基于熵值圖的多功能雷達(dá)工作模式識別

溫珍銀,孫閩紅,唐向宏,田煦然,郁春來

(1.杭州電子科技大學(xué)通信工程學(xué)院,浙江 杭州 310018;2.空軍預(yù)警學(xué)院,湖北 武漢 430019)

0 引言

隨著電子對抗環(huán)境日益復(fù)雜和雷達(dá)技術(shù)的不斷發(fā)展,現(xiàn)代雷達(dá)的多功能化越來越顯著,特別是多功能雷達(dá)(MFR)擁有龐大、穩(wěn)定的信號庫,可以有序貫地執(zhí)行大量不同的任務(wù),并能靈活地調(diào)整信號參數(shù)來變換工作模式以實(shí)現(xiàn)戰(zhàn)術(shù)目的。多功能雷達(dá)發(fā)射信號參數(shù)的敏捷性、適應(yīng)性和重疊性使得對其工作模式識別越來越具有挑戰(zhàn)性,如何從快速捷變的信號參數(shù)中提取出可靠有效的信息來推斷和識別MFR的當(dāng)前狀態(tài),對后續(xù)情報分析和干擾決策具有重要意義[1]。

目前,對于MFR工作模式的識別方法主要分為有監(jiān)督和無監(jiān)督的方法[2]。對于有監(jiān)督的方法,文獻(xiàn)[3]通過構(gòu)建雷達(dá)信號特征庫,并運(yùn)用DS證據(jù)理論進(jìn)行多域信息融合實(shí)現(xiàn)雷達(dá)工作模式的判定;文獻(xiàn)[4]通過構(gòu)造信號級加參數(shù)級樣本數(shù)據(jù)用于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)行為辨識;文獻(xiàn)[5—6]結(jié)合句法模式理論將雷達(dá)信號脈沖序列由低向上建立雷達(dá)語義層次模型,利用有限狀態(tài)機(jī)或數(shù)據(jù)關(guān)聯(lián)方法對雷達(dá)工作模式進(jìn)行推理;文獻(xiàn)[7]設(shè)計了一種工作模式序列的時間序列表示,并提出了一種序列長短期記憶網(wǎng)絡(luò)的脈沖級識別框架對工作模式進(jìn)行識別;文獻(xiàn)[8]提出一種雷達(dá)模式的多信息源識別和學(xué)習(xí)框架,通過從參數(shù)范圍、功能指標(biāo)、數(shù)據(jù)規(guī)律三個維度提取特征,實(shí)現(xiàn)非特定雷達(dá)的模式識別。文獻(xiàn)[9]融合先驗知識與原型網(wǎng)絡(luò)對小樣本條件下的MFR工作模式進(jìn)行識別。

對于無監(jiān)督的工作模式識別方法,文獻(xiàn)[10]引入生物序列分析技術(shù)將雷達(dá)信號規(guī)律重建為任務(wù)序列,提出一種序列比對的搜索模式識別算法;文獻(xiàn)[11]通過分析雷達(dá)行為狀態(tài)與脈沖信號參數(shù)間的映射關(guān)系,利用主成分分析法提取特征參數(shù),再結(jié)合改進(jìn)的C-均值聚類算法實(shí)現(xiàn)雷達(dá)行為狀態(tài)的分類;文獻(xiàn)[12]將隨機(jī)動力系統(tǒng)建模思想與MFR層次模型相結(jié)合,提出了一種預(yù)測狀態(tài)表示模型的MFR工作模式識別方法;文獻(xiàn)[13]提出了一種用于工作模式分類的無監(jiān)督時間序列聚類方法,該方法在不使用任何標(biāo)記數(shù)據(jù)的情況下對發(fā)射器脈沖序列進(jìn)行分割和聚類。

在實(shí)際應(yīng)用中,MFR工作模式多種多樣,其發(fā)射波形復(fù)雜且快速捷變,上述對MFR工作模式的識別方法主要存在兩點(diǎn)不足:一是受限于動態(tài)表征算法的能力和特定場景限制,提取的特征難以反映MFR的運(yùn)行規(guī)律;二是仿真條件過于理想化,在進(jìn)行工作模式識別時的樣本數(shù)據(jù)中僅包含單一的工作模式,這是不合理的,實(shí)際場景中接收到的脈沖信號往往包含多種工作模式混合的情形。

為解決上述不足,本文首先提出基于小波變換的多功能雷達(dá)狀態(tài)切換點(diǎn)檢測方法,然后,基于近似熵[15]、樣本熵[16]、模糊熵[17]和排列熵[18]提出新的熵值圖特征,并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對MFR工作模式的智能識別。

1 基礎(chǔ)知識

1.1 多功能雷達(dá)脈沖序列分析

MFR具有顯著的智能和靈活性,能夠根據(jù)不同的戰(zhàn)術(shù)目的適時地改變工作模式、波束方位、脈寬和脈沖重復(fù)間隔等信號波形參數(shù),其在不同狀態(tài)下信號參數(shù)的實(shí)時改變?yōu)镸FR狀態(tài)切換的檢測及工作模式識別提供了依據(jù)。在雷達(dá)系統(tǒng)資源調(diào)度下,將MFR在某一段時間內(nèi)實(shí)現(xiàn)的不同功能狀態(tài)映射到脈沖上,可以得到其發(fā)射的脈沖序列形式[19]如圖1所示。

圖1 多功能雷達(dá)脈沖序列形式Fig.1 The form of multi-functional radar pulse sequence

圖1中每一個線條代表一個發(fā)射脈沖的脈沖描述字(pulse description word,PDW),線條的長短和顏色只是為了區(qū)分脈沖信號參數(shù)的不同,并不代表實(shí)際脈沖參數(shù)的變化。可以看到MFR脈沖序列由一系列具有一定時序規(guī)律和邏輯關(guān)系的連續(xù)脈沖組構(gòu)成,每個脈沖組由組內(nèi)各脈沖之間的時間排列和脈沖特征參數(shù)構(gòu)成,不同的雷達(dá)工作模式對應(yīng)不同排列規(guī)則的脈沖序列組,各序列組內(nèi)脈沖參數(shù)也存在捷變,同時在不同雷達(dá)狀態(tài)下的參數(shù)也有各自的變化規(guī)律[1]。

對于偵察接收到某一MFR發(fā)射的n個脈沖信號,提取每個脈沖的載頻、脈寬、幅度、脈沖重復(fù)間隔和占空比參數(shù)組成PDW,則接收的MFR脈沖序列可以用如下向量表示:

(1)

1.2 熵值分析

近似熵、樣本熵、模糊熵和排列熵都是用來表征信號序列復(fù)雜性和度量信息不確定性的無量綱指標(biāo),熵值越大代表信號序列越復(fù)雜和隨機(jī),適用于處理非線性問題。由于MFR信號參數(shù)快速捷變同時在不同工作模式下具有各自的參數(shù)變化特點(diǎn),因此在本文中,通過提取這幾個熵特征值來表征工作模式下某一參數(shù)的變化規(guī)律以及復(fù)雜程度。

1.2.1近似熵

近似熵是一種用于衡量信號序列波動規(guī)律的參數(shù),反映了信號序列的復(fù)雜性,近似熵值越大對應(yīng)的信號序列成分越復(fù)雜和無規(guī)律,越小則說明信號序列越規(guī)則。

給定n點(diǎn)時間信號序列x={x1,x2,…,xn},將序列按順序組成m維模式向量u(1),u(2),…,u(n-m+1),其中u(i)=[xi,xi+1,…,xi+m-1],1≤i≤n-m+1。定義兩個模式向量u(i)和u(j)之間差值的極大值為距離

(2)

(3)

對所有模式向量u產(chǎn)生的Cm(r)取對數(shù)再取平均值

(4)

在m+1維度上,重復(fù)上述步驟可以得到φm+1(r),從而求出序列的近似熵:

A(m,r)=φm+1(r)-φm(r)。

(5)

1.2.2樣本熵

樣本熵是基于近似熵的一種改進(jìn)方法,具有更好的抗干擾性和穩(wěn)定性,是當(dāng)前運(yùn)用比較廣泛的一種熵特征值計算方法。樣本熵值越大,對應(yīng)的信號序列越混亂,序列取值越復(fù)雜和隨機(jī)。樣本熵值越小,則該信號序列越穩(wěn)定規(guī)律,信號序列自相似性越高。

(6)

(7)

1.2.3模糊熵

近似熵和樣本熵都是通過度量信號序列在維數(shù)變化時新模式產(chǎn)生的概率大小來衡量復(fù)雜性,但是二者中兩個向量的相似性都是基于Heaviside二值函數(shù)而定義的,而實(shí)際情況中各類樣本邊緣之間通常比較模糊,導(dǎo)致在度量復(fù)雜度時對應(yīng)的熵值突變性較大,在近似熵和樣本熵的基礎(chǔ)上,利用模糊集理論提出了模糊熵的方法。模糊熵計算過程如下:

模糊熵中兩模式向量的距離與近似熵的含義相同但不包含i=j的情況,即

(8)

再利用式(9)模糊函數(shù)來度量X(i),X(j)的相似度。

(9)

式中:r為相似容限,l為梯度,一般取整數(shù)2或3。

則類似近似熵可以定義函數(shù):

(10)

在m+1維度上,重復(fù)上述步驟可以得到φm+1(l,r),從而求出序列的模糊熵:

F(m,l,r)=lnφm(l,r)-lnφm+1(l,r)。

(11)

與近似熵和樣本熵的物理意義相似,模糊熵也是評價信號序列前后部分之間的重復(fù)性及混亂程度的。模糊熵值越大,信號序列成分越復(fù)雜,不確定性越高,新模式出現(xiàn)的概率越大。

1.2.4排列熵

排列熵是一種檢測序列隨機(jī)性和動力學(xué)突變的方法,也是用于度量信號序列復(fù)雜程度的指標(biāo),其引入了排列的思想,具有抗噪性能良好和計算簡單等優(yōu)點(diǎn)。

給定模式維數(shù)m,延遲參數(shù)τ(τ>0),對時間序列x進(jìn)行空間重構(gòu)得到一組m維向量:

Yj=[xj,xj+τ,…,xj+(m-1)τ],(1≤j≤n-(m-1)τ)。

(12)

將Yj的m個分量xj,xj+τ,…,xj+(m-1)τ按數(shù)值大小從低到高進(jìn)行排序,共有m!種排列方式,將排列次序相同的重構(gòu)分量進(jìn)行統(tǒng)計,根據(jù)出現(xiàn)個數(shù)計算每一個重構(gòu)分量排列情況出現(xiàn)的概率:

(13)

式中:K為重構(gòu)分量Yj的排列方式的數(shù)量。

由香農(nóng)熵的定義可以得到序列x={x1,x2,…,xn}的排列熵為

(14)

可以用排列熵的大小來表示信號序列的隨機(jī)程度,評價信號序列數(shù)據(jù)周期性和隨機(jī)性。其中H(m)越大,信號序列越復(fù)雜無序,反之H(m)越小,對應(yīng)的信號序列越平穩(wěn)有序。

2 基于熵值圖的多功能雷達(dá)工作模式識別

考慮實(shí)際電子偵察系統(tǒng)截獲到的雷達(dá)信號往往包含多個工作模式,若將未經(jīng)狀態(tài)分割的雷達(dá)信號直接作為樣本進(jìn)行工作模式識別將導(dǎo)致較大的結(jié)果誤差,因此在工作模式識別之前首先對雷達(dá)脈沖信號進(jìn)行狀態(tài)切換點(diǎn)檢測并切割。其次在電磁環(huán)境復(fù)雜的情況下,偵收到的信號存在漏脈沖和虛假脈沖的情況,這兩種情況與后續(xù)工作模式識別準(zhǔn)確率有極大的關(guān)聯(lián),因此必須對接收到的原始雷達(dá)脈沖序列進(jìn)行預(yù)處理以消除漏脈沖和虛假脈沖的影響并歸一化后才能進(jìn)行工作模式識別。本文采用文獻(xiàn)[6]提出的方法對漏脈沖和虛假脈沖進(jìn)行處理。整個工作模式識別流程如圖2所示。

圖2 本文工作模式識別流程Fig.2 Working mode recognition process in this paper

2.1 多功能雷達(dá)狀態(tài)切換點(diǎn)檢測

小波變換是一種將時域信號轉(zhuǎn)換為頻域信號提取特征的方法[20],具有多分辨分析的特點(diǎn),能夠較好地表達(dá)出信號序列中的突變和非平穩(wěn)部分。在信號出現(xiàn)突變時,通過小波變換得到的細(xì)節(jié)系數(shù)可以集中在某一尺度上從而確定突變時間段,因此使用小波變換來分析和檢測一個信號函數(shù)的奇異點(diǎn)(突變點(diǎn))具有很好的效果[21-23]。

首先定義雷達(dá)工作模式切換點(diǎn):對于MFR在時刻t時的脈沖,若其PDW某一維的參數(shù)與上一時刻脈沖的該參數(shù)有較大變化,則認(rèn)為此參數(shù)在該脈沖時刻存在突變,若PDW所有的參數(shù)都存在突變,則該脈沖時刻的突變可認(rèn)為是MFR工作模式切換的表現(xiàn),即切換點(diǎn)。

考慮到多功能雷達(dá)不同工作模式之間存在參數(shù)重疊,且同一工作模式內(nèi)也存在信號參數(shù)變化的問題,若僅對脈沖單一參數(shù)進(jìn)行切換點(diǎn)檢測并不可靠,如在圖3中若僅對PRI參數(shù)進(jìn)行切換點(diǎn)檢測,則會檢測出許多工作模式內(nèi)的虛假切換點(diǎn),為了避免單維脈沖參數(shù)序列上虛假切換點(diǎn)的干擾,本文將對漏、虛假脈沖處理后的脈沖序列的多維參數(shù)進(jìn)行綜合檢驗。將多功能雷達(dá)脈沖序列看成是多維時間序列,采用多維時間序列分析的方法進(jìn)行分析[24],首先在每一個獨(dú)立維度上分別確定突變點(diǎn),然后通過顯著性比較或投票等策略選擇切換點(diǎn)作為整個多維時間序列最終的突變點(diǎn)。

圖3 不同工作模式下脈沖序列部分參數(shù)變化圖Fig.3 Partial parameter variation diagram of pulse sequence under different working modes

基于小波變換的多功能雷達(dá)狀態(tài)切換點(diǎn)檢測算法流程如下:

步驟1 取預(yù)處理后的MFR脈沖序列S=(P1,P2,…,Pi,…,Pn)中的RF參數(shù)進(jìn)行離散多辨小波4層分解,再重構(gòu)生成近似系數(shù)和細(xì)節(jié)系數(shù),取第一層細(xì)節(jié)系數(shù)d1。

步驟2 設(shè)定一個固定的滑動窗口,沿著第一層細(xì)節(jié)系數(shù)從序列開始以固定的滑動步長滑動到結(jié)束。

步驟4 對序列S中的PA,PW,PRI和DC參數(shù)依次重復(fù)步驟1-步驟3得到TPA,TPW,TPRI,TDC。

步驟5 對TRF,TPA,TPW,TPRI,TDC進(jìn)行多維綜合比較得到該MFR狀態(tài)的切換點(diǎn)集合Γ=(Γ1,Γ2,…,Γv),v為切換點(diǎn)的個數(shù)。

最后依據(jù)得到的雷達(dá)狀態(tài)切換點(diǎn)對雷達(dá)脈沖序列進(jìn)行分割得到不同工作模式下的雷達(dá)脈沖子序列S′。

2.2 熵值圖構(gòu)建

進(jìn)行工作模式識別的關(guān)鍵一步是提取出合適的特征,特征的好壞直接關(guān)系到工作模式的識別效果。MFR可以在不同工作模式之間進(jìn)行靈活切換,雖然每種工作模式下的波形參數(shù)具有快速捷變的特點(diǎn),但是不同工作模式的信號參數(shù)存在一定的變化規(guī)律,依據(jù)這一特性,本文參照時間序列分析方法,通過提取不同工作模式下脈沖序列各參數(shù)的多種熵值來表征不同工作模式下各參數(shù)的變化情況,再轉(zhuǎn)換為熵值特征圖并通過神經(jīng)網(wǎng)絡(luò)進(jìn)行識別。

通過提取到PDW序列每一個維度參數(shù)的近似熵、樣本熵、模糊熵和排列熵后可以得到一個5×4的熵值矩陣,并將其定義為熵值圖,用W表示為

(15)

將這個矩陣存儲并通過灰度化處理后以圖片形式保存,用于后續(xù)的分類識別。圖4—圖6展示了本文仿真實(shí)驗產(chǎn)生的每種工作模式在不同場景下隨機(jī)選擇某一脈沖序列經(jīng)過熵值提取后構(gòu)建的熵值圖特征,其中參數(shù)誤差均為5%,具體脈沖參數(shù)見表1。

表1 各工作模式下的脈沖參數(shù)范圍Tab.1 Pulse parameter range in each working mode

圖4 虛假脈沖率為20%時,隨機(jī)生成的4種工作模式脈沖序列的熵值圖Fig.4 Entropy maps of four randomly generated working mode pulse sequences with a false pulse rate of 20%

圖5 漏脈沖率為20%時,隨機(jī)生成的4種工作模式脈沖序列的熵值圖Fig.5 Entropy maps of four randomly generated working mode pulse sequences with a leakage pulse rate of 20%

圖6 漏、虛假脈沖率同時為20%時,隨機(jī)生成的4種工作模式脈沖序列的熵值圖Fig.6 Entropy maps of four randomly generated working mode pulse sequences with the leakage and false pulse rates are both 20%

從圖4—圖6中可以看出,在不同場景下同種工作模式的熵值圖特征有相似的特性,但不同工作模式的熵值圖特征具有明顯的差異。根據(jù)MFR的波形運(yùn)用機(jī)理,MFR在執(zhí)行不同的戰(zhàn)術(shù)任務(wù)時通過靈活地改變信號參數(shù)及變化規(guī)律來轉(zhuǎn)變工作模式,而提取參數(shù)序列的熵值可以反映不同工作模式下該參數(shù)的復(fù)雜程度和變化情況。因此,基于多維參數(shù)熵值構(gòu)建的熵值圖特征能很好地表征各工作模式下信號波形的參數(shù)組合變化規(guī)律和時序規(guī)則,反映了MFR在不同功能任務(wù)下的特點(diǎn),可以表征不同工作模式之間的差異。

最后,選擇卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行工作模式識別,CNN具有內(nèi)部提取深度特征的優(yōu)勢,在圖像處理領(lǐng)域被廣泛應(yīng)用。將不同的熵值圖特征送入CNN中進(jìn)行空間特征提取,盡可能將熵值圖內(nèi)工作模式隱含的參數(shù)變化規(guī)律特征全面提取,識別算法流程如圖7所示。

圖7 基于熵值圖特征的工作模式識別流程Fig.7 Working mode recognition process based on entropy map features

3 仿真實(shí)驗與分析

3.1 實(shí)驗參數(shù)設(shè)置

為了驗證本文方法的有效性,根據(jù)文獻(xiàn)[25]中關(guān)于機(jī)載MFR工作模式的介紹及參數(shù)特征分析,建立跟蹤、搜索、搜索+跟蹤和邊搜索邊跟蹤這4種工作模式的脈沖參數(shù)模型如表1所示,在漏脈沖率及虛假脈沖率為0%,參數(shù)誤差為5%時,部分工作模式參數(shù)變化情況如圖8所示。

圖8 四種工作模式參數(shù)變化圖Fig.8 Parameter variation diagram of four working modes

基于多次實(shí)驗測試得到的小波變換切換點(diǎn)檢測算法相關(guān)最優(yōu)實(shí)驗參數(shù)如表2所示。

表2 切換點(diǎn)檢測算法參數(shù)Tab.2 Switch point detection algorithm parameters

仿真實(shí)驗使用的CNN網(wǎng)絡(luò)結(jié)構(gòu)含有3層卷積層,每一層均作最大池化處理,之后連接3層全連接層,同時添加dropout層防止訓(xùn)練時過擬合,激活函數(shù)為softmax,選用均值平方差損失函數(shù)和Adam優(yōu)化器,學(xué)習(xí)率為0.000 1。訓(xùn)練過程中batch size為64,訓(xùn)練輪數(shù)為1 000。

3.2 訓(xùn)練集與測試數(shù)據(jù)集

依據(jù)表1中工作模式參數(shù)范圍,基于Matlab軟件平臺模擬仿真產(chǎn)生包含4種工作模式在內(nèi)共計19次工作模式切換的脈沖序列500組,隨機(jī)選擇300組進(jìn)行訓(xùn)練,剩余樣本用于測試。考慮實(shí)際工作中,雷達(dá)接收脈沖信號受電磁環(huán)境和參數(shù)估計誤差的影響,對PW,PA,RF,PRI等參數(shù)分別設(shè)置5%～10%,步長為1%的估計誤差,同時在參數(shù)誤差為5%時產(chǎn)生虛假脈沖、漏脈沖及混合誤差分別為0%,5%,10%,15%,20%,25%的脈沖序列,混合誤差表示為漏脈沖、虛假脈沖同時存在的情況。雷達(dá)脈沖序列經(jīng)過預(yù)處理和狀態(tài)切換點(diǎn)檢測后,提取工作模式子序列熵值圖特征送入卷積神經(jīng)網(wǎng)絡(luò)中識別,對本文方法進(jìn)行測試評估和分析。

3.3 實(shí)驗結(jié)果與分析

實(shí)驗一 基于小波變換的多功能雷達(dá)狀態(tài)切換點(diǎn)檢測

本實(shí)驗在3.2節(jié)仿真產(chǎn)生的數(shù)據(jù)集下進(jìn)行,其中在漏脈沖率及虛假脈沖率為0%,參數(shù)誤差為5%時,隨機(jī)選擇仿真產(chǎn)生的某一雷達(dá)脈沖序列對應(yīng)的工作模式脈沖位置如表3所示。在3.1節(jié)的實(shí)驗參數(shù)設(shè)置下,對仿真產(chǎn)生的多工作模式脈沖串序列進(jìn)行切換點(diǎn)檢測性能測試,以表3的雷達(dá)脈沖序列為例,脈沖序列中各工作模式切換點(diǎn)位置檢測結(jié)果如表4所示。

表3 漏脈沖率及虛假脈沖率為0%,參數(shù)誤差為5%時某一雷達(dá)脈沖序列對應(yīng)的工作模式Tab.3 The working mode corresponding to a radar pulse sequence when the leakage pulse rate and false pulse rate are 0% and the parameter error is 5%

表4 漏脈沖率及虛假脈沖率為0%時的各工作模式下切換點(diǎn)檢測結(jié)果Tab.4 Detection results of switching points in various operating modes when the leakage pulse rate and false pulse rate are 0%

由表4可以看出共有2個工作模式切換點(diǎn)未被檢測出來,同時檢測出1個虛假切換點(diǎn),但是對比表3可以看到在第4 856個脈沖前后一段時間的脈沖序列都是邊搜索邊跟蹤模式,因此第4 856個切換點(diǎn)是連續(xù)發(fā)射同一個工作模式兩次的分割點(diǎn),實(shí)際上并未發(fā)生工作模式切換。所以對于該脈沖序列只有一個工作模式切換點(diǎn)未被檢測出來,其檢測正確率為94.5%。

隨后考慮在不同誤差場景下測試切換點(diǎn)檢測算法性能,本文使用正確檢測率和虛假檢測率來衡量狀態(tài)切換點(diǎn)檢測算法的性能。其中,正確檢測率RTR表示實(shí)際檢測到的真實(shí)切換點(diǎn)個數(shù)(nT)與總切換點(diǎn)個數(shù)(nall)之比:

(16)

虛假檢測率QFR表示檢測到并不存在的切換點(diǎn)個數(shù)(nF)與總切換點(diǎn)個數(shù)(nall)之比:

(17)

不同漏脈沖、虛假脈沖和參數(shù)誤差情況下,多工作模式脈沖串序列切換點(diǎn)檢測性能如圖9—圖11所示。

圖9 不同漏脈沖場景下切換點(diǎn)檢測性能圖Fig.9 Performance chart of switching point detection in different leakage pulse scenarios

圖10 不同虛假脈沖場景下切換點(diǎn)檢測性能圖Fig.10 Performance chart of switching point detection in different false pulse scenarios

由圖9—圖11可以看出,基于小波變換的雷達(dá)狀態(tài)切換點(diǎn)檢測方法能夠?qū)Χ喙ぷ髂Ｊ浇M合的脈沖序列進(jìn)行有效檢測,漏脈沖率和虛假脈沖率在10%以下時正確檢測率能夠達(dá)到93%,虛假檢測概率不超過10%;在虛假脈沖率或漏脈沖率為25%時的正確檢測率能夠在85%左右。對于參數(shù)誤差在10%時,狀態(tài)切換點(diǎn)正確檢測率趨近80%,并且隨著參數(shù)誤差的增大正確檢測率迅速下降,虛假檢測率大幅提高,這是由于隨著參數(shù)誤差的增大使得參數(shù)存在較大變化從而將參數(shù)真實(shí)的突變點(diǎn)淹沒,導(dǎo)致狀態(tài)切換點(diǎn)未能被正確檢測,并且檢測出許多虛假狀態(tài)切換點(diǎn)。在虛假脈沖率或漏脈沖率大于15%時虛假檢測率迅速提高,這是因為在狀態(tài)切換點(diǎn)檢測之前對脈沖序列的漏脈沖和虛假脈沖處理方法效果不佳,脈沖序列中仍存在較多的虛假脈沖和漏脈沖從而影響狀態(tài)切換點(diǎn)的正確檢測。

實(shí)驗二 基于熵值圖的多功能雷達(dá)工作模式識別

利用2.2節(jié)中熵值圖特征的構(gòu)建方法,將經(jīng)過狀態(tài)切換點(diǎn)檢測并分割后的雷達(dá)脈沖序列進(jìn)行參數(shù)熵值提取并構(gòu)建熵值圖特征,然后送入到訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行評估測試。同時,為了更好地體現(xiàn)本文方法的優(yōu)越性,在同等仿真實(shí)驗參數(shù)條件下,將本文方法與文獻(xiàn)[25]基于特征融合和深度稀疏置信網(wǎng)絡(luò)的方法和文獻(xiàn)[26]基于多層建模和邊際化堆棧降噪自動編碼器的方法進(jìn)行對比,在不同場景下4種工作模式的識別性能如圖12所示。

圖12 不同場景下工作模式識別實(shí)驗結(jié)果圖Fig.12 Experimental results of working mode recognition in different scenarios

圖12的實(shí)驗說明了本文提出的基于熵值圖的MFR工作模式識別方法在各種復(fù)雜環(huán)境下仍有較高的識別準(zhǔn)確率,且性能優(yōu)于對比文獻(xiàn)的方法。在經(jīng)過變化點(diǎn)檢測并切割后的4種工作模式平均識別率在參數(shù)誤差、漏脈沖率為5%,虛假脈沖率為20%時接近85%;在參數(shù)誤差、虛假脈沖率為5%,漏脈沖率為20%時識別率為83.1%;同時在參數(shù)誤差為5%、混合誤差為15%時平均識別率能達(dá)到83.9%。當(dāng)虛假脈沖率和漏脈沖率為25%時,識別效果低于80%,這是由于在漏脈沖率和虛假脈沖率較高時,狀態(tài)切換點(diǎn)檢測方法將檢測出許多虛假切換點(diǎn),導(dǎo)致脈沖序列分割不準(zhǔn)確,分割后的某一段脈沖序列可能包含兩種工作模式脈沖片段,因此識別效果較差。

同時還考慮了工作模式識別效果隨參數(shù)誤差的變化情況,如圖12(d)所示,在虛假脈沖率和漏脈沖率均為5%時,識別正確率在參數(shù)誤差為8%時接近84%。但是隨著參數(shù)誤差的逐漸增大,識別準(zhǔn)確率迅速下降,這是由于當(dāng)參數(shù)誤差增加時,脈沖序列的參數(shù)存在較大變化,導(dǎo)致狀態(tài)切換點(diǎn)檢測效果不佳同時參數(shù)變化規(guī)律發(fā)生改變,從而影響識別效果。

本文所提的熵值圖特征充分利用了工作模式中脈沖參數(shù)的變化特點(diǎn),將多參數(shù)的復(fù)雜變化規(guī)律與工作狀態(tài)關(guān)聯(lián)起來,能夠達(dá)到更好的識別效果。由圖12可以看出,本文方法在漏脈沖、虛假脈沖和參數(shù)誤差的情況下均比對比文獻(xiàn)的方法具有更好的抗誤差性能和更出色的識別效果,平均識別準(zhǔn)確率均有一定的提升。

4 結(jié)論

針對多功能雷達(dá)的信號參數(shù)復(fù)雜多變,工作模式靈活變化的情況,本文提出了一種基于小波變換的多功能雷達(dá)狀態(tài)切換點(diǎn)檢測算法,實(shí)現(xiàn)對多工作模式組合的脈沖序列進(jìn)行狀態(tài)切換點(diǎn)檢測,并將其分割成只含單一工作模式的脈沖序列,為后續(xù)工作模式識別提供可靠的數(shù)據(jù);并根據(jù)多功能雷達(dá)不同工作模式參數(shù)的時序變化特點(diǎn),提出了一種基于熵值圖的工作模式識別方法,首先提取脈沖信號各參數(shù)序列的熵值特征,然后構(gòu)建該工作模式下的熵值圖,并送入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和識別。實(shí)驗結(jié)果表明,本文方法在虛假脈沖率或漏脈沖率為25%時,不同工作模式之間的切換點(diǎn)檢測正確率接近85%左右;工作模式識別正確率在虛假脈沖為20%時接近85%,在漏脈沖為20%時能達(dá)到83.1%,在參數(shù)誤差為8%時接近84%,識別性能均優(yōu)于兩種對比文獻(xiàn)方法,驗證了本文算法的有效性。本文僅對某機(jī)載多功能雷達(dá)的4種工作模式進(jìn)行了識別,對于更多較為復(fù)雜的雷達(dá)工作模式還需進(jìn)行研究;同時,在變化點(diǎn)檢測算法中并未對一個或多個參數(shù)突變時導(dǎo)致工作模式切換的情形進(jìn)行探討,這將在后續(xù)進(jìn)一步研究;此外,本文在訓(xùn)練和測試階段均仿真了充足的樣本,因此如何在小樣本條件下進(jìn)行工作模式識別也是今后需要研究的方向。