CN104239712A - 一种雷达抗干扰效能实时评估方法 - Google Patents

Abstract

本发明属于雷达技术领域，尤其涉及一种雷达抗干扰效能实时评估方法：首先分析雷达在干扰环境下，雷达的技战术指标变化，选取初始指标建立初始指标体系，然后通过粗糙集属性约简方法对初始指标体系进行约简，建立最终评估效能时所用的基础指标，建立基于模糊层次分析法的雷达抗干扰效能评估模型，通过Delphi算法，得到群决策矩阵，然后利用卡方最小二乘法对决策矩阵进行排序，构建最终的综合权重向量，最终得到雷达的抗干扰效能结果。本发明较准确的评估了雷达的抗干扰效能，并利用干扰样式识别算法能够识别实时环境中的干扰方式，自动选择对应的评估模型，计算雷达的抗干扰性能，能够得到雷达在实时干扰环境下的性能损耗。

Description

一种雷达抗干扰效能实时评估方法

技术领域

本发明属于雷达技术领域，尤其涉及一种雷达抗干扰效能实时评估方法。

背景技术

抗干扰性能是雷达系统的重要战术技术指标之一，然而至今还没有一个公认而通用的衡量标准，大多数雷达工程师都是从定性的角度来说明或者描述系统的抗干扰性能，而不能从定量的角度来全面描述。

实际上对雷达系统的抗干扰性能评价是复杂、困难的。因为雷达系统的抗干扰性能是在电磁干扰环境中体现出来的，全面准确地评价雷达系统的抗干扰性能，必然要涉及到各种电磁干扰环境，而电磁干扰环境是非常复杂多变的。用一个或几个指标或者从概念上并不能系统的描述出雷达的抗干扰性能。从定性上给出的结论也是缺乏实际的试验检验。虽然有许多电子干扰措施和抗干扰技术措施，但是雷达系统的设计不可能采用所有的抗干扰技术措施，也就不可能对抗所有的电子干扰样式，故任何雷达系统都会受干扰，而在干扰的环境中工作其性能都会有所下降。体现抗干扰性能的内在决定因素是雷达系统的有关技术指标、体制和战术使用，有的是为了改进雷达系统的性能而研究出来的，同时也成为有力的抗干扰措施，而有些则主要是为了对付电子干扰而研究出来。大量关于干扰和抗干扰技术领域的专门情报都属于保密范围，公开的分析和讨论受到种种限制，因而很难在性能评价上有统一的认识和标准。

现有的抗干扰系统研究成果都是针对某一特定环境和某一特定雷达的抗干扰分析，对选择的指标体系形成某一个固定的权重分配，然而雷达的使用环境是变化的，干扰方式也是随着环境变化而变换的，无法准确的分析雷达在当前使用环境中的抗干扰效能。

发明内容

为克服现有技术中不能实时评估雷达抗干扰效能的缺陷，本发明提供了一种雷达抗干扰效能实时评估方法：首先分析雷达在干扰环境下，雷达的技战术指标变化，选取初始指标建立初始指标体系，然后通过粗糙集属性约简方法对初始指标体系进行约简，建立最终评估效能时所用的基础指标，建立基于模糊层次分析法(FuzzyAnalytic Hierarchy Process，FAHP)的雷达抗干扰效能评估模型，通过Delphi算法，得到群决策矩阵，然后利用卡方最小二乘法对决策矩阵进行排序，构建最终的综合权重向量，最终得到雷达的抗干扰效能结果。

一种雷达抗干扰效能实时评估方法，包括如下步骤：

S1、通过分析，得到雷达系统的技战术基本指标，确定初始指标体系S_i，其中，S_i包括有效抗干扰改善因子-X₁，自卫距离-X₂，定位精度-X₃，干扰压制比-X₄，抗欺骗性干扰有效概率-X₅，平均遗漏航迹改善因子-X₆，平均错误航迹改善因子-X₇，雷达抗干扰能力度量-X₈，识别跟踪真目标的时间统计-X₉，决策作战及维修保障能力-X₁₀，信号带宽-X₁₁，雷达有效发射功率-X₁₂，雷达观察扇区损失度改善因子-X₁₃；

S2、根据S1所述初始指标体系S_i对不同干扰环境下测得的原始指标数据基于动态层次聚类的离散化方法对所述原始指标数据分别进行离散化，得到样本矩阵S＝<U,R,V,F>，其中，R＝P∪D，P＝{a_i|i＝1，…，m}为条件属性集，D＝{d}为决策属性集，U＝{x₁,x₂,…,x_n}为论域，V为属性值的集合，F为U×R→V，所述F是一个信息函数，即指定U中每一个对象x的属性值，a_i(x_j)是样本x_j在属性a_i上的取值，j＝1,2,3,...,n，i＝1,2,3,...,n；

S3、根据标准化后的数据，求解分辨矩阵C，通过所述分辨矩阵C求解核Core，然后确定评估指标体系S_u，其中，S_u为S1所述S_i的属性约简结果，S_u包括有效抗干扰改善因子-X₁，自卫距离-X₂，定位精度-X₃，干扰压制比-X₄，抗欺骗性干扰有效概率-X₅，平均遗漏航迹改善因子-X₆，平均错误航迹改善因子-X₇，雷达抗干扰能力度量-X₈，识别跟踪真目标的时间统计-X₉，决策作战及维修保障能力-X₁₀；

S4、根据层次分析法、粗糙集对S3所述评估指标体系S_u进行精简，建立指标空间；

S5、根据Delphi法对指标空间各准则下的元素集中的元素的两两关系进行偏好打分，得到判断矩阵P_i；

S6、对S5所述判断矩阵P_i进行变换，使所述P_i满足满意一致性，得到偏好矩阵p＝(p_ij)_n×n；

S7、根据最小二乘法，对S6所述偏好矩阵进行排序得到各目标下的单层次排序结果，并得到最终评估指标的综合权重q_i，所述综合权重q_i为：抗压制干扰能力、抗欺骗干扰能力、抗压制干扰能力和抗欺骗干扰能力三种；

S8、利用基于决策树的干扰识别技术，识别出环境中的干扰样式，选取相对应的综合权重，并使用实测指标数据D_i，得到综合抗干扰效能，具体为：

S81、预设门限T(x)，将信号的特征参数与门限T(x)进行比较判决，若信号特征参数大于T(x)则为模式类别集A，若信号特征参数小于T(x)则为模式类别集B，所述模式类别集A和模式类别集B为干扰样式；

S82、根据S81所述干扰样式判断出信号属于哪一类干扰，结合选择相对应的S7所述综合权重，乘以相对应的实测指标数据D_i，得到综合抗干扰效能。

进一步地，S4所述指标空间分为三层：

第一层为目标层，所述第一层把雷达系统的抗干扰能力作为整个评估系统的目标，第二层为准则层，所述第二层包含在雷达系统干扰能力中起决定性作用的因素，第三层为指标层，包括：有效抗干扰改善因子，自卫距离，定位精度，干扰压制比，抗欺骗性干扰有效概率，平均遗漏航迹改善因子，平均错误航迹改善因子，雷达抗干扰能力度量，识别跟踪真目标的时间统计和决策作战及维修保障能力。

进一步地，所述在雷达系统干扰能力中起决定性作用的因素具体为：抗压制干扰能力H₁、抗欺骗干扰能力H₂和系统抗干扰能力H₃。

进一步地，S7所述的偏好矩阵进行排序具体如下：

S711、确定初始排序向量w(0)＝[w₁(0),w₂(0),…,w_n(0)]^T∈D，其中， $D=\{w={(w_1,w_2,...,w_n)}^T|w_j>0,j\&Element;I;\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_j=1\},$ I＝{1,2,…,n}，所述D为需要求的排序向量集合，设定起始迭代次数k＝0，设定迭代精度ε＝0.001，其中，w(0)＝e/n，e＝(1,1,…,1)^T；

S712、计算第k次迭代时的迭代精度为其中，p_ij为S6所述偏好矩阵中的p_ij，w(k)为第k次迭代时的排序向量w(k)＝[w₁(k),w₂(k),…,w_n(k)]^T∈D，若且ε_i(w(k))≤ε；

S713、若ε_i(w(k))＞ε，则重新确定的w(k)值：首先确定q值，使得成立，然后求解偏好矩阵中第q列和第q行加权比 $t\left(k\right)={[{\mathrm{\&Sigma;}}_{\underset{j\&NotEqual;q}{j=1}}^n{p}_{\mathrm{qj}}^2\frac{w_j\left(k\right)}{w_q\left(k\right)}/{\mathrm{\&Sigma;}}_{\underset{j\&NotEqual;q}{j=1}}^n{p}_{\mathrm{jq}}^2\frac{w_q\left(k\right)}{w_j\left(k\right)}]}^{\frac{1}{2}},$ 进一步得到中间向量

$x_i\left(k\right)=\left\{\begin{array}{cc}t\left(k\right)w_q\left(k\right)& i=q\\ w_i\left(k\right)& i\&NotEqual;q\end{array}\right.,$ 可求得第k+1次迭代时排序向量中的第i个分量值

$w_i(k+1)=x_i\left(k\right)/\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i\left(k\right);$

S714、在时，令k＝k+1，利用S713中所求得的排序向量计算迭代精度ε_i(w(k))，若ε_i(w(k))≤ε,则输出排序向量D，若ε_i(w(k))＞ε则循环S713-714；

S715、根据输出排序向量D得到各目标下的单层次排序结果。

进一步地，S7所述最终评估指标的综合权重q_i求取方法如下：

S721、将S4所述评估指标空间中的第k-1层上的n_k-1个元素相对于网络化雷达抗干扰能力的排序权值向量记为 $w^{k-1}={[w_1^{k-1},w_2^{k-1},...,w_{n_{k-1}}^{k-1}]}^T;$

S722、求出S4所述评估指标空间中第k层上的n_k个元素在k-1层第j个准则下的排序向量为 $v_j^k={[v_{1j}^k,v_{2j}^k,...,v_{n_{k}j}^k]}^T;$

S723、计算第k层所有元素对网络化雷达系统抗干扰能力的贡献排序权值 $w^k={[w_1^k,w_2^k,...,w_{n_k}^k]}^T=V^k{w}^{k-1}=V^k{V}^{k-1}...w^2,w_i^k=\underset{j=1}{\overset{n_{k-1}}{\mathrm{\&Sigma;}}}{v}_{\mathrm{ij}}^k{w}_j^{k-1},$ 其中，i∈I；

S724、得到最终评估指标的综合权重q_i。

本发明的有益效果是：

本发明采用模糊数学和层次分析法建立多套评估指标体系权重，较准确的评估了雷达的抗干扰效能，并利用干扰样式识别算法能够识别实时环境中的干扰方式，自动选择对应的评估模型，计算雷达的抗干扰性能，能够得到雷达在实时干扰环境下的性能损耗。

附图说明

图1是本发明所建立的指标体系。

图2是本发明的流程图。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

对雷达的抗干扰进行初步分析，得到初始指标体系S_i-{有效抗干扰改善因子-X₁，自卫距离-X₂，定位精度-X₃，干扰压制比-X₄，抗欺骗性干扰有效概率-X₅，平均遗漏航迹改善因子-X₆，平均错误航迹改善因子-X₇，雷达抗干扰能力度量-X₈，识别跟踪真目标的时间统计-X₉，决策作战及维修保障能力-X₁₀，信号带宽-X₁₁，雷达有效发射功率-X₁₂，雷达观察扇区损失度改善因子-X₁₃}，不同干扰环境下测得的原始指标数据基于动态层次聚类的离散化方法对所述原始指标数据分别进行离散化，得到样本矩阵S＝<U,R,V,F>，其中，R＝P∪D，P＝{a_i|i＝1，…，m}为条件属性集，D＝{d}为决策属性集，U＝{x₁,x₂,…,x_n}为论域，V为属性值的集合，F为U×R→V，所述F是一个信息函数，即指定U中每一个对象x的属性值，a_i(x_j)是样本x_j在属性a_i上的取值，j＝1,2,3,...,n，i＝1,2,3,...,n。

求解分辨矩阵C，并确定评估指标体系C_D(i,j)表示分辨矩阵C中第i行j列的元素，则分辨矩阵C为

$C_D(i,j)=\left\{\begin{array}{cc}\left\{a_k\right|a_k\&Element;P^\mathrm{ak}\left(x_i\right)\&NotEqual;\mathrm{ak}\left(x_j\right),& d\left(x_i\right)\&NotEqual;d\left(x_j\right);\\ 0,& d\left(x_i\right)=d\left(x_j\right).\end{array}\right.---\left(1\right)$

对于(1)中所得的矩阵中的所有取值为非空集合的元素C_ij(C_ij≠0，)，建立相应的析取逻辑表达式L_ij，

将所有的析取逻辑表达式L_ij进行合取运算，得到合取范式L，即

将(3)式所得的合取范式转换为析取范式的形式，即

即得评估指标体系S_u-{有效抗干扰改善因子-X₁，自卫距离-X₂，定位精度-X₃，干扰压制比-X₄，抗欺骗性干扰有效概率-X₅，平均遗漏航迹改善因子-X₆，平均错误航迹改善因子-X₇，雷达抗干扰能力度量-X₈，识别跟踪真目标的时间统计-X₉，决策作战及维修保障能力-X₁₀}。精简了指标数，从最开始的13个减少到10个，降低了指标体系的冗余度。

建立指标空间然后根据层次分析法，该指标空间分为三层，第一层是目标层，把雷达系统的抗干扰能力作为整个评估系统的目标；第二层是准则层，包含雷达系统抗干扰能力起决定性作用的因素，这里结合干扰方式和雷达系统的特点，选取抗压制干扰能力、抗欺骗干扰能力和系统抗干扰能力三个方面作为准则层的指标；第三层就是指标层，就是先前所得的具体指标，具体的指标体系如图1所示。

根据层次分析法中的群集结方法，根据Delphi法对指标空间各准则下的元素集中的元素的两两关系进行偏好打分，得到判断矩阵P_i。如图1中，T准则下有{抗压制性干扰能力(H₁)，抗欺骗性干扰能力(H₂)，系统抗干扰能力(H₃)}。

对P_i进行变换，使所述P_i满足满意一致性，得到偏好矩阵p＝(p_ij)_n×n，如抗欺骗干扰能力下，抗欺骗性干扰有效概率-X₅，平均遗漏航迹改善因子-X₆，平均错误航迹改善因子-X₇，Delphi法所得的偏好矩阵为：

$p=\left(\begin{array}{ccc}0.5& 0.514& 0.492\\ 0.486& 0.5& 0.436\\ 0.508& 0.564& 0.5\end{array}\right).$

利用卡方最小二乘法对偏好矩阵进行排序：

首先，针对决策者给出各个的判断矩阵，首先选定初始排序向量w(0)＝[w₁(0),w₂(0),…,w_n(0)]^T∈D，设定起始迭代次数k＝0，设定迭代精度ε₀＝0.001。一般取w(0)＝e/n，其中e＝(1,1,…,1)^T。

然后计算如果都有ε_i(w(k))≤ε，则输出排序向量D；否则进行下一步。其中，ε为迭代精度，此时表明排序向量能够满足目标精度，则输出排序向量D，否则需继续迭代转入下一步。

然后确定q的值，使得 ${\mathrm{\&epsiv;}}_q\left(w\left(k\right)\right)=\underset{i\&Element;I}{\max }\left\{\right|{\mathrm{\&epsiv;}}_i\left(w\left(k\right)\right)\left|\right\},$ 并令

$t\left(k\right)={[{\mathrm{\&Sigma;}}_{\underset{j\&NotEqual;q}{j=1}}^n{p}_{\mathrm{qj}}^2\frac{w_j\left(k\right)}{w_q\left(k\right)}/{\mathrm{\&Sigma;}}_{\underset{j\&NotEqual;q}{j=1}}^n{p}_{\mathrm{jq}}^2\frac{w_q\left(k\right)}{w_j\left(k\right)}]}^{\frac{1}{2}}---\left(5\right)$

$x_i\left(k\right)=\left\{\begin{array}{cc}t\left(k\right)w_q\left(k\right)& i=q\\ w_i\left(k\right)& i\&NotEqual;q\end{array}\right.---\left(6\right)$

$w_i(k+1)=x_i\left(k\right)/\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i\left(k\right),i\&Element;I---\left(7\right)$

令k＝k+1，继续计算ε_i(w(k))，直到都有ε_i(w(k))≤ε时，输出排序向量D。即得到了各个目标下的单层次排序结果。

根据最小二乘法，对所述偏好矩阵进行排序得到各目标下的单层次排序结果，并得到最终评估指标的综合权重q_i，所述综合权重q_i为：抗压制干扰能力、抗欺骗干扰能力、抗压制干扰能力和抗欺骗干扰能力三种。所述最终评估指标的综合权重q_i求取方法如下：

将所述评估指标空间中的第k-1层上的n_k-1个元素相对于网络化雷达抗干扰能力的排序权值向量记为 $w^{k-1}={[w_1^{k-1},w_2^{k-1},...,w_{n_{k-1}}^{k-1}]}^T;$

求出所述评估指标空间中第k层上的n_k个元素在k-1层第j个准则下的排序向量为 $v_j^k={[v_{1j}^k,v_{2j}^k,...,v_{n_{k}j}^k]}^T;$

计算第k层所有元素对网络化雷达系统抗干扰能力的贡献排序权值 $w^k={[w_1^k,w_2^k,...,w_{n_k}^k]}^T=V^k{w}^{k-1}=V^k{V}^{k-1}...w^2,w_i^k=\underset{j=1}{\overset{n_{k-1}}{\mathrm{\&Sigma;}}}{v}_{\mathrm{ij}}^k{w}_j^{k-1},$ 其中，i∈I；

得到最终评估指标的综合权重q_i。

根据初始三种数据，最终得到3种综合排序权值(对应的干扰环境中只有看压制干扰能力、只有抗欺骗干扰能力、两者兼具)。实验得到两者兼具的情况下的综合排序为w＝[0.0853 0.122 0.0939 0.067 0.1529 0.1366 0.167 0.0674 0.0757 0.0322]^T。

然后根据基于决策树的干扰识别技术识别出环境中的干扰样式，利用信号的特征参数与预设的门限T(x)进行比较判决，大于阀值的为模式类别集A，小于该阀值的为模式类别集B，就可以识别干扰环境中的干扰样式，判断属于哪一类干扰，继而选择相对应的综合权重，然后乘以相对应的实测指标数据D_i，得到综合抗干扰效能。

Claims (5)

1.一种雷达抗干扰效能实时评估方法，其特征在于，包括如下步骤：

S1、通过分析，得到雷达系统的技战术基本指标，确定初始指标体系S_i，其中，S_i包括有效抗干扰改善因子-X₁，自卫距离-X₂，定位精度-X₃，干扰压制比-X₄，抗欺骗性干扰有效概率-X₅，平均遗漏航迹改善因子-X₆，平均错误航迹改善因子-X₇，雷达抗干扰能力度量-X₈，识别跟踪真目标的时间统计-X₉，决策作战及维修保障能力-X₁₀，信号带宽-X₁₁，雷达有效发射功率-X₁₂，雷达观察扇区损失度改善因子-X₁₃；

S2、根据S1所述初始指标体系S_i对不同干扰环境下测得的原始指标数据基于动态层次聚类的离散化方法对所述原始指标数据分别进行离散化，得到样本矩阵S＝<U,R,V,F>，其中，R＝P∪D，P＝{a_i|i＝1，…，m}为条件属性集，D＝{d}为决策属性集，U＝{x₁,x₂,…,x_n}为论域，V为属性值的集合，F为U×R→V，所述F是一个信息函数，即指定U中每一个对象x的属性值，a_i(x_j)是样本x_j在属性a_i上的取值，j＝1,2,3,...,n，i＝1,2,3,...,n；

S3、根据标准化后的数据，求解分辨矩阵C，通过所述分辨矩阵C求解核Core，然后确定评估指标体系S_u，其中，S_u为S1所述S_i的属性约简结果，S_u包括有效抗干扰改善因子-X₁，自卫距离-X₂，定位精度-X₃，干扰压制比-X₄，抗欺骗性干扰有效概率-X₅，平均遗漏航迹改善因子-X₆，平均错误航迹改善因子-X₇，雷达抗干扰能力度量-X₈，识别跟踪真目标的时间统计-X₉，决策作战及维修保障能力-X₁₀；

S4、根据层次分析法、粗糙集对S3所述评估指标体系S_u进行精简，建立指标空间；

S5、根据Delphi法对指标空间各准则下的元素集中的元素的两两关系进行偏好打分，得到判断矩阵P_i；

S6、对S5所述判断矩阵P_i进行变换，使所述P_i满足满意一致性，得到偏好矩阵p＝(p_ij)_n×n；

S7、根据最小二乘法，对S6所述偏好矩阵进行排序得到各目标下的单层次排序结果，并得到最终评估指标的综合权重q_i，所述综合权重q_i为：抗压制干扰能力、抗欺骗干扰能力、抗压制干扰能力和抗欺骗干扰能力三种；

S8、利用基于决策树的干扰识别技术，识别出环境中的干扰样式，选取相对应的综合权重，并使用实测指标数据D_i，得到综合抗干扰效能，具体为：

S81、预设门限T(x)，将信号的特征参数与门限T(x)进行比较判决，若信号特征参数大于T(x)则为模式类别集A，若信号特征参数小于T(x)则为模式类别集B，所述模式类别集A和模式类别集B为干扰样式；

S82、根据S81所述干扰样式判断出信号属于哪一类干扰，结合选择相对应的S7所述综合权重，乘以相对应的实测指标数据D_i，得到综合抗干扰效能。

2.根据权利要求1所述的一种雷达抗干扰效能实时评估方法，其特征在于：S4所述指标空间分为三层：

第一层为目标层，所述第一层把雷达系统的抗干扰能力作为整个评估系统的目标，第二层为准则层，所述第二层包含在雷达系统干扰能力中起决定性作用的因素，第三层为指标层，包括：有效抗干扰改善因子，自卫距离，定位精度，干扰压制比，抗欺骗性干扰有效概率，平均遗漏航迹改善因子，平均错误航迹改善因子，雷达抗干扰能力度量，识别跟踪真目标的时间统计和决策作战及维修保障能力。

3.根据权利要求2所述的一种雷达抗干扰效能实时评估方法，其特征在于：所述在雷达系统干扰能力中起决定性作用的因素具体为：抗压制干扰能力H₁、抗欺骗干扰能力H₂和系统抗干扰能力H₃。

4.根据权利要求1所述的一种雷达抗干扰效能实时评估方法，其特征在于：S7所述的偏好矩阵进行排序具体如下：

S711、确定初始排序向量w(0)＝[w₁(0),w₂(0),…,w_n(0)]^T∈D，其中， $D=\{w={(w_1,w_2,...,w_n)}^T|w_j>0,j\&Element;I;\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_j=1\},$ I＝{1,2,…,n}，所述D为需要求的排序向量集合，设定起始迭代次数k＝0，设定迭代精度ε＝0.001，其中，w(0)＝e/n，e＝(1,1,…,1)^T；

S712、计算第k次迭代时的迭代精度为其中，p_ij为S6所述偏好矩阵中的p_ij，w(k)为第k次迭代时的排序向量w(k)＝[w₁(k),w₂(k),…,w_n(k)]^T∈D，若且ε_i(w(k))≤ε；

S713、若ε_i(w(k))＞ε，则重新确定的w(k)值：首先确定q值，使得成立，然后求解偏好矩阵中第q列和第q行加权比 $t\left(k\right)={[{\mathrm{\&Sigma;}}_{\underset{j\&NotEqual;q}{j=1}}^n{p}_{\mathrm{qj}}^2\frac{w_j\left(k\right)}{w_q\left(k\right)}/{\mathrm{\&Sigma;}}_{\underset{j\&NotEqual;q}{j=1}}^n{p}_{\mathrm{jq}}^2\frac{w_q\left(k\right)}{w_j\left(k\right)}]}^{\frac{1}{2}},$ 进一步得到中间向量

$x_i\left(k\right)=\left\{\begin{array}{cc}t\left(k\right)w_q\left(k\right)& i=q\\ w_i\left(k\right)& i\&NotEqual;q\end{array}\right.,$ 可求得第k+1次迭代时排序向量中的第i个分量值

$w_i(k+1)=x_i\left(k\right)/\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i\left(k\right);$

S714、在时，令k＝k+1，利用S713中所求得的排序向量计算迭代精度ε_i(w(k))，若ε_i(w(k))≤ε,则输出排序向量D，若ε_i(w(k))＞ε则循环S713-714；

S715、根据输出排序向量D得到各目标下的单层次排序结果。

5.根据权利要求1所述的一种雷达抗干扰效能实时评估方法，其特征在于：S7所述最终评估指标的综合权重q_i求取方法如下：

S721、将S4所述评估指标空间中的第k-1层上的n_k-1个元素相对于网络化雷达抗干扰能力的排序权值向量记为 $w^{k-1}={[w_1^{k-1},w_2^{k-1},...,w_{n_{k-1}}^{k-1}]}^T;$

S722、求出S4所述评估指标空间中第k层上的n_k个元素在k-1层第j个准则下的排序向量为 $v_j^k={[v_{1j}^k,v_{2j}^k,...,v_{n_{k}j}^k]}^T;$

S723、计算第k层所有元素对网络化雷达系统抗干扰能力的贡献排序权值 $w^k={[w_1^k,w_2^k,...,w_{n_k}^k]}^T=V^k{w}^{k-1}=V^k{V}^{k-1}...w^2,w_i^k=\underset{j=1}{\overset{n_{k-1}}{\mathrm{\&Sigma;}}}{v}_{\mathrm{ij}}^k{w}_j^{k-1},$ 其中，i∈I；

S724、得到最终评估指标的综合权重q_i。