针对敌我识别系统的个体识别研究

方棉佳，陈 朝

（1.中国人民解放军93209部队，北京 100085；2.中国人民解放军95865部队，北京 100073）

0 引 言

根据相关资料显示，北约正全力生产、加装和测试MarkⅫA 敌我识别系统装备。加装平台涵盖了海军、空军、陆军、海岸警卫队的各类作战和保障平台。根据美国与日本、韩国、中国台湾之间的相关军事协定，可以推断日本、韩国、中国台湾也将具备MarkⅫA 系统能力，以便在局部军事冲突中，有效获取美国的军事情报支援能力。

北约敌我识别系统的威胁越来越大，对敌我识别信号的研究也越来越多。文献［1］研究了MarkX敌我识别信号的侦察定位技术，特别是单站定位技术。而对新型模式5敌我识别信号，普通检测算法需要高的信噪比，采用同步脉冲相关检测算法可在低信噪比下获得很好的检测效果［2］。对不同的敌我识别信号模式，需要采用不同的解调算法。对MarkX 信号，采用脉位解调技术。对S模式询问信号，采用DPSK 解调技术［3］。对模式5 敌我识别信号，采用MSK 解调、Walsh 解扩和RS译码技术［4］。

针对这个问题，本文专门针对敌我识别信号进行个体识别研究。本文通过分析敌我识别信号，发现其区别于普通雷达信号的两个主要特点:一、信号载频固定不变；二、信号以码字为单位出现，且脉冲时序格式固定。针对敌我识别信号的这两个特点，本文设计的个体识别方法重点包括:一、瞬时频率可作为有效的个体特征；二、可综合同一串码字里多个脉冲的个体识别结果，提高目标个体识别正确率。

1 敌我识别信号特点分析

北约敌我识别系统技术标准包括Mark X 和Mark XII，Mark XII 敌我识别系统在Mark X 基础上增加了模式4 和模式5 两种模式。Mark 系统技术体制与国际民航二次雷达一样，其工作频点是固定不变的，询问信号载频为1 030 MHz，应答信号载频为1 090 MHz［11］。

Mark X询问信号一共有6种询问模式，分别为1，2，3/A，B，C，D 模式。各模式询问信号均由3 个脉冲P1，P2，P3 组成，根据不同的模式P1，P3 间隔变化，模式1，2，3/A，B，C，D 对应P1，P3 间隔为3，5，8，17，21和25 μs。Mark X应答信号由12个脉位携带信息，对应位置有脉冲代表二进制1，无脉冲代表0。

S模式应答信号由4个前导脉冲和一串数据脉冲组成。脉冲宽度为0.5 μs，脉冲时序为0，1，3.5，4.5 μs。数据脉冲是脉位调制的。1 μs 的时间间隔对应于信息的一个bit。前0.5 μs 有脉冲，代表二进制1，后0.5 μs 有脉冲，代表二进制0。其信号时序图如图1所示。

图1 S模式应答信号时序图

Mark XII 询问兼容Mark X，并增加了模式4 和模式5。模式4 询问信号时序如图2 所示。由4 个前导脉冲和一串数据脉冲组成，脉冲宽度为0.5 μs，脉冲间隔为2 μs。

图2 模式4询问信号时序图

通过以上介绍可以发现敌我识别信号区别于雷达信号的两个主要特点:一、信号载频固定不变，询问采用1 030 MHz，应答采用1 090 MHz；二、信号以脉冲串的形式出现，且脉冲串格式固定，在信号解调的基础上，几乎可以确定一个码字对应的一组脉冲是来自同一个辐射源的。目前雷达多是跳频工作，因此单纯用瞬时频率或频谱作为个体特征并不合适，而用频率稳定度更可靠。目前雷达多采用参差脉冲，结合跳频工作模式，很难确定一组脉冲是否来自用一个辐射源，因此只能针对单脉冲进行个体识别。而敌我识别信号频率固定，频谱上的无意调制直接反映在瞬时频率上，因此可以将瞬时频率作为个体特征。在信号解调的基础上，可以确定一个码字对应的一组脉冲是来自同一个辐射源的，因此可综合同一串码字里多个脉冲的个体识别结果，提高目标个体识别正确率。

2 针对敌我识别信号的个体识别方法

2.1 特征提取与比较

现有研究常提取的个体指纹特征通常包括包络特征、频率特征和时频特征。脉冲上升沿可用来表示信号瞬态特征［12］，瞬时频率能够反映信号的脉内频率变化情况，将瞬时频率与中心载频作差的结果可以反映频率稳定度。

本文采用ADS-B 信号进行算法验证。ADS-B信号是S模式敌我识别信号中的一种类型，在民航飞机上广泛使用，因此ADS-B 信号容易获取，为样本采集提供了极大便利；另一方面，ADS-B 信号所含的地址码是飞机的唯一身份标识，可以作为标签对数据进行标注，进而可对数据样本进行监督学习。因此ADS-B 信号比较适合用来验证针对敌我识别信号的个体识别算法。

双向DC/DC变换器按结构类型可分为非隔离型和隔离型两种。隔离型双向DC/DC变换器结构复杂、电力元件多、控制复杂导致成本较高，功率密度较低，不适用于船舶的复合储能装置中。在非隔离式的Buck型拓扑、Boost型拓扑、Buck-Boost组合型拓扑三种拓扑结构中，Buck-Boost结构具有较小的电感和较低的开关导通损耗，效率也比另外两种更高，更符合纯电动船舶复合储能装置的需求，故选用双向Buck-Boost型变换器。双向DC/DC变换器匹配超级电容可以提供稳定的电压输出，与动力电池并联供电时，能够有效减少环流问题。

我们提取了15部不同ADS-B 辐射源信号的脉冲上升沿、脉冲下降沿、瞬时频率、频率稳定度作为个体指纹特征。在使用这些信号进行分类器训练与识别之前，要进行必要的预处理措施，本文所用预处理措施简要介绍如下:

缺失值处理:实际采集的敌我识别信号数据中，偶尔会出现某个采样点上I 和Q 数据同时为0的情况，当对同时为0 的IQ 数据取其幅值（in dB），将出现log（0）的计算，从而导致计算出错，因此必须将缺失值补全。

脉冲对齐:目前常用的脉冲对齐方法是以曲线拟合后的上升沿第一个过冲点顶部为基准，对脉冲进行对齐［6］。也可以用脉冲上升沿低于脉冲幅度3 dB（或6 dB）点作为基准，对脉冲进行对齐。通过对实际采集的ADS-B 信号进行测试，在数据样本足够大时，不同的对齐方法对识别结果影响不大。基于降低算法复杂度的考虑，本文采用后一种脉冲对齐方法。

标准化处理:不同辐射源个体的脉冲信号幅度不一样，同一个辐射源个体不同时刻的脉冲幅度也不一样，因此需要对脉冲包络作标准化处理，消除具体幅值的影响，只关注包络的变化特征。本文对脉冲包络作0-1 标准化处理，使结果落到［0，1］区间，转换函数如下:

式中，max为最大样本值，min为最小样本值。

图3 显示了标准化后的脉冲上升沿和下降沿包络。选取了3 部不同的ADS-B 辐射源，用3 种不同颜色表示，每个辐射源选取100个脉冲的数据进行展示。从图中可以看出不同辐射源上升沿和下降沿包络在局部上是有些差异的。

图3 标准化上升沿和下降沿包络特征

图4 显示了3 部不同ADS-B 辐射源的瞬时频率特征。可以看出，不同ADS-B 辐射源瞬时频率特征差异比较明显。

图4 瞬时频率特征

图5 显示了3 部不同ADS-B 辐射源的频率稳定度特征。可以看出，相较于瞬时频率特征，不同ADS-B辐射源的频率稳定度特征差异明显减小。

图5 频率稳定度特征

2.2 多脉冲综合识别

提取了辐射源个体信号特征后，利用不同辐射源个体间信号特征的差异，结合分类器对不同个体进行分类识别。近年来随着机器学习成为研究热点，多种分类器被用于个体识别领域，包括但不限于支持向量机（SVM）、随机森林、神经网络、深度学习等算法［13］。本文并不打算研究不同分类器的个体识别效果，而是注重于对多个脉冲的识别结果进行融合，给出目标个体识别结果的综合判决。

本文选取人工神经网络作为个体识别的分类器。人工神经网络由输入层、隐藏层和输出层组成。神经网络的预测输出表达式为

式中:k表示第k个测试数据；j∈(1,2,…,M)，M为输出层神经元个数，代表有M个不同的类；βj为第j个神经元的输入，θj为第j个神经元的阈值。f（）为激活函数，本文采用Sigmoid 函数作为激活函数，由于其取值范围在0～1之间，因此可以将理解为第k个数据被判别为第j类的概率。

取最大的pkj对应的j作为第k个数据的识别结果，记为yk，即假设一串敌我识别信号码字包含K个脉冲，每个脉冲都有一个个体识别结果yk∈(1,2,…,M)，其中M为辐射源个数，k∈(1,2,…,K)。对这K个脉冲的识别结果进行综合处理，有两种处理方法。

第一种，直接对最终识别结果进行综合处理，在K个识别结果中，找到出现最多次的那一个结果作为对该辐射源的最终个体识别结果。

第二种，先对识别概率作综合，再得到识别结果。记pj为该辐射源为第j类的概率，则有

然后取最大的pj对应的j作为该辐射源最终的个体识别结果y=arg max(pj)。

3 试验与结果分析

3.1 信号样本准备与分类器训练

本文利用敌我识别信号侦察设备采集了15架民航飞机的ADS-B 信号数据，每架飞机的脉冲样本数为1 000～3 000不等。同一架飞机的ADS-B信号解调出的地址码相同，不同飞机的地址码不同，可以用地址码给信号样本打上标签。同一个码字一串脉冲的基带IQ样本数据存成一个文件，如图6所示为一串ADS-B 信号的脉冲包络，可以看出其信号格式与图1所示相同。

图6 ADS-B信号脉冲包络

依次对IQ 数据进行缺失值处理、脉冲检测、对齐、特征提取、标准化处理，得到脉冲包络、瞬时频率、频率稳定度等个体指纹特征数据，作为输入样本训练神经网络。本文采用Matlab 自带的神经网络模块，构建了一个包含输入层、15 个隐含层和输出层的神经网络，其中输出层包含15 种输出结果，分别表示15个不同的辐射源个体。特征数据按70∶15∶15 的比例随机分为训练集、验证集和测试集，将训练集和验证集输入到神经网络对其进行训练，用测试集对训练好的神经网络分类器进行性能测试。

3.2 不同特征识别效果比较

用提取的脉冲上升沿和下降沿包络、脉冲瞬时频率、频率稳定度，以及综合这三种特征分别训练神经网络分类器，并对其分类效果进行测试，试验结果如图7 所示。需要指出的是这里的测试结果是单脉冲的识别结果，并未对多脉冲结果作综合。从测试结果可以看出瞬时频率特征的识别效果要优于脉冲包络和频率稳定度特征，而综合多种特征的个体识别效果表现最优。另外可以看出辐射源个数越多，个体识别准确率越低，这是显而易见的。

图7 不同指纹特征的个体识别准确率

3.3 多脉冲综合识别测试

敌我识别各种模式信号中，一串码字对应的脉冲数最少的是MarkX 询问和模式4应答模式，包含3 个脉冲；脉冲数最多的是S 模式应答（含ADSB），脉冲数不固定但最多可达112个脉冲。对不同脉冲个数的综合识别准确率试验结果如图8所示。试验条件为:辐射源个数为15 个，结合脉冲包络、瞬时频率和频率稳定度三种特征作为输入特征。由图8可以看出，多脉冲综合识别正确率显著高于单脉冲识别正确率，综合50 个脉冲的识别正确率高达98.2%；而且仅仅综合3 个脉冲的识别正确率就从81%（单脉冲）大幅提升至91.6%。同时，我们对3.2 节所描述的两种综合方法进行了比较，识别概率综合方法要优于识别结果综合方法，但差距不大。

图8 多脉冲综合识别结果

4 结束语

本文针对敌我识别信号频率和脉冲时序固定的特点，提出一种针对敌我识别系统的个体识别方法。通过分析与测试，发现瞬时频率比较适合作为敌我识别系统个体指纹特征。同时，结合敌我识别信号解调，对同一个码字包含的多个脉冲进行综合识别，综合多个脉冲的个体识别正确率显著高于单脉冲个体识别正确率。后续工作将对具有脉内调制的敌我识别信号，包括S模式询问和模式5信号，开展个体识别研究。