CN105022792A - 基于数据挖掘的被动雷达信号分选关联权重计算方法 - Google Patents

Abstract

本发明涉及一种基于数据挖掘的被动雷达信号分选关联权重计算方法。该方法通过不同目标不同周期被动雷达辐射源信息的大样本存储，基于到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF等辐射源信号特征参数，建立目标信号样本矩阵；针对矩阵采用改进信息熵法计算获得参数初始权重矩阵，然后加权计算得到权重向量；最后将该权重向量进行关联检验，并提出冲突消解策略。通过采用本发明所述的方法，基于大样本数据，可增强权重的可信性；创新运用改进信息熵法进行关联权重计算，可提高权重的科学性；同时基于初始权重矩阵获取关联权重，消除不一致；通过关联验证，提高适用性。该方法为被动雷达信号分选提供方法支撑，并可推广到雷达数据处理领域。

Description

基于数据挖掘的被动雷达信号分选关联权重计算方法

技术领域

本发明涉及被动雷达信号分选领域，尤其涉及一种适用于舰载被动相控阵雷达信号分选点与目标关联权重计算方法。

背景技术

被动雷达数据处理包括信号分选和目标编批两大部分，其中信号分选主要是在交错的、密集复杂的脉冲信号流中提取出属于同一雷达辐射源的脉冲序列，然后对脉冲序列计算从而得到辐射源参数；目标编批是对信号分选输出的辐射源参数进行周期间的处理，包括融合、点与目标关联、滤波、目标起始等功能模块，其中点与目标关联功能模块中点与目标各参数的权重计算对关联是否成功起重要作用，权重的计算为数据关联的关键点。

目前，被动雷达信号分选点与目标关联的常规技术是以到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF等辐射源参数为考量，研发人员基于主观经验对各参数的权重进行主观赋值，然后计算关联度，根据关联度大小判决点与目标是否关联。不同的研发人员有不同的经验值，权重值随机性太大，并且没有考虑数据特征，在一定程度上造成计算结果与实际的误差偏大，进而点与目标关联失败，导致目标分裂引起增批现象，进而影响被动信号分选性能和效能。

因此，科学确定辐射源参数的关联权重对被动雷达信号分选时点与目标关联计算具有重要意义。权重的确定方法有主观赋权法(专家评判法、点估计法、判断矩阵法等)、客观赋权法(熵值法、形心法、线性规划法和离差最大化法等)、组合赋权法(方差最大化赋权法、最佳协调赋权法等)、交互式赋权法(基于方案达成度和综合度的交互式赋权法等)等类型，这些赋权法在多属性决策中被广泛使用。当然，选取赋权方法时需考虑问题的结构特征、数据的结构和属性特征等因素。

1948年，美国的通信工程师Shannon在研究信息传输过程中不确定性问题时，提出了信息熵的概念，将信息定义为不确定性的减少，而不确定性可以通过熵来度量。在信息论中，信息熵是系统无序程度的度量，信息量是系统有序程度的度量，两者绝对值相等，符号相反。某项指标的指标值变异程度越大，信息熵越小，该指标提供的信息量越大，该指标的权重也应越大；反之，某项指标的变异程度越小，信息熵越大，该指标提供的信息量越小，该指标的权重也越小。

不同目标不同周期的被动辐射源参数的数据为权重的挖掘析取技术提供了一种有力的数据支撑，能克服研发人员对于权重设置的主观经验制约，提高了被动雷达信号分选能力。基于数据挖掘分析的改进熵值赋权法，本质是从客观数据中计算关联权重，比较符合权重选取的数据意义体现，可使结果更科学、更符合实际。

发明内容

本发明的目的在于为被动雷达信号分选点与目标关联的辐射源特征参数获取权重，重点解决基于数据挖掘的被动雷达的信号分选时点与目标精准关联问题。

实现本发明目的的技术解决方案为：通过同一目标不同周期的被动雷达辐射源信息存储，基于到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF等辐射源信号特征参数的大样本特征，将数据进行无量纲化处理；针对同一目标不同周期点与目标关联的到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF等辐射源信号特征参数，采用改进信息熵法计算获得上述参数的权重；并将方法应用于第二个目标不同周期点与目标关联的信号分选获得特征参数权重；依次类推，获得K个目标对应的K组权重向量，得到初始权重矩阵；然后结合初始权重矩阵的数据特性，加权计算得到权重向量；最后将该权重向量应用于原K个目标不同周期内辐射源特征参数的点与目标关联检验以验证关联度的一致性，并提出不满足一致性时的冲突消解策略。该方法可推广到雷达数据处理关联领域。

本发明的有益效果：由于采用本发明所述的方法，基于大样本数据，通过不同目标的被动辐射源信号特征参数数据采样增强了权重计算的大样本性和可信性；创新运用改进信息熵法对不同目标不同周期被动雷达辐射源信号样本矩阵进行关联权重计算，可实现无量纲化以统一数据格式，并且不是依靠主观经验进行权重赋值，提高了关联权重计算的科学性；同时将不同目标不同周期信号关联分选初始权重矩阵，进行加权统一计算获取关联权重向量，可消除权重的不一致；通过将该方法应用到已有目标不同周期点和目标关联验证，提高了方法的适用性。该方法通过被动辐射源特征参数计算权重，提高了权重设置的科学性，为被动雷达信号分选能力提升提供方法支撑，为装备研制提供技术支撑。

下面结合附图1对本发明作进一步详细描述。

附图说明

附图1基于数据挖掘的被动雷达信号分选关联权重计算方法流程图。

具体实施方式

本发明的过程分为：

Step 1对K个目标中每个目标k的T个周期的被动辐射源信息进行大样本存储；每个周期的数据包括以下辐射源信号特征参数：到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF等；

Step 2对某目标k的T个周期辐射源信号特征参数指标建立目标信号样本矩阵A；表示第k个目标的第i个周期的辐射源描述字，其中k＝1,2,…,K，i＝1,2,…,T，j＝1,2,…,N分别对应到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF等参数；

信号样本矩阵A：

$A=\left[\begin{array}{c}\mathrm{ED}{W}_1^k\\ {\mathrm{EDW}}_2^k\\ .\\ .\\ .\\ {\mathrm{EDW}}_T^k\end{array}\right]={\left[\begin{array}{cccc}{\mathrm{DOA}}_1^k& {\mathrm{PW}}_1^k& \mathrm{...}& X_1^k\\ {\mathrm{DOA}}_2^k& {\mathrm{PW}}_2^k& \mathrm{...}& X_2^k\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{DOA}}_T^k& {\mathrm{PW}}_T^k& \mathrm{...}& X_T^k\end{array}\right]}_{T\×N}$

为方便计算，令

$A={\left[\begin{array}{cccc}{x}_{11}& x_{12}& \mathrm{...}& x_{1N}\\ x_{21}& x_{22}& \mathrm{...}& x_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{T1}& x_{T2}& \mathrm{...}& x_{TN}\end{array}\right]}_{T\×N}$

Step 3针对目标k的目标信号样本矩阵A，采用以下改进信息熵法计算；

(1)计算第i个周期第j项指标的参数值x_ij的比重；

$p_{ij}=\frac{x_{ij}}{\underset{i=1}{\overset{T}{\Σ}}{x}_{ij}},i=1,2,\mathrm{...},T;j=1,2,\mathrm{...},N---\left(1\right)$

为使lnp_ij有意义，一般需要假定当p_ij＝0时，p_ijlnp_ij＝0。但当p_ij＝1时，也有p_ijlnp_ij＝0，这显然不切合实际应用，与熵的含义相悖，故需对p_ij重新加以修正。

因此，我们需要对该项指标数据用标准化法进行变换：

${x^{*}}_{ij}=|x_{ij}-\stackrel{\‾}{x_j}|/s_j,i=1,2,\mathrm{...},T;j=1,2,\mathrm{...},N.$

其中，第j项指标值的均值；s_j：第j项指标的标准差。于是，

$p_{ij}=\frac{x_{ij}^{*}}{\underset{i=1}{\overset{T}{\Σ}}{x}_{\mathrm{ij}}^{*}},i=1,2,\mathrm{...},T;j=1,2,\mathrm{...},N---\left(2\right)$

(2)计算第k个目标第j项指标的熵值e_j；

$e_j^k=-k\underset{i=1}{\overset{T}{\Σ}}{p}_{ij}{\mathrm{lnp}}_{ij},$ 令 $k=\frac{1}{\ln T}$ 得：

$e_j^k=-\frac{1}{\ln T}\underset{i=1}{\overset{T}{\Σ}}{p}_{ij}{\mathrm{lnp}}_{ij}---\left(3\right)$

其中， $e_j^k\∈\[0,1\],i=1,2,\mathrm{...},T;j=1,2,\mathrm{...},N;k=1,2,\mathrm{...},K.$

(3)计算第k个目标第j项指标的差异系数g_j；

$g_j^k=1-e_j^k,j=1,2,\mathrm{...},N;k=1,2,\mathrm{...},K---\left(4\right)$

其中，越大，指标越重要。

(4)确定第k个目标第j项指标的权重

$w_j^k=\frac{g_j^k}{\underset{j=1}{\overset{N}{\Σ}}{g}_j^k},j=1,2,\mathrm{...},N;k=1,2,\mathrm{...},K---\left(5\right)$

Step 4针对第一个目标，计算权重向量：

$W^1={(w_1^1,w_2^1,\mathrm{...},w_N^1)}^T$

Step 5并将方法应用于计算第二个目标的关联权重，执行步骤Step2～Step 3，得到：

$W^2={(w_1^2,w_2^2,\mathrm{...},w_N^2)}^T$

Step 6依次类推，获得第K个目标的权重向量：

$W^K={(w_1^K,w_2^K,\mathrm{...},w_N^K)}^T$

Step 7根据K个不同目标的初始关联权重矩阵W：

$W=\left[\begin{array}{c}{W}^1\\ W^2\\ .\\ .\\ .\\ W^T\end{array}\right]={\left[\begin{array}{cccc}{w}_1^1& w_2^1& \mathrm{...}& w_N^1\\ w_1^2& w_2^2& \mathrm{...}& w_N^2\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ w_1^K& w_2^K& \mathrm{...}& w_N^T\end{array}\right]}_{T\×N}$

通过公式(6)：

$w_j^{*}=\frac{\underset{k=1}{\overset{K}{\Σ}}{w}_j^k}{\underset{k=1}{\overset{K}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{w}_j^k}---\left(6\right)$

计算得到各辐射源特征参数权重，得到关联权重向量：

Step 8将该权重矩阵应用于原K个目标不同周期内辐射源特征参数的点与目标关联一致性效果检验，若满足一致性则获得最终关联权重向量；若不满足一致性则采取以该权重向量为基础进行人工微调的冲突消解策略，直至满足一致性为止，最终得到关联权重向量。

Claims (4)

1.基于数据挖掘的被动雷达信号分选关联权重计算方法，其特征在于：

Step1  对K个目标中每个目标k的T个周期的被动辐射源信息进行大样本存储；每个周期的数据包括以下辐射源信号特征参数：到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF；

Step2  对某目标k的T个周期辐射源信号特征参数指标建立目标信号样本矩阵A；表示第k个目标的第i个周期的辐射源描述字，其中k＝1,2,…,K，i＝1,2,…,T，j＝1,2,…,N分别对应到达方向DOA、脉冲宽度PW、重复周期PRI、信号载频RF参数；

信号样本矩阵A：

$A=\left[\begin{array}{c}{{\mathrm{EDW}}_1}^k\\ {{\mathrm{EDW}}_2}^k\\ .\\ .\\ .\\ {{\mathrm{EDW}}_T}^k\end{array}\right]={\left[\begin{array}{cccc}{\mathrm{DOA}}_1^k& {\mathrm{PW}}_1^k& ...& X_1^k\\ {\mathrm{DOA}}_2^k& {\mathrm{PW}}_2^k& ...& X_{\text{2}}^k\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{DOA}}_A^k& {\mathrm{PW}}_T^k& ...& X_{\text{T}}^k\end{array}\right]}_{T\×N}$

为方便计算，令

$A={\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{12}& x_{22}& ...& x_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{T1}& x_{T2}& ...& x_{TN}\end{array}\right]}_{T\×N}$

Step3  针对目标k的目标信号样本矩阵A，采用以下改进信息熵法计算，确定第k个目标第j项指标的权重

$w_j^k=\frac{g_j^k}{\underset{j=1}{\overset{N}{\Σ}}{g}_j^k},j=1,2,...,N;k=1,2,...,K---\left(5\right)$

Step4  针对第一个目标，计算权重向量：

$W^1={(w_1^1,w_2^1,...,w_N^1)}^T$

Step5  并将方法应用于计算第二个目标的关联权重，执行步骤Step2～Step3，得到：

$W^2={(w_1^2,w_2^2,...,w_N^2)}^T$

Step6  依次类推，获得第K个目标的权重向量：

$W^K={(w_1^K,w_2^K,...,w_N^K)}^T$

Step7  根据K个不同目标的初始关联权重矩阵W：

$W=\left[\begin{array}{c}{W}^1\\ W^2\\ .\\ .\\ .\\ W^T\end{array}\right]={\left[\begin{array}{cccc}{w}_1^1& w_2^1& ...& w_N^1\\ w_1^2& w_2^2& ...& w_N^2\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ w_1^K& w_2^K& ...& w_N^T\end{array}\right]}_{T\×N}$

通过公式(6)：

$w_j^{*}=\frac{\underset{k=1}{\overset{K}{\Σ}}{w}_j^k}{\underset{k=1}{\overset{K}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{w}_j^k}---\left(6\right)$

计算得到各辐射源特征参数权重，得到关联权重向量：

Step8  将该权重矩阵应用于原K个目标不同周期内辐射源特征参数的点与目标关联一致性效果检验，若满足一致性则获得最终关联权重向量；若不满足一致性则采取以该权重向量为基础进行人工微调的冲突消解策略，直至满足一致性为止，得到最终关联权重向量。

2.一种根据权利要求1所述的基于数据挖掘的被动雷达信号分选关联权重计算方法，其特征在于：所述step3中的关联权重计算基于大样本数据，创新运用改进信息熵法对被动雷达辐射源信号样本矩阵进行计算，可实现无量纲化以统一数据格式；挖掘计算的信号分选关联权重，不依靠主观经验进行赋值。

3.一种根据权利要求1或2所述的基于数据挖掘的被动雷达信号分选关联权重计算方法，其特征在于所述step7中权重向量计算方法：针对K个不同目标不同周期信号关联分选初始权重矩阵，进行加权统一计算获取关联权重向量，消除权重的不一致。

4.一种根据权利要求1或2所述的基于数据挖掘的被动雷达信号分选关联权重计算方法，其特征在于：所述step8中将该权重向量应用于原K个目标不同周期内辐射源特征参数的点与目标关联效果检验，回溯验证信号分选权重计算的符合性，验证基于数据挖掘的被动雷达信号分选关联权重计算方法的效果，并考虑了关联权重不一致时的冲突消解策略。