基于多權重屬性測度和信息融合的輻射源識別算法*

李 楠

(西京學院信息工程學院， 西安 710123)

0 引言

輻射源識別技術經過幾十年的發展，取得了大的進步，各種識別算法相繼提出，文獻[1]提出基于棧式線性降噪器和支持向量機的雷達輻射源信號識別，先將雷達信號變換到頻域，利用PAA算法對信號降維，構造多層線性降噪器進行特征學習，構建SVM進行識別。文獻[2]提出一種深度學習的雷達輻射源識別算法。文獻[3]提出基于希爾伯特-黃變換和多尺度分形特征的通信輻射源識別方法。文獻[4]提出基于圖像紋理特征的脈內調制識別方法，對輻射源信號進行Choi-Williams變換，提取二值模式紋理特征，利用支持向量機進行分類識別。文獻[5]提出基于隨機無窮自動機的多功能雷達輻射源識別方法，利用隨機上下文無關文法構造隨機無窮自動機對輻射源識別。文獻[6]提出基于協作表示Boosting的輻射源多傳感器融合識別算法。文獻[7]提出基于壓縮感知的輻射源信號數據級融合識別法。文獻[8]提出基于逆云模型的雷達輻射源識別方法，能在噪聲環境下得到好的識別效果。文獻[9-11]提出分布式傳感器信息融合的輻射源識別，識別效果較好。文獻[12]對雷達輻射源模糊識別算法進行了改進。文獻[13]提出基于云模型的DSm證據建模的輻射源識別方法。文獻[14]綜述了近年來雷達輻射源識別的研究現狀。以上部分識別算法用于軍事裝備中，但從使用過程中可以發現，集成于裝備中的識別算法對新體制雷達和未知輻射源難以奏效，因此研究新的識別算法提高輻射源識別率顯得格外重要。

隨著雷達體制及信號越來越復雜，傳統的五參數法已經難以適應復雜的信號環境。輻射源信號特征具有多樣性，各特征在輻射源識別中的作用由其權重確定。特征參數權重確定之后，利用屬性識別法對未知輻射源信號進行識別，為進一步提高雷達輻射源信號識別率，采用分布式信息融合技術利用D-S證據理論改善輻射源正確識別率。

1 理論基礎

1.1 層次分析定權法

層次分析法是T.L.Saaty等人于20世紀70年代提出的，是確定權重的實用方法。對輻射源信號多參數特征，利用層次分析法對特征參數進行重要性比較，構成判斷矩陣。根據一定準則得到特征參數權重。利用層次分析法計算輻射源信號特征參數權重步驟如下[11]：

步驟1：根據輻射源信號特征參數的重要度，構造比對判斷矩陣A；

步驟2：利用幾何平均法計算權值

步驟3：計算矩陣A·W的最大特征值λmax，其對應的權值經過一致性檢驗，W可作為層次分析權重。

1.2 熵值定權法

熵值法是客觀賦值法，利用數據庫中原始信息計算特征參數權值。特征參數值變異程度大，則信息熵值小，該特征參數的信息量大，則該參數的權值也越大；相反，特征參數值變異程度小，則信息熵值大，該特征參數的信息量小，則該參數的權值也越小。因此，可用信息熵工具計算特征參數權值。利用熵值法計算輻射源信號特征參數權重步驟如下[10]：

1.3 粗糙集定權法

1993年Ziarko提出了可變精度粗糙集模型，在其基礎上，引入誤差參數β(0≤β≤0.5)，進一步完善了近似空間，同時也利于用粗糙集理論從認為不相關的數據中發現相關數據。利用變精度粗糙集模型獲取雷達輻射源屬性參數的權重，方便于后續的輻射源識別進程。權值獲取步驟如下[15]：

1.4 基于證據理論的信息融合

設識別系統的分布式傳感器有P個，每個傳感器有Q個測量周期，識別框架Θ包含的命題有K個(A1,A2,…,AK)，每個傳感器在各測量周期上獲得的后驗BPAF為mij(As),i=1,2,…,P；j=1,2,…,Q；s=1,2,…,K，mij(U)=uij，i=1,2,…,P；j=1,2,…,Q，其中，uij表示對“未知”命題的BPAF。

分布式傳感器多測量周期輻射源識別信息融合算法步驟如下[9]：

步驟1：時域融合。對第i個傳感器，按照Q個測量周期的累積量測，由Dempster組合規則可得第s個命題As的單傳感器融合后驗BPAF：

步驟2：空域融合。對P個分布式傳感器系統，在上述單傳感器多測量周期信息融合的基礎上，對所有傳感器進行信息融合，可得第s個命題As的分布式傳感器融合后驗BPAF：

步驟3：決策規則。決策時采用基于BPAF的決策。

2 基于多權重屬性測度和信息融合的識別算法及程序流程

采用自適應權重法確定多參數的權重向量更符合實際輻射源識別環境，在獲得權重的基礎上利用屬性測度識別法識別輻射源目標更貼近輻射源識別的特點，下面給出具體的識別算法。

步驟3：利用第1節幾種方法計算多參數權重W=(w1,w2,…,wJ)T；

步驟4：計算得到待識別樣本x屬于Ck類的屬性測度μx(Ck)；

步驟5：將多個傳感器偵測到的樣本屬性測度μx(Ck)利用信息融合公式進行融合；

步驟6：融合后的結果采用基于基本概率賦值的決策進行判決，最終得出識別結果。

輻射源識別算法程序流程如圖1所示。

圖1 多權重屬性測度信息融合輻射源識別流程

3 仿真實驗

為驗證多權重屬性測度和信息融合的輻射源識別算法識別效能，利用模擬器模擬輻射源，獲得4部雷達數據庫，選擇雷達輻射源信號特征為載頻、脈寬、重復周期，如表1所示。利用上文3種定權法確定輻射源信號特征參數權值。測試識別算法在雷達數據庫的基礎上構造識別偵察參數，選取庫中雷達2，對該雷達特征參數加上均值為0的正態分布噪聲，得到偵察測量樣本如表2所示。

在得到輻射源數據庫和偵察傳感器測得的信號特征參數的情況下，利用前述的幾種定權法計算輻射源信號參數權重如表3所示。

表1 雷達數據庫

表2 信號參數測量值

表3 3種定權法所得權重

選擇任一獲權法參與輻射源識別權重確定，結合上述計算步驟計算信號特征參數屬性測度，構造基本概率賦值BPAF如表4所示。

表4 屬性測度基本概率賦值

從表4可發現第4次計算結果判定輻射源為雷達1，是錯誤的識別結果，原因是測量出現了野值，利用分布式信息融合在時域和空域進行多個測量識別結果的進一步融合，可以降低輻射源錯誤識別率，文中信息融合識別結果如表5所示。從識別結果可見被測輻射源為輻射源雷達2，識別結果正確。

表5 信息融合識別結果

3.1 不同定權法在識別中的性能分析

假定雷達數據庫中每個特征參數含有不同測量誤差，其誤差服從正態分布，按照表1中的4部雷達進行仿真，生成800個雷達輻射源特征參數數據，每部雷達200個樣本，構成待測輻射源數據。圖2是3種獲權法所得權值在不同噪聲環境下的輻射源平均識別率比較結果，識別采用文中屬性測度和信息融合的識別算法，各通過1 000次蒙特卡羅仿真。

圖2 不同權值平均識別率

從圖2的識別結果對比來看，4部雷達在不同的噪聲環境下采用不同的定權法，其正確識別率是有差異的，隨著噪聲的增加，輻射源識別率呈下降趨勢，同一噪聲環境下，層次分析定權法的識別率最高，其次是熵值法，粗糙集定權法的識別率最低。由此可見，采用不同的權值確定方法對輻射源識別的結果有大的影響，因此單采用一種權值確定方法可能會產生錯誤的識別結果，利用文中多種定權法能克服一種定權法的劣勢，結合分布式多傳感器時域、空域融合過程，則能大幅提高輻射源的正確識別率，因此在輻射源的識別過程中，采用多權值法更符合復雜電磁環境的實際。

3.2 文中算法同其它識別法的性能比較

為了驗證多權重屬性測度和信息融合的識別效能，將文中算法同文獻[8]和文獻[12]的識別方法在相同的雷達信號數據庫和噪聲環境下進行輻射源識別仿真分析。

雷達數據庫采用表1中的數據，信噪比變化范圍-10 dB到5 dB，SNR分別取-10 dB、-5 dB、0 dB、5 dB，經過1 000次蒙特卡羅實驗，對加噪的信號參數利用文中識別算法、文獻[8]方法、文獻[12]方法分別進行輻射源識別，取4部雷達的平均識別率進行對比，識別率對比結果如圖3所示。

圖3 平均識別率對比

從圖3的識別率對比結果來看，當信噪比大于0 dB的時候，3種識別算法都能取得高于80%的正確識別率。在不同的信噪比條件下，文中算法的識別率均高于文獻[8]逆云模型的識別率和文獻[12]改進模糊識別法的識別率，這是因為采用多權重策略和信息融合的優勢。當信噪比較高時，幾種識別算法的識別效能相差不大。另外文中算法的耗時要大于其它兩種算法，權重確定和分布式時、空域融合占用了部分時間。

通過上述仿真結果，可得以下結論：

1)針對同一數據庫，層次分析定權、熵值計算權重、粗糙集定權值，3種方法的權值計算結果有差異，這與輻射源數據庫特征參數有重要關系，不同的權值其輻射源識別率是不同的。

2)相比于逆云模型和改進模糊識別法，文中屬性測度和信息融合的識別方法識別率更加穩健，當信噪比大于0 dB的時候，識別率高于90%。

3)分布式信息融合利用多權重屬性測度融合各傳感器獨立、互補的信息，消除相互的冗余和悖逆，隨著時域、空域的融合，進一步提高了正確識別率。

4 結束語

面對當前復雜電磁環境下輻射源正確識別率低的問題，提出了基于多權重屬性測度和信息融合的輻射源識別方法。首先分析當前輻射源識別研究現狀，發現輻射源信號特征參數在識別中的權重影響識別效果，給出了層次分析定權法、熵值定權法、粗糙集定權法，并列出信息融合的步驟，構建了基于多權重屬性測度和信息融合的輻射源識別算法和識別系統。通過仿真實驗，將文中方法同基于逆云模型的輻射源識別方法和改進模糊集的輻射源識別方法進行了識別性能比較，驗證了文中算法的優越性。