基于区间改进灰关联的辐射源识别方法*

刘传波

(武汉藏龙北路1号　武汉　430205)

LIU Chuanbo

(No.1 Canglong North Road, Wuhan　430205)



基于区间改进灰关联的辐射源识别方法*

刘传波

(武汉藏龙北路1号武汉430205)

针对辐射源特征参数的不确定性带来的区间型特征参数的辐射源识别问题，提出了一种新的基于区间改进灰关联的辐射源识别算法。该算法首先利用区间的偏离度构建灰关联权系数矩阵，其次通过熵权法计算属性权重向量，克服了属性权重的主观性，最后运用最大决策规则进行决策来实现辐射源识别。仿真实例验证了该算法的有效性和实用性。

区间偏差； 改进灰关联； 辐射源识别； 属性权重

LIU Chuanbo

(No.1 Canglong North Road, Wuhan430205)

Class NumberTN95

1　引言

雷达辐射源型号和工作模式识别是电子侦察情报系统(ELINT)的重要内容[1～2]，它可以通过对所测出的敌方雷达工作参数和特征参数进行分析，获取敌方雷达的体制、用途和型号等信息，掌握其相关武器系统及其工作状态、制导方式，了解其战术运用特点、活动规律和作战能力，也是高层次上的态势评估和威胁估计的主要依据。在现代战争中，各种复杂体制雷达层出不穷，这就要求电子侦查设备能够快速地对雷达型号、雷达工作模式进行识别，进而判断出雷达的威胁等级。

现有的辐射源识别方法包括特征参数匹配法[3]、模糊理论[4～5]、人工智能分析法[6～7]、脉内特征分析法[8]等在雷达辐射源识别中都有比较成功的应用，但这些方法一般都针对标量形式的参数测量值进行处理，在一定程度上解决了由于参数测量误差所引起的辐射源识别问题，而对于误差的另一种情形，即测量参数为区间类型模糊值的情况却是无能为力的。本文针对区间型的特征参数的辐射源识别，提出了一种基于区间改进灰关联的辐射源识别算法。

2　基于区间灰关联的辐射源识别方法

2.1识别模型描述

(1)

常见的属性类型有效益型和成本型，设I1、I2分别表示效益型和成本型的下标集。为了消除不同量纲对决策结果的影响，可采用文献[9]中的规范方法，即

(2)

(3)

2.2区间偏差度

传统的灰关联算法是用绝对差的大小来反映待识别参数与模板参数的偏差程度，但对于区间型的特征参数无法计算其绝对差，因此计算两个区间之间的偏差度，从而代替绝对差来反映两个区间的相似程度。

(4)

2.3灰关联系数计算

由上述算法可以获取待识别辐射源与辐射源库中的各辐射源的偏差度矩阵为

(5)

待识别辐射源信息si与特征库中辐射源U关于属性pj的区间灰关联系数为

(6)

其中i=1,2,…,M,j=1,2,…,N，ρ∈[0,1]为分辨系数，一般取0.5。

因此未知辐射源与辐射特征数据库U的区间灰关联系数矩阵为

(7)

2.4特征参数权值确定

根据上述参数的灰关联系数计算其熵值，即：

Sij=-ξijln(ξij)

(8)

式中，Sij为待识别传感器第j个特征参数相对于辐射特征数据库第i个辐射源的第j个特征参数的灰关联系数的熵。则权值可以确定为

(9)

将权值带入

(10)

得到总的特征参数矩阵ω=[ω1,ω2，…，ωN]T。

2.5灰关联度计算

由上述得到的灰关联系数和其对应的权值可以求出待识别辐射源与模板辐射源库中第i个传感器的关联度为

(11)

则总的关联度矩阵为

G=[g1g2…gM]

(12)

2.6决策规则

根据求得的灰关联度矩阵，采用以下决策规则进行判决：

设∃∀g1g2⊂G，满足：

g1=max{gi,gi⊂G}

g2=max{gi,gi⊂G且gi≠g1}

(13)

若有：

g1>ε1

g1-g2>ε2

(14)

则g1为判决结果，ε1ε2为判决门限。

3　识别算法步骤

本文提出的基于区间改进灰关联的识别算法的具体步骤如下，识别算法具体流程如图1所示。

图1　识别算法具体流程图

3)根据式(4)计算待识别辐射特征参数置信区间与辐射特征库中特征参数的置信区间的偏差值，得到偏差度矩阵D；

4)根据式(6)计算区间灰关联系数，得到灰关联系数矩阵ξ；

5)根据式(10)得到待识别辐射特征与辐射特征数据库中辐射特征之间关联度，构造关联度矩阵G；

6)根据式(12)、(13)判决规则做出判断。

4　仿真实例

为了验证本文算法的性能，对辐射源识别进行了仿真。设模板雷达库中有三个辐射源，采用载频(RF)、重复频率(PRI)、脉宽(PW)作为传感器识别的特征参数，其特征参数如表1所示，辐射源R1的一组探测特征参数数据如表2所示。

表1　数据库中辐射特征信息

表2 传感器探测未知目标特征值

本文为成本型的属性类型，根据表1、2，得到增广特征指标矩阵：

根据式(2)、式(3)得到规范化的增广特征指标矩阵为

由式(4)、(5)计算的偏差度矩阵为

由式(6)、(7)可得待识别辐射源与辐射特征数据库中辐射源的区间灰关联系数矩阵为

由式(8)～式(10)计算总的特征参数矩阵为

由式(11)、式(12)计算总的关联度矩阵为

G=[0.9390,0.7113,0.5732]

在此，判决门限ε1=0.7,ε2=0.1。由式(13)、式(14)判别该未知辐射源为辐射源R1，识别结果正确。

仿真过程中对模板库中的10部雷达进行仿真，生成100个待识别辐射源样本数据，每部雷达对应10个样本。待识别辐射源样本属性值构造通过随机取一个模板雷达已知特征参数并加上测量误差(误差标准差为相应已知特征参数的3%)组成。将本文的区间灰关联算法与模糊模式识别方法进行了比较，识别正确率如图2所示。

从图2可以看出，本文方法识别正确率在100次实验中几乎都大于模糊模式识别方法。

为了进一步验证本文方法的可信度，在上述条件下进行100次Monte Carlo实验，得到的识别结果如表3所示。从表3可知，基于区间灰关联的辐射源识别方法正确率为91.67%，优于模糊模式识别方法。

表3　辐射源识别正确率对比(%)

5　结语

本文针对当前辐射源识别中由特征参数测量的不确定性和辐射源识别库中辐射源特征参数据的不确定性所带来的区间型参数识别问题，提出了一种基于区间模型改进灰关联算法的辐射源识别算法，该算法利用区间数的偏离度构造灰关联权系数矩阵，然后用熵权法计算属性权重向量，最后用最大决策规则进行决策。通过仿真实验，将本文方法与模糊模式识别进行比较，验证了该识别方法是有效可行的，为解决特征参数是区间值的辐射源识别提供了一种新的方法。

[1] 张国柱.雷达辐射源识别技术研究[D].长沙：国防科学技术大学，2005:20-22.

[2] 何友，王国宏，彭应宁.多传感器信息融合及应用[M].北京：电子工业出版社,2000:35-39.

[3] 张多林，潘泉，张洪才.基于理想点贴近度的辐射源威胁综合评价建模与仿真验证[J].系统仿真学报,2008,20(14):3896-3898.

[4] Glossas N I, A spragathos N A. Fuzzy logic grasp control using tactile sensors[J].Mechatronics (S0957-4158),2001,11(7):899-820.

[5] 刘建书,李人厚,刘云龙等.基于相关性函数和模糊综合函数的多传感器数据融合[J].系统工程与电子技术,2006,28(70):1006-1009.

[6] 孟晓琳,刁鸣,茅玉龙等.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] 寇华,王宝树.基于遗传算法的RBF-PLS方法在辐射源识别中的应用[J].电子信息学报,2007,25(9):1031-1034.

[8] 刘庆云,王根弟,朱伟强.雷达辐射源信号特征参量分析[J].航天电子对抗,2008,24(4):21-24.

[9] 徐泽水，达庆利.区间型多属性决策的一种新方法[J].东南大学学报,2003,339(4):498-501.

[10] Ren M，Duan J，Yang S. Decision Models Evaluation Using Fuzzy Pattern Recognition[C]//Proceedings IEEE International Conference on Grey Systems and Intelligent Services(GSIS 2007), Nanjing, China,2007.

[11] 刘海军,柳征,姜文利,等.一种基于云模型的辐射源识别方法[J].电子与信息学报,2009,31(9)：2079-2083.

[12] 刘凯,王杰贵,李俊武.基于区间灰关联的雷达辐射源识别新方法[J].火力与指挥控制,2013,38(7):20-23.

Emitter Recognition Based on Interval Improved Grey Relation*

Aiming at the interval type characteristic parameters radiating source recognition problem brought about by the uncertainty of the radiation source characteristic parameters，an improved grey relational algorithm based on interval model is proposed.Firstly, this method uses the degree of the interval deviation to build gray relation coefficient matrix. Then, the weight vector of the attributes is obtained by entropy weight, avoiding the subjectivity of selecting attribute weight. Lastly, the algorithm of emitter recognition is determined by the maximum rules. The simulated example improves that the method is both effective and practicable.

interval deviation, improved grey relational algorithm, radiating source recognition, attribute weight

2016年2月10日,

2016年3月26日

刘传波，男，博士，工程师，研究方向：复杂系统分析建模与仿真。

TN95

10.3969/j.issn.1672-9730.2016.08.015