基于常規(guī)參數(shù)和脈內特征參數(shù)的雷達信號分選?

陳 恒 張友益 王玉梅

（1.江蘇科技大學 鎮(zhèn)江 212001）（2.中船重工集團七二三研究所 揚州 225001）

1 引言

隨著科學技術的不斷發(fā)展，雷達對抗偵察系統(tǒng)面臨著信號環(huán)境密集且復雜多變，雷達反偵察、抗干擾性能好以及綜合威脅程度高的挑戰(zhàn)，雷達輻射源分選扮演的角色也越來越重要，所面臨和需要解決的問題也越來越多。文獻［1］是通過具有自組織和識別聚類中心能力的一維的Kohonen神經網(wǎng)絡對常規(guī)三參數(shù)（到達角、載頻、脈寬）進行聚類從而達到分選的目的；而文獻［2］在此基礎之上加入脈沖幅度這個參數(shù)作為特征向量，將Minkowsky距離法［3～4］代替最小歐氏范數(shù)距離法，利用Kohonen神經網(wǎng)絡對四個特征向量實現(xiàn)常用雷達輻射源的分選。但是當雷達的常規(guī)五參數(shù)若是相互交疊或者十分相近時，這兩個方法的分選準確率將會受到很大的影響。

經過文獻［5～6］研究表明，脈內特征參數(shù)相對比較穩(wěn)定，在常規(guī)參數(shù)的基礎上增加一些穩(wěn)定的脈內特征參數(shù)，諸如相像系數(shù)［7］、熵值［8］、小波包［9］以及復雜度［10］等，進行多參數(shù)分選和識別，可有效提高分選識別的能力。

因此，本文在前人的基礎上選擇到達角、載頻和脈寬這三個參數(shù)，用Wpt6（小波包特征，對脈內調制信號進行3層小波包分解后，第3層頻帶中第六個頻帶的特征信息）代替脈沖幅度（PA）這個參數(shù)（舍棄脈沖幅度的原因是PA容易受到多種因素影響，如脈沖調制幅度、雷達天線掃描等會導致該參數(shù)平穩(wěn)性較差，通常不作為信號分選的參數(shù)），用改進后的自組織特征映射神經網(wǎng)絡（SOFM）進行聚類分選。

2 小波包特征提取

小波包變換能對信號進行多分辨率分析，并能精確描述信號的時變特征。信號序列｛s（n）｝在不同尺度時的小波包變換可用下式來表示：

上式中：j表示分解的尺度，即分解的層數(shù)；l表示第j層的高低頻部分，例如 Sj+1，2i(n)、Sj+1，2l+1(n)分別表示信號序列｛s（n）｝小波包變換的第j+1層的高低頻部分；h，g分別表示低通和高通濾波器，它們?yōu)楣曹楃R像濾波器。

本文利用小波包分解提取信號脈內特征的具體步驟如下：

1）對脈內調制信號進行3層小波包分解，第3層共有8個頻帶，分別包含著8個頻帶的信號特征信息。用X3j（j=1，2，…，8）表示第3層第j個頻帶系數(shù)。此過程的關鍵是要合理地選擇小波函數(shù)和小波包最佳分解的熵標準。本文選擇最適合雷達輻射源信號的Symlets小波函數(shù)’sym6’和熵’Shan?non’來進行小波包分解。

2）重構第3層的8個小波包系數(shù)，提取出各頻帶范圍的信號。用 S3j（j=1，2，… ，8）表示的重構信號，則總信號可以表示為

3）計算信號各個頻帶的能量。S3j的能量（j=1，2，… ，8）計算公式為

4）構造信號的特征向量。特征向量T如下

為了方便數(shù)據(jù)分析，需要對特征向量T進行歸一化處理，令

則

向量WPT就是歸一化后的特征向量，即為本文所要提取的小波包特征。Wpt6的表達式如上式（7）所示。

在張葛祥的博士畢業(yè)論文中中，他分析提取雷達信號各種特征，如兩種相像系數(shù)特征Cr1和Cr2、ApEn特征、NoEn特征、信息維數(shù)、盒維數(shù)、關聯(lián)維數(shù)以及八種小波包特征。并對這多種特征進行了比較，主要通過時間復雜度、類內聚集度以及類間聚集度這三個指標分析，進行100次計算的結果得到，幾種特征提取方法的時間復雜度差異很大，范數(shù)熵特征提取法的時間最短，關聯(lián)維數(shù)計算方法時間最長；通過類內聚集度指標，小波包特征最優(yōu)，其中Wpt6和Wpt7是小波包中最優(yōu)，ApEn特征最差；通過類間聚集度指標，相像系數(shù)Cr1最優(yōu)，其次就是Wpt6和Wpt7，最差的還是ApEn特征。綜合比較，Wpt6是最好的特征。

3 算法改進

傳統(tǒng)的SOFM網(wǎng)絡算法［11～12］應用于雷達輻射源信號分選時存在需要事先確定網(wǎng)絡的規(guī)模，對于不同的網(wǎng)絡規(guī)模，會導致不同的分選結果。如何確定合適的網(wǎng)絡規(guī)模從而達到理想的分選結果成為當前研究的一個重點，本文在傳統(tǒng)的SOFM網(wǎng)絡算法上，提出一種網(wǎng)絡規(guī)模可以自主調節(jié)的SOFM網(wǎng)絡，最終實現(xiàn)雷達輻射源信號的分選，具體步驟如下：

1）給定一個較小的數(shù)α和A（這兩個數(shù)可以取為0），選擇一個較小的網(wǎng)絡規(guī)模m*n（m=1，n=2），先利用SOFM網(wǎng)絡傳統(tǒng)學習算法訓練，初步達到一個有序映射；

2）統(tǒng)計每個神經元對應的所有模式，用歐式距離函數(shù)計算m*n類中所有相鄰模式之間的距離d，并計算B=|d-α|；如果所有的B均小于A，循環(huán)停止，反之則轉到3）；

3）如果某個神經元對應的所有模式中出現(xiàn)a種B大于A的情況，則m+INT（a/2），n+m+INT（a/2）；

4）繼續(xù)用SOFM網(wǎng)絡傳統(tǒng)學習算法訓練；

5）轉步驟2）。

4 實驗仿真

4.1 仿真條件

取4種典型的雷達輻射源信號進行仿真實驗，信號類型和工作參數(shù)取值如表1所示。其中，線性調頻信號的帶寬為5MHz，非線性調頻信號采用正弦調制方式，二相編碼信號采用巴克碼，四相編碼信號采用霍夫曼碼，考慮測量誤差的問題，雷達脈沖三參數(shù)不是一個固定值，而是在一定幅度內隨機變化。信號都加上10 dB的高斯白噪聲，每個輻射源產生100個信號，一共400個。

表1 雷達輻射源信號類型和參數(shù)

在10dB時4種信號的Wpt6的值如下表2所示。

表2 4種雷達輻射源10dB時的Wpt6值

利用仿真軟件對雷達四參數(shù)分別作三維原始數(shù)據(jù)分布，如圖1的 DOA-RF-PW，圖2的DOA-PW-Wpt6，圖 3的 RF-PW-Wpt6，圖 4的RF-DOA-Wpt6。我們可以看到，圖1中三參數(shù)交疊嚴重，而加入脈內特征參數(shù)Wpt6后，四種不同調制雷達輻射源信號區(qū)分度很明顯。

4.2 仿真實驗一

實驗一：用改進的SOFM神經網(wǎng)絡對四參數(shù)（DOA、RF、PW、Wpt6）進行聚類分選，SOFM網(wǎng)絡參數(shù)設置如下：初始學習速率η=0.9，按照迭代次數(shù)遞減，學習步數(shù)為100步，調整階段學習速率為0.02，鄰居距離為1，距離函數(shù)為偶是距離dist，拓撲結構函數(shù)為hextop。輸入層的維數(shù)為3，初始網(wǎng)絡規(guī)模為1*2。對給定的雷達輻射源數(shù)據(jù)進行訓練，SOFM網(wǎng)絡提取的拓撲結構如下圖5所示。

從圖5中可以看到，這種改進的SOFM網(wǎng)絡規(guī)模為2*3，很好地將四種不同調制輻射源信號區(qū)分開來，但也有兩種信號出現(xiàn)了交疊情況，總體來說，分選效果還是非常不錯的。

這種改進的SOFM網(wǎng)絡分類結果以權值二維分布圖6顯示如下。

4.3 仿真實驗二

實驗二：由實驗一確定的SOFM神經網(wǎng)絡規(guī)模對三參數(shù)（DOA、RF、PW）進行聚類分選，SOFM網(wǎng)絡參數(shù)設置如下：初始學習速率η=0.9，按照迭代次數(shù)遞減，學習步數(shù)為100步，調整階段學習速率為0.02，鄰居距離為1，距離函數(shù)為偶是距離dist，拓撲結構函數(shù)為hextop。輸入層的維數(shù)為3，網(wǎng)絡規(guī)模為2*3。對給定的雷達輻射源數(shù)據(jù)進行訓練，SOFM網(wǎng)絡提取的拓撲結構如圖7所示。

由圖7可知，相同的網(wǎng)絡規(guī)模，把四種輻射源信號分選成了五種，最大的原因在于輻射源脈沖的三參數(shù)交疊嚴重，無法準確區(qū)分，所以造成誤分選。

分類結果以權值二維分布圖8顯示如下。

由圖8可知，與仿真實驗二相比，加入特征參數(shù)Wpt6后，分選效果明顯提高了很多。通過對比仿真實驗一和仿真實驗二的實驗結果，更進一步說明脈內特征參數(shù)Wpt6有很好的類內聚集度以及類間分離度，對于參數(shù)交疊嚴重的電磁信號環(huán)境有一定的參考價值和應用價值。

最后對兩個實驗的分選結果進行統(tǒng)計分析，每個輻射源的分選準確率如表3所示。

表3 兩種方法的分選結果

從表3我們可以看到，實驗二分選的結果，最低為53%，最高為100%，總的分選準確率為76.75%，而且兩個信號的準確率都低于70%，分選準確率很不理想。這與兩兩雷達輻射源之間三參數(shù)交疊比較嚴重，且每種參數(shù)都設置了一定的誤差，有很大的關系。由圖1可以明顯地看出來，所以發(fā)生錯誤分選的概率就會變大，分選效果自然就不太理想。實驗一對四個特征參數(shù)進行分選時，最低的準確率為90%，最高的也達到100%，而總的分選準確率更是達到97.5%，分選效果非常理想。從實驗一和實驗二的分選結果來看，可以發(fā)現(xiàn)，當加入第四個特征參數(shù)Wpt6時，相對于實驗二的結果，分選準確率大大提高。這說明信號的脈內特征參數(shù)Wpt6具有良好的可分離度，對提高分選準確率有很大提升效果。

5 結語

常規(guī)三參數(shù)不能滿足復雜電磁信號環(huán)境下信號分選的要求，本文提出加入新的脈內特征參數(shù)進行分選，并利用小波包特征提取法提取脈內特征參數(shù)Wpt6；用改進的SOFM網(wǎng)絡算法進行雷達輻射源分選，與利用SOFM網(wǎng)絡對三參數(shù)分選結果相比，這種方法具有更好的分選效果。因此，在對常規(guī)多參數(shù)進行分選的時候，加上具有良好分離度的脈內特征參數(shù)Wpt6是一個不錯的選擇。

［1］林志遠，劉剛，戴國憲.Kohonen神經網(wǎng)絡在雷達多目標分選中的應用［J］.空軍工程大學學報，2003，4（5）：56-59.

［2］郭杰，陳軍文.一種處理未知雷達信號的聚類分選方法［J］.系統(tǒng)工程與電子技術，2006，28（6）：853-857.

［3］金能，何華英.關于廣義Minkowsky不等式的注記［J］.臺州師專學報，1997，15（6）：259-263.

［4］楊忠鵬.亞正定陣上的Minkowski不等式［J］.煙臺師范學院學報（自然科學版），1997，25（4）：65-70.

［5］張葛祥，胡來招.雷達輻射源信號脈內特征分析［J］.紅外與毫米波學報，2004，23（6）：477-480.

［6］張葛祥，金煒東，胡來招.基于相像系數(shù)的雷達輻射源信號特征選擇［J］.信號處理，2005，21（6）：663-667.

［7］周霖儀，劉志成，何佳洲.層次-熵值組合賦權法在雷達輻射源識別中的應用［J］.指揮控制與仿真，2009，35（6）：356-359.

［8］張葛祥，榮海娜，金煒東.基于小波變換和特征選擇的雷達輻射源信號識別［J］.電路系統(tǒng)與學報，2006，11（6）：45-50.

［9］韓俊，何明浩，朱振波，王杰.基于復雜度特征的未知雷達輻射源信號分選［J］.電子與信息學報，2009，31（11）：2552-2556.

［10］鄭子揚，陳永游，張君.基于SOFM網(wǎng)絡聚類雷達信號預處理分選改進算法［J］.航天電子對抗，2014，29（3）：42-46.

［11］丁碩，常曉恒，巫慶輝.基于自組織特征映射神經網(wǎng)絡的聚類分析［J］.信息技術，2014，47（6）：18-21.