CN113435692B - 辐射源信号识别效能评估方法、系统、智能终端及应用 - Google Patents

Abstract

本发明属于电子对抗中辐射源信号的识别评估技术领域，公开了一种辐射源信号识别效能评估方法、系统、智能终端及应用，通过最大信息系数分析法对指标进行关联关系分析，得到关联关系矩阵；采用快速检测社区方法对关联关系矩阵进行分析，得到最优的社区划分指标；构造一个具有约束性的网络评估模型，该网络评估模型采用了基于麻雀搜索优化的Elman网络结构；利用样本数据集对该网络评估模型进行训练，利用训练好的网络对未知指标集进行得分值预测，实现了对辐射源信号识别方法评估分值的有效预测。本发明合理有效地解决传统多属性决策方法引发的倒序问题以及评估不全面问题，还可以满足战场评估模型对准确性、实时性、智能性的全方位要求。

Description

辐射源信号识别效能评估方法、系统、智能终端及应用

技术领域

本发明属于电子对抗中辐射源信号的识别评估技术领域，尤其涉及一种辐射源信号识别效能评估方法、系统、智能终端及应用。

背景技术

目前：在电子对抗领域并没有完整的辐射源信号识别效能评估理论体系，造成这一现象的主要原因归结为三个方面：其一是辐射源信号识别方法采用的分类器种类繁杂，性能各异，无法给出单一的评判标准；其二是采用辐射源信号识别方法识别的信号特征参数不同，因此表征信号信息的能力也不同；其三是不同的辐射源信号识别方法所处的电磁环境受到的干扰与噪声不同，因此很难在同一环境中评估不同的辐射源信号识别方法的效能。针对上述问题，目前，业内常用的现有技术是这样的：有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；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，现有文献所提到的正、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。现有技术三虽然考虑了指标之间的非补偿性问题，但是当采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。

通过上述分析，现有技术存在的问题及缺陷为：

(1)评估算法的决策风险过大：现有文献提出的评估算法中引入了过多的人为因素，且算法中涉及的正负理论值的设置过于依赖经验数据，导致评估结果缺乏科学性，评估算法不具备说服力。由此，提出一种受人为因素小的简单又高效的评估算法是亟需的。

(2)评估指标之间未考虑关联因素：现有文献所提的方法默认各指标之间都是相互独立的，但在实际应用环节中，评估指标之间大部分都是具有关联关系的。

(3)无法实现战时评估：现有的大部分评估算法，虽然评估结果准确性高，可用于战后电子对抗力量的建设与发展，但不能实现战时评估。对于基于实战化模拟的识别效能评估，虽然可实现战时评估，但是耗资巨大，且环境模拟条件极为苛刻，难以得出通用性较强、准确性较高的评估结果。

解决以上问题及缺陷的难度为：目前在电子对抗中辐射源信号的识别评估技术领域里没有完备的技术方案分析指标之间关联关系，且学者在研究中未能考虑到该特点对评估的影响，因此所能提供的参考资料十分有限。另外，现有的研究成果中所采用的评估方法无法完美的规避自身的缺陷，针对特殊状况没有实际的应对性策略，导致算法的普适性大大降低。除此之外，现有的研究成果所提的评估算法都是针对战后设计，无法满足实际战场实时评估的要求。如何设计一种适用性强、缺陷小、且贴合实际战场环境的评估算法是本发明专利的主要技术难点。

解决以上问题及缺陷的意义为：本发明将着重攻克上述技术难点，为辐射源信号识别效能评估进一步研究提供新的方向。

发明内容

针对现有技术存在的问题，本发明提供了一种辐射源信号识别效能评估方法、系统、智能终端及应用。

本发明是这样实现的，一种辐射源信号识别效能评估方法，所述辐射源信号识别效能评估方法包括：

首先，通过最大信息系数分析法对指标进行关联关系分析，由此得到关联关系矩阵，该步骤充分考虑了指标之间的关联性，避免因忽略对指标的关联性分析而造成最优社区划分指标的错误判断；

然后，采用快速检测社区方法对关联关系矩阵进行分析，得到最优的社区划分指标，该步骤所得的最优社区划分指标为构建网络评估模型提供了先验知识，保证了网络评估模型构建的合理化及正确化；

接着，以先验知识为依据，构造一个具有约束性的网络评估模型，该网络评估模型采用了基于麻雀搜索优化的Elman网络结构，保障了效能评估分值预测的准确性及高效性；

最后，利用样本数据集对该网络评估模型进行训练，利用训练好的网络对未知指标集进行评估分值预测，充分解决了传统评估方法引发的倒序问题，实现了辐射源信号识别效能的智能化评估。

进一步，根据最大信息系数分析法对指标进行关联关系分析，得到关联关系矩阵的具体过程包括：

1)在给定尺寸信息(i,j)下，对随机变量指标X和Y的散点图进行i行j列分割，计算互信息值，并取得该尺寸信息下的最大互信息值；

2)对最大互信息值进行归一化；

3)选取其他尺寸信息(i,j)，重复上述步骤，得到不同尺寸信息下的最大归一化互信息值，然后从所有尺度信息中选择最大的归一化互信息值作为X和Y的最大信息系数，由此构成关联关系矩阵。

进一步，采用快速检测社区方法对关联关系矩阵进行分析，得到最优社区划分指标的具体过程包括：

1)对由指标集构成的网络进行初始化，即将每个节点当作一个独立且唯一的社区；

2)计算两两社区合并时的模块度值，选择并按照模块度值增加最大或减少最小的方式进行合并；

3)重复上述步骤，待到合并为一个大社区后停止合并，找出合并过程中的最大模块度值，即为所求的最优社区划分指标。

进一步，以上述先验知识为依据，构造一个具有约束性的网络评估模型，该网络评估模型采用了基于麻雀搜索优化的Elman网络结构。

进一步，构建基于麻雀搜索优化的Elman网络结构，采用麻雀搜索优化算法得到Elman网络权值和阈值的过程如下：

1)初始化种群，迭代次数，初始化捕食者和跟随者的比例；

2)计算适应度值，并排序；

3)更新捕食者的位置；

4)更新跟随者的位置；

5)更新警戒侦察者的位置；

6)计算适应度值并更新麻雀位置；

7)是否满足最大迭代次数，满足则退出，输出结果，否则，重复执行2)—6)。

进一步，构建基于麻雀搜索优化的Elman网络结构，采用基于麻雀搜索优化的Elman网络评估的过程如下：

1)确定输入数据和输出数据；

2)利用社区划分指标数目和麻雀搜索优化算法得到的权值和阈值设置网络参数；

3)利用历史样本集训练Elman网络；

4)采用训练好的Elman网络预测未知指标集对应的评估分值。

本发明的另一目的在于提供一种智能终端，所述智能终端用于实现所述的辐射源信号识别效能评估方法。

本发明的另一目的在于提供一种实施所述辐射源信号识别效能评估方法的辐射源信号识别效能评估系统，所述辐射源信号识别效能评估系统包括：

指标关联关系矩阵获取模块，用于针对初始评估指标集，采用最大信息系数分析法分析，得到指标关联关系矩阵；

最优的社区划分指标获取模块，用于针对指标关联关系矩阵，采用快速检测社区算法进行分析，得到最优的社区划分指标；

Elman网络评估模型构建模块，用于依照社区划分指标个数为先验知识，构建具有约束性并赋予军事含义的基于麻雀搜素优化的Elman网络评估模型；

评估分值预测模块，用于利用样本数据集对网络评估模型进行训练，采用训练好的网络对未知指标集进行评估分值的预测。

本发明的另一目的在于提供一种电子对抗的辐射源信号识别效能评估方法，所述电子对抗的辐射源信号识别效能评估方法使用所述辐射源信号识别效能评估方法。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：

(1)本发明采用最大信息系数分析法对战场指标数据进行关联性分析，分析得到每对指标之间的关联程度，克服了传统方法对指标关联性分析的忽视问题，更加贴合实际应用情况。

(2)本发明采用快速检测社区算法对指标关联关系矩阵进行分析，得到最优的社区划分指标，实现了对不同指标的清晰划分，划分结果为网络评估模型的参数设置提供了一定根据，解决了传统网络模型参数设置随意的问题。

(3)本发明构建了基于麻雀搜索优化的Elman网络评估模型对指标数据集进行评分值预测，克服了传统评估方法由逆序问题造成的评估结果不准确的问题，也解决了传统方法无法实现战时评估的困难，满足了战场评估模型对准确性、实时性、智能性的全方位要求。

附图说明

图1是本发明实施例提供的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辐射源信号识别效能评估系统的结构示意图；

图2中：1、指标关联关系矩阵获取模块；2、最优的社区划分指标获取模块；3、Elman网络评估模型构建模块；4、评估分值预测模块。

图3是本发明实施例提供的基于最大信息系数的指标关联关系分析流程图。

图4是本发明实施例提供的基于快速检测社区算法的社区划分指标分析流程图。

图5是本发明实施例提供的麻雀搜索优化算法流程图。

图6是本发明实施例提供的基于麻雀搜索优化的Elman网络评估过程流程图。

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。

针对现有技术存在的问题，本发明提供了一种辐射源信号识别效能评估方法、系统、智能终端及应用，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的辐射源信号识别效能评估方法包括以下步骤：

S101：针对初始评估指标集，采用最大信息系数分析法分析，得到指标关联关系矩阵；

S102：针对指标关联关系矩阵，采用快速检测社区算法进行分析，得到最优的社区划分指标；

S103：依照社区划分指标个数为先验知识，构建具有约束性并赋予军事含义的基于麻雀搜素优化的Elman网络评估模型；

S104：利用样本数据集对网络评估模型进行训练，采用训练好的网络对未知指标集进行评估分值的预测。

本发明提供的辐射源信号识别效能评估方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的辐射源信号识别效能评估方法仅仅是一个具体实施例而已。

如图2所示，本发明提供的辐射源信号识别效能评估系统包括：

指标关联关系矩阵获取模块1，用于针对初始评估指标集，采用最大信息系数分析法分析，得到指标关联关系矩阵；

最优的社区划分指标获取模块2，用于针对指标关联关系矩阵，采用快速检测社区算法进行分析，得到最优的社区划分指标；

Elman网络评估模型构建模块3，用于依照社区划分指标个数为先验知识，构建具有约束性并赋予军事含义的基于麻雀搜素优化的Elman网络评估模型；

评估分值预测模块4，用于利用样本数据集对网络评估模型进行训练，采用训练好的网络对未知指标集进行评估分值的预测。

下面结合附图对本发明的技术方案作进一步的描述。

针对现有技术未考虑指标之间的关联性、评估算法决策风险大、评估算法自身缺陷难以避免以及无法实现战时评估等问题。本发明可以有效地通过最大信息系数法分析指标之间的关联性；并利用快速检测社区算法对指标关联性矩阵进行分析，得到最优社区划分指标；以此为先验知识，构建具有约束性的基于麻雀搜素优化的Elman网络评估模型，利用历史样本数据集对网络评估模型进行训练。由此可以降低决策风险，并且有效克服传统算法的缺陷，而且可以在战场中做到智能化的实时评估。

本发明提供的辐射源信号识别效能评估方法具体包括以下步骤：

步骤一，如图3所示，本发明采用最大信息系数分析法分析得到指标关联关系矩阵，包括以下步骤：

1)在给定尺寸信息(i,j)下，对随机变量指标X和Y的散点图进行i行j列分割，根据下列公式求互信息值，并取得该尺寸信息下的最大互信息值；

其中，p(X,Y)为随机变量X和Y的联合概率密度分布函数，p(X)和p(Y)分别为X和Y边缘概率密度分布函数。

2)根据下式对最大互信息值进行归一化；

其中，|X|和|Y|分别表示散点图在x方向和y方向上被分割的数目。

3)选取其他尺寸信息(i,j)，重复上述步骤，得到不同尺寸信息下的最大互信息值，然后从中选择最大的互信息值并根据下式计算随机变量X和Y的最大信息系数，由此构成关联关系矩阵。

需要注意的是，这里尺寸信息(i,j)的选取通常需要满足ij＜B(n)，B是一个经验值常数，表示小方格总数的最大范围，一般而言，B≈n^0.6，其中n为数据量的大小。

步骤二，如图4所示，针对指标关联关系矩阵，采用快速检测社区算法进行分析，得到最优的社区划分指标，包括以下步骤：

1)对由指标集构成的网络进行初始化，即将每个节点当作一个独立且唯一的社区；

2)计算两两社区合并时的模块度值，选择并按照模块度值增加最大或减少最小的方式进行合并，模块度值的增值用ΔQ表示，即：

其中，e_ij表示社区i中的节点与社区j中的节点之间连接的边数与网络中总边数的比值，a_i表示与社区i内部的节点所关联的所有边数与总边数的比值，即

其中，m为网络的边数；c_ν和c_w表示网络中的两个社区；v和w表示社区中的两个节点；A_vw表示网络的邻接矩阵；函数δ(c_v,c_w)表示如果v和w在同一个社区，则δ(c_v,c_w)＝1，否则δ(c_v,c_w)＝0；k_v和k_w分别表示两个节点的度。

初始化的e_ij和a_i分别为：

其中，k_i表示节点i的度；

3)重复上述步骤，待到合并为一个大社区后停止合并，找出合并过程中的最大模块度值，即为所求的社区划分指标的个数。

步骤三，如图5所示，以上述先验知识为依据，构建具有约束性并赋予军事含义的基于麻雀搜素优化的Elman网络评估模型，其中麻雀搜索优化算法包括以下步骤：

1)初始化种群，迭代次数，初始化捕食者和加入者的比例；

在该模型的麻雀搜索智能优化算法参数设置中，种群数目设为20，捕食者和跟随者的比例设为0.7，警戒侦察者在整个种群中占的比例设为0.2，安全值设为0.6，最大迭代次数设为30；

2)计算适应度值，并排序；

将麻雀搜索优化算法引入Elman网络模型的参数优化中，此时适应度函数定义为：

其中，y_n表示真实值，

表示预测值。

3)更新捕食者的位置；

在麻雀搜索算法中，适应度值越高的麻雀，搜索食物能力越强，越能获得更大的搜索范围，因此，也越能胜任捕食者的角色。在觅食过程中，捕食者的位置更替方式有两种，其一是当处于安全区域时，捕食者要搜寻食物的方向并负责带领整个种群觅食。其二是一旦警戒侦察者发现危险，将会立刻发出鸣叫并作为预警信号，如果预警信号超过安全值时，表明被反捕的概率增大，捕食者将会迅速带领跟随者飞离危险区域。因此，在每轮迭代中，捕食者的位置更替方式可以表示为：

其中，t表示当前迭代次数；j＝1,2,3…,d。iter_max是一个常数，表示迭代次数的最大值。X_ij表示第i个麻雀在第j维中的位置。α在(0,1]范围内，是一个随机数。R₂在[0,1]范围，表示预警值。ST在[0.5,1]范围，表示安全值。Q是服从标准正态分布的随机数，L是一个1*d的全1矩阵。当R₂＜ST时，表示当前区域没有捕食者，属于安全区域，捕食者可以逐步扩大觅食区域；当R₂≥ST时，表示种群中的警戒侦察者在当前区域发现了捕食者，需要向其他麻雀发出紧急预警信号，提醒所有麻雀危险来临，需要立即飞往其他安全区域；

4)更新跟随者的位置

在麻雀搜索算法中，捕食者与跟随者的身份不是一成不变的，只要保证二者在整个种群中所占的比例不变，捕食者和跟随者是可以互换身份的。这也就意味着只要有一只麻雀由跟随者转变成捕食者，种群为了保证觅食活动正常进行，就必然会有一只捕食者转变为跟随者。在觅食过程中，跟随者的位置变化方式主要有两种，其一是所有的跟随者都会紧盯捕食者，一旦察觉到捕食者搜寻到食物后，立刻调整自己的位置飞向有食物的区域和其他跟随者一起争夺食物；其二是对一些适应度值较低的跟随者来说，它们的觅食位置在整个种群中毫无优势，为了获得更多的能量，只能通过调整自己的位置飞往其他安全区域觅食。因此，在每轮迭代中，跟随者的位置更替方式可以表示为：

其中，X_p表示捕食者所处的位置是当前最有利发现食物的位置，而X_worst则表示捕食者所处的位置是全局最不利发现食物的位置，A表示一个1*d的全1矩阵或者全-1矩阵，且矩阵A满足A⁺＝A^T(AA^T)^-1。当i＞n/2时，表示种群中的第i个跟随者由于适应度值较低，能量储备不足，没有争夺食物的能力，因此需要飞往其他适应度更低的麻雀中间觅食。当i≤n/2时，表示跟随者有能力获取食物，便在当前最佳位置的附近随机找一个有食物的位置，其值收敛于最佳位置。

5)更新警戒侦察者的位置；

在麻雀搜索算法中，警戒侦察者一般占群体麻雀数量的10％～20％，且最开始所处的位置都是随机生成的。一旦侦察到捕食者，它们会立即发出预警信号，向其他麻雀提醒危险来临，需要立刻停止觅食并迅速转移到其他安全区域。在觅食过程中，当发现危险时，警戒侦察者的位置变化方式有两种，其一是对于处在非最佳位置的警戒侦察者而言，它们将会根据与最佳位置的相对距离来调整移动步长，然后迅速向最佳位置移动；其二是对于处在最佳位置的警戒侦察者而言，它们将会在自身位置附近随机移动。因此，在每轮迭代中，警戒侦察者的位置更替方式如下：

其中，X_best表示捕食者所处的位置是全局最有利发现食物的位置；β和K都属于控制参数且都是随机数，其中，β服从均值为0，方差为1的正态分布，用来表示麻雀移动的步长大小，K的范围在[-1,1]之间，表示警戒侦察者随机移动的步长；ε是一个常数，用来避免分母为零；f_i表示当前麻雀个体的适应度值，f_g表示处于全局最佳位置的麻雀的适应度值，f_w表示处于全局最差位置的麻雀的适应度值。当f_i≠f_g时，表示此时的警戒侦察者并非处于全局最佳位置，因此被捕食的风险非常高，它将飞到最优位置X_best附近避免被捕食。当f_i＝f_g时，表示此时的警戒侦察者处于全局最佳位置，它将在该位置附近随机走动。

6)计算适应度值并更新麻雀位置；

7)是否满足最大迭代次数，满足则退出，输出结果，否则，重复执行2)—6)。

步骤四，如图6所示，利用基于麻雀搜素优化的Elman网络评估模型对评估分值进行预测，包括以下步骤：

1)输入数据：仅有指标集的历史样本集；输出数据：每组指标集对应的得分值；

2)利用社区划分指标个数和麻雀搜索优化算法得到的权值和阈值设置Elman网络参数，具体包括：

输入层神经元个数为指标个数，引入识别率测试结果(Measurement ofRecognitionRate,MRR)的指标集分别包括MRR、MRR均值、分布指标、MRR方差、信噪比独立性、识别时间、识别代价。因此输入层神经元个数为7；

隐含层神经元个数为4，即社区划分指标个数；

承接层神经元个数等同于隐含层神经元个数；

输出层神经元个数为1，即评估得分值；

网络训练次数设为1000次，学习效率设为0.01，训练目标值的最小误差设为10^-5，最大迭代次数设为30次。

3)利用指标集与对应的得分值训练Elman网络；

4)采用训练好的Elman网络预测未知指标集对应的评估分值。

为了凸显本发明所提方法的优势，与基于多属性决策的辐射源信号识别效能评估的现有方法进行对比。现有方法所提的方案虽然可以实现准确评估，但是在实际应用过程中主要存在以下两个问题：其一，算法实现中的某些步骤因数据的变化会出现分母为零的特殊情况，导致算法的使用范围大大受限；其二，在实际应用中，现有方法容易产生倒序现象。所谓倒序是指当对n个识别方法进行有效评估时，得到的结果是第i个方案优于第j个方案，(i≠j)，但是如果再增加或者减少若干个方案后再进行评估，得到的结果便会是第j个方案优于第i个方案。因此，为了凸显本发明所提的辐射源信号识别效能评估方法的优越性，现主要关于倒序问题对两种方法进行对比。

实验一：采用现有方法对四种识别分类器进行效能评估

以信号的平均复杂度特征作为识别参数，采用概率神经网络(ProbabilisticNeuralNetwork，PNN)、支持向量机(SupportvectorMachine，SVM)、基于遗传算法的支持向量机(Genetic Algorithm，GA-SVM)和基于粒子群算法的支持向量机(Particle SwarmOptimization，PSO-SVM)四种分类器在信噪比为0dB时进行辐射源信号识别。采用现有方法对这四种识别分类器进行综合评估。得到的评估结果如表1所示。

表1实验一所得评估结果

分类器	PNN	SVM	GA-SVM	PSO-SVM
					得分值	0.1259	0.2067	0.5602	0.3972

根据综合评分值，得出四种识别分类器的识别效能排序结果为：C_GA-SVM＞C_PSO-SVM＞C_SVM＞C_PNN。

实验二：采用现有方法对三种分类器进行效能评估

在同上述仿真条件相同的环境下，采用PNN、SVM以及GA-SVM三种分类器对辐射源信号进行识别，采用现有方法对它们进行效能评估，得到的评估结果如表2所示。

表2实验二所得评估结果

分类器	PNN	SVM	GA-SVM
				得分值	0.4725	0.3333	0.3247

按照上述效能得分值进行排序，得到上述三种分类器的效能优劣顺序为：C_GA-SVM＜C_SVM＜C_PNN，与实验一得到的结果C_GA-SVM＞C_PSO-SVM＞C_SVM＞C_PNN顺序正好相反。可以看出，现有方法所提评估方案确实存在明显的倒序现象。

实验三：采用本发明方法对三种识别分类器进行效能评估

在同上述仿真条件相同的环境下，采用PNN、SVM以及GA-SVM三种分类器对辐射源信号进行识别，然后选取它们各自所生成的样本集分别对网络评估模型进行训练，采用本发明所提的方法对上述三种分类器进行评估，得到的结果如表3所示。

表3实验三所得评估结果

分类器	PNN	SVM	GA-SVM
				得分值	0.1134	0.2225	0.5120

按照上述效能得分值进行排序，得到上述三种分类器的效能优劣顺序为：C_GA-SVM＞C_SVM＞C_PNN，与实验一得到的结果C_GA-SVM＞C_PSO-SVM＞C_SVM＞C_PNN顺序相同。可以看出，本发明所提的方法不受待评估分类器数目变化的影响，使用范围更广，普适性更强。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，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，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，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种辐射源信号识别效能评估方法，其特征在于，所述辐射源信号识别效能评估方法包括：

首先，通过最大信息系数分析法对指标进行关联关系分析，由此得到关联关系矩阵；

然后，采用快速检测社区方法对关联关系矩阵进行分析，得到最优的社区划分指标；

接着，以先验知识为依据，构造一个具有约束性的网络评估模型，该网络评估模型采用了基于麻雀搜索优化的Elman网络结构；

最后，利用样本数据集对该网络评估模型进行训练，利用训练好的网络对未知指标集进行评估分值预测；

根据最大信息系数分析法对指标进行关联关系分析，得到关联关系矩阵的具体过程包括：

1）在给定尺寸信息

下，对随机变量指标/>

和/>

的散点图进行/>

行/>

列分割，计算互信息值，并取得该尺寸信息下的最大互信息值；

2）对最大互信息值进行归一化；

3）选取其他尺寸信息

，重复上述步骤，得到不同尺寸信息下的最大归一化互信息值，然后从所有尺度信息中选择最大的归一化互信息值作为/>

和/>

的最大信息系数，由此构成关联关系矩阵；

采用快速检测社区方法对关联关系矩阵进行分析，得到最优社区划分指标的具体过程包括：

1）对由指标集构成的网络进行初始化，即将每个节点当作一个独立且唯一的社区；

2）计算两两社区合并时的模块度值，选择并按照模块度值增加最大或减少最小的方式进行合并；

3）重复上述步骤，待到合并为一个大社区后停止合并，找出合并过程中的最大模块度值，即为所求的最优社区划分指标。

2.如权利要求1所述的辐射源信号识别效能评估方法，其特征在于，构建基于麻雀搜索优化的Elman网络结构，采用麻雀搜索优化算法得到Elman网络权值和阈值的过程如下：

1）初始化种群，迭代次数，初始化捕食者和跟随者的比例；

2）计算适应度值，并排序；

3）更新捕食者的位置；

4）更新跟随者的位置；

5）更新警戒侦察者的位置；

6）计算适应度值并更新麻雀位置；

7）是否满足最大迭代次数，满足则退出，输出结果，否则，重复执行2）—6）。

3.如权利要求1所述的辐射源信号识别效能评估方法，其特征在于，构建基于麻雀搜索优化的Elman网络结构，采用基于麻雀搜索优化的Elman网络评估的过程如下：

1）确定输入数据和输出数据；

2）利用社区划分指标数目和麻雀搜索优化算法得到的权值和阈值设置网络参数；

3）利用历史样本集训练Elman网络；

4）采用训练好的Elman网络预测未知指标集对应的评估分值。

4.一种智能终端，其特征在于，所述智能终端用于实现权利要求1~3任意一项所述的辐射源信号识别效能评估方法。

5.一种实施权利要求1~3任意一项所述辐射源信号识别效能评估方法的辐射源信号识别效能评估系统，其特征在于，所述辐射源信号识别效能评估系统包括：

指标关联关系矩阵获取模块，用于针对初始评估指标集，采用最大信息系数分析法分析，得到指标关联关系矩阵；

最优的社区划分指标获取模块，用于针对指标关联关系矩阵，采用快速检测社区算法进行分析，得到最优的社区划分指标；

Elman网络评估模型构建模块，用于依照社区划分指标个数为先验知识，构建具有约束性并赋予军事含义的基于麻雀搜素优化的Elman网络评估模型；

评估分值预测模块，用于利用样本数据集对网络评估模型进行训练，采用训练好的网络对未知指标集进行评估分值的预测。

6.一种电子对抗的辐射源信号识别效能评估方法，其特征在于，所述电子对抗的辐射源信号识别效能评估方法使用权利要求1~3任意一项所述辐射源信号识别效能评估方法。

Images