熊 冲 陆志宏

（1.江苏科技大学电子信息学院 镇江 212003）（2.中国船舶重工集团公司第七二三研究所 扬州 225001）

1 引言

随着我国科技的不断发展，导弹和航空等领域都取得了辉煌的成就，相继研发诞生的各种精确制导武器及其对应的雷达和通讯设备，在一定程度上对飞机和舰船以及重要目标的威胁相比从前更加大了，在军事指挥和通信方面的应用中电子技术扮演着一个重要的角色，随着微电子技术和数字化技术发展和在现实中的应用，导致了电子战也在不断地发展中，特别是当面临着电磁环境具有密集而且复杂多变等特点的时候，可以更好地人工智能识别以及分选复杂电磁环境中的目标信号，同时可以更好地对多目标体制的电子设备实施干扰。通过把下一步的活动或者动作赋予智力即为认知，我们对认知最早的认识来源于认知无线电，它由Joseph Mitol博士于1999年首次提出［1］。谢瑞云利用无线电技术中频谱的感知原理对无线信道进行实时监测与评估，对环境进行了实时的主动感知，同时对其中重要的频谱进行了侦察与分析［2］。杨小军在对认知雷达的研究中提出了认知雷达的基本概念并对认知雷达的研究现状进行分析［3］，有了认知雷达后，有人将认知这一思想运用到电子战中，国内还没有什么项目，已有少数学者构建了一个认知电子战系统组成的框架图，对认知电子战有了初步的认识以及认知电子战的关键技术进行了分析与研究［4～9］。针对电子战系统中雷达侦察信号的认知技术处理方面，光晓俐提出了一种可行的侦察处理结构和流程以及认知技术的数字信道测频方法［10］。针对认知侦察接收部分，王佩在几个可施行结构上做了分析，通过对电磁环境的感知来分配频谱资源，对接收到的信号进行分流调度，接收到的信号有强有弱，类别也参差不一，可以通过信号的强弱以及类别的不同来采取不同的算法同时进行处理，还可以根据信号的调制类型对信号进行自主区分，辐射源各个信号威胁等级也有不同，可根据威胁等级优先处理高威胁目标信号［11］。

认知信号分选技术采用包络智能判别方法以及“自适应”通道管理技术，解决复杂环境下通道脉冲采样过程中的“边界效应”问题，以及抑制并消除反射信号、剔除虚假目标、平滑目标角度跳变，基本解决了复杂电磁环境下针对多种特殊体制雷达侦察存在的目标虚警、漏警、变批、目标分选参数不稳定的现状，同时实现快速、实时引导，解决当前国内电子战目标分选的瓶颈问题。认知实时分选技术总体框图如图1所示，主要通过智能通道处理模块、数据融合模块、辐射源识别模块这三大模块来实现。通过态势的评估后对算法级和参数级两个方面进行调整。基本的算法有聚类、动态关联、智能外推窗匹配法以及基于监督和非监督的自学习方法。

2 智能通道处理模块

来自缓冲区的脉冲流首先利用参数将脉冲分配到对应的分区，脉冲进入分区后，首先查找与之匹配的确定通道，符合要求的置于确定通道中；如果查找不到匹配的确定通道（包括确定通道没有建立的情况），就将脉冲存入临时通道。当确定通道满足一定的处理标准时，就将确定通道内脉冲送至数据融合模块。对于某些不能形成确定通道的脉冲，要定时从临时通道中清除并存入预留区域待捷变频分析。捷变频分析是将频率在某一范围内（频率捷变范围）的脉冲集合在一起，建立临时通道和确定通道，用同样的方法进行处理。

智能通道处理模块采取的算法分别有：基于最邻近试探规则的聚类算法、动态关联法以及智能外推窗匹配法。其中智能窗外推匹配法利用卡尔曼滤波的方法对脉冲串进行智能预测，形成外推窗，如果存在脉冲落在窗内，则说明脉冲与窗匹配，否则不匹配。下面分别介绍这些算法。

2.1 聚类算法

对于接收机测向比较精确的侦察设备，可以采用DOA-RF-PW聚类方法，对于接收机测向误差比较大的侦察设备，可以采用RF-PW聚类方法。

假设第i个脉冲的PDW组成的向量为Xi，则Xi=[ ]RFiPWi；第k个分区的中心记为 Xok，则Xok=[ ]RFokPWok；脉冲i与分区k之间的相关系数定义为：

其中ΔRF、ΔPW 是RF、PW 允许的最大误差。

首先将接收到的第1个脉冲存入分区1，并令Xo1=X1，将第2个脉冲与分区1的中心相关，即求M21，如果 M21≤Mthr（Mthr是选定的门限值），将脉冲2归入分区1，并更新分区1的中心 XO1；如果M21＞Mthr，则建立新的分区2，并令 Xo2=X2。然后再将第3个脉冲与已有的分区分别相关，如果M31、M32都大于 Mthr，则建立新的分区3，并令Xo3=X3，否则将脉冲3归入相关系数M3k( )k=1，2最小的分区中去。用这种方法对所有脉冲的参数进行分析，通过计算相关系数，比较阈值，决定归属，就可以将这些脉冲进行分类。

图2是该方法的Matlab仿真结果，其中图（a）是原始交错的三部雷达辐射源信号的包络图，图（b）是这三部雷达信号的 RF-TOA与 PW-TOA的分布图，而图（c）是聚类结果的RF-PW 的二维分布图。图（d）是聚类分选后的包络图，从图中可以看出：利用基于最邻近试探规则的聚类算法成功将3部雷达信号分选出来。

2.2 智能外推窗匹配法

当确定通道形成以后，后续脉冲必需先与确定通道的智能外推窗匹配，如果将匹配成功的脉冲存入相应的确定通道，不成功匹配的脉冲存入临时通道。

根据卡尔曼滤波原理，利用已有的k个脉冲信号预测第k+1个脉冲的TOApre、PApre值，以预测值TOApre建立一个时间窗，以预测值PApre建立一个幅度窗，如果第k+1个脉冲的TOAk+1、PAk+1落入这两个窗内，就将RF与、PW与、k+1k+1DOAk+1与 进行比较，如果都在一定的容差内，就认为第k+1个脉冲属于该确定通道中，利用实际测量值修正估计值，更新原有序列参数；如果第k+1个脉冲的TOAk+1、PAk+1没有落入窗内，或者RFk+1等参数不在容差范围内，就认为第k+1个脉冲不属于该确定通道。用同样的方法分析后续的脉冲，当所有脉冲都分析完以后，对剩余的脉冲利用动态关联法重新进行相关，重复以上步骤直到找不到原始脉冲组。图3是动态关联法以及智能外推窗匹配法的Matlab仿真图。

其中图（a）是原始信号。图（b）是经过聚类分区后的结果，由于两部辐射源信号的参数非常接近，它们都被分入分区1。对分区1和分区2分别建立临时通道，并对临时通道内的脉冲进行相关，其结果如图（c）所示，分区1形成两个确定通道，分区2形成一个确定通道。新到达的脉冲通过与智能外推窗匹配便可进入相应确定通道，最终结果如图（d）所示。

如果在时间窗和幅度窗内没有脉冲，则表示可能有脉冲丢失，这时继续预测第k+2个脉冲，根据实际情况设置可接受的脉冲丢失个数。也就是说，当连续预测了若干个时间窗和幅度窗都没发现满足条件的脉冲，则结束对该确定通道内脉冲组的预测，返回并对剩余的脉冲继续用同样的方法处理。

3 数据融合模块

数据融合就是将分裂的辐射源信号融合在一起，对同一辐射源信号置同一批号标志，抑制反射信号，判别目标是否消失，是否有新的目标出现。通过数据融合将目标转化为辐射源描述字（EDW）来识别辐射源。

3.1 辐射源描述参数

可作为数据融合可靠依据的辐射源描述参数有：

1）雷达重复频率PRI：可作为可靠的相关依据。

2）雷达频率RF：虽然RF的测量误差较大，但其均值可作为可靠的相关依据。

3）脉冲宽度PW ：对大于数毫秒脉宽的脉冲而言PW可作为可靠的相关依据。

4）目标角度DOA：对于测向较精确的侦查系统，可作为可靠的相关依据。

5）对于能够测量极化方式、脉内调制特征的侦察系统，极化方式和脉内调制特征也可作为数据融合的可靠依据。重频类型、雷达参差比等参数由于它们的准确性受到脉冲数的制约，只能作为数据融合的可选参数。

3.2 辐射源数据二次融合法

数据融合常用的方法为直方图法，直方图法是对每个分选结果做直方图统计，通过比较分析直方图的相似度来判断分选结果是否属于同一辐射源。本文根据搜索雷达辐射源的特征提出一种辐射源数据二次融合算法，该方法首先利用聚类法实现对辐射源信号初次融合，其次利用搜索雷达的特征进行第二次数据融合，最后利用卡尔曼滤波的方法对参数进行平滑。

搜索雷达要在一定范围内搜索目标，它们的包络是周期性重复出现的，并且包络的重复周期等于雷达的天线周期（AST）。因此对于搜索雷达，可利用当前包络的中心时标和天线周期预测下一个包络的到达时间。此外，包络幅度的最大值也可作为数据融合的依据。

图4所示为该方法的Matlab仿真，模拟以下四部参数相近的辐射源数据（共50批数据）来测试二次融合算法。辐射源1：载频9406MHz，重复周期527μs，脉宽60μs，天线周期2.31 s；辐射源2：载频9404MHz，重复周期507μs，脉宽30μs，天线周期2.45 s；辐射源3：载频9403MHz，重复周期507 μs，脉宽30μs，天线周期2.51 s；辐射源 4：载频9399MHz，重复周期507μs，脉宽30μs，天线周期2.26 s。

图4 （a）所示为利用聚类算法进行第一次数据融合得到的结果，由图可知辐射源2和辐射源3被融合在一起。根据辐射源特征，利用天线周期预测包络到达时间（包络的幅度特征用于辅助数据融合），在第一次数据融合的基础上进行第二次融合，结果如图4（b）所示，图中4条“航迹”分别代表4部辐射源。

4 辐射源识别模块

辐射源识别模块有一个用于识别的辐射源数据库，将分选融合出的辐射源信号与辐射源数据库比对。如果是，则可调出有关该辐射源的详细信息（甚至可以得到其装载平台的信息），并将这些信息反馈给通道处理模块；如果不是数据库中已有辐射源信号，则说明该信号是未知信号，将其补充到未知辐射源数据库中。

5 结语

通过将认知的理论运用于电子侦察中可以达到实时地分选出信号的目的，通过聚类方法、外推窗匹配法以及数据融合方法相结合并进行了仿真，仿真结果表明了该方法的有效性和实时性，认知电子侦察也将是未来发展的一大重要方向。

［1］Mitola J.Cognitive radio：making software radiosmore per⁃sona［l J］.IEEEPersCommun，1999（4）：13-18.

［2］谢瑞云.基于认知无线电的通信信号识别技术［D］.成都：电子科技大学，2007：43-52.

［3］杨小军，闫了了，鹏辉，张冉.认知雷达研究［J］.SOFT⁃WARE，2012，34（3）：26-33.

［4］张春磊.认知通信电子战拉开序幕［J］.通信电子战，2011（1）：16-19.

［5］戴幻尧，周波，雷昊，申绪涧.认知电子战的关键技术发展动态与分析［J］.2014，44（9）：57-60.

［6］贾鑫，朱卫纲，曲卫，陈维高.认知电子战概念及关键技术［J］.2015，26（4）：2095-3828.

［7］范忠亮，朱耿尚，胡元奎.认知电子战概述［J］.电子信息对抗，2015，30（1）：1674-2230.

［8］张春磊，杨小牛.认知电子战与认知电子战系统研究［J］.中国电子科学院学报，2014，9（6）：1673-5692.

［9］沈妮，肖龙，谢伟，等.认知技术在电子战装备中的发展分析［J］.电子信息对抗技术，2011，26（6）：22-26.

［10］光晓俐.雷达侦察信号的认知处理技术研究［J］.电子科技，2016，13（07）：143-146.

［11］王佩，仇兆杨，祝俊，唐斌，等.雷达信号侦收自主处理结构分析［J］.电子信息对抗技术，2016，31（5）：25-29.

［12］赵洪峰，李旻.自适应技术在电子对抗汇中的应用［J］. 航天电子对抗，2015，31（1）：26-29.

［13］倪从云，黄华.认知电子战系统组成及其关键技术研究［J］.船舰电子对抗，2013，36（3）：32-35

［14］李诗润.战场侦察雷达的目标识别技术研究［D］.南京：南京理工大学，2013：20-45.

［15］石荣，邓科.雷达认知能力提升及其与EW的智能博弈［J］.雷达科学与技术，2015（3）：228-232.

［16］周华生.复杂电磁环境信号自动监测和识别系统的开发［D］.北京：北京交通大学，2011：30-59.

［17］黎湘，范梅梅.认知雷达及关键技术研究进展［J］.电子学报，2012，40（9）：1863-1870.

［18］DARPA.Behavior Learning for Adaptive Electronic War⁃fare［P/OL］.［2010-07-09］.

［19］Haykin S.Cognitive radar：a way of the future［J］.IEEE SignalProcessingMagazine ，2006，23（1）：30-40.

［20］Lowe D，Webb A R.Optimized feature extraction and the Bayes decision in feed-forward classifier networks［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13（4）：355-364.