CN112213697B

CN112213697B - 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法

Info

Publication number: CN112213697B
Application number: CN202011071804.2A
Authority: CN
Inventors: 周红平; 董成诚; 郭凯; 郭忠义
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2020-10-09
Filing date: 2020-10-09
Publication date: 2024-03-08
Anticipated expiration: 2040-10-09
Also published as: CN112213697A

Abstract

本发明公开了一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，针对目前单个的分类器用于识别欺骗干扰信号难以有很高的精度的现状，通过贝叶斯决策理论对雷达欺骗干扰信号的特征进行决策级融合，由于提取的信号特征的离散性，直接运用贝叶斯融合会产生后验概率为零的错误判别，因此引入核密度估计方法对贝叶斯决策理论的特征融合算法进行改进，使其适用于雷达欺骗干扰识别。本发明对基于贝叶斯决策理论的特征融合算法适用于雷达欺骗干扰信号的识别方面进行了改进处理，提升了以往研究单个分类器的欺骗干扰识别准确率，该发明具有较好的通用性和实用性，相比现有技术在干噪比0dB时识别率能够超过90％。

Description

一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法

技术领域

本发明涉及雷达欺骗干扰识别技术领域，尤其涉及一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法。

背景技术

随着现代电子技术高速发展，电子干扰与抗干扰的较量愈演愈烈。作为威胁跟踪雷达的三种主要的欺骗式干扰技术,距离拖引干扰(RGPO)、速度拖引干扰(VGPO)和距离-速度同步拖引干扰(R-VGPO)通过让雷达系统接收到虚假错误的目标和信息,致使雷达无法有效检测出真实目标及其参数,从而使雷达无法正常发挥作用。因此,开展针对三种欺骗干扰的识别算法已经成为雷达对抗领域研究的热点,具有广阔的前景和价值。

经过前人的不断实验研究，已经发展出了成熟的特征提取和分类器的方法。而近些年来，信息融合作为一种新的研究方法，提升了以往单一的特征提取和分类器的识别精度，逐渐成为研究热点。到目前为止，基于贝叶斯决策理论的特征融合多应用于动作识别、目标跟踪、真假点迹判别、人脸识别等图像处理领域。

研究发现，基于贝叶斯决策理论的特征融合具有提供处理不确定性的连续概念的能力。因此能够在处理雷达欺骗干扰信号识别的领域发挥一定的作用。然而，直接对信号进行特征提取，求得的特征值分布是离散的，如果直接运用贝叶斯理论进行决策融合会出现后验概率为零而导致分类错误的问题。因此如何将基于贝叶斯决策理论的特征融合方法应用在雷达欺骗干扰识别上具有重要意义。

发明内容

根据上述内容，本发明的主要技术目的是提出一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，通过引入核密度估计方法将贝叶斯理论适用于雷达欺骗干扰识别上，提升以往研究的欺骗干扰识别准确率，在干噪比0dB时识别率能够超过90％。

一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，包括以下步骤：

步骤1，雷达接收信号建模；

步骤2，对所述接收信号进行双谱变换，之后通过对角切片进行降维处理，然后在多维度进行特征提取；

步骤3，运用朴素贝叶斯分类器进行决策级融合，通过核密度估计方法将贝叶斯决策理论适用到雷达欺骗干扰识别上；

步骤4，分两步识别得到更好的识别结果。

优选的，所述步骤1具体包括：

1a)所述雷达接收到的真实目标回波信号和欺骗干扰信号一共分类4类，分别是目标回波信号、距离拖引干扰信号、速度拖引干扰信号、距离-速度同步拖引干扰信号；

1b)对四类信号分别进行符合实际情况的仿真，包括参数设置以及噪声影响。

优选的，所述步骤2具体包括：

2a)采用以下公式对所仿真信号进行双谱变换，得到带有幅相特征的三维双谱变换图：

其中B(ω₁,ω₂)代表双谱变换后的三维数据，c₃(k₁,k₂)为信号的三阶累积量；

2b)采用以下公式对双谱变换后的三维图进行对角切片，降成二维信号谱：

x(n)＝B(ω₁＝ω₂)

此公式表示为只保留三维信号在x＝y平面上的二维信号；

2c)对处理后的二维信号提取以下特征值：

平均值、方差、均方根、盒维数、波形因子、峰值因子、峭度因子、裕度因子、信息熵。

优选的，所述步骤3具体包括：

3a)采用以下公式对不同信号的特征值所属类别的后验概率进行决策，决策过程为：

assign x∈y_j

其中{y₁,y₂,…,y_m}为每个信号种类的集合，x为每种信号求得的不同特征值的总集合，P(y_j|x)代表第j类的后验概率，j∈[1,m]；

3b)采用以下公式对n个分类器的识别概率进行决策级融合：

assign x∈y_j

其中x_i为n个分类器里面第i个分类器输出的结果向量；

3c)采用以下公式应用核密度估计使基于贝叶斯决策理论的特征融合适用于欺骗干扰识别：

assign x∈y_j

其中代表x的核密度估计，求得连续的概率密度估计。

优选的，所述步骤4具体包括：

4a)第一步融合分类，运用平均值、方差、均方根、盒维数这四种特征值将信号分为距离拖引干扰加上距离-速度同步拖引干扰的联合信号、目标回波信号、速度拖引干扰信号的三种类别；

4b)第二步融合分类，运用波形因子、峰值因子、峭度因子、裕度因子、信息熵这五种特征值将联合信号分类识别出距离拖引干扰信号和距离-速度同步拖引干扰信号两种类别；

4c)整合两步分类，得出总体的信号识别结果。

本发明通过核密度估计方法将贝叶斯理论适用到雷达欺骗干扰识别上，运用基于贝叶斯决策理论的特征融合方法用于雷达欺骗干扰识别，在相同参数设置，相同特征提取条件下，在识别率上有显著提升。现有的方法对欺骗干扰信号进行双谱特征提取放入分类器进行识别，在干噪比0dB时识别率能够达到80％，而本发明在干噪比0dB时识别率能够超过90％。

附图说明

图1是一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法的分步骤说明图；

图2是一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法的具体流程图。

具体实施方式

下面结合具体实施例对本发明作进一步解说。

实施例

参照图1-2，本发明提出的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，包括以下步骤：

(1)雷达接收信号建模

设雷达的发射信号为线性调频信号，其表达式为：

其中，f₀是中频频率，k为调频斜率，/>是传输信号的初始相位，τ为信号带宽。

假设距离雷达R₀远的位置有一个点目标,那么雷达接收机接收到的目标回波信号(RE)为：

其中A_re为回波信号的振幅,c为光速，n(t)为高斯白噪声。

当数字射频存储干扰机(DRFM)在实施距离拖引干扰(RGPO)、速度拖引干扰(VGPO)或者距离-速度同步拖引干扰(R-VGPO)时，干扰信号和目标回波信号会进行相干合成，雷达接收到的合成信号为：

其中A_R是距离拖引干扰信号的幅度,Δt_J是干扰机接收、存储、处理和转发雷达信号所需要的固有延时，Δt_J(t)为距离拖引干扰信号的调制延时，为干扰信号的初始相位，A_V是速度拖引干扰信号的幅度,Δf_dJ(t)是速度拖引干扰信号的多普勒平移。A_RV是距离-速度同步拖引干扰信号的幅度。

(2)对接收信号进行双谱变换，之后通过对角切片进行降维处理，然后在多维度进行特征提取双谱的定义为三阶累积量的二维傅里叶变换。假设随机过程a(n)的3阶累积量是绝对可和的，则双谱的公式为：

双谱通常是一个复函数，包含振幅和相位，因此它具有功率谱中没有的相位信息，可以从双谱中获得更多的特征信息。由于双谱的对称性，可以对其进行对角切片，从而减少计算量，提高计算速度。对角切片后的信号表达式为：

x(n)＝B(ω₁＝ω₂)

通过提取干扰信号的多维信息是复合干扰识别的必要条件，对处理后的二维信号提取以下特征值：平均值、方差、均方根、盒维数、波形因子、峰值因子、峭度因子、裕度因子、信息熵。

(3)运用朴素贝叶斯分类器进行决策级融合，通过核密度估计方法将贝叶斯决策理论适用到雷达欺骗干扰识别上，假设现在有一个类别集合C包含了m个种类，表示为C＝{y₁,y₂,…,y_m}，未知样本x由k维的实数组成，表示为x＝{a₁,a₂,…,a_n}，其中根据最小错误率贝叶斯决策理论，如果将样本划分为第j类，在给定样本x的条件下，该类就是后验概率最大的模式类，决策过程表示为：

assign x∈y_j

其中P(y_j|x)代表第j类的后验概率,j∈[1,m]。

假设现在有n个分类器,对应不同干扰信号的特征的总维数n。分类器模型是相同的，且互相独立。x_i代表第i个分类器输出结果的向量，表示为x_i＝[x_i1,…,x_ij,…,x_im]。那么现在基于贝叶斯决策理论的特征融合的目标是确定P(y_j|x₁,x₂,…,x_n),它可以用贝叶斯公式来求解：

则决策过程为：

assign x∈y_j

由于提取的特征值分布是离散的，这就会导致在求解第j类的后验概率P(y_j|x_i)时可能会出现等于零的情况，从而造成分类错误。因此，引入核密度估计对算法进行了改进。通过求解离散变量的核密度估计，得到连续的概率密度，从而解决后验概率不存在的错误情况。核密度估计是使用平滑的峰值函数(‘核’)拟合观查到的数据点，从而对真实的概率分布曲线进行模拟。x₁,x₂,…,x_n为独立同分布F的n个样本点，设其概率密度函数为f，核密度估计如下：

其中h＞0为一个平滑参数，为缩放核函数,K(·)为核函数(非负，积分为1，符合概率密度性质，并且均值为0)。

在决策融合的分类器训练阶段通过核密度估计对已知特征集x(n)求取概率密度估计函数在决策融合的分类器测试阶段，根据概率密度估计函数/>求得待测特征集x(n)中各个特征的后验概率，P(y_j|x_i)，改进的决策过程为：

assign x∈y_j

(4)分两步识别得到更好的识别结果

经过实验验证，平均值、方差、均方根和盒维数这四种特征对目标回波和速度拖引干扰的区分度很好，但是对距离拖引干扰和距离-速度同步拖引干扰的区分度不高。而波形因子、峰值因子、峭度因子、裕度因子和信息熵这五种特征对距离拖引干扰和距离-速度同步拖引干扰具有较好的区分程度。因此采用分两步识别：

第一步融合分类，运用平均值、方差、均方根、盒维数这四种特征值将信号分为距离拖引干扰加上距离-速度同步拖引干扰的联合信号、目标回波信号、速度拖引干扰信号，三种类别；

第二步融合分类，运用波形因子、峰值因子、峭度因子、裕度因子、信息熵这五种特征值将第一步分不开的联合信号分类识别出距离拖引干扰信号和距离-速度同步拖引干扰信号两种类别。

整合两步分类，得出总体的信号识别结果。

综上所述，通过特征融合的方法提高雷达欺骗干扰信号的识别精度。首先将雷达接收到的目标真实回波信号，干扰信号和噪声信号作为信号源，然后对信号进行双谱变换抑制噪声干扰，同时保留特征信息，再进行降维操作提高运算速度，对降维后的二维信息谱提取特征。最后，运用核密度估计对融合算法做出改进，相比现有技术在干噪比0dB时识别率能够超过90％。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims

1.一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，其特征在于，包括以下步骤：

步骤1，雷达接收信号建模；

所述步骤3具体包括：

3a）采用以下公式对不同信号的特征值所属类别的后验概率进行决策，决策过程为：

;

其中为每个信号种类的集合，/>为每种信号求得的不同特征值的总集合，代表第/>类的后验概率，/>；

3b）采用以下公式对个分类器的识别概率进行决策级融合：

;

其中为/>个分类器里面第/>个分类器输出的结果向量；

3c）采用以下公式应用核密度估计使基于贝叶斯决策理论的特征融合适用于欺骗干扰识别：

;

其中代表/>的核密度估计，求得连续的概率密度估计

步骤4，分两步识别得到更好的识别结果。

2.根据权利要求1所述的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，其特征在于，所述步骤1具体包括：

1a）所述雷达接收到的真实目标回波信号和欺骗干扰信号一共分类4类，分别是目标回波信号、距离拖引干扰信号、速度拖引干扰信号、距离-速度同步拖引干扰信号；

1b）对四类信号分别进行符合实际情况的仿真，包括参数设置以及噪声影响。

3.根据权利要求2所述的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，其特征在于，所述步骤2具体包括：

2a）采用以下公式对仿真信号进行双谱变换，得到带有幅相特征的三维双谱变换图：

;

其中代表双谱变换后的三维数据，/>为信号的三阶累积量；

2b）采用以下公式对双谱变换后的三维图进行对角切片，降成二维信号谱：

;

此公式表示为只保留三维信号在平面上的二维信号；

2c）对处理后的二维信号提取以下特征值：

4.根据权利要求3所述的一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法，其特征在于，所述步骤4具体包括：

4a）第一步融合分类，运用平均值、方差、均方根、盒维数这四种特征值将信号分为距离拖引干扰加上距离-速度同步拖引干扰的联合信号、目标回波信号、速度拖引干扰信号的三种类别；

4b）第二步融合分类，运用波形因子、峰值因子、峭度因子、裕度因子、信息熵这五种特征值将联合信号分类识别出距离拖引干扰信号和距离-速度同步拖引干扰信号两种类别；

4c）整合两步分类，得出总体的信号识别结果。