樊 鸿张 靖

（1.91404部队 秦皇岛 066000）（2.91366部队 秦皇岛 066000）

1 引言

随着信息技术的发展，大量新型信息装备将应用于现代化战场，雷达侦察装备面临的信号环境将越来越复杂、密集、多变，在复杂电磁信号环境条件下快速、准确地获取各种威胁信号参数已经成为对各型雷达侦察装备的基本要求和重要指标［1］。

雷达侦察装备识别辐射源的基本原理是指通过分析所截获的雷达信号，获取信号中雷达的工作参数和特征参数，据此确定雷达辐射源的具体型号、体制、用途、威胁等级、搭载平台等，为作战过程中指挥决策提供情报支持［2］。行测试和检验的重要手段，仿真试验系统一般包括微波暗室、雷达环境信号仿真器、转台、试验数据处理设备组成，系统工作示意图如图1所示。

图1 雷达对抗装备仿真试验工作示意图

2 雷达侦察装备仿真试验简介

雷达侦察装备仿真试验是对雷达侦察装备进仿真试验基本流程是雷达环境信号仿真器在微波暗室内按照装备性能和剧情想定，设定产生大批量不同参数特征和工作体制的雷达辐射源，雷达侦察装备侦收处理，同时试验数据处理设备记录比对侦收的辐射源数据与雷达信号仿真发射器设置数据，建立两个集合中每批辐射源的对应关系，在此基础上对数据进行处理和分析，最后得出试验结论。可以看出，其中比对数据就是雷达辐射源识别。试验数据处理使用辐射源识别技术从工作方式上接近于数据库识别方法，可以将雷达信号仿真发射器设置的辐射源数据作为识别需要的数据库，根据这一数据库对雷达侦察装备侦收的辐射源数据进行识别处理。

3 雷达侦察装备仿真试验目标识别特点及需求

由于雷达侦察装备仿真试验在微波暗室环境中进行，而微波暗室是通过对来波尽可能多地吸收以提供一个能够抑制内部电磁多路径反射干扰、屏蔽外界电磁干扰的相对寂静的电磁测量环境［3］，与装备实际作战相比，装备仿真试验中目标识别存在以下的应用特点［4］：

1）微波暗室是一个纯净的电磁空间，不存在由仿真器以外设备发射的冗余信号；

2）微波暗室内的雷达信号由仿真器的辐射天线发出，且辐射天线个数有限且方位固定，因此侦察设备接收到的雷达信号方位到达角成为重要的识别参数；

3）雷达环境信号仿真器产生的雷达信号，其特征参数完全受试验操作人员控制，最终形成的雷达识别库数据准确、完整；

4）为更好地测试装备性能，试验时会设置较为复杂的信号环境，试验中产生的仿真雷达信号数据远大于装备实际工作时面临的电磁环境，仿真产生的雷达体制也比较复杂；

5）雷达环境信号仿真器产生的雷达信号，受仿真器硬件条件及暗室空间大小的限制，同时需要兼顾考虑雷达侦察设备的分选准则，试验所设置的雷达信号特征参数分布遵循一定的规则。

在实际的仿真试验过程中，对于数据处理及其中的辐射源识别，还有实际应用需求：

1）为满足试验实时分析、实时决策的工作需求，数据处理中的辐射源识别实时性要求高；

2）试验过程中，需要同时进行识别的数据量大，因此对单批信号处理的简易实时要求较高；

3）为保证试验的严格可信，辐射源识别的准确性和成功率要求较高；

4）对最终形成的识别结果，需要能进行反向的白盒识别分析，方便查找原因，判断试验情况。

由于仿真试验的以上特点，为使试验的数据处理取得很好的效果，需要针对这些特点，对辐射源识别技术做针对性研究，得出最终适用的工程应用方法。

4 辐射源识别方法分析

目前主流辐射源识别方法主要包括基于统计分析的数据库识别方法、基于专家系统的方法和基于神经网络的方法等，分别具有各自优缺点，在工程应用中存在一定不足。

基于统计分析的数据库识别方法是将截获到的雷达信号与数据库中存放的已知雷达信号进行比对，经算法判断识别雷达类别及型号等。主要算法包括［5］：容差比对法、距离测度算法和灰关联算法。优点是实现简单，识别速度快。缺点是对先验知识的依赖性非常强，缺少推理，灵活性差，特别是随着现代电磁环境的日益复杂、雷达新技术和新体制的大量运用，对于参数不全、参数畸变及许多新体制和新用途的雷达无能为力，难以满足实战需求。

专家系统方法利用信号识别专家的专门知识及专家特有的逻辑推理方法和能力构成相应的专家系统，由此专家系统分析待识别的辐射源，最终给出识别结果。优点是对参数完整、齐全的雷达能够给出体制、用途的识别；对参数不完整的雷达也能进行一定的识别，缺点是迄今为止推理系统和谓词演算的可计算问题解决方法离实际运用还存在一定距离。

基于神经网络的方法是用神经网络构造识别分类器，通过对训练数据的智能学习构造一个神经网络，并通过这个网络对新雷达数据的相关属性进行识别。人工神经网络由于具有良好的泛化能力和非线性逼近能力［6～7］，被认为是解决雷达辐射源识别问题的较好工具。目前，BP神经网络是使用最多的人工神经网络模型。另外文献提出改进的模糊 RBF 神经网络［8］、基于量子神经网络［9］等模型。但是该类识别算法均存在易陷入局部极小值、收敛速度慢、收敛精度不高等缺点，且自动化智能分析的具体分类规则不可见，神经网络对用户而言相当于黑匣。

5 辐射源识别技术在仿真试验中应用研究

辐射源综合分析和研究，采用单一的识别技术难以满足应用需要，因此宜采用多种技术结合的方法，通过结合不同技术的特点和优势，全面均衡加快识别速度、扩大识别适应范围和提高识别准确度，从而最大程度地保证最终的数据处理效果。经过理论分析和多次的实践应用证明，试验数据处理设备采用统计模式识别技术和决策树专家技术结合的综合辐射源识别方法，较好实现了辐射源识别功能。在识别过程中，两种识别技术分别有所侧重，统计模式识别技术作为实时数据处理的主要方式，用于保证识别的实时性；决策树分类的专家识别系统作为辅助，用于提高复杂体制雷达信号的识别准确度。

5.1 统计模式识别技术应用

统计模式识别方法是提取目标的关键特征，将其以向量形式定义在一个特征空间中，不同的目标对象，都对应于此空间中的一点，利用统计决策的原理对特征空间进行划分，从而达到识别不同特征对象的目的。这种方法应用于辐射源识别中具体称为特征参数匹配法，其优点是方法简单、计算速度快。

描述雷达辐射源的特征参数很多，包括载频、脉冲重复频率、脉宽、雷达天线扫描周期、射频类型、脉冲重复频率特性、脉宽特性等。此外根据仿真试验特点，辐射源到达方位角等参数也应作为辐射源识别的重要特征参数。

经典的统计识别辐射源信号与已知目标关系的计算公式如下所示［10～12］：

式中，∝i为辐射源信号的第i个电磁特征参数，mji为已知目标j的第i个电磁特征参数；δi为第i个参数的测量均方根差；ri为第i个参数的系数，且有。

在辐射源信号与所有目标的比对相似度中，找出最小比对相似度Dmin：

设计目标识别门限C，当Dmin≤C当 Dmin≤C时，可以确定辐射源识别归属关系。

在实际应用过程中，统计模式识别方法对于占雷达信号环境中的多数常规体制信号和部分复杂体制信号具有很好的识别效果，同时其具有计算速度快，识别过程易于分析和调整控制的优点，结合仿真试验的特点，是适用的主要数据处理方法。

5.2 决策树分类专家系统辐射源识别技术应用

专家系统是人工智能应用研究的领域之一，目的是模拟人类专家的推理思维过程来解决非数值问题，最基本的专家系统通常由知识库和推理系统构成。知识库是经过收集和整理的人类知识和经验的集合，推理系统是依据知识库内容，采用一定的控制方法策略解决问题的软件程序。

分析仿真试验人工辐射源识别过程的特点，使用决策树统计分类推理算法来实现辐射源识别推理过程，决策树是一个对目标进行分类划分和判定的过程，通过这种方式来不断缩小子集空间，最终得出判定结果。根据上述仿真试验的特点分析，利用辐射源方位、天线特点、载频类型、载频区域范围、重频范围等重要参数进行专家系统决策树设计实现，具体应用的决策树如图2所示。

图2 辐射源识别专家系统决策树

仿真试验应用的辐射源识别决策树，是通过分析试验设计方法、试验运行环境特点来建立基本的树结构，同时结合多条应用中的特殊情况和实际问题，加入一些特殊的处理节点，可以完成全面并且多种复杂情况的识别工作。目前的识别决策树具有针对性很强，但通用性较弱的特点，在今后的运用中需要不断完善整个决策树的各个节点的判定规则，提高识别通用性。

5.3 辐射源综合识别技术应用情况

图3所示是采用两种方法结合的识别算法流程图，图4所示是采用两种方法结合的一次验证性的测试应用结果。

通过与人工识别的数据结果进行比较，本文的数据识别算法实现效果很好，满足了试验的数据处理要求。

图3 识别算法流程图

图4 测试辐射源识别结果

6 结语

本文针对仿真试验数据处理中，辐射源识别技术应用的具体特点，提出统计模式与专家系统结合的识别方法。该方法不仅能够较好适应仿真试验中多种复杂体制雷达辐射源工作模式和工作参数的变化特点，也具有较好的工程可实现性，在多次实际应用中取得了很好的效果，同时可以为其它类似的辐射源目标识别工程应用提供一定的方法参考。