基于聚類分析方法的多功能雷達(dá)工作模式識別*

翟龍軍 但 波 宋偉健 高 山

（海軍航空大學(xué) 煙臺 264001）

1 引言

為了應(yīng)對復(fù)雜戰(zhàn)場環(huán)境，多功能雷達(dá)（Multifunction Radar，MFR）設(shè)計有多種工作模式，通常包含搜索工作模式、監(jiān)視工作模式、跟蹤工作模式和制導(dǎo)工作模式等[1～3]。針對MFR工作模式的識別作為偵察系統(tǒng)中的關(guān)鍵一環(huán)在現(xiàn)代電子戰(zhàn)有著至關(guān)重要的作用，并對后續(xù)實現(xiàn)雷達(dá)的威脅估計、行為意圖推理、自適應(yīng)雷達(dá)對抗等重要環(huán)節(jié)提供了基礎(chǔ)，其水平高低直接決定了電子情報偵察、電子支援偵察、電子對抗、引導(dǎo)攻擊等關(guān)鍵軍事行動的有效性[4～5]。雷達(dá)工作模式識別具體是指在對截獲信號識別后，進一步根據(jù)其數(shù)據(jù)特征和信號規(guī)律通過分類識別的方法獲得其工作模式。本文利用人工智能的相關(guān)算法，通過對雷達(dá)偵察分選得到的輻射源描述字（EDW）[6～7]進行聚類分析得到MFR工作模式的分類結(jié)果。

2 MFR工作模式簡介

為實現(xiàn)不同的功能用途和實際應(yīng)用場景，MFR分別使用對應(yīng)不同的工作模式，其中主要包括搜索模式、監(jiān)視模式、跟蹤模式和制導(dǎo)模式。

根據(jù)MFR在實際使用中的情況，從偵察分選得到的輻射源描述字（EDW）的重復(fù)周期、中心頻率和脈沖寬度三個方面進行簡單的數(shù)據(jù)處理后對上述四種雷達(dá)工作模式進行描述。各種雷達(dá)工作模式的統(tǒng)計數(shù)據(jù)如表1所示。

表1 雷達(dá)工作模式的參數(shù)統(tǒng)計數(shù)據(jù)

本文將對上述四種工作模式下雷達(dá)信號的數(shù)據(jù)使用K-means聚類方法進行識別。

3 算法介紹與分析

3.1 K-means聚類算法

K-means聚類算法又稱為K均值算法，是無監(jiān)督的人工智能算法領(lǐng)域最常用、最為經(jīng)典的一種聚類算法，具有下述方面的優(yōu)勢，即伸縮性強、易于收斂、實現(xiàn)方式簡單、可靠性高、好的聚類效果等[8～12]。其基本步驟如下。

1）初始化：從數(shù)據(jù)對象個數(shù)為m的數(shù)據(jù)樣本集X中隨機選擇K個數(shù)據(jù)對象作為K個簇類初始的聚類中心C={C1，C2，…，CK}；

2）距離計算：對Χ中的Χi，確定其與聚類中心Cj之間所對應(yīng)的距離Dij，一般而言，應(yīng)用的是歐氏距離；

3）數(shù)據(jù)對象聚類：對相鄰數(shù)據(jù)進行比較，將其歸至與之距離最短的聚類中心Cj簇；

4）確定評價準(zhǔn)則函數(shù)E1值；

5）更新聚類中心：對各簇聚類中心進行更新，使其轉(zhuǎn)變成當(dāng)前族類中所有數(shù)據(jù)對象的平均值；

6）重新計算更新聚類中心后的評價準(zhǔn)則函數(shù)E2；

7）迭代判斷：對E1、E2的值進行比較，倘若兩者不一致，重復(fù)上述步驟，直至E1、E2的值一致，說明達(dá)到收斂，完成聚類，并獲得了K個簇類。

由上述算法步驟可以得到K-means聚類算法的流程圖如圖1所示。

圖1 K-means聚類算法流程圖

3.2 算法合理性分析

本文針對雷達(dá)四種不同工作模式進行識別。在相同工作模式下，雷達(dá)信號具有較高的相似程度，而在不同工作模式下，雷達(dá)信號間的特征差異較大。這樣的工作模式特征使得雷達(dá)信號的數(shù)據(jù)樣本集呈現(xiàn)凸?fàn)钐匦裕『门cK-means聚類算法的優(yōu)點匹配。此外，雷達(dá)工作模式種類是明確的，解決了K-means聚類算法中簇類個數(shù)預(yù)設(shè)問題。而且雷達(dá)每個工作模式有相對明確的參數(shù)劃分，可以利用先驗知識對四個聚類中心實現(xiàn)較優(yōu)的初始化。

4 實驗結(jié)果

4.1 實驗數(shù)據(jù)集

在本次研究中，共分析了四種雷達(dá)工作模式。因此，在使用K-means聚類算法進行探究時，簇類個數(shù)K=4。根據(jù)表1中雷達(dá)工作模式的EDW的參數(shù)范圍，每個工作模式隨機各生成500組，共計2000組數(shù)據(jù)。

4.2 預(yù)處理及實驗過程

充分考慮到雷達(dá)工作模式的先驗信息，在選取各個簇類的聚類中心時，聚類中心初值采用的是各參數(shù)均值。其中，脈沖寬度參數(shù)初值確定為重復(fù)周期與脈沖占空比均值之積。表2展示的是最終確定的初值情況。

表2 雷達(dá)4種工作模式聚類中心初始值

對于雷達(dá)在各維度下的特性，可借助于以下參數(shù)來確定：脈沖寬度、重復(fù)周期、中心頻率。因為上述三個參數(shù)所對應(yīng)的物理含義存在較大差異，所以在使用各參數(shù)的歐式距離作為相似性度量時，需要在三個參數(shù)各自維度上分別做歸一化數(shù)據(jù)處理，方可用數(shù)據(jù)對象與聚類中心的歐式距離來度量偏離情況。

本文對上述隨機生成的含有4000組數(shù)據(jù)樣本的數(shù)據(jù)集使用基于EDW中的重復(fù)周期、中心頻率和脈沖寬度三個方面的K-means聚類算法劃分。同時，將該算法終止條件確定如下：其一，迭代次數(shù)達(dá)到100000次；其二，聚類中心沒有發(fā)生變化。只要滿足上述兩個條件中的一個，便可終止算法。

4.3 實驗結(jié)果及分析

實驗對四種雷達(dá)工作模式各500組數(shù)據(jù)對象，在上述三個參數(shù)的基礎(chǔ)上進行算法劃分，最終結(jié)果詳見表3。圖2展示的是聚類劃分以后所獲得的散點圖，對于正確、錯誤的數(shù)據(jù)分別使用“o”、“x”表示，“☆”指代的是聚類中心。同時將原始數(shù)據(jù)繪制在該圖中，并用“*”表示。實驗中選取的搜索模式、監(jiān)視模式、跟蹤模式、制導(dǎo)模式分別對應(yīng)黑色、紅色、綠色和藍(lán)色這4種顏色。

圖2 整組2000個數(shù)據(jù)對象基于三個參數(shù)的K-means聚類算法劃分的原始數(shù)據(jù)和劃分結(jié)果散點圖

觀察表3可以發(fā)現(xiàn)，經(jīng)過K-means聚類算法劃分后，在搜索、監(jiān)視、跟蹤以及制導(dǎo)四種模式識別方面，所對應(yīng)的準(zhǔn)確率顯著提升，達(dá)到了97%。雖然在生成數(shù)據(jù)集的過程中引入了噪聲因素，但是對于搜索、監(jiān)視、跟蹤模式，借助于該算法仍能夠?qū)ζ溥M行有效劃分。

制導(dǎo)模式識別的準(zhǔn)確率能夠達(dá)到94.8%，這意味著在使用K-means聚類算法時，難以實現(xiàn)對少量數(shù)據(jù)的有效識別。通過對此部分?jǐn)?shù)據(jù)進一步分析發(fā)現(xiàn)，均將其誤識別為跟蹤模式。通過對制導(dǎo)與跟蹤模式下雷達(dá)參數(shù)設(shè)置情況進行探究可知，兩者在脈沖寬度、重復(fù)周期以及中心頻率均存在相應(yīng)重疊。正是由于該原因，進而導(dǎo)致制導(dǎo)模式識別正確率較低。

5 結(jié)語

經(jīng)過K-means聚類算法的理論分析和實驗驗證不難得出K-means聚類算法能夠?qū)FR的多種工作模式實現(xiàn)正確劃分。論文實驗中四種工作模式均為固定重頻信號，實際雷達(dá)工作情況更加復(fù)雜，其重復(fù)頻率往往不是固定重頻，針對此類復(fù)雜波形需要進行更加深入的研究并可能需要引入基于深度學(xué)習(xí)的方法提高識別概率。工程實現(xiàn)時，算法可以在基于DSP或FPGA的硬件處理平臺上實現(xiàn)，以提高算法的執(zhí)行效率。