針對敵我識別系統的個體識別研究

方棉佳，陳 朝

（1.中國人民解放軍93209部隊，北京 100085；2.中國人民解放軍95865部隊，北京 100073）

0 引 言

根據相關資料顯示，北約正全力生產、加裝和測試MarkⅫA 敵我識別系統裝備。加裝平臺涵蓋了海軍、空軍、陸軍、海岸警衛隊的各類作戰和保障平臺。根據美國與日本、韓國、中國臺灣之間的相關軍事協定，可以推斷日本、韓國、中國臺灣也將具備MarkⅫA 系統能力，以便在局部軍事沖突中，有效獲取美國的軍事情報支援能力。

北約敵我識別系統的威脅越來越大，對敵我識別信號的研究也越來越多。文獻［1］研究了MarkX敵我識別信號的偵察定位技術，特別是單站定位技術。而對新型模式5敵我識別信號，普通檢測算法需要高的信噪比，采用同步脈沖相關檢測算法可在低信噪比下獲得很好的檢測效果［2］。對不同的敵我識別信號模式，需要采用不同的解調算法。對MarkX 信號，采用脈位解調技術。對S模式詢問信號，采用DPSK 解調技術［3］。對模式5 敵我識別信號，采用MSK 解調、Walsh 解擴和RS譯碼技術［4］。

針對這個問題，本文專門針對敵我識別信號進行個體識別研究。本文通過分析敵我識別信號，發現其區別于普通雷達信號的兩個主要特點:一、信號載頻固定不變；二、信號以碼字為單位出現，且脈沖時序格式固定。針對敵我識別信號的這兩個特點，本文設計的個體識別方法重點包括:一、瞬時頻率可作為有效的個體特征；二、可綜合同一串碼字里多個脈沖的個體識別結果，提高目標個體識別正確率。

1 敵我識別信號特點分析

北約敵我識別系統技術標準包括Mark X 和Mark XII，Mark XII 敵我識別系統在Mark X 基礎上增加了模式4 和模式5 兩種模式。Mark 系統技術體制與國際民航二次雷達一樣，其工作頻點是固定不變的，詢問信號載頻為1 030 MHz，應答信號載頻為1 090 MHz［11］。

Mark X詢問信號一共有6種詢問模式，分別為1，2，3/A，B，C，D 模式。各模式詢問信號均由3 個脈沖P1，P2，P3 組成，根據不同的模式P1，P3 間隔變化，模式1，2，3/A，B，C，D 對應P1，P3 間隔為3，5，8，17，21和25 μs。Mark X應答信號由12個脈位攜帶信息，對應位置有脈沖代表二進制1，無脈沖代表0。

S模式應答信號由4個前導脈沖和一串數據脈沖組成。脈沖寬度為0.5 μs，脈沖時序為0，1，3.5，4.5 μs。數據脈沖是脈位調制的。1 μs 的時間間隔對應于信息的一個bit。前0.5 μs 有脈沖，代表二進制1，后0.5 μs 有脈沖，代表二進制0。其信號時序圖如圖1所示。

圖1 S模式應答信號時序圖

Mark XII 詢問兼容Mark X，并增加了模式4 和模式5。模式4 詢問信號時序如圖2 所示。由4 個前導脈沖和一串數據脈沖組成，脈沖寬度為0.5 μs，脈沖間隔為2 μs。

圖2 模式4詢問信號時序圖

通過以上介紹可以發現敵我識別信號區別于雷達信號的兩個主要特點:一、信號載頻固定不變，詢問采用1 030 MHz，應答采用1 090 MHz；二、信號以脈沖串的形式出現，且脈沖串格式固定，在信號解調的基礎上，幾乎可以確定一個碼字對應的一組脈沖是來自同一個輻射源的。目前雷達多是跳頻工作，因此單純用瞬時頻率或頻譜作為個體特征并不合適，而用頻率穩定度更可靠。目前雷達多采用參差脈沖，結合跳頻工作模式，很難確定一組脈沖是否來自用一個輻射源，因此只能針對單脈沖進行個體識別。而敵我識別信號頻率固定，頻譜上的無意調制直接反映在瞬時頻率上，因此可以將瞬時頻率作為個體特征。在信號解調的基礎上，可以確定一個碼字對應的一組脈沖是來自同一個輻射源的，因此可綜合同一串碼字里多個脈沖的個體識別結果，提高目標個體識別正確率。

2 針對敵我識別信號的個體識別方法

2.1 特征提取與比較

現有研究常提取的個體指紋特征通常包括包絡特征、頻率特征和時頻特征。脈沖上升沿可用來表示信號瞬態特征［12］，瞬時頻率能夠反映信號的脈內頻率變化情況，將瞬時頻率與中心載頻作差的結果可以反映頻率穩定度。

本文采用ADS-B 信號進行算法驗證。ADS-B信號是S模式敵我識別信號中的一種類型，在民航飛機上廣泛使用，因此ADS-B 信號容易獲取，為樣本采集提供了極大便利；另一方面，ADS-B 信號所含的地址碼是飛機的唯一身份標識，可以作為標簽對數據進行標注，進而可對數據樣本進行監督學習。因此ADS-B 信號比較適合用來驗證針對敵我識別信號的個體識別算法。

雙向DC/DC變換器按結構類型可分為非隔離型和隔離型兩種。隔離型雙向DC/DC變換器結構復雜、電力元件多、控制復雜導致成本較高，功率密度較低，不適用于船舶的復合儲能裝置中。在非隔離式的Buck型拓撲、Boost型拓撲、Buck-Boost組合型拓撲三種拓撲結構中，Buck-Boost結構具有較小的電感和較低的開關導通損耗，效率也比另外兩種更高，更符合純電動船舶復合儲能裝置的需求，故選用雙向Buck-Boost型變換器。雙向DC/DC變換器匹配超級電容可以提供穩定的電壓輸出，與動力電池并聯供電時，能夠有效減少環流問題。

我們提取了15部不同ADS-B 輻射源信號的脈沖上升沿、脈沖下降沿、瞬時頻率、頻率穩定度作為個體指紋特征。在使用這些信號進行分類器訓練與識別之前，要進行必要的預處理措施，本文所用預處理措施簡要介紹如下:

缺失值處理:實際采集的敵我識別信號數據中，偶爾會出現某個采樣點上I 和Q 數據同時為0的情況，當對同時為0 的IQ 數據取其幅值（in dB），將出現log（0）的計算，從而導致計算出錯，因此必須將缺失值補全。

脈沖對齊:目前常用的脈沖對齊方法是以曲線擬合后的上升沿第一個過沖點頂部為基準，對脈沖進行對齊［6］。也可以用脈沖上升沿低于脈沖幅度3 dB（或6 dB）點作為基準，對脈沖進行對齊。通過對實際采集的ADS-B 信號進行測試，在數據樣本足夠大時，不同的對齊方法對識別結果影響不大。基于降低算法復雜度的考慮，本文采用后一種脈沖對齊方法。

標準化處理:不同輻射源個體的脈沖信號幅度不一樣，同一個輻射源個體不同時刻的脈沖幅度也不一樣，因此需要對脈沖包絡作標準化處理，消除具體幅值的影響，只關注包絡的變化特征。本文對脈沖包絡作0-1 標準化處理，使結果落到［0，1］區間，轉換函數如下:

式中，max為最大樣本值，min為最小樣本值。

圖3 顯示了標準化后的脈沖上升沿和下降沿包絡。選取了3 部不同的ADS-B 輻射源，用3 種不同顏色表示，每個輻射源選取100個脈沖的數據進行展示。從圖中可以看出不同輻射源上升沿和下降沿包絡在局部上是有些差異的。

圖3 標準化上升沿和下降沿包絡特征

圖4 顯示了3 部不同ADS-B 輻射源的瞬時頻率特征。可以看出，不同ADS-B 輻射源瞬時頻率特征差異比較明顯。

圖4 瞬時頻率特征

圖5 顯示了3 部不同ADS-B 輻射源的頻率穩定度特征。可以看出，相較于瞬時頻率特征，不同ADS-B輻射源的頻率穩定度特征差異明顯減小。

圖5 頻率穩定度特征

2.2 多脈沖綜合識別

提取了輻射源個體信號特征后，利用不同輻射源個體間信號特征的差異，結合分類器對不同個體進行分類識別。近年來隨著機器學習成為研究熱點，多種分類器被用于個體識別領域，包括但不限于支持向量機（SVM）、隨機森林、神經網絡、深度學習等算法［13］。本文并不打算研究不同分類器的個體識別效果，而是注重于對多個脈沖的識別結果進行融合，給出目標個體識別結果的綜合判決。

本文選取人工神經網絡作為個體識別的分類器。人工神經網絡由輸入層、隱藏層和輸出層組成。神經網絡的預測輸出表達式為

式中:k表示第k個測試數據；j∈(1,2,…,M)，M為輸出層神經元個數，代表有M個不同的類；βj為第j個神經元的輸入，θj為第j個神經元的閾值。f（）為激活函數，本文采用Sigmoid 函數作為激活函數，由于其取值范圍在0～1之間，因此可以將理解為第k個數據被判別為第j類的概率。

取最大的pkj對應的j作為第k個數據的識別結果，記為yk，即假設一串敵我識別信號碼字包含K個脈沖，每個脈沖都有一個個體識別結果yk∈(1,2,…,M)，其中M為輻射源個數，k∈(1,2,…,K)。對這K個脈沖的識別結果進行綜合處理，有兩種處理方法。

第一種，直接對最終識別結果進行綜合處理，在K個識別結果中，找到出現最多次的那一個結果作為對該輻射源的最終個體識別結果。

第二種，先對識別概率作綜合，再得到識別結果。記pj為該輻射源為第j類的概率，則有

然后取最大的pj對應的j作為該輻射源最終的個體識別結果y=arg max(pj)。

3 試驗與結果分析

3.1 信號樣本準備與分類器訓練

本文利用敵我識別信號偵察設備采集了15架民航飛機的ADS-B 信號數據，每架飛機的脈沖樣本數為1 000～3 000不等。同一架飛機的ADS-B信號解調出的地址碼相同，不同飛機的地址碼不同，可以用地址碼給信號樣本打上標簽。同一個碼字一串脈沖的基帶IQ樣本數據存成一個文件，如圖6所示為一串ADS-B 信號的脈沖包絡，可以看出其信號格式與圖1所示相同。

圖6 ADS-B信號脈沖包絡

依次對IQ 數據進行缺失值處理、脈沖檢測、對齊、特征提取、標準化處理，得到脈沖包絡、瞬時頻率、頻率穩定度等個體指紋特征數據，作為輸入樣本訓練神經網絡。本文采用Matlab 自帶的神經網絡模塊，構建了一個包含輸入層、15 個隱含層和輸出層的神經網絡，其中輸出層包含15 種輸出結果，分別表示15個不同的輻射源個體。特征數據按70∶15∶15 的比例隨機分為訓練集、驗證集和測試集，將訓練集和驗證集輸入到神經網絡對其進行訓練，用測試集對訓練好的神經網絡分類器進行性能測試。

3.2 不同特征識別效果比較

用提取的脈沖上升沿和下降沿包絡、脈沖瞬時頻率、頻率穩定度，以及綜合這三種特征分別訓練神經網絡分類器，并對其分類效果進行測試，試驗結果如圖7 所示。需要指出的是這里的測試結果是單脈沖的識別結果，并未對多脈沖結果作綜合。從測試結果可以看出瞬時頻率特征的識別效果要優于脈沖包絡和頻率穩定度特征，而綜合多種特征的個體識別效果表現最優。另外可以看出輻射源個數越多，個體識別準確率越低，這是顯而易見的。

圖7 不同指紋特征的個體識別準確率

3.3 多脈沖綜合識別測試

敵我識別各種模式信號中，一串碼字對應的脈沖數最少的是MarkX 詢問和模式4應答模式，包含3 個脈沖；脈沖數最多的是S 模式應答（含ADSB），脈沖數不固定但最多可達112個脈沖。對不同脈沖個數的綜合識別準確率試驗結果如圖8所示。試驗條件為:輻射源個數為15 個，結合脈沖包絡、瞬時頻率和頻率穩定度三種特征作為輸入特征。由圖8可以看出，多脈沖綜合識別正確率顯著高于單脈沖識別正確率，綜合50 個脈沖的識別正確率高達98.2%；而且僅僅綜合3 個脈沖的識別正確率就從81%（單脈沖）大幅提升至91.6%。同時，我們對3.2 節所描述的兩種綜合方法進行了比較，識別概率綜合方法要優于識別結果綜合方法，但差距不大。

圖8 多脈沖綜合識別結果

4 結束語

本文針對敵我識別信號頻率和脈沖時序固定的特點，提出一種針對敵我識別系統的個體識別方法。通過分析與測試，發現瞬時頻率比較適合作為敵我識別系統個體指紋特征。同時，結合敵我識別信號解調，對同一個碼字包含的多個脈沖進行綜合識別，綜合多個脈沖的個體識別正確率顯著高于單脈沖個體識別正確率。后續工作將對具有脈內調制的敵我識別信號，包括S模式詢問和模式5信號，開展個體識別研究。