

2.构建新体制雷达辐射源信号数据库,充实已有的常规体制雷达数据库及匹配规则。常规体制的雷达辐射源信号数据库对新体制的信号显然不匹配,构建合理的特征参数的数据库是正确识别新体制雷达的基础。

3.对神经网络模块进行优化,这即包括对现有的BP模型进行优化,也包括引入其他的神经网络模型。

4.现有的雷达辐射源信号识别方法都是先通过有导师训练,将训练规则应用于雷达辐射源信号识别,这对于已知类型和用途的雷达辐射源信号识别是有效的。如何用无导师训练的方法进行识别需要重点研究。

参考文献:

[1]张葛祥,雷达辐射源信号智能识别方法研究[D].成都:西南交通大学,2005.

[2]桑炜森、顾耀平,综合电子战新技术新方法[M].北京:国防工业出版社,1996.

[3]周旭、姜双章、周治伟,雷达辐射源属性识别算法研究[J].航天电子对抗,2007,23(4):28～31.

[4]张政超、李应升、王磊,雷达辐射源信号识别研究[J].舰船电子工程,2009.29(4):31～34.

[5]王望森,人工智能原理及其应用(第2版)[M].北京:电子工业出版社,2007.

[6]孟晓琳、刁鸣、茅玉龙、陈建军,基于模糊理论的雷达信号类型识别方法[J].电子信息对抗技术,2006,21(5):19～21.

[7]张英鑫、王宝树,模糊匹配方法及证据理论在辐射源识别中的应用[J].计算机工程,2005,31(22):183～185.