一种多传感器雷达辐射源识别的组合方法

一种多传感器雷达辐射源识别的组合方法

雷达辐射源的识别包括将检测到的雷达信号参数与预测值的雷达信号参数进行比较，并确定雷达的原始属性。现代作战条件下,大量复杂体制雷达被应用于战争,这就要求各种电子侦察设备能够快速地对雷达的型号、类型和威胁等级进行识别,而各传感器提供的信息往往包含着大量的不确定性,给快速识别雷达信号带来了很大困难。信息融合技术可以综合多个传感器的数据来确定雷达辐射源的特征参数,但任何单一的数据融合方法均不能很好地解决干扰存在下的目标分类识别问题1灰色理论和d-s证据理论1.1聚类对象白化权函数灰色关联聚类是根据灰色关联系数向量将一些观测指标或观测对象划分成若干个可定义类别的方法,一个聚类可以看作是属于同一类对象的集合。设有n个观测对象,每个对象有m个聚类指标,可划分为s个不同灰类。每个指标关于每一对象用指标观测值x根据聚类对象关于聚类指标所表现出的性质,典型白化权函数为其它形式的白化权函数见文献[2]。确定各聚类指标在聚类过程中的权为η最后,根据决策规则1.2数据列关联分析灰色关联分析,是根据数据列因素之间发展态势的相似或相异程度来衡量数据列接近的程度。进行数据列关联分析时,首先确定参考数列,然后比较其它数列同参考数列的接近程度。设X按各指标重要性大小赋予相应的权值a(k),k=1,2,…,n;且1.3d-s证据理论的优势D-S证据理论的最大特点是在证据中引入了不确定性,同时又摆脱了先验概率的限制,使得D-S证据理论在实际应用中具有明显的优势。这里仅给出改进的证据合成公式设Awo交叉融合后的总体概率包括2多传感器雷达辐射源检测算法雷达辐射源的识别通过对被识别雷达各个特征参数的观测,采用一定的算法和雷达辐射源知识数据库中各已知的雷达特征参数进行匹配,从而确定被识别雷达型号。首先利用灰色理论中的灰色定权聚类法对大量的传感器数据进行分类,剔出相容信息,求出大量数据中的核值,得出有用的决策信息。然后由灰关联分析法计算出各个证据的基本概率赋值函数,当存在证据冲突时,根据改进的D-S证据合成规则计算所有证据组合后的基本概率赋值,最后根据一定的判决规则选择支持度最大的假设,作为最终的雷达辐射源识别结果。算法的具体步骤如下。步骤一,运用灰色定权聚类方法对各组特征信息进行融合。根据多传感器得到的数据构造样本矩阵,依据情报任务要求确定白化权函数f步骤二,确定同一时刻多个传感器所探测样本数据对目标的识别结果。根据雷达信号的特点,选取射频RF、重频PRI、脉宽PW作为特征参数。选取传感器的观测数据,即待识别的雷达信号作为比较数列,雷达识别知识数据库中的型号数据作为参考数列。首先计算雷达信号观测样本中各个参数的灰关联系数,然后通过设定各个参数的权值,可得观测样本与已知雷达模板库中样本的灰关联度。对于单个传感器,定义基本概率赋值为式中,m(U)表示未知的基本概率赋值。对于每一传感器观测样本的灰关联度集合给出一个信任测度,即获得一条证据。运用D-S证据理论组合规则对多个观测样本的信任度进行合成,得出同一时刻多个传感器所探测样本数据对目标识别的结果。步骤三,通过多时刻对目标进行识别,确定对目标的准确识别结果。考虑到信号在时间上的积累,得到多个传感器在不同时刻的观测样本。观测样本涉及到冲突性和不冲突性证据的合成要求,冲突性证据按加权平均合成,不冲突性证据按与运算合成。利用改进的D-S融合规则计算出融合处理后的结果作为信号识别的依据,能够很好地反映证据间的交叉融合程度。3目标数据的仿真下面通过软件Matlab7.0进行仿真实验来说明这种方法的有效性,结构框图如图1所示。部分提取雷达辐射源特征库中样本作为判决的框架,将其中某一类型的雷达信号加上符合正态分布的噪声作为不同时刻侦察到的样本,运用步骤一、二、三进行雷达辐射源识别。假设雷达信号特征矢量由射频RF(MHz)、重频PRI(Hz)、脉宽PW(μs)三个参数构成。从目标数据库中提取3个相近的目标数据作为识别框架,即(U通过步骤一可得到如表2所示的3组分类。由此确定传感器R根据D-S融合规则,将M利用取相似度最大值的判决规则,可知此时刻3传感器对目标的识别结果为U以上仅是多传感器在一个时刻对目标的识别结果,具有一定的不确定性。这主要是由噪声的随机性造成的,需要通过多个时刻对目标进行识别,以提高目标的准确识别率。选取证据数为5,为了仿真冲突证据的情况,在来自类型1的证据序列中,以概率P=0.2混入来自类型2的证据,并对某一目标信号各参数叠加随机噪声得到观测样本;σ代表已知样本库的标准偏差(含各参数的标准偏差),误差范围分别控制在0.5、1.0、1.5倍标准偏差内;t代表多次观测数据的融合次数也即观测样本的积累次数。通过步骤三,利用改进的D-S融合规则计算出融合处理后的结果,用MATLAB软件统计出信号识别的正确识别率如表5所示,图2给出的是两种融合方法的平均正确识别率的相应曲线。4实验结果分析1)将灰色理论中的灰色定权聚类法应用于数据融合,可以很好地解决D-S证据理论随着量测维数的增大和递推步数的增加而以指数形式递增的组合爆炸问题。该算法对数据量繁多的情况尤为适用。当数据量较小时,定义灰度的个数等于传感器个数,即无需提取传感器的特征组合。2)噪声对目标识别的结果影响很大,如果各特征参数的噪声增大,在存在证据冲突的情况下,采用传统的D-S融合方法识别辐射源时,正确识别率下降较快,而应用修正的D-S融合方法识别辐射源时,仍然能够获得较高的正确识别率。实验结果说明,在噪声环境下,基于修正D-S融