CN109783879A - 一种雷达辐射源信号识别效能评估方法及系统 - Google Patents

Abstract

本发明属于电子对抗中雷达辐射源信号的识别评估技术领域，公开了一种雷达辐射源信号识别效能评估方法及系统；首先针对评估准则下具有关联性特点的属性采用直觉模糊网络分析法进行分析，得到相应的属性权重；然后基于区间犹豫模糊思想，并对识别率测试结果进行更合理的选取，确定区间犹豫模糊初始决策矩阵中的元素，为后续的决策过程提供更精确的原始数据；最后在区间犹豫模糊思想的基础上，使用消去与选择转换法并结合逼近理想排序法，实现对雷达辐射源信号识别效能的评估。本发明可以合理有效地解决属性相互独立的情况，并且可以避免决策方法中因掺杂人为因素以及无法充分评估所有识别方案而造成的低效评估。

Description

一种雷达辐射源信号识别效能评估方法及系统

技术领域

本发明属于电子对抗中雷达辐射源信号的识别评估技术领域，尤其涉及一种雷达辐射源信号识别效能评估方法及系统。

背景技术

目前，业内常用的现有技术是这样的：雷达辐射源信号分选识别的两大关键要素就是特征参数和分类器，因此，这两大技术构成的识别效能的评估称为雷达辐射源信号识别效能评估中关键的一环。目前，在电子战领域并没有完整的雷达辐射源信号识别效能评估理论体系，这一现象的原因主要有：应用于雷达辐射源信号识别的特征参数、分类器种类繁多，性能各异；雷达辐射源信号识别系统应用环境不同，受到的干扰、噪声也有很大的差异，很难在同一环境下对识别效能进行评估。

传统比较雷达辐射源信号识别效果的好坏，一般是求识别率，即在识别测试中，正确地识别脉冲数除以总的脉冲数就是该条件下对该信号的识别率，也可以理解为该方法在这一条件下对目标信号的识别能力。从一般意义来讲，求解的识别率都是有限次的实验结果，只能无限接近真值而不能达到真值。如果进行不同的实验，则可以发现识别率是波动的变量，变动的范围、方式以及发生较大变化的次数都反映识别方法的性能。传统的求解识别率来验证识别方法能力的做法存在一些弊端，主要体现在：对于求解不同的识别方法以及在不同的外界条件下，所需的测试数量如何确定，传统的求解识别率的方法是无法解决的；传统的求解识别率的结果是一次对识别方法的测试结果，怎样确定它的置信度和置信区间，传统求解方法是无法给出的；针对在信噪比等外界因素干扰引起的识别率变化的情况下，传统方法无法科学的评价识别方法的稳定性问题。

目前，业内常用的现有技术是这样的：针对雷达辐射源信号识别效能评估的上述传统方法的一系列弊端，其他学者引入了识别率测试结果，在识别率测试结果的基础上，将效能评估问题转变为多属性决策问题，提出一系列多属性决策方法来解决识别效能评估的问题。现有技术一通过基于模糊综合评判的雷达辐射源信号识别效能评估方法对识别结果做出准确评估，但该方法使用层次分析法求解权值，忽略了属性之间可能存在的关联性，且利用该方法得到的评估结果是定性的，输出的是最大隶属度对应的评语，无法定量的表达评估结果的大小；针对现有技术一存在的主要弊端，现有技术二通过基于层次分析法改进的区间逼近理想排序法的雷达辐射源信号识别效能评估方法对识别结果做出定量评估，但该方法在决策过程中采用区间逼近理想排序法，而该方法在其排序过程中需要确定正、负理想点，现有资料所提到的正、负理想点都是凭借经验取得，对识别效能判断结果造成较大误差，且逼近理想排序法不具有非补偿性。现有技术三规避了上述技术存在的问题后，提出采用基于相对熵赋权的优选排序方法进行识别效能评估，但该技术采用熵权法求解属性权重，忽略了属性之间存在的关联性，且其求解属性权重的数据是根据实验平台仿真求得的初始化决策矩阵中的数据所得，这意味着当实验数据发生变化，则属性权重也会发生变化，因此由熵权法确定的属性权重不具有稳定性；而且使用消去与选择转换法进行决策评估时，只能得到最佳识别方案，无法得到所有识别方案完整的评估顺序。

综上所述，现有技术存在的问题是：现有技术无法解决具有关联性特点的各个属性的属性权重；单独采用逼近理想排序法或是单独采用消去与选择转换法决策法，都无法准确地对所有识别方案进行合理有效评估。因此，寻求一种既可以求出有关联性特点的属性的属性权重，又可以准确高效的对所有识别方案构建一种级别高于关系从而进行合理有效评估成为了目前亟待解决的主要技术问题。

解决上述技术问题的难度和意义：目前在电子对抗中雷达辐射源信号的识别评估技术领域里没有完备的技术方案求解具有关联性这一特点的属性的属性权重，且目前这方面的多数研究学者并没有考虑这一特点对识别结果的影响，因此所能提供的参考资料十分有限，但是考虑属性之间的关联性更加符合现实实际意义，可以使得识别结果更具有说服力。另外目前在这一领域现有的研究成果所采用的评估方法并没有充分考虑方法自身的缺陷，针对特殊状况没有实际的应对性策略，如何发现这些缺陷并优化这些缺陷是主要的技术难点。因此，寻求一种既可以利用原有方法的优势又可以避免其自身的应用缺陷的方法是很有技术参考价值的。

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识别效能评估方法及系统。

本发明是这样实现的，一种雷达辐射源信号识别效能评估方法，所述雷达辐射源信号识别效能评估方法包括：首先根据直觉模糊网络分析法对评估准则下具有关联性特点的属性进行分析，得到各属性的属性权重；然后在基于区间犹豫模糊的思想上，并对识别率测试结果进行更合理的选取，确定决策矩阵中的区间犹豫模糊元；最后通过消去与选择转换法并结合逼近理想排序法实现雷达辐射源信号识别效能的有效评估。

进一步，根据直觉模糊网络分析法对评估准则下具有关联性特点的属性进行分析，得到各属性的属性权重具体过程包括：

1)确定雷达辐射源信号识别效能评估问题的目标、属性集C＝{C₁,C₂,...,C_n}(j＝1,2,...,n)、子属性集为c_j＝{c_j1,c_j2,...,c_jh}(j＝1,2,...,n)，h代表子属性的个数，识别方案集A＝{A₁,A₂,...,A_m}(i＝1,2,...,m)，并构建问题的网络层次结构；

2)通过对属性的两两比较，构造直觉模糊偏好关系，属性和属性之间的相对重要性用直觉模糊数表示，各属性对属性C_i的影响程度利用1-9标度构成偏好关系Aⁱ，记为n表示属性个数，其中表示属性C_l对C_i的影响程度是属性C_j对C_i影响程度的倍；

3)检查每一个直觉模糊偏好关系的一致性，若所有直觉模糊偏好关系都具有可接受的一致性，则计算每一个直觉模糊偏好关系的优先权向量ω_i＝(w_i1,w_i2,...,w_in)^T，其中为直觉模糊值；否则，需要重新修正非一致性直觉模糊偏好关系，或者对模糊偏好关系进行重新评估，直到其具备可接受的一致性；

4)确定加权矩阵A，根据步骤3)中每一个直觉模糊偏好关系Aⁱ计算出的优先权向量ω_i＝(w_i1,w_i2,...,w_in)^T，构造加权矩阵A＝(ω₁,ω₂,...,ω_n)，记

5)确定超矩阵W，每一个分块矩阵代表了一个属性组内部子属性对另一个属性组内部子属性的影响；

6)确定加权超矩阵结合层次分析法求解优先权重的思想，存在相互关联关系的网络分析法中的属性之间的实际影响程度表示为：

其中

7)计算得分矩阵对得分函数S(α)进行规范化，得到得分矩阵

8)求出极限矩阵W^∞，对得分矩阵的k次方求极限，得到极限矩阵

9)确定属性权重，在极限矩阵W^∞中，各列元素均相同且均为归一化特征向量，作为属性的属性权重。

进一步，在基于区间犹豫模糊的思想上，并对识别率测试结果进行更合理的选取，确定决策矩阵中的区间犹豫模糊元具体过程包括：首先将M次测试结果逐个与M次测试结果的均值做差，选取测试结果中最小的值作为一个区间的左端点，然后判断其他结果与均值的差值，如果差值在很大范围内发生突变，则将该次测试结果作为该区间的右端点；进行下一个区间的判断，区间犹豫模糊元中最后一个区间数的右端点取测试结果中的最大值，最终用不同的区间数构成区间犹豫模糊元来表达识别率测试的具体结果。

进一步，在基于区间犹豫模糊的思想上，通过消去与选择转换法并结合逼近理想排序法实现雷达辐射源信号识别效能的有效评估具体过程包括：

1)确定区间犹豫模糊初始决策矩阵：

构建指标评价矩阵，方案集为A＝{A₁,A₂,...,A_m}(i＝1,2,...,m)，属性集为C＝{C₁,C₂,…,C_n}(j＝1,2,…,n)；若已知确定的属性权重为w＝(w₁,w₂,…,w_n)^T，代表属性的重要程度，且w_j∈[0,1]；根据实验平台进行仿真得到方案A_i在属性C_j下的评价信息，若由各个评价信息构成区间犹豫模糊元其中为区间犹豫模糊元的下界，为区间犹豫模糊元的上界，则由区间犹豫模糊元构成区间犹豫模糊矩阵为

2)确定属性优势集和属性劣势集

对于方案A_k和A_l(k,l＝1,2,…,m,k≠l)，决策属性集被划分为两个不同的子集，即属性优势集和属性劣势集；属性优势集定义为：A_k方案的各目标属性优于A_l方案对应的目标属性的属性标号集；属性优势集用下列式来表示：

属性劣势集为优势集的补集，意义正好和优势集相反，即A_l方案的各目标属性优于方案A_k对应的目标属性的属性标号集合；属性劣势集表示为：

3)确定属性优势指数和属性劣势指数

在确定的级别优先关系的基础，由属性优势可计算出优势指数e_kl，优势指数的定义为：

对于属性劣势集，利用下式来计算A_k劣于A_l的程度：

其中：

N＝max{N₁,N₂}，N₁和N₂分别为区间犹豫模糊元和的长度，σ(i)表示区间犹豫模糊元中第i个区间犹豫模糊数；

4)确定优势矩阵和劣势矩阵

当计算出所有方案对的优势指数e_kl(k≠l；j＝1,2,…,n)时，构成优势矩阵E＝(e_kl)_m×n：

当计算出所有的劣势指标f_kl(k≠l)后，得劣势矩阵F＝(f_kl)_m×n。；

5)确定综合优势判定矩阵

给定一个优势指数阀值认为当e_kl大于或等于时，则有A_k优于A_l的可能：

根据阈值构造一个0-1布尔矩阵U＝(μ_kl)_m×n，其中元素为：

当矩阵U的元素为1时，意味着具有优势机会或可能；

类似于矩阵U的建立，设置劣势指标阀值其确定方法取平均劣势指数：

根据阈值构造一个0-1布尔矩阵V＝(ν_kl)_m×n，其中的元素为：

U和V中的对应元素相乘的结果，构成综合优势判定矩阵Z^j＝(z_kl)^j _m×n中的元素z_kl：

z_kl＝μ_kl·ν_kl；

根据综合优势判定矩阵Z，如果z_kl＝1，则A_k整体优于A_l；

6)确定优势比较判断矩阵和劣势比较判断矩阵

定义优势比较判断矩阵为X＝(x_kl)_m×n，元素为：

x_kl＝e^*-e_kl；

其中e^*表示优势矩阵E＝(e_kl)_m×n中最大元素值，记为正理想点；

同样定义劣势比较判定矩阵为Y＝(y_kl)_m×n，其元素为：

y_kl＝f*-fkl；

其中f^*表示劣势矩阵F＝(f_kl)_m×n中最大元素值，记为负理想点；

7)计算相对贴进度

计算各方案到正、负理想点的相对贴近度r_kl，得到综合优先矩阵R＝(r_kl)_m×n，其元素为：

r_kl表示方案A_k相对于A_l到正负理想点的相对贴近度，r_kl值越高，表明A_k相对于A_l来说，越接近于正理想点，越远离于负理想点；

8)计算分类器识别效能的综合评价值

定义为综合评价值：

根据值的大小，对各方案进行整体排序，选出最优方案；

本发明的另一目的在于提供一种实现所述的雷达辐射源信号识别效能评估方法的雷达辐射源信号识别效能评估系统，所述雷达辐射源信号识别效能评估系统包括：

关联属性权重确定模块，用于对衡量识别效能准则下的各个属性之间的关联性进行分析，得到各个相互关联属性的相应属性权重；

决策矩阵元素确定模块，用于对测试率结果进行值的合理选取，得到区间犹豫模糊初始决策矩阵数据区间犹豫模糊元；

识别效能评估模块，用于对不同分类器识别特征参数的效能进行评估，得到识别方案合理的排序结果。

本发明的另一目的在于提供一种使用所述雷达辐射源信号识别效能评估方法的雷达。

综上所述，本发明的优点及积极效果为：对比采用熵值法或层次分析法确定属性权重，本发明可以更有效地确定属性之间具有关联性特点的属性权重；对比采用区间逼近理想排序法对识别方案进行评估，本发明可以基于区间犹豫模糊思想，对识别测试率结果进行更合理的选取，为后续决策算法提供更精确的初始数据，也可以降低因某一次实验数据错误为决策过程带来的较大误差；对比消去与选择转换法或区间逼近理想排序法等其他评估方法，本发明使用消去与选择转换法并结合逼近理想排序法，既可以避免单独使用逼近理想排序法为确定正、负理想点而引入的较大误差，又可以避免单独使用消去与选择转换法而无法对所有识别方法进行充分评估，从而导致对雷达辐射源信号识别效能的低效评估。

附图说明

图1是本发明实施例提供的雷达辐射源信号识别效能评估方法流程图。

图2是本发明实施例提供的直觉模糊网络分析法确定属性权重流程图。

图3是本发明实施例提供的基于区间犹豫模糊思想的消去与选择转换法并结合逼近理想排序法的识别效能评估算法流程图。

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。

针对现有技术无法解决具有关联性特点的各个属性的属性权重；单独采用逼近理想排序法或是单独采用消去与选择转换法决策法，都无法准确地对所有识别方案进行合理有效评估的问题。本发明有效地确定具有关联性特点的属性对应的属性权重；降低因某一次实验数据错误为决策过程带来的较大误差；避免决策方法中因掺杂人为因素以及无法充分评估所有识别方案而造成的低效评估。

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识别效能评估方法包括以下步骤：

S101：针对评估准则下具有关联性特点的属性采用直觉模糊网络分析法进行分析，得到其相应的属性权重；

S102：基于区间犹豫模糊思想，并对识别率测试结果进行更合理的选取，确定区间犹豫模糊初始决策矩阵中的元素，为后续的决策过程提供更精确的原始数据；

S103：在区间犹豫模糊思想的基础上，使用消去与选择转换法并结合逼近理想排序法，实现对雷达辐射源信号识别的效能评估。

下面结合附图对本发明的应用原理作进一步的描述。

步骤一，如图2所示，本发明应用直觉模糊网络分析法确定属性权重方法包括以下步骤：

1)确定雷达辐射源信号识别效能评估问题的目标、属性集为C＝{C₁,C₂,…,C_n}(j＝1,2,…,n)、子属性集为c_j＝{c_j1,c_j2,…,c_jh}(j＝1,2,...,n)，h代表子属性的个数，识别方案集为A＝{A₁,A₂,...,A_m}(i＝1,2,...,m)，并构建该问题的网络层次结构。

2)通过对属性的两两比较，构造直觉模糊偏好关系。属性和属性之间的相对重要性用直觉模糊数表示，如各属性对属性C_i的影响程度利用1-9标度构成其偏好关系Aⁱ，记为其中表示属性C_l对C_i的影响程度是属性C_j对C_i影响程度的倍。

3)检查每一个直觉模糊偏好关系的一致性。若所有直觉模糊偏好关系都具有可接受的一致性，则计算每一个直觉模糊偏好关系的优先权向量ω_i＝(w_i1,w_i2,...,w_in)^T，其中为直觉模糊值。如果属性组C_j对C_i没有影响，则w_ij＝0。否则，需要重新修正非一致性直觉模糊偏好关系，或者对模糊偏好关系进行重新评估，直到其具备可接受的一致性。

4)确定加权矩阵A。根据步骤3)中中每一个直觉模糊偏好关系计算出的优先权向量，构造加权矩阵A＝(ω₁,ω₂,...,ω_n)，记

5)确定超矩阵W。超矩阵是一个分块矩阵，它反映了各属性组中的各子属性之间的相互影响关系，每一个分块矩阵代表了一个属性组内部子属性对另一个属性组内部子属性的影响，即：

矩阵W_ij的第h个列向量是一个局部优先权重向量，表示属性组C_i所有内部子属性对属性组C_j的内部子属性e_jh的影响程度。

6)确定加权超矩阵加权矩阵A反映了各属性之间的相互影响程度，超矩阵W_ij反映了属性内部各子属性之间的相互影响程度。所以，结合层次分析法求解优先权重的思想，存在相互关联关系的网络分析法中的属性之间的实际影响程度可表示为：

其中若已知和ω_k＝(μ_ωk,υ_ωk)，则

7)计算得分矩阵对得分函数S(α)进行规范化，得到得分矩阵

对直觉模糊数α＝(μ_α,υ_α)，其得分函数定义为：

S(α)＝μ_α-υ_α

其中S(α)∈[-1.1]，为使S(α)规范化，(即S(α)[0,1])，将S(α)修改为：

此时，S^*(α)∈[0,1].对得分函数S(α)进行规范化之后，由规范化后的元素构成得分矩阵

8)求出极限矩阵W^∞。需要对得分矩阵的k次方求极限，得到极限矩阵，即

9)确定属性权重。在极限矩阵W^∞中，各列元素均相同且均为归一化特征向量，因此，可把此特征向量作为属性的属性权重。

步骤二，确定好属性权重后，通过基于区间犹豫模糊的思想确定区间犹豫模糊初始决策矩阵中的数据，其区间犹豫模糊元的确定方法是首先将M次测试结果逐个与M次测试结果的均值做差，选取测试结果中最小的值作为一个区间的左端点，然后判断其他结果与均值的差值，如果差值在很大范围内发生突变，则将该次测试结果作为该区间的右端点，以此类推进行下一个区间的判断，区间犹豫模糊元中最后一个区间数的右端点取测试结果中的最大值。最终用不同的区间数构成区间犹豫模糊元来表达识别率测试的具体结果。若区间数为{[M₁,M₂],[M₃,M₄]}，其可通过下式得出：

其中M_i(i＝1,2,...,M)表示第i次测试结果，为M次测试结果的平均值，ε为一个很小的值，可以由决策者根据实际情况确定，或者取所有差值的平均值。

步骤三，如图3所示，本发明应用基于区间犹豫模糊的消去与选择转换法并结合逼近理想排序法对雷达辐射源信号识别效能进行评估，具体评估过程包括以下步骤：

1)确定区间犹豫模糊初始决策矩阵

构建指标评价矩阵，方案集为A＝{A₁,A₂,...,A_m}(i＝1,2,...,m)，属性集为C＝{C₁,C₂,...,C_n}(j＝1,2,…,n)，若已知确定的属性权重为w＝(w₁,w₂,...,w_n)^T，代表属性的重要程度，且w_j∈[0,1]。根据实验平台进行仿真得到方案A_i在属性C_j下的评价信息，由这些评价信息构成区间犹豫模糊元其中为区间犹豫模糊元的下界，为区间犹豫模糊元的上界。由区间犹豫模糊元构成区间犹豫模糊矩阵如下所示：

2)确定属性优势集和属性劣势集

首先计算A_k和A_l(k,l＝1,2,...,m,k≠l)在各个属性C_j(j＝1,2,...,n)上的评价值和的得分数和用如下步骤来比较得分数和的大小：

①计算的可能度

其中

②得到可能度矩阵P^j。

其中

③对矩阵P^j的每一行进行求和，得到

根据值的大小，我们可以对和进行比较，得到和的优劣程度。从而实现各属性下区间犹豫模糊元到精确值的映射，最终基于精确数据进行评价值大小的比较。对于方案A_k和A_l(k,l＝1,2,...,m,k≠l)，决策属性集被划分为两个不同的子集，即属性优势集和属性劣势集。属性优势集定义为：A_k方案的各目标属性优于A_l方案对应的目标属性的属性标号集。属性优势集可用下列式来表示：

属性劣势集为优势集的补集，意义正好和优势集相反，即A_l方案的各目标属性优于方案A_k对应的目标属性的属性标号集合。属性劣势集可表示为：

3)确定属性优势指数和属性劣势指数

在上述确定的级别优先关系的基础上，由属性优势可计算出优势指数e_kl。优势指数的定义为所有优势集中的标号对应的目标属性权重之和，即：

优势指数反映了A_k相对于A_l的重要性程度的大小，e_kl越大意味着对所有的优势指标而言，A_k对A_l越具有优势，且0≤e_kl≤1。

对于属性劣势集，我们利用下式来计算A_k劣于A_l的程度：

其中

N＝max{N₁,N₂}，N₁和N₂分别为区间犹豫模糊元和的长度，σ(i)表示区间犹豫模糊元中第i个区间犹豫模糊数。在计算两个区间犹豫模糊元之间的距离时，当两个区间犹豫模糊元中的元素个数不一致时，按照乐观准则，取较少的区间犹豫模糊元中的最大数对其进行补充，使得两个区间犹豫模糊元中的元素个数相同。

f_kl表示A_k比A_l的劣势程度，其分子为属性劣势集中的标号所对应的两个方案之间的距离中的最大值，分母为所有目标属性的两个方案之间的距离中的最大值。同样0≤f_kl≤1值越小，则意味着对所有的劣势指标而言，A_k越优于A_l。

4)确定优势矩阵和劣势矩阵

当计算出所有方案对的优势指数e_kl(k≠l；j＝1,2,...,n)时，就构成了如下的优势矩阵E＝(e_kl)_m×n。

当计算出所有的劣势指标f_kl(k≠l)后，可得如下的劣势矩阵F＝(f_kl)_m×n。

5)确定综合优势判定矩阵

给定一个优势指数阀值则可认为当e_kl大于或等于时，则有A_k优于A_l的可能，即时，A_k方案有优于A_l方案的可能。

阀值可以人为给定，也可用平均优势指数表示，即：

根据阈值可以构造一个0-1布尔矩阵U＝(μ_kl)_m×n，其中元素为：

当这个矩阵U的元素为1时，意味着具有优势机会(或可能)。

类似于矩阵U的建立，可以构造一个劣势指标阀值其确定方法取平均劣势指数，即：

由可得0-1布尔矩阵V＝(ν_kl)_m×n，其中的元素为：

U和V中的对应元素相乘的结果，就构成了所谓综合优势判定矩阵Z^j＝(z_kl)^j _m×n中的元素z_kl，即：

z_kl＝μ_kl·ν_kl

根据综合优势判定矩阵Z，如果z_kl＝1，则A_k整体优于A_l，但仍有其他方案优于A_k的可能。因此对于A_k而言只有下式满足，它才不会被剔除。

6)确定优势比较判断矩阵和劣势比较判断矩阵

定义优势比较判断矩阵为X＝(x_kl)_m×n，其元素为：

x_kl＝e^*-e_kl

其中e^*表示优势矩阵E＝(e_kl)_m×n中最大元素值，记为正理想点。

同样定义劣势比较判定矩阵为Y＝(y_kl)_m×n，其元素为：

y_kl＝f^*-f_kl

其中f^*表示劣势矩阵F＝(f_kl)_m×n中最大元素值，记为负理想点。

7)计算相对贴进度

计算各方案到正、负理想点的相对贴近度r_kl，得到综合优先矩阵R＝(r_kl)_m×n，其元素为：

其中r_kl表示方案A_k相对于A_l到正负理想点的相对贴近度。r_kl值越高，表明A_k相对于A_l来说，越接近于正理想点，越远离于负理想点。

8)计算分类器识别效能的综合评价值

定义为综合评价值：

根据值的大小，对各方案进行整体排序，选出最优方案。

本发明的另一目的在于设计一种雷达辐射源信号识别效能评估系统，所述雷达辐射源信号识别效能评估系统包括：关联属性权重确定模块、决策矩阵元素确定模块和识别效能评估模块，其具体过程包括：

所述的关联属性权重确定模块，用于对衡量识别效能准则下的各个属性之间的关联性进行分析，得到各个相互关联属性的相应属性权重。

所述的决策矩阵元素确定模块，用于对测试率结果进行值的合理选取，得到精确的区间犹豫模糊初始决策矩阵数据区间犹豫模糊元。

所述的识别效能评估模块，用于对不同分类器识别特征参数的效能进行评估，得到识别方案合理的排序结果。

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 (6)

1.一种雷达辐射源信号识别效能评估方法，其特征在于，所述雷达辐射源信号识别效能评估方法包括：首先根据直觉模糊网络分析法对评估准则下具有关联性特点的属性进行分析，得到各属性的属性权重；然后在基于区间犹豫模糊的思想上，并对识别率测试结果进行更合理的选取，确定决策矩阵中的区间犹豫模糊元；最后通过消去与选择转换法并结合逼近理想排序法实现雷达辐射源信号识别效能的有效评估。

2.如权利要求1所述的雷达辐射源信号识别效能评估方法，其特征在于，根据直觉模糊网络分析法对评估准则下具有关联性特点的属性进行分析，得到各属性的属性权重具体过程包括：

1)确定雷达辐射源信号识别效能评估问题的目标、属性集C＝{C₁,C₂,...,C_n}(j＝1,2,...,n)、子属性集为c_j＝{c_j1,c_j2,...,c_jh}(j＝1,2,...,n)，h代表子属性的个数，识别方案集A＝{A₁,A₂,...,A_m}(i＝1,2,...,m)，并构建问题的网络层次结构；

2)通过对属性的两两比较，构造直觉模糊偏好关系，属性和属性之间的相对重要性用直觉模糊数表示，各属性对属性C_i的影响程度利用1-9标度构成偏好关系Aⁱ，记为n表示属性个数，其中表示属性C_l对C_i的影响程度是属性C_j对C_i影响程度的倍；

3)检查每一个直觉模糊偏好关系的一致性，若所有直觉模糊偏好关系都具有可接受的一致性，则计算每一个直觉模糊偏好关系的优先权向量ω_i＝(w_i1,w_i2,...,w_in)^T，其中为直觉模糊值；否则，需要重新修正非一致性直觉模糊偏好关系，或者对模糊偏好关系进行重新评估，直到其具备可接受的一致性；

4)确定加权矩阵A，根据步骤3)中每一个直觉模糊偏好关系Aⁱ计算出的优先权向量ω_i＝(w_i1,w_i2,…,w_in)^T，构造加权矩阵A＝(ω₁,ω₂,...,ω_n)，记

5)确定超矩阵W，每一个分块矩阵代表了一个属性组内部子属性对另一个属性组内部子属性的影响；

6)确定加权超矩阵结合层次分析法求解优先权重的思想，存在相互关联关系的网络分析法中的属性之间的实际影响程度表示为：

其中

7)计算得分矩阵对得分函数S(α)进行规范化，得到得分矩阵

8)求出极限矩阵W∞，对得分矩阵的k次方求极限，得到极限矩阵

9)确定属性权重，在极限矩阵W∞中，各列元素均相同且均为归一化特征向量，作为属性的属性权重。

3.如权利要求1所述的雷达辐射源信号识别效能评估方法，其特征在于，在基于区间犹豫模糊的思想上，并对识别率测试结果进行更合理的选取，确定决策矩阵中的区间犹豫模糊元具体过程包括：首先将M次测试结果逐个与M次测试结果的均值做差，选取测试结果中最小的值作为一个区间的左端点，然后判断其他结果与均值的差值，如果差值在很大范围内发生突变，则将该次测试结果作为该区间的右端点；进行下一个区间的判断，区间犹豫模糊元中最后一个区间数的右端点取测试结果中的最大值，最终用不同的区间数构成区间犹豫模糊元来表达识别率测试的具体结果。

4.如权利要求1所述的雷达辐射源信号识别效能评估方法，其特征在于，在基于区间犹豫模糊的思想上，通过消去与选择转换法并结合逼近理想排序法实现雷达辐射源信号识别效能的有效评估具体过程包括：

1)确定区间犹豫模糊初始决策矩阵：

构建指标评价矩阵，方案集为A＝{A₁,A₂,...,A_m}(i＝1,2,...,m)，属性集为C＝{C₁,C₂,...,C_n}(j＝1,2,...,n)；若已知确定的属性权重为w＝(w₁,w₂,...,w_n)^T，代表属性的重要程度，且w_j∈[0,1]；根据实验平台进行仿真得到方案A_i在属性C_j下的评价信息，若由各个评价信息构成区间犹豫模糊元其中为区间犹豫模糊元的下界，为区间犹豫模糊元的上界，则由区间犹豫模糊元构成区间犹豫模糊矩阵为

2)确定属性优势集和属性劣势集

对于方案A_k和A_l(k,l＝1,2,...,m,k≠l)，决策属性集被划分为两个不同的子集，即属性优势集和属性劣势集；属性优势集定义为：A_k方案的各目标属性优于A_l方案对应的目标属性的属性标号集；属性优势集用下列式来表示：

属性劣势集为优势集的补集，意义正好和优势集相反，即A_l方案的各目标属性优于方案A_k对应的目标属性的属性标号集合；属性劣势集表示为：

3)确定属性优势指数和属性劣势指数

在确定的级别优先关系的基础，由属性优势可计算出优势指数e_kl，优势指数的定义为：

对于属性劣势集，利用下式来计算A_k劣于A_l的程度：

其中：

N＝max{N₁,N₂}，N₁和N₂分别为区间犹豫模糊元和的长度，σ(i)表示区间犹豫模糊元中第i个区间犹豫模糊数；

4)确定优势矩阵和劣势矩阵

当计算出所有方案对的优势指数e_kl(k≠l；j＝1,2,...,n)时，构成优势矩阵E＝(e_kl)_m×n：

当计算出所有的劣势指标f_kl(k≠l)后，得劣势矩阵F＝(f_kl)_m×n；

5)确定综合优势判定矩阵

给定一个优势指数阀值认为当e_kl大于或等于时，则有A_k优于A_l的可能：

根据阈值构造一个0-1布尔矩阵U＝(μ_kl)_m×n，其中元素为：

当矩阵U的元素为1时，意味着具有优势机会或可能；

类似于矩阵U的建立，设置劣势指标阀值其确定方法取平均劣势指数：

根据阈值构造一个0-1布尔矩阵V＝(ν_kl)_m×n，其中的元素为：

U和V中的对应元素相乘的结果，构成综合优势判定矩阵Z^j＝(z_kl)^j _m×n中的元素z_kl：

z_kl＝μ_kl·ν_kl；

根据综合优势判定矩阵Z，如果z_kl＝1，则A_k整体优于A_l；

6)确定优势比较判断矩阵和劣势比较判断矩阵

定义优势比较判断矩阵为X＝(x_kl)_m×n，元素为：

x_kl＝e^*-e_kl；

其中e^*表示优势矩阵E＝(e_kl)_m×n中最大元素值，记为正理想点；

同样定义劣势比较判定矩阵为Y＝(y_kl)_m×n，其元素为：

y_kl＝f^*-f_kl；

其中f^*表示劣势矩阵F＝(f_kl)_m×n中最大元素值，记为负理想点；

7)计算相对贴进度

计算各方案到正、负理想点的相对贴近度r_kl，得到综合优先矩阵R＝(r_kl)_m×n，其元素为：

r_kl表示方案A_k相对于A_l到正负理想点的相对贴近度，r_kl值越高，表明A_k相对于A_l来说，越接近于正理想点，越远离于负理想点；

8)计算分类器识别效能的综合评价值

定义为综合评价值：

根据值的大小，对各方案进行整体排序，选出最优方案；

5.一种实现权利要求1所述的雷达辐射源信号识别效能评估方法的雷达辐射源信号识别效能评估系统，其特征在于，所述雷达辐射源信号识别效能评估系统包括：

关联属性权重确定模块，用于对衡量识别效能准则下的各个属性之间的关联性进行分析，得到各个相互关联属性的相应属性权重；

决策矩阵元素确定模块，用于对测试率结果进行值的合理选取，得到区间犹豫模糊初始决策矩阵数据区间犹豫模糊元；

识别效能评估模块，用于对不同分类器识别特征参数的效能进行评估，得到识别方案合理的排序结果。

6.一种使用权利要求1～4任意一项所述雷达辐射源信号识别效能评估方法的雷达。