CN109766926B - 一种雷达辐射源信号脉内特征综合评估方法及系统 - Google Patents
一种雷达辐射源信号脉内特征综合评估方法及系统 Download PDFInfo
- Publication number
- CN109766926B CN109766926B CN201811569984.XA CN201811569984A CN109766926B CN 109766926 B CN109766926 B CN 109766926B CN 201811569984 A CN201811569984 A CN 201811569984A CN 109766926 B CN109766926 B CN 109766926B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- radiation source
- radar radiation
- matrix
- projection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 159
- 230000005855 radiation Effects 0.000 title claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000010606 normalization Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000001422 normality test Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000036039 immunity Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 8
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于电子对抗中雷达辐射源信号的特征评估技术领域，公开了一种雷达辐射源信号脉内特征综合评估方法及系统；首先对接收到的雷达辐射源信号进行特征提取，并根据建立的评估体系进行特征评估指标度量及归一化；然后结合专家先验知识及实际环境进行改进的区间层次分析，并使用改进的投影寻踪算法建立非线性方程优化模型；最后利用投影谱梯度算法进行最终主客观决策融合。本发明可以合理有效实现各种基于实际环境下的雷达辐射源信号脉内特征评估，进行科学有效的评估有助于选出更能凸显雷达辐射源信号的特征，以利于后续的雷达辐射源信号分选及识别。
Description
技术领域
本发明属于电子对抗中雷达辐射源信号的特征评估技术领域，尤其涉及一种雷达辐射源信号脉内特征综合评估方法及系统。
背景技术
目前，业内常用的现有技术是这样的：雷达辐射源信号(radar emitter signal，RES)脉内特征综合评估是现代雷达对抗中急需解决的新问题。现代雷达对抗信号环境中辐射源数量多、分布密度大、信号交叠严重，传统的信号识别方法很难适应现代复杂的电磁环境。雷达信号分选识别研究是雷达电子对抗领域中非常重要而又非常困难的课题，也是一项非常紧迫的任务。为此，研究人员通过脉内特征来实现信号的分类识别，效果显著。近几年来，研究者提出了众多雷达辐射源脉内特征，但目前迫切需要对这些脉内特征的效能进行客观、有效的评估与甄别。目前，雷达对抗领域的主要集中在雷达干扰技术和雷达抗干扰技术，而针对于干扰方式识别的研究相对较少。现有技术一将多目标满意优化思想引入特征选择中，综合考虑多种影响因素，以评价选出的特征集的质量满意程度。该技术摒弃了传统的最优概念，强调的是“满意”而不是“最优”，它首先将优化问题的约束和目标融合一体，其次将性能指标要求的满意设计与参数优化融为一体，最终使得整个技术方案具有很大的适用性和灵活性。现有技术二将粗集理论引入到特征选择中，特征在于无需任何先验知识和外部信息，首先从大量数据中挖掘出决策规则，之后揭示出属性间的关联关系并删除冗余属性，最终从若干雷达辐射源信号特征组成的原始特征集中去除荣誉特征，发现最重要的特征子集。现有技术三采用主成分分析方法进行雷达辐射源信号特征选择，首先对特征参数进行标准化处理，之后通过线性变换提取特征样本集X的主成分样本集Y，接下来计算第n个主成分在满足一定需求方向上的方差贡献率，最终对计算得到的方差贡献率进行降序排列，选择合适的特征参数。现有技术四提出了一种新的雷达辐射源信号脉内特征参数的选择方法。首先对较为普遍的五种脉内特征参数的提取算法进行了研究，之后利用留一法误差来评估特征参数对分类器泛化性能的影响，最终实现了特征参数的选择，提高了雷达辐射源信号识别准确率。现有技术五提出了一种用于雷达信号调制分类的特征评估方法，首先建立了一种多指标联合评估体系，使用复杂性、可分离性和稳定性3个指标对特征参数的调制分类性能进行联合评估，之后对不同特征指标进行度量、规范化，最终对各指标进行简单的线性组合得出最终评估值。现有技术六根据欺骗干扰和雷达目标回波在时延、相位以及多普勒频移上的差异，釆用小波分解提取特征参数差异实现欺骗干扰的识别。现有技术七提出了较为全面的雷达辐射源信号特征提取评估指标体系，解决了传统评估指标选择片面、对特征提取刻画过于粗糙的等问题。首先对评估体系分为三层，以复杂性、分离性、稳定性和适应性为准则，给出了九个具体指标对特征提取进行对角度的刻画，然后对评估指标的处理进行了理论分析，最后对评估指标进行了合理性检验。现有技术八提出基于CSS体系的雷达辐射源信号脉内特征评估，其基于技术五的步骤，在最后的综合评估时不采用简单的线性组合方式，而是引进了层次分析法进行专家决策判断权重，首先确定判断矩阵，之后进行一致性检验，一致性检验通过之后计算指标权重，使得最后的综合评估更符合实际环境条件。现有技术九在特征评估过程中引入了投影寻踪算法及智能优化算法，其主要步骤基于技术五，在最后的综合评估时不采用简单的线性组合方式，而是使用投影寻踪算法进行二维数据降维处理，用智能优化算法去对降维方向进行求解，从数据信息挖掘角度使得最终的综合评估更具有科学性。现有技术一到现有技术九在一定程度上解决了雷达辐射源特征评估的问题，但存在评估方法过于片面的问题，另外，上述评估技术或多或少缺乏一定的科学性，且可靠性较低。
综上所述，现有技术存在的问题是：现有的雷达辐射源信号评估方法存在评估角度片面，评估体系不够完善，评估方式或过于主观或缺乏主观或主客观融合方法不妥，实用性较差。
解决上述技术问题的难度和意义：
解决上述技术问题的难点在以下几个方面：1、如何更全面地评估特征，即找到特征与实际环境的需求之间的关系；2、如何综合各个特征评估指标，即找到一种综合评估的方法，使之既能挖掘数据本身特征，又能结合专家经验考虑实际环境，进而得出更为可靠的评估结果。
解决上述技术问题的意义在于：众所周知，目前该领域对雷达辐射源特征提取已存在有许多方法，但没有一种方法可以通用于现代复杂的电磁环境中，因此结合实际环境情况选取合适的辐射源参数进行后续分选识别便成为一项紧迫的任务。通过解决上述技术问题，可以使得选取特征更加合理，进而提高后续分选识别速度及准确率。
发明内容
针对现有技术存在的问题，本发明提供了一种雷达辐射源信号脉内特征综合评估方法及系统。
本发明是这样实现的，一种雷达辐射源信号脉内特征综合评估方法，所述雷达辐射源信号脉内特征综合评估方法包括：首先对接收到的雷达辐射源信号进行特征提取，并根据建立的评估体系进行特征评估指标度量及归一化，进而得到特征评估矩阵；然后结合专家先验知识及实际环境进行改进的区间层次分析，并使用改进的投影寻踪算法建立非线性方程优化模型；最后利用投影谱梯度算法进行最终主客观决策融合。
进一步，对接收到的雷达辐射源信号进行特征提取，并根据建立的评估体系进行特征评估指标度量及归一化，得到特征评估矩阵具体包括：
1)复杂度的度量
时间复杂度：
t＝cana+csns+cmnm+cdnd；
式中：ca,cs,cm,cd分别表示加法、减法、乘法、除法运算法则的单次耗时，na,ns,nm,nd分别表示处理过程中加法、减法、乘法、除法运算次数；
空间复杂度以提取特征的维数作为空间复杂度的衡量标准；
2)分离性的度量
类内类间距离：
式中，Dij是第i类与第j类信号的距离；Cii与Cjj分别为第i类与第j类信号的类内聚集度；
M距离用以下方式度量：
式中，
分别表示第i类信号的k维特征及第j类信号的k维特征；/>
表示第i类和第j类信号k维特征的M距离；
B距离用以下方式度量：
式中，
分别表示第i类信号的k维特征及第j类信号的k维特征；/>
表示第i类和第j类信号k维特征的B距离；
3)稳定性的度量
分布指标：
式中，ωi为正态性检验中计算所得的测试统计量；λi为分布假设检验的临界值。
为对第i类信号的第k维特征进行正态性检验得到的分布指标；
特征抗噪性用以下方式度量：
式中，Yi k为第i类信号第k维特征的梯度序列；Q为特征总维数；H为雷达辐射源信号类型数；
SNR敏感性用以下方式度量：
式中，Rik表示第i类信号第k维特征在所有SNR条件下的相关系数；
表示第i类信号第k维特征在信噪比SNRp和SNRq信噪比条件下的相关系数；M表示SNR的水平数；
SNR影响显著性用以下方式度量：
式中，SA表示类平均值与总体平均值差的平方，描述组间平方和即因子各水平不同引起的差异；Se表示观察值与组类平均值之差的平方和，描述组内平方和即随机因素引起的差异；M表示信噪比的水平数；N表示一个SNR水平下进行的试验数；
4)适应性的度量
类型适应性用以下方式度量：
式中，
表示i类信号情况下的平均分选准确率；/>
表示不同信号种类情况下平均分选准确率的均值；H表示雷达辐射源信号类型数；
参数适应性用以下方式度量：
式中，αi表示在P种仿真条件下得到H种信号的总体分选准确率；
表示P种仿真条件的平均分选准确率；
5)指标的归一化
对于特征参数的评估指标值越大，获得的准确率越高的指标归一化：
式中，yi为第i个评估指标值，
为第i个评估指标最大值，/>
为第i个评估指标最小值；
对于特征参数的评估指标值越小，获得的准确率越高的指标归一化：
式中，yi为第i个评估指标值，
为第i个评估指标最大值，/>
为第i个评估指标最小值；
6)特征评估矩阵
通过上述对根据建立的评估体系对雷达辐射源信号特征进行特征评估指标度量及归一化，得到如下特征评估矩阵：
指标层综合评估矩阵B表示为：
式中，参与评估的雷达辐射源信号数量为l，指标层内指标个数为β，准则层内准则个数为γ，A为特征评估值矩阵，W1为指标层权重矩阵；
准则层综合评估矩阵E表示为：
式中，参与评估的雷达辐射源信号数量为l，准则层内准则个数为γ，W2为准则层权重矩阵。
进一步，改进的区间层次分析的实施步骤如下：
步骤一，构造区间判断矩阵R；
评估指标体系确定后，依据互反性1～9标度，按照实际情况与要求做出两两比值判断，列出区间判断矩阵R：
式中，
和/>
分别为专家设置的影响因素rij的下限和上限；
步骤二，区间判断矩阵的一致性检验，将区间判断矩阵R分解成两个矩阵
1)采用下式对矩阵按列归一化处理：
2)矩阵归一化后按行相加：
3)对向量ω'＝(ω 1',ω'2,…,ω'n)T归一化：
4)计算矩阵R-＝[rij ]的最大特征根
5)检验区间判断矩阵R的一致性，计算
和/>
的均值λmax，计算一致性比率CR：
当CR＜0.1时，认为满足要求；否则需要对矩阵进行修正，直到满足CR＜0.1为止；
改进的投影寻踪算法的实施步骤如下：
投影指标中的局部密度窗半径使用以下方法确定：将s个样本做围绕中心点划分聚类算法聚类：
1)在数据中随机选取k个点作为中心点；
2)计算其余每个点到中心点的距离，由此来判断相似性；
3)把每个点分到离它最近的中心点，即分到与它相似程度最大的中心点，形成k个类；
4)计算每个类中每个点到中心点的总距离；
5)在每个类中找出不是中心点的点作为新的中心点；
6)重复2)，3)，4)直到中心点不再改变；
将s分成k类，每个点团中含有样本数为x1,x2,…,xk，且x1+x2+…xk＝n，r(i,j)表示投影点之间距离，r(i,j)＝|z(i)-z(j)|，降序排序，记为r(i,j)k,k＝1,2,…n2，r(i,j)(k)为排序后序号为k个r(i,j)值：
其中，kp＝Σxixj(1≤i,j≤k)。投影寻踪模型对投影值局部密度要求是保留点团内距离r(i,j)，去除点团之间距离r(i,j)，对于窗口半径而言，要求点团与点团之间点保证C-r(i,j)＜0，即C-r(i,j)值不计入Dv中，具体个数为C＝r(i,j)；对于点团内部点要保证C-r(i,j)≥0。点团之间距离r(i,j)必定大于点团内距离r(i,j)，将r(i,j)降序排序后，第kp个值
满足要求；
非线性方程优化模型的建立按以下步骤进行实施：
沿某投影方向θ＝(d1,d2,…,dγ)将RES脉内特征评估数据投影到低维子空间上，其中，γ为指标的个数，得到评估数据的一维投影值V(h)：
投影指标函数构造如下：
J(θ)＝Sv*Dv；
式中SV为V(h)的标准差；DV为V(h)的局部密度；
则雷达辐射源信号特征评估问题可描述为一个有条件限制的多元非线性函数的优化问题：
将改进区间层次分析法用于对投影寻踪目标函数的约束，得出以下模型：
其中，
分别为经过一致性检验的专家评估权重区间。
进一步，利用投影谱梯度算法进行最终主客观决策融合具体包括：
步骤一，给定
正定对角矩阵D0(令D0＝I)，非负整数M，正整数NIT＞0，设置k＝0；
步骤二，如果||P(xk-gk)-xk||＝0，迭代终止；
步骤三，如果k＝0,x1＝P(x0-α0g0)，转步骤七；如果Dk为正定对角矩阵，令
否则，令/>
如果/>
或者/>
令
步骤四，令
计算dk＝P(xk-αkgk)-xk，令σ＝1；
步骤五，如果：
令σk＝σ,xk+1＝xk+σkdk转步骤七；
步骤六，令τ∈[σ1,σ2]，令σ＝τσ转步骤五；
步骤七，如果k＜NIT，设置k＝k+1转步骤一。
本发明的另一目的在于提供一种实现所述雷达辐射源信号脉内特征综合评估方法的雷达辐射源信号脉内特征综合评估系统，所述雷达辐射源信号脉内特征评估系统包括：
改进的区间层次分析法模块，用于对评估体系指标层决策层分别进行专家指标权重区间评估，结合专家先验知识及实际作战环境得到主观权重区间；
改进的投影寻踪建模模块，用于对特征评估矩阵进行基于数据内在关系的建模，得到以投影方向为变量的带约束非线性方程；
主客观决策融合模块，将改进的区间层次分析法确定的主观权重区间作为边界约束，结合改进投影寻踪确定的带约束非线性方程，用投影谱梯度算法进行最佳投影方向寻优，得到主客观决策融合的最佳权重。
本发明的另一目的在于提供一种应用所述雷达辐射源信号脉内特征综合评估方法的雷达。
综上所述，本发明的优点及积极效果为：与技术一、技术二、技术三及技术六做对比，本发明采用多指标脉内特征评估方法，评估体系分为三层，多层次多角度对特征的评估更为全面；与技术五、技术七做对比，本发明评估体系更为健全，评估指标更为完善，主要体现在增加了用于评估特征分离性的M距离以及用于评估特征稳定性的SNR影响显著性指标；与技术八、技术九做对比，本发明在指标评估融合方面提出了一种全新的结合主客观因素方式，以专家经验作为“界限”，采用科学的数据降维从数据信息挖掘角度进行最终权重确定，主要体现在采用改进的投影寻踪算法及改进的区间层次分析法确定优化模型，采用投影谱梯度算法进行带边界约束的非线性方程寻优。总之，本发明的评估体系更为完善，对特征评估更为全面客观，改进投影寻踪算法使之更适合雷达辐射源信号脉内特征评估，提出一种全新的主客观决策融合方法，科学地融合主客观决策，使得最终权重设置不但考虑到实际环境，结合专家先验知识，又不完全依赖，具有客观性。
附图说明
图1是本发明实施例提供的雷达辐射源信号脉内特征综合评估方法及系统、雷达
图2是本发明实施例提供的雷达辐射源信号脉内特征评估指标体系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有的雷达辐射源信号评估方法存在评估角度片面，评估体系不够完善，评估方式或过于主观或缺乏主观或主客观融合方法不妥，实用性较差。本发明可以合理有效实现各种基于实际环境下的雷达辐射源信号脉内特征评估，进行科学有效的评估有助于选出更能凸显雷达辐射源信号的特征，以利于后续的雷达辐射源信号分选及识别。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的雷达辐射源信号脉内特征综合评估方法包括以下步骤：
S101：对接收到的雷达辐射源信号进行特征提取，并根据建立的评估体系进行特征评估指标度量及归一化；
S102：结合专家先验知识及实际环境进行改进的区间层次分析，并使用改进的投影寻踪算法建立非线性方程优化模型；
S103：利用投影谱梯度算法进行最终主客观决策融合。
本发明实施例提供雷达辐射源信号脉内特征综合评估方法具体包括以下步骤：
步骤一，对接收到的雷达辐射源信号进行特征提取，并根据建立的评估体系进行特征评估指标度量及归一化：
通过综合分析雷达辐射源的特征，从复杂性、分离性、稳定性和适应性的角度建立更为完善的评估体系，分离性中增添了B距离，使得对特征分离性的评估更为全面。在稳定性中增添了SNR影响显著性，刻画了噪声对特征稳定性的影响水平。雷达辐射源信号脉内特征评估体系如图2所示。
1)复杂度的度量
特征参数复杂性的高低体现在提取该特征参数及完成调制分类所需的计算机资源的多少上，计算机的资源，最重要的是时间资源和空间资源。因此，复杂性可分为时间复杂性和空间复杂性。
为定量分析复杂性指标，对于时间复杂性的分析可以利用算法执行时用到的加、减、乘、除等运算的次数的方法来分析算法时间复杂性。
时间复杂度使用以下方式度量
t＝cana+csns+cmnm+cdnd (1)
式中：ca,cs,cm,cd分别表示加法、减法、乘法、除法运算法则的单次耗时，na,ns,nm,nd分别表示处理过程中加法、减法、乘法、除法运算次数。
对于空间复杂度的度量，考虑到它受特征维数的影响，因此空间复杂度以提取特征的维数作为空间复杂度的衡量标准。显然，维数越大，特征提取的空间复杂度越大。
2)分离性的度量
类内类间距离；
定义Cij为第i类信号的类内聚集度：
式中，q为特征向量维数；
是第i类信号的样本数；/>
是第i类信号q维特征的第k个样本向量；/>
是/>
的期望值。
定义Dij为第i类信号与第j类信号的距离：
式中，
与/>
分别是/>
和/>
的期望值。
类内类间距离用以下方式度量：
式中，Dij是第i类与第j类信号的距离；Cii与Cjj分别为第i类与第j类信号的类内聚集度。
如果用于分选识别的信号共有H类，根据上述定义，评价特征集分离度质量的准则函数为：
显然，fds的值越大，特征集分离度质量越好。
M距离：
均值向量间的Mahalanobis距离为：
dMij＝(μi-μj)TΣ-1(μi-μj) (6)
不难证明出，对于一维的情况，上式可推广为；
式中，
分别表示第i类信号的q维特征及第j类信号的q维特征；/>
表示第i类和第j类信号q维特征的M距离。
B距离
类内距离和类间距离只是反映了不同调制类型的雷达信号特征的空间分布情况，但它们没有与分类的错误率有直接的联系，而类别间Bhattacharyya距离决定了分类误差率的上界。所以，在保证分类精度的情况下，为进一步从多种脉内特征提取算法中得到不同调制类型的雷达信号的最佳特征，结合了类别间Bhattacharyya距离(简称B距离)。
B距离的定义是：
它与错误概率的上界有直接关系。因为:
其中：Pc为错误概率；
为P(x|ω2)＞P(x|ω1)的区域，而/>
为P(x|ω1)＞P(x|ω2)的区域。
因此，B距离用以下方式度量：
式中，
分别表示第i类信号的第k维特征及第j类信号的第k维特征；/>
表示第i类和第j类信号第k维特征的B距离。
若用于分选的雷达信号种类为H，特征总维数为q，则衡量特征提取的B距离的准则函数定义为：
由于B距离与分类器的错误率上界有关
的值越大，错误率上界越小，更有利于分类。即IB越大，不同信号间的概率距离越大，特征提取的分离性越好。
3)稳定性的度量：
分布指标用以下方式度量：
式中，ωi为正态性检验中计算所得的测试统计量；λi为分布假设检验的临界值。
为对第i类信号的第k维特征进行正态性检验得到的分布指标。
特征抗噪性用以下方式度量：
式中，Yi k为第i类信号第k维特征的梯度序列；q为特征总维数；H为雷达辐射源信号类型数。
SNR敏感性用以下方式度量：
式中，Rik表示第i类信号第k维特征在所有SNR条件下的相关系数；
表示第i类信号第k维特征在信噪比SNRp和SNRq信噪比条件下的相关系数；M表示SNR的水平数。
SNR影响显著性用以下方式度量：
式中，SA表示类平均值与总体平均值差的平方，描述组间平方和即因子各水平不同引起的差异；Se表示观察值与组类平均值之差的平方和，描述组内平方和即随机因素引起的差异；M表示信噪比的水平数；N表示一个SNR水平下进行的试验数。
4)适应性的度量：
类型适应性用以下方式度量：
式中，
表示i类信号情况下的平均分选准确率；/>
表示不同信号种类情况下平均分选准确率的均值；H表示雷达辐射源信号类型数。
参数适应性用以下方式度量：
式中，αi表示在P种仿真条件下得到H种信号的总体分选准确率；
表示P种仿真条件的平均分选准确率。
5)指标的归一化：
对于特征参数的评估指标值越大，获得的准确率越高的指标归一化：
式中，yi为第i个评估指标值，
为第i个评估指标最大值，/>
为第i个评估指标最小值。
对于特征参数的评估指标值越小，获得的准确率越高的指标归一化：
式中，yi为第i个评估指标值，
为第i个评估指标最大值，/>
为第i个评估指标最小值。
6)特征评估矩阵
通过上述对根据建立的评估体系对雷达辐射源信号特征进行特征评估指标度量及归一化，得到如下特征评估矩阵：
指标层综合评估矩阵B可表示为：
式中，参与评估的雷达辐射源信号数量为l，指标层内指标个数为β，准则层内准则个数为γ，A为特征评估值矩阵，W1为指标层权重矩阵。
准则层综合评估矩阵E可表示为：
式中，参与评估的雷达辐射源信号数量为l，准则层内准则个数为γ，W2为准则层权重矩阵。
步骤二，结合专家先验知识及实际环境进行改进的区间层次分析，并使用改进的投影寻踪算法建立非线性方程优化模型：
改进的区间层次分析如下：
改进区间层次分析法是在层次分析法的基础上，利用区间数来代替原有分析方法中的具体数值，将专家们的评估结果用一个区间数进行限定，通过权向量的计算和一致性检验，得到的结果也是一组区间数，更符合人们对风险的客观认识。
目标层包含多个准则层，同一准则层中有多个不同影响因素，利用satty提出的1～9标度的互反法，进行因素成对比较，形成判断矩阵。
步骤1构造区间判断矩阵R：
评估指标体系确定后，依据互反性1～9标度，按照实际情况与要求做出两两比值判断，列出区间判断矩阵R。
式中，
和/>
分别为专家设置的影响因素rij的下限和上限。
步骤2区间判断矩阵的一致性检验
将区间判断矩阵R分解成两个矩阵R-＝[rij ]、
以R-＝[rij ]为例：
1、采用下式对矩阵按列归一化处理：
2、矩阵归一化后按行相加，则：
3、对向量ω'＝(ω 1',ω'2,…,ω'n)T归一化，有：
4、计算矩阵R-＝[rij ]的最大特征根
5、检验区间判断矩阵R的一致性：
计算
和/>
的均值λmax，计算一致性比率CR：
当CR＜0.1时，认为满足要求；否则需要对矩阵进行修正，直到满足CR＜0.1为止。
改进的投影寻踪算法如下
投影寻踪(projectionpursuit，PP)算法是直接由样本数据驱动的高维数据分析算法，能揭示数据的线性和非线性结构。投影寻踪算法对分析数据没有正态和线性假设的前提限制，非常适于多维非线性、非正态数据的分析和处理，已在很多领域取得成功应用。研究成果表明雷达辐射源信号脉内特征向量不具有正态分布特性，同时雷达辐射源信号脉内特征具有非线性和多维的特点，因此采用投影寻踪算法来研究雷达辐射源信号脉内特征评估这一新问题非常适合。
传统的投影指标中标准差Sv反映投影点数据分散程度，Sv越大则数据整体分散程度越大。局部窗口密度Dv反映投影点聚集程度，Dv中
主要作用是筛选数据，投影寻踪模型对窗口半径要求：对于点团内投影点，应C＞r(h,g)，此时/>
保留C-r(h,g)，即保留点团内投影点信息；对于点团与点团之间，应有C≤r(h,g)，此时
即舍弃C-r(h,g)，舍弃点团间投影点信息。可见C过大，过多投影点在一个点团内，分类效果不明显；C过小，点团内投影点过少，点团过多。
分析发现，C应大于或等于点团内部所有点与点间距离，另一方面C应小于点团与点团之间所有点与点间距离，实现数据筛选。在数据整体分散而局部聚集下，Sv和Dv同时达到极大。整体分散可以使Sv达到极大；整体分散、局部聚集可保证每一个点团内点尽可能聚集，点团与点团间尽量分散，因为点团与点团间点距离被舍弃，不影响Dv，Dv达到极大。为此，这一部分提出一种基于聚类思想局部密度窗口半径确定方法，改进投影寻踪评价模型。
投影指标中的局部密度窗半径使用以下方法确定：
将s个样本做围绕中心点划分聚类算法聚类：
1.在数据中随机选取k个点作为中心点；
2.计算其余每个点到中心点的距离，由此来判断相似性；
3.把每个点分到离它最近的中心点，即分到与它相似程度最大的中心点，形成k个类；
4.计算每个类中每个点到中心点的总距离；
5.在每个类中找出不是中心点的点作为新的中心点；
6.重复2，3，4直到中心点不再改变。
假定将s分成k类(点团)，每个点团中含有样本数为x1,x2,…,xk，且x1+x2+…xk＝n，r(i,j)表示投影点之间距离，即r(i,j)＝|z(i)-z(j)|。降序排序，记为r(i,j)k,k＝1,2,…n2，r(i,j)(k)为排序后序号为k个r(i,j)值，则：
其中，kp＝∑xixj(1≤i,j≤k)。投影寻踪模型对投影值局部密度要求是保留点团内距离r(i,j)，去除点团之间距离r(i,j)。即对于窗口半径而言，要求点团与点团之间点保证C-r(i,j)＜0，即这些C-r(i,j)值不计入Dv中，具体个数为
而对于点团内部点要保证C-r(i,j)≥0。点团之间距离r(i,j)必定大于点团内距离r(i,j)，将r(i,j)降序排序后，第kp个值/>
即满足要求。
非线性方程优化模型的建立
假定沿某投影方向θ＝(d1,d2,…,dp)将RES脉内特征评估数据投影到低维子空间上，其中，p为指标的个数，可得到评估数据的一维投影值V(h)，如下式所示：
对于投影采用的构形，可用投影指标函数J(θ)来评价该投影揭示原系统某种分类排序结构的可能性大小，并寻找出使J(θ)达到最能反映高维数据结构或特征的投影值，最后根据该投影值来分析高维数据的结构特征。一般地，根据{V(h)}的散点分布图可进行判定:要求同类雷达辐射源信号特征的V(h)值散点分布尽可能集中，不同雷达辐射源信号脉内特征的V(h)值散点分布尽可能分开。因此，投影指标函数构造如下：
J(θ)＝Sv*Dv (30)
式中SV为V(h)的标准差；DV为V(h)的局部密度。
则雷达辐射源信号特征评估问题可描述为一个有条件限制的多元非线性函数的优化问题：
将改进区间层次分析法用于对投影寻踪目标函数的约束，可以得出以下模型：
其中，
θ分别为经过一致性检验的专家评估权重区间。
步骤三，利用投影谱梯度算法进行最终主客观决策融合；
对于上述多元非线性边界约束优化问题采用如下的投影梯度(NPG)算法，其具体步骤如下：
步骤1：给定
正定对角矩阵D0(令D0＝I)，非负整数M，正整数NIT＞0，设置k＝0；
步骤2：如果||P(xk-gk)-xk||＝0，迭代终止；
步骤3：
a)如果k＝0,x1＝P(x0-α0g0)，转步骤7；
b)如果Dk为正定对角矩阵，令
否则，令/>
c)如果
或者/>
令/>
步骤4：令
计算dk＝P(xk-αkgk)-xk，令σ＝1；
步骤5：(非单调线搜索)
如果：
令σk＝σ,xk+1＝xk+σkdk转步骤7；
步骤6：令τ∈[σ1,σ2]，令σ＝τσ转步骤5；
步骤7：如果k＜NIT，设置k＝k+1转步骤1。
本发明的雷达辐射源信号脉内特征评估系统包括：
特征评估体系的度量模块，用于对提取到的雷达辐射源信号特征进行评估指标的度量及归一化，得到特征评估矩阵；
改进的区间层次分析法模块，用于对评估体系指标层决策层分别进行专家指标权重区间评估，结合专家先验知识及实际作战环境得到主观权重区间；
改进的投影寻踪建模模块，用于对特征评估矩阵进行基于数据内在关系的建模，得到以投影方向为变量的带约束非线性方程；
主客观决策融合模块，将改进的区间层次分析法确定的主观权重区间作为边界约束，结合改进投影寻踪确定的带约束非线性方程，用投影谱梯度算法进行最佳投影方向寻优，得到主客观决策融合的最佳权重。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种雷达辐射源信号脉内特征综合评估方法，其特征在于，所述雷达辐射源信号脉内特征综合评估方法包括：首先对接收到的雷达辐射源信号进行特征提取，并根据建立的评估体系进行特征评估指标度量及归一化，进而得到特征评估矩阵；然后结合专家先验知识及实际环境进行改进的区间层次分析，并使用改进的投影寻踪算法建立非线性方程优化模型；最后利用投影谱梯度算法进行最终主客观决策融合；
对接收到的雷达辐射源信号进行特征提取，并根据建立的评估体系进行特征评估指标度量及归一化，得到特征评估矩阵具体包括：
1)复杂度的度量
时间复杂度：
t＝cana+csns+cmnm+cdnd；
式中：ca,cs,cm,cd分别表示加法、减法、乘法、除法运算法则的单次耗时，na,ns,nm,nd分别表示处理过程中加法、减法、乘法、除法运算次数；
空间复杂度以提取特征的维数作为空间复杂度的衡量标准；
2)分离性的度量
类内类间距离：
式中，Dij是第i类与第j类信号的距离；Cii与Cjj分别为第i类与第j类信号的类内聚集度；
M距离用以下方式度量：
式中，
分别表示第i类信号的k维特征及第j类信号的k维特征；
表示第i类和第j类信号k维特征的M距离；
B距离用以下方式度量：
式中，
分别表示第i类信号的k维特征及第j类信号的k维特征；
表示第i类和第j类信号k维特征的B距离；
3)稳定性的度量
分布指标：
式中，ωi为正态性检验中计算所得的测试统计量；λi为分布假设检验的临界值；
为对第i类信号的第k维特征进行正态性检验得到的分布指标；
特征抗噪性用以下方式度量：
式中，
为第i类信号第k维特征的梯度序列；Q为特征总维数；H为雷达辐射源信号类型数；
SNR敏感性用以下方式度量：
式中，Rik表示第i类信号第k维特征在所有SNR条件下的相关系数；
表示第i类信号第k维特征在信噪比SNRp和SNRq信噪比条件下的相关系数；M表示SNR的水平数；
SNR影响显著性用以下方式度量：
式中，SA表示类平均值与总体平均值差的平方，描述组间平方和即因子各水平不同引起的差异；Se表示观察值与组类平均值之差的平方和，描述组内平方和即随机因素引起的差异；M表示信噪比的水平数；N表示一个SNR水平下进行的试验数；
4)适应性的度量
类型适应性用以下方式度量：
式中，
表示i类信号情况下的平均分选准确率；
表示不同信号种类情况下平均分选准确率的均值；H表示雷达辐射源信号类型数；
参数适应性用以下方式度量：
式中，αi表示在P种仿真条件下得到H种信号的总体分选准确率；
表示P种仿真条件的平均分选准确率；
5)指标的归一化
对于特征参数的评估指标值越大，获得的准确率越高的指标归一化：
式中，yi为第i个评估指标值，
为第i个评估指标最大值，
为第i个评估指标最小值；
对于特征参数的评估指标值越小，获得的准确率越高的指标归一化：
式中，yi为第i个评估指标值，
为第i个评估指标最大值，
为第i个评估指标最小值；
6)特征评估矩阵
通过上述对根据建立的评估体系对雷达辐射源信号特征进行特征评估指标度量及归一化，得到如下特征评估矩阵：
指标层综合评估矩阵B表示为：
式中，参与评估的雷达辐射源信号数量为l，指标层内指标个数为β，准则层内准则个数为γ，A为特征评估值矩阵，W1为指标层权重矩阵；
准则层综合评估矩阵E表示为：
式中，参与评估的雷达辐射源信号数量为l，准则层内准则个数为γ，W2为准则层权重矩阵。
2.如权利要求1所述的雷达辐射源信号脉内特征综合评估方法，其特征在于，改进的区间层次分析的实施步骤如下：
步骤一，构造区间判断矩阵R；
评估指标体系确定后，依据互反性1～9标度，按照实际情况与要求做出两两比值判断，列出区间判断矩阵R：
式中，
和
分别为专家设置的影响因素rij的下限和上限；
步骤二，区间判断矩阵的一致性检验，将区间判断矩阵R分解成两个矩阵R-＝[r ij]、
1)采用下式对矩阵按列归一化处理：
2)矩阵归一化后按行相加：
3)对向量ω'＝(ω’1,ω'2,…,ω'n)T归一化：
4)计算矩阵R-＝[r ij]的最大特征根
5)检验区间判断矩阵R的一致性，计算
和
的均值λmax，计算一致性比率CR：
当CR＜0.1时，认为满足要求；否则需要对矩阵进行修正，直到满足CR＜0.1为止；
改进的投影寻踪算法的实施步骤如下：
投影指标中的局部密度窗半径使用以下方法确定：将s个样本做围绕中心点划分聚类算法聚类：
1)在数据中随机选取k个点作为中心点；
2)计算其余每个点到中心点的距离，由此来判断相似性；
3)把每个点分到离它最近的中心点，即分到与它相似程度最大的中心点，形成k个类；
4)计算每个类中每个点到中心点的总距离；
5)在每个类中找出不是中心点的点作为新的中心点；
6)重复2)，3)，4)直到中心点不再改变；
将s分成k类，每个点团中含有样本数为x1,x2,…,xk，且x1+x2+…xk＝n，r(i,j)表示投影点之间距离，r(i,j)＝|z(i)-z(j)|，降序排序记为r(i,j)k,k＝1,2,…n2，r(i,j)(k)为排序后序号为k个r(i,j)值：
其中，kp＝∑xixj(1≤i,j≤k)；投影寻踪模型对投影值局部密度要求是保留点团内距离r(i,j)，去除点团之间距离r(i,j)，对于窗口半径而言，要求点团与点团之间点保证C-r(i,j)＜0，即C-r(i,j)值不计入Dv中，具体个数为C＝r(i,j)；对于点团内部点要保证C-r(i,j)≥0；点团之间距离r(i,j)必定大于点团内距离r(i,j)，将r(i,j)降序排序后，第kp个值
满足要求；
非线性方程优化模型的建立按以下步骤进行实施：
沿某投影方向θ＝(d1,d2,…,dγ)将RES脉内特征评估数据投影到低维子空间上，其中，γ为指标的个数，得到评估数据的一维投影值V(h)：
投影指标函数构造如下：
J(θ)＝Sv*Dv；
式中SV为V(h)的标准差；DV为V(h)的局部密度；
则雷达辐射源信号特征评估问题可描述为一个有条件限制的多元非线性函数的优化问题：
将改进区间层次分析法用于对投影寻踪目标函数的约束，得出以下模型：
其中，
θ分别为经过一致性检验的专家评估权重区间。
3.如权利要求1所述的雷达辐射源信号脉内特征综合评估方法，其特征在于，利用投影谱梯度算法进行最终主客观决策融合具体包括：
步骤一，给定
α0＝1/||g0||∞，γ∈(0,1)，δ＞0，0＜σ1＜σ2＜1，0＜ε＜1，正定对角矩阵D0，令D0＝I，非负整数M，正整数NIT＞0，设置k＝0；
步骤二，如果||P(xk-gk)-xk||＝0，迭代终止；
步骤三，如果k＝0,x1＝P(x0-α0g0)，转步骤七；如果Dk为正定对角矩阵，令
否则，令
如果
或者
令
步骤四，令
计算dk＝P(xk-αkgk)-xk，令σ＝1；
步骤五，如果：
令σk＝σ,xk+1＝xk+σkdk转步骤七；
步骤六，令τ∈[σ1,σ2]，令σ＝τσ转步骤五；
步骤七，如果k＜NIT，设置k＝k+1转步骤一。
4.一种实现权利要求1所述雷达辐射源信号脉内特征综合评估方法的雷达辐射源信号脉内特征综合评估系统，其特征在于，所述雷达辐射源信号脉内特征评估系统包括：
改进的区间层次分析法模块，用于对评估体系指标层决策层分别进行专家指标权重区间评估，结合专家先验知识及实际作战环境得到主观权重区间；
改进的投影寻踪建模模块，用于对特征评估矩阵进行基于数据内在关系的建模，得到以投影方向为变量的带约束非线性方程；
主客观决策融合模块，将改进的区间层次分析法确定的主观权重区间作为边界约束，结合改进投影寻踪确定的带约束非线性方程，用投影谱梯度算法进行最佳投影方向寻优，得到主客观决策融合的最佳权重。
5.一种应用权利要求1～3任意一项所述雷达辐射源信号脉内特征综合评估方法的雷达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811569984.XA CN109766926B (zh) | 2018-12-21 | 2018-12-21 | 一种雷达辐射源信号脉内特征综合评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811569984.XA CN109766926B (zh) | 2018-12-21 | 2018-12-21 | 一种雷达辐射源信号脉内特征综合评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109766926A CN109766926A (zh) | 2019-05-17 |
| CN109766926B true CN109766926B (zh) | 2023-03-24 |
Family
ID=66451978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811569984.XA Active CN109766926B (zh) | 2018-12-21 | 2018-12-21 | 一种雷达辐射源信号脉内特征综合评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109766926B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490422B (zh) * | 2019-07-22 | 2022-11-22 | 中北大学 | 一种基于博弈云模型的目标作战效能态势评估方法 |
| CN110825583B (zh) * | 2019-10-29 | 2023-07-28 | 湘潭大学 | 一种针对云数据中心多指标融合的能效定性评估技术 |
| CN113917401A (zh) * | 2021-09-30 | 2022-01-11 | 中国船舶重工集团公司第七二四研究所 | 一种基于重构的多功能微波超视距雷达系统资源配置方法 |
| CN115169421A (zh) * | 2022-09-06 | 2022-10-11 | 中国人民解放军海军工程大学 | 新体制雷达辐射源目标的行为意图认知系统 |
| CN115659162B (zh) * | 2022-09-15 | 2023-10-03 | 云南财经大学 | 雷达辐射源信号脉内特征提取方法、系统及设备 |
| CN117574072A (zh) * | 2024-01-17 | 2024-02-20 | 北京全路通信信号研究设计院集团有限公司 | 轨道交通系统状态确定方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102466795A (zh) * | 2010-11-09 | 2012-05-23 | 何明浩 | 基于多指标的雷达信号脉内特征参数评估方法 |
| CN107590436A (zh) * | 2017-08-10 | 2018-01-16 | 云南财经大学 | 基于膜粒子群多目标算法的雷达辐射源信号特征选择方法 |
-
2018
- 2018-12-21 CN CN201811569984.XA patent/CN109766926B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102466795A (zh) * | 2010-11-09 | 2012-05-23 | 何明浩 | 基于多指标的雷达信号脉内特征参数评估方法 |
| CN107590436A (zh) * | 2017-08-10 | 2018-01-16 | 云南财经大学 | 基于膜粒子群多目标算法的雷达辐射源信号特征选择方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于CSS体系的雷达辐射源信号特征参数评估;陈昌孝等;《现代防御技术》;20151015(第05期);全文 * |
| 基于改进TOPSIS的雷达信号特征提取评估;韦旭等;《舰船电子对抗》;20180425(第02期);全文 * |
| 雷达辐射源信号特征提取评估指标体系的构建;韦旭等;《空军预警学院学报》;20180215(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109766926A (zh) | 2019-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766926B (zh) | 一种雷达辐射源信号脉内特征综合评估方法及系统 | |
| CN111814871B (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
| Li et al. | Adaptively constrained dynamic time warping for time series classification and clustering | |
| CN112784881B (zh) | 网络异常流量检测方法、模型及系统 | |
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| Bulakh et al. | Time series classification based on fractal properties | |
| CN112687349A (zh) | 一种降低辛烷值损失模型的构建方法 | |
| CN109783879B (zh) | 一种雷达辐射源信号识别效能评估方法及系统 | |
| CN111785329A (zh) | 基于对抗自动编码器的单细胞rna测序聚类方法 | |
| CN111222847A (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
| CN113240201B (zh) | 一种基于gmm-dnn混合模型预测船舶主机功率方法 | |
| Zhang et al. | Anomaly detection of periodic multivariate time series under high acquisition frequency scene in IoT | |
| CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
| CN116882584A (zh) | 一种航班延误预测方法及系统 | |
| CN111104950A (zh) | 基于神经网络的k-NN算法中k值预测方法及装置 | |
| Ocviani et al. | Classification of Student Graduation Using Backpropagation Neural Network with Features Selection and Dimensions Reduction | |
| CN115308705A (zh) | 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法 | |
| CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
| CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
| CN113538029A (zh) | 用户行为数据预测方法、装置、设备及介质 | |
| Bisandu et al. | A hybrid Ensemble Machine Learning approach for arrival flight delay classification prediction using voting aggregation technique | |
| Liu et al. | System Identification with Fourier Transformation for Long-term Time Series Forecasting | |
| Li et al. | Dynamic and Static Enhanced BIRCH for Functional Data Clustering | |
| Geng et al. | Study on index model of tropical cyclone intensity change based on projection pursuit and evolution strategy | |
| Munasinghe et al. | Machine Learning based criminal short listing using Modus Operandi features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |