基于先驗(yàn)信息庫的多源混合信號(hào)快速識(shí)別模型

普運(yùn)偉,馬藍(lán)宇,郭媛蒲,侯文太

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院,云南 昆明 650500;2.昆明理工大學(xué) 計(jì)算中心,云南 昆明 650500)

盡管電子偵查多屬于非合作信號(hào),但多年來國(guó)防部門也對(duì)各國(guó)現(xiàn)役雷達(dá)已有一定積累,建立雷達(dá)信息庫對(duì)所截獲雷達(dá)進(jìn)行準(zhǔn)確描述和快速匹配識(shí)別具有積極的軍事意義。

雷達(dá)輻射源信號(hào)分選識(shí)別是電子對(duì)抗的關(guān)鍵技術(shù)之一。在現(xiàn)代戰(zhàn)場(chǎng)上,由于雷達(dá)、導(dǎo)彈及通信裝備等復(fù)雜體制雷達(dá)大規(guī)模應(yīng)用,電磁環(huán)境異常復(fù)雜。傳統(tǒng)的僅使用脈沖描述字(pulse description word,PDW)作為識(shí)別特征的先驗(yàn)信息庫已不能滿足準(zhǔn)確、及時(shí)的識(shí)別要求,對(duì)高密度多源混合信號(hào)進(jìn)行實(shí)時(shí)分選識(shí)別是當(dāng)前雷達(dá)偵查系統(tǒng)需要解決的關(guān)鍵問題之一[1]。

脈內(nèi)特征是當(dāng)前雷達(dá)信號(hào)分選的主流研究方向[2],研究人員相繼提出時(shí)頻原子特征[3]、雙譜特征[4]、熵特征[5]等。但是,由于脈內(nèi)特征提取時(shí)間長(zhǎng)、信號(hào)辨識(shí)能力差,實(shí)際使用效果并不理想。近年來,基于雷達(dá)指紋[6]的脈沖無意調(diào)制特征也取得了一定的成果,但雷達(dá)指紋特征受環(huán)境等因素干擾較大,提取十分困難,也無法滿足實(shí)際需求。

瞬時(shí)自相關(guān)具有計(jì)算速度快、易于工程實(shí)現(xiàn)的特點(diǎn)[7],從信號(hào)瞬時(shí)頻率(instantaneous frequency,IF)維度提取特征參數(shù)較易應(yīng)用于先驗(yàn)信息庫。但在實(shí)際應(yīng)用當(dāng)中,IF特征僅能有效識(shí)別線性調(diào)頻信號(hào)?？紤]到模糊函數(shù)對(duì)信號(hào)內(nèi)在結(jié)構(gòu)具有較為完整的描述能力[8],將模糊函數(shù)主脊(ambiguity function main ridge, AFMR)切面特征應(yīng)用于先驗(yàn)信息庫將有助于對(duì)信號(hào)進(jìn)行高可靠性分選和識(shí)別。但在分?jǐn)?shù)域上,提取AFMR切面計(jì)算量較大。本文利用IF特征對(duì)信號(hào)進(jìn)行預(yù)識(shí)別并指導(dǎo)性地搜索信號(hào)的AFMR以降低切面特征提取時(shí)間,進(jìn)而將傳統(tǒng)PDW參數(shù)、IF特征參數(shù)、AFMR序列參數(shù)進(jìn)行組合,構(gòu)建了一種雷達(dá)輻射源信號(hào)多維先驗(yàn)信息庫。同時(shí),根據(jù)特征參數(shù)的不同特點(diǎn),使用層級(jí)匹配、閾值匹配、相像系數(shù)匹配方法對(duì)參數(shù)進(jìn)行相似性度量,提出了一種基于先驗(yàn)信息庫的多源混合信號(hào)快速識(shí)別模型。

本文利用IF特征及AFMR特征構(gòu)建的先驗(yàn)信息庫對(duì)信號(hào)進(jìn)行了有效的補(bǔ)充描述,在顯著提升了先驗(yàn)信息庫的表征能力的同時(shí)，還具有較低的誤識(shí)率,為具備有效性評(píng)價(jià)的核模糊聚類算法[9](KFC with validity assessment,KFCVA)提供了精確的未知信號(hào)數(shù)據(jù)集,使其準(zhǔn)確計(jì)探測(cè)未知信號(hào)聚類中心數(shù),為后續(xù)分選提供有效指導(dǎo)。

1 先驗(yàn)信息庫構(gòu)建

先驗(yàn)信息庫的特征需要滿足實(shí)時(shí)性、平穩(wěn)性和聚集性的要求[10]。本文利用部分PDW參數(shù)結(jié)合IF特征及AFMR特征共同構(gòu)建雷達(dá)信號(hào)先驗(yàn)信息庫。

1.1 PDW參數(shù)提取

PDW將雷達(dá)脈沖流參數(shù)化,以到達(dá)角(direction of arrival,DOA)、脈沖幅度(pulse amplitude,PA)、到達(dá)時(shí)間(time of arrival,TOA)、脈沖寬度(pulse width,PW)和載頻(radio frequency,RF)5個(gè)參數(shù)對(duì)雷達(dá)信號(hào)進(jìn)行描述。其中DOA，RF，PW參數(shù)具有較好的聚集性[11];PA參數(shù)與雷達(dá)發(fā)射功率、距離以及環(huán)境相關(guān)，難以準(zhǔn)確測(cè)量。TOA參數(shù)提取依賴大量信號(hào)脈沖，不滿足實(shí)時(shí)性要求。故在本文中,采用DOA，RF，PW這3個(gè)PDW參數(shù)作為先驗(yàn)信息庫傳統(tǒng)特征參數(shù)。

1.2 IF線性斜度特征提取

IF特征提取速度快,計(jì)算復(fù)雜度低,具有良好的實(shí)時(shí)性。同時(shí)，利用IF特征對(duì)信號(hào)進(jìn)行預(yù)識(shí)別,可以大幅提高典型雷達(dá)信號(hào)的AFMR提取速度,使將AFMR特征應(yīng)用到先驗(yàn)信息庫成為可能。

鑒于改進(jìn)瞬時(shí)自相關(guān)算法[7]具有優(yōu)良的抗噪性能,本文采用該方法提取信號(hào)的IF。圖1為6種典型雷達(dá)信號(hào)IF。

圖1中,只有LFM信號(hào)和CON信號(hào)的IF和采樣時(shí)間呈現(xiàn)較好的線性相關(guān)性,且僅有LFM信號(hào)具有穩(wěn)定不為0的斜率。據(jù)此,提出線性斜度(Linear slope, LS)作為先驗(yàn)信息庫特征參數(shù)之一，

(1)

式中,fIF為提取的IF序列,T=1/fs為采樣間隔,cov(·)和D(·)為協(xié)方差和方差運(yùn)算。表1為6種典型雷達(dá)信號(hào)在不同信噪比下的LS值分布。

和預(yù)期結(jié)果一致,在表1中,僅LFM信號(hào)擁有穩(wěn)定的LS,在0dB時(shí),仍保持在0.69以上,其他5種信號(hào)的LS值均不超過0.2,說明LS特征具有良好的平穩(wěn)性和分離性。

1.3 AFMR特征參數(shù)快速提取

模糊函數(shù)有助于描述信號(hào)的波形特性和結(jié)構(gòu)信息。文獻(xiàn)[8]定義模糊函數(shù)過原點(diǎn)的主要能量分布帶為模糊函數(shù)主脊切面,提出一種AFMR特征提取方法：

對(duì)于任意窄帶雷達(dá)輻射源信號(hào)s,其模糊函數(shù)形式為

(2)

其中,s*(t) 為s(t)的共軛,τ為時(shí)延,ξ為頻移。

圖1 6種典型雷達(dá)信號(hào)IF比較Fig.1 IF comparison of six typical radar signals

LSCONLFMBFSKBPSKM-SEQQPSK 0dB00.69-0.210.03-0.120.18 6dB0.010.96-0.620.02-0.160.14 12dB0.010.98-0.720.070.060.16 20dB0.020.99-0.730.080.140.17

利用分?jǐn)?shù)自相關(guān)運(yùn)算[12]和分?jǐn)?shù)傅里葉變換的快速離散方法,可計(jì)算模糊函數(shù)任意過原點(diǎn)的徑向切面。利用上述分?jǐn)?shù)自相關(guān)與模糊函數(shù)徑向切面的關(guān)系,構(gòu)建了如下檢測(cè)量:

(3)

其中，Cp為分?jǐn)?shù)自相關(guān)算子，ρ為信號(hào)在時(shí)頻面上沿方向軸移動(dòng)的徑向距離。

據(jù)此,通過搜索擁有最大RS(a)值的切面作為AFMR。圖2為典型雷達(dá)信號(hào)的AFMR切面。由圖2可以看出，6種典型雷達(dá)信號(hào)的AFMR切面具有較好的分離性，符合先驗(yàn)信息庫要求。然而，提取高精度AFMR,計(jì)算量較大，實(shí)時(shí)性低[13]?？紤]到對(duì)于同種調(diào)制類型信號(hào),其主脊方向總是穩(wěn)定在一定的角度,故可利用IF線性斜度特征為AFMR搜索提供指導(dǎo)。

表2為6種典型雷達(dá)信號(hào)主脊方向。由表2可以看出,LFM信號(hào)主脊方向?yàn)?°～6°,其他信號(hào)主脊方向?yàn)?°～1°。通過LS特征分辨出LFM信號(hào)和非LFM信號(hào),進(jìn)而在對(duì)應(yīng)信號(hào)主脊方向附近搜索AFMR,可以大幅縮減AFMR搜索范圍,有效降低搜索時(shí)間。改進(jìn)的AFMR搜索策略如圖3所示。

圖2 典型信號(hào)AFMR切面Fig.2 Typical signals AFMR section

(°)

圖3 改進(jìn)的AFMR搜索策略Fig.3 Improved search strategy of AFMR

在相同精度下,改進(jìn)后的搜索范圍由180°降低至6°,單個(gè)信號(hào)AFMR提取耗時(shí)僅為0.1s左右,大幅提高了AFMR切面計(jì)算速度,為AFMR特征加入先驗(yàn)信息庫提供了可行性。

1.4 先驗(yàn)信息庫結(jié)構(gòu)

通過提取PDW參數(shù)、LS參數(shù)及AFMR切面序列參數(shù),構(gòu)建雷達(dá)信號(hào)先驗(yàn)結(jié)構(gòu)如表3和表4所示。表3為先驗(yàn)信息庫主表,主要記錄了雷達(dá)PDW參數(shù)以及對(duì)應(yīng)雷達(dá)LS特征參數(shù)上下限,表4記錄了對(duì)應(yīng)雷達(dá)AFMR序列以便于后續(xù)識(shí)別。

2 快速識(shí)別模型

構(gòu)建先驗(yàn)信息庫快速識(shí)別模型需要考慮各識(shí)別參數(shù)的特點(diǎn),設(shè)計(jì)不同的匹配方法和合理的匹配流程，以滿足先驗(yàn)信息庫快速準(zhǔn)確的識(shí)別要求。本文采用層級(jí)匹配、閾值匹配、相像系數(shù)匹配3種方式將待測(cè)信號(hào)與先驗(yàn)信息庫中記錄逐一度量,以評(píng)價(jià)PDW，LS及AFMR參數(shù)間的相似性,總流程圖如圖4所示。

2.1 PDW層級(jí)匹配

本文采用分級(jí)處理方法以加快PDW參數(shù)處理速度。對(duì)于已知目標(biāo),與信息庫逐級(jí)匹配,以獲得準(zhǔn)確結(jié)果;對(duì)于未知目標(biāo),在任意參數(shù)匹配失敗后直接劃分到未知信號(hào)待進(jìn)一步識(shí)別,避免后續(xù)無用處理增加計(jì)算負(fù)擔(dān)。

相似度P1，P2，P3分別代表待測(cè)信號(hào)與先驗(yàn)信息庫記錄DOA，RF及PW這3個(gè)參數(shù)的相似度,以RF相似度P1的計(jì)算為例:

(4)

其中,RFC為先驗(yàn)信息庫中所記錄的該雷達(dá)的中心載頻,RF為實(shí)測(cè)雷達(dá)載頻,Δ為匹配容差。通常接收機(jī)接收輸出的視頻脈沖非理想的矩形脈沖,其前沿都有失真,導(dǎo)致測(cè)量誤差[14]。同時(shí),由于多徑效應(yīng)的影響,脈寬的誤差也會(huì)發(fā)生變化。綜合考慮,本文脈寬的匹配容差ΔPW為2.5%;在10GHz范圍內(nèi),一般接收機(jī)能達(dá)到2MHz的精度,考慮到某些發(fā)射機(jī)頻率不穩(wěn)定及電磁環(huán)境復(fù)雜性,將載頻的匹配容差ΔRF定為2%;在現(xiàn)代雷達(dá)偵查中,測(cè)向精度已可達(dá)0.1°,故ΔDOA為0.1°。

2.2 LS閾值匹配

LS特征僅用于對(duì)LFM信號(hào)進(jìn)行識(shí)別,在提取信號(hào)LS特征之后，將其與信息庫中對(duì)應(yīng)信號(hào)LS上下限進(jìn)行匹配:如匹配成功,P4=1,進(jìn)入下一匹配流程;如匹配失敗,P4=0,并將信號(hào)劃分為未知信號(hào)待進(jìn)一步識(shí)別。

表3 先驗(yàn)信息庫主表Tab.3 The main table of apriori information database of apriori information database

表4 先驗(yàn)信息庫AFMR序列表Tab.4 The table of AFMR sequences of apriori information database

圖4 先驗(yàn)信息庫快速識(shí)別模型流程圖Fig.4 Rapid recognition model flow chart of apriori information database

2.3 AFMR序列相似性度量

不同調(diào)制方式的雷達(dá)輻射源信號(hào)具有不同的AFMR形狀,并且AFMR中還蘊(yùn)含著信號(hào)的頻率、相位等信息。為了度量待識(shí)別信號(hào)AFMR序列與先驗(yàn)信息庫中所儲(chǔ)存的AFMR序列相似度,采用相像系數(shù)對(duì)兩者進(jìn)行分析。

相像系數(shù)能表征兩函數(shù)或者兩離散序列趨勢(shì)的差異程度。設(shè)有兩個(gè)一維的離散正值信號(hào){S1(i),i=1,2,…,N},{S2(i),i=1,2,…,N},S1(i)≥0,S2(i)≥0,則S1(i)和S2(i)的相像系數(shù)RS定義為[15]

(5)

其中,S1(i)和S2(i)不恒為0。由著名的Cauchy Schwarz定理可知,RS的取值范圍為0≤RS≤1,其取值僅僅與信號(hào)的特性有關(guān)。表5為6種典型雷達(dá)信號(hào)一階AFMR序列RS值。

表5 6種典型雷達(dá)信號(hào)一階AFMR序列RS值Tab.5 Six typical radar signal RS of first order AFMR

由表5可以看出,相像系數(shù)可以準(zhǔn)確度量不同信號(hào)AFMR序列相似度,可以對(duì)不同載頻、相位及調(diào)制方式的雷達(dá)進(jìn)行識(shí)別。但是,分離度指標(biāo)Δ(最大值與次大值之差)均小于0.06,存在分離困難的問題。為了放大不同調(diào)制方式的雷達(dá)信號(hào)間的AFMR差異性,本文將AFMR序列進(jìn)行平方運(yùn)算后再進(jìn)行相像系數(shù)計(jì)算,使得信號(hào)間的AFMR相似程度差異更明顯,分離度更大。表6為6種典型雷達(dá)信號(hào)二階AFMR序列RS值。

表6 6種典型雷達(dá)信號(hào)二階AFMR序列RS值Tab.6 Six typical radar signal RS of second order AFMR

對(duì)比表5和表6可以看出，對(duì)于二階AFMR序列,RS分離度有了較大提高,BFSK信號(hào)分離度較使用AFMR一階序列提高了約26倍,有效提高了RS對(duì)信號(hào)識(shí)別能力。在實(shí)際使用中,為提高識(shí)別速度,除LFM信號(hào)外,對(duì)RS小于0.9的信號(hào)全部劃為未知信號(hào)待進(jìn)一步識(shí)別。

2.4 最佳匹配項(xiàng)選擇

PDW層級(jí)匹配在匹配過程中逐步縮小匹配范圍,盡可能減少了計(jì)算LS及AFMR的次數(shù)。LS特征雖然僅能識(shí)別LFM一種調(diào)制類型信號(hào),但其計(jì)算速度快并且可以有效幫助減少AFMR搜索時(shí)間。AFMR從主要能量分布帶的角度對(duì)信號(hào)模糊函數(shù)進(jìn)行了完整的描述,可以對(duì)信號(hào)調(diào)制類型進(jìn)行高可靠性的識(shí)別。經(jīng)過上述流程后,先驗(yàn)信息庫可以對(duì)大多數(shù)信號(hào)進(jìn)行準(zhǔn)確識(shí)別。但是,在某些情況下,信號(hào)仍然與先驗(yàn)信息庫中多個(gè)記錄匹配成功,此時(shí)需要為信號(hào)尋找最佳匹配項(xiàng)。定義P為信號(hào)相似度指標(biāo):

P=P1(i)×P2(i)×P3(i)×P4(i)×P5(i)。

(6)

其中,P1為DOA相似度,P2為RF相似度,P3為PW相似度,P4為L(zhǎng)S相似度,P5為AFMR相似度,i為先驗(yàn)信息庫雷達(dá)記錄編號(hào)。

將信號(hào)與先驗(yàn)信息庫中各記錄的相似度指標(biāo)進(jìn)行排序,取相似度最高的記錄即待測(cè)信號(hào)的最佳匹配項(xiàng)。這種方法可以為待測(cè)信號(hào)匹配最相似的記錄,有效提高了先驗(yàn)信息庫的識(shí)別正確率。

3 仿真實(shí)驗(yàn)及分析

3.1 仿真條件

為驗(yàn)證融合PDW，LS，AFMR特征的先驗(yàn)信息庫對(duì)多源混合復(fù)雜體制雷達(dá)信號(hào)的分選識(shí)別性能,模擬典型偵察條件下的120部雷達(dá)。選取6種典型雷達(dá)輻射源信號(hào)CON，LFM，BFSK，BPSK，M-SEQ和QPSK進(jìn)行實(shí)驗(yàn),雷達(dá)信號(hào)RF體制包括固定頻率信號(hào)、頻率捷變信號(hào)、頻率分集信號(hào);信號(hào)脈沖寬度包括固定脈寬、脈組捷變、脈沖寬度抖動(dòng)。為使模擬的雷達(dá)信號(hào)交錯(cuò)脈沖串和接收機(jī)實(shí)際接收到的PDW流盡可能一致,在仿真實(shí)驗(yàn)中以高斯隨機(jī)變量模擬RF和PW的測(cè)量誤差,在典型信噪比環(huán)境下(15dB)，δDOA=0.1°,δRF=6MHz,δPW=0.75μs。實(shí)驗(yàn)所使用雷達(dá)輻射源參數(shù)分布如圖5所示。

圖5 實(shí)驗(yàn)所使用雷達(dá)輻射源參數(shù)分布Fig.5 Parameter distribution of radar emitter used in laboratory

從圖5可以看出,模擬雷達(dá)輻射源信號(hào)交疊嚴(yán)重:所有雷達(dá)載頻均位于3 200～3 400MHz頻段內(nèi),脈寬集中在20～28μs,雷達(dá)輻射源集中在某一電磁環(huán)境復(fù)雜的區(qū)域內(nèi),相鄰雷達(dá)DOA間隔僅為0.1～0.2°。

在IF特征提取環(huán)節(jié),設(shè)接收機(jī)中頻為10MHz,帶寬為20MHz,ADC采樣頻率為120MHz,則當(dāng)瞬時(shí)自相關(guān)間隔m=5時(shí),可以保證無模糊地提取各雷達(dá)的IF特征。

3.2 傳統(tǒng)先驗(yàn)信息庫識(shí)別性能實(shí)驗(yàn)

為驗(yàn)證基于PDW的傳統(tǒng)先驗(yàn)信息庫對(duì)復(fù)雜體制多源混合雷達(dá)的分選識(shí)別性能,使用上述120個(gè)雷達(dá)輻射源的RF，PW，DOA這3個(gè)參數(shù)建立雷達(dá)先驗(yàn)信息庫。使用全部先驗(yàn)信息庫中雷達(dá)產(chǎn)生的模擬待識(shí)別信號(hào),在0dB，6dB，12dB，20dB這4種信噪比下,每個(gè)雷達(dá)產(chǎn)生100個(gè)脈沖,共12 000個(gè)脈沖。使用先驗(yàn)信息庫對(duì)待識(shí)別脈沖進(jìn)行匹配識(shí)別,實(shí)驗(yàn)結(jié)果如表7所示。

表7 傳統(tǒng)先驗(yàn)信息庫識(shí)別性能實(shí)驗(yàn)結(jié)果Tab.7 Results of traditional apriori information database recognition performance

從表7不難看出,在高密度雷達(dá)輻射源環(huán)境中,PDW參數(shù)交疊十分嚴(yán)重,僅使用RF，PW，DOA這3個(gè)參數(shù)構(gòu)建的傳統(tǒng)雷達(dá)信息庫無法取得滿意的分選識(shí)別效果。在0dB時(shí),正確率僅為37.38%,錯(cuò)誤率高達(dá)33.75%。隨著信噪比的提高,正確率有所提高,達(dá)到53.83%,但錯(cuò)誤率也進(jìn)一步提升至46.18%。這說明傳統(tǒng)的先驗(yàn)信息庫識(shí)別參數(shù)有限,僅能粗略對(duì)信號(hào)進(jìn)行表征,無法準(zhǔn)確識(shí)別多源混合復(fù)雜體制雷達(dá)信號(hào)。并且,由于錯(cuò)誤率較高,識(shí)別結(jié)果可信度低,甚至?xí)?duì)戰(zhàn)場(chǎng)形勢(shì)造成誤判,貽誤戰(zhàn)機(jī)。

3.3 多維先驗(yàn)信息庫識(shí)別性能實(shí)驗(yàn)

為驗(yàn)證加入LS， AFMR參數(shù)的先驗(yàn)信息庫對(duì)多源混合雷達(dá)信號(hào)的分選識(shí)別性能, 在3.2節(jié)實(shí)驗(yàn)的基礎(chǔ)上, 提取相應(yīng)信號(hào)的LS和AFMR參數(shù)補(bǔ)充進(jìn)先驗(yàn)信息庫中。 在0dB， 6dB， 12dB， 20dB這4種信噪比下, 每個(gè)雷達(dá)產(chǎn)生100個(gè)脈沖, 共12 000個(gè)脈沖。使用多維先驗(yàn)信息庫對(duì)待識(shí)別脈沖進(jìn)行匹配識(shí)別,實(shí)驗(yàn)結(jié)果如表8所示。

表8 多維先驗(yàn)信息庫識(shí)別性能實(shí)驗(yàn)結(jié)果Tab.8 Results of multidimensional apriori information database recognition performance

由表8可以看出,融合PDW，LS，AFMR的多維先驗(yàn)信息庫對(duì)多源混合雷達(dá)信號(hào)識(shí)別正確率有了大幅度提高,平均正確率超過94%,平均錯(cuò)誤率低于3%,新識(shí)別參數(shù)的加入使得識(shí)別內(nèi)容更為豐富,對(duì)信號(hào)表征更為全面,有效提高了混合信號(hào)的可分離性。特別是在信噪比超過12dB時(shí),正確率超過99%,有力保證了識(shí)別結(jié)果可信度。即使在低信噪比下,由于AFMR序列受噪聲影響波動(dòng)較大,正確率有所降低,但識(shí)別錯(cuò)誤率依然低于10%,多數(shù)未與信息庫成功對(duì)應(yīng)的信號(hào)被劃入未知信號(hào)區(qū)中待進(jìn)一步識(shí)別,使得這部分信號(hào)在后續(xù)的處理流程有機(jī)會(huì)被成功識(shí)別,再次提高了識(shí)別結(jié)果的可靠性和有效性。

3.4 未知信號(hào)分選性能實(shí)驗(yàn)

為驗(yàn)證本文所提先驗(yàn)信息庫對(duì)未知雷達(dá)信號(hào)的鑒別能力,使用LS，AFMR，PDW作為識(shí)別特征。使用3.3節(jié)實(shí)驗(yàn)所構(gòu)建先驗(yàn)信息庫,新增5個(gè)信息庫中沒有的雷達(dá)信號(hào)作為未知雷達(dá),每個(gè)雷達(dá)產(chǎn)生100個(gè)脈沖信號(hào)。在SNR為0dB，2dB，4dB，…，20dB下,使用先驗(yàn)信息庫對(duì)信號(hào)進(jìn)行識(shí)別,在識(shí)別出未知信號(hào)后,使用文獻(xiàn)[9]所提KFCVA算法確定未知信號(hào)聚類中心數(shù)。實(shí)驗(yàn)結(jié)果列于表9和表10。

表9 未知信號(hào)分選性能實(shí)驗(yàn)結(jié)果Tab.9 Results of unknown signal sorting performance

表10 KFCVA算法對(duì)未知信號(hào)集聚類中心數(shù)判斷Tab.10 The number of unknown signal sets cluster centers judged by KFCVA

表9列出了4個(gè)典型SNR下先驗(yàn)信息庫對(duì)未知信號(hào)識(shí)別性能。由表9可以看出,在低信噪比0dB時(shí),先驗(yàn)信息庫已經(jīng)具備較好的未知信號(hào)識(shí)別性能,僅有2.70%的未知雷達(dá)脈沖被誤判為先驗(yàn)信息庫中已有雷達(dá)。隨著信噪比的提高,在6dB時(shí),這一比例降低至1.10%,在12dB以上時(shí),幾乎沒有信號(hào)被錯(cuò)分。這說明本文所構(gòu)建的先驗(yàn)信息庫具有良好的未知信號(hào)過濾能力,在對(duì)前端所收集信號(hào)進(jìn)行稀疏時(shí)，盡可能地保留未知信號(hào)樣本，以便于后續(xù)聚類分選。

表10給出了KFCVA算法對(duì)未知信號(hào)集聚類中心數(shù)的判斷,每個(gè)信號(hào)集重復(fù)計(jì)算5次。KFCVA算法包含多種聚類有效性評(píng)價(jià)方法,通過多種聚類有效性指標(biāo)投票得出最終結(jié)果。由表10可以看出,在信噪比低于12dB時(shí),KFCVA算法對(duì)信號(hào)類別判斷有一定偏差,但識(shí)別準(zhǔn)確率仍達(dá)到了70.00%,具有較高的可信度;在信噪比超過12dB時(shí),該算法可以100%判斷準(zhǔn)確。對(duì)未知信號(hào)集聚類中心數(shù)的準(zhǔn)確判斷可為后續(xù)使用聚類分選提供有力指導(dǎo),為后續(xù)自動(dòng)將未知雷達(dá)參數(shù)補(bǔ)充進(jìn)先驗(yàn)信息庫打下了基礎(chǔ)。

4 總結(jié)與展望

為解決先驗(yàn)信息庫對(duì)多源混合雷達(dá)信號(hào)識(shí)別的難題,補(bǔ)充新的識(shí)別參數(shù)是一種有效方案,但大多數(shù)參數(shù)提取較為復(fù)雜,不適合作為先驗(yàn)信息庫特征參數(shù)。本文提取LS和AFMR特征參數(shù)，并融合PDW構(gòu)建了一種新的先驗(yàn)信息庫,并設(shè)計(jì)了閾值匹配、相像系數(shù)及層級(jí)匹配法，將未知信號(hào)與信息庫中已有記錄進(jìn)行匹配。實(shí)驗(yàn)結(jié)果表明,本文所構(gòu)建先驗(yàn)信息庫及識(shí)別模型具有較好的實(shí)時(shí)性和準(zhǔn)確性,可在傳統(tǒng)方法幾乎失效的情況下對(duì)未知信號(hào)進(jìn)行準(zhǔn)確識(shí)別,豐富了先驗(yàn)信息庫的識(shí)別內(nèi)容,也拓展了AFMR的應(yīng)用范圍。當(dāng)然,為使先驗(yàn)信息庫處理流程更加完整和智能,對(duì)先驗(yàn)信息庫的特征組合和優(yōu)化以及使用更為有效的聚類方法對(duì)所過濾出的未知信號(hào)進(jìn)行聚類分選識(shí)別仍將是下一步值得深入研究的工作。