劉志鵬，趙立新，張國毅

(空軍航空大學，吉林 長春 130022)

一種輻射源快速識別新方法

劉志鵬，趙立新，張國毅

(空軍航空大學，吉林 長春 130022)

針對現有輻射源識別方法不能識別參數交疊的雷達信號以及BP神經網絡迭代速度慢、識別效率低的缺點，設計出一種采用改進概率神經網絡的實時快速識別方法。該方法構造的特征兼具單個脈沖參數統(tǒng)計特性和雷達參數變化整體特性兩個層面的信息，進而可以對參數交疊的雷達信號進行有效識別。同時，該方法還對概率神經網絡進行了改進，使之具備識別出未知雷達信號的能力。仿真實驗表明，此方法在顯著提高了識別率的同時，還具有良好的抗噪性和魯棒性。

雷達；輻射源識別；概率神經網絡；特征提取；識別率

0 引言

雷達輻射源識別是指雷達偵察設備完成脈沖串分選后，利用批信號的參數(載頻、重頻、脈寬等)判斷出雷達的型號、工作狀態(tài)，進而得到雷達的平臺屬性、體制、用途等信息，為己方掌握敵方的動態(tài)、目的提供重要依據。隨著雷達技術的進步，現代雷達偵察環(huán)境日趨復雜，主要表現為輻射源信號和雷達體制多種多樣，信號參數在空間域和頻率域的分布范圍和交疊程度大大增加，這對電子情報偵察(ELINT)系統(tǒng)的信號分選和輻射源識別能力提出更高的要求。針對現有輻射源識別方法已不能適應日益復雜的偵察環(huán)境，本文提出一種新的雷達輻射源識別方法,即采用改進概率神經網絡的快速識別方法，在顯著提高了識別率和識別速度的同時，還具有良好的抗噪性和魯棒性。

1 現有輻射源識別方法及不足

目前常見的輻射源識別方法主要有特征參數匹配法、脈沖樣本圖識別法以及人工智能識別方法[1]。

特征參數匹配法將接收到的批信號參數與數據庫中的數據進行查詢比較，計算二者匹配程度，選擇相似度最大的模板作為識別結果[2-3]。該方法優(yōu)點是速度快，然而對先驗知識依賴較強，當雷達信號參數域發(fā)生交疊時，分選正確率下降嚴重。

脈沖樣本圖識別法[4-5]利用已知脈沖串特征參數向量作為模板(即脈沖樣本圖)，與待識別脈沖串進行匹配，根據每個脈沖串對應樣本圖的隸屬度做出決策，得到輻射源的識別結果。該方法對分選結果的依賴程度低，但運算量大，需要構造的樣本復雜，不適用于脈沖密集的偵察環(huán)境。

文獻[6]的方法利用神經網絡作為分類器，具有非線性識別能力，靈活程度高，特別是對參數不全、參數畸變及許多新體制和新用途的雷達具有良好的識別能力。然而存在網絡結構難以確定，陷入局部極值，造成最終的分類結果達不到理想的分類狀態(tài)的缺點。

本文提出一種輻射源快速識別方法，通過引入新的輻射源分類特征，并利用改進的概率神經網絡作為分類器，可對參數域交疊的雷達做出有效識別，且運算量小，滿足實時性要求。實驗表明，該方法具有較高的識別準確率的同時，還具有良好的抗噪性。

2 快速識別方法設計

2.1 特征參數選取方法

特征選取要盡量使不同的類之間有足夠的區(qū)分度，即不同的類差別足夠大，可以把他們分開。同時，屬于同一類的元素的特征要十分接近，不至于把他們分到其他類中去。因此，特征選取的好壞決定了分類結果是否理想。

已有的特征提取思路可分兩類：一類是基于單個脈沖參數層面的。這種方法利用脈沖的統(tǒng)計參數，如選取脈沖的載頻、脈寬等參數作為識別特征。其只能得到單個脈沖的特征信息，無法反映雷達信號的總體特征和時序特征，無法對參數交疊的信號進行有效識別，導致識別復雜體制的雷達時正確率較低。另一類特征提取思路是基于脈沖序列層面的，如匹配模板法，脈沖樣本圖法等。此類方法所選取的特征雖能體現出雷達信號參數的時序信息，但隨著雷達數目的增多和參數變化越來越復雜，所需的模板序列數目急劇增加，因而對數據庫要求增高；且由于采用了逐個脈沖比對進行配對的識別方法，識別的速度和效率也相對較低。

本文針對以上兩種特征提取思路的不足，為了能對參數復雜變化的信號進行有效識別，提出一種同時包含兩個層面信息的識別特征，用如下方法構造樣本集，即把對脈沖參數的描述也作為一特征量，其形式如下：

(1)

Xp=[xp1,xp2,…,xpm]

(2)

Dp=[dp1,dp2,…,dpm]

(3)

由于描述是定性的，而神經網絡只能處理數量值，因此需把Dp用數量進行表述。這里利用模糊數學的思想，把描述的論域映射到數軸，即把屬于同一參數的各描述語言按彼此間相似程度依次映射到區(qū)間[-1,+1]中。將載頻(RF)變化類型的描述語言：固定、分集、組變、跳變、捷變等映射到數軸上，如圖1所示。

圖1 載頻(RF)變化類型映射值

即描述詞“頻率固定”對應的數值為-1，“頻率捷變”對應的數值為1；按照變化規(guī)律的遞進，“頻率分集、組變和跳變”的對應值分別為-0.5、0和0.5。

因此，對于兩個載頻分別為1000～1200 MHz捷變和1170 MHz固定的兩部雷達，由于其參數出現交疊，在頻率參數上無法對其進行區(qū)分，而引入描述量后，由于其值分別對應于-1和1，創(chuàng)造了這兩個參數可區(qū)分的條件。

本文選取載頻、脈寬、重頻間隔三個脈沖參數作為脈沖特征參數Xp，即Xp=(RFq,PWq,PRIq)，RFq、PWq、PRIq為各個參數的可能取值，并作歸一化。針對載頻、脈寬、重頻間隔這三個參數的可能變化樣式，描述語言及其映射的數值如表1所示。

表1 參數映射值

2.2 分類器設計

2.2.1 分類器選擇

本文選擇徑向基概率神經網絡(PNN)作為分類器，PNN以指數函數作為激活函數進而構造出能夠計算非線性判別邊界的神經網絡，其判別邊界接近于貝葉斯最佳判定面，具有把任何輸出模式映射到不同類別的能力。PNN網絡可看成是貝葉斯分類器，滿足最大后驗概率條件；網絡的訓練只需一次完成，速度遠優(yōu)于BP網絡等其他網絡。

PNN的網絡結構是由輸入層、模式層、加和層和輸出層所組成的一個四層神經網絡，如圖2所示。其中，模式層的神經元計算輸入變量的徑向基函數，加和層為權系數矩陣，輸出層為單輸出競爭函數，對應分類類別。

圖2 PNN網絡結構

fA(x) =(2π)-P/2σ-Pm·

(4)

式中，i為模式序號，m為類別模式總數，xAi為類別θA的第i個樣本，σ為平滑系數，P是度量空間維數。數學上已證明式(4)可以近似任意平滑密度函數，只要用于觀測的訓練樣本足夠多，PNN網絡即可由此構建。

對于平滑因子σ，不同的取值對樣本估計的PDF平滑效果的影響不同。σ越大，PDF越平滑，PNN的識別靈敏度越差；σ越小，識別的靈敏度越高，但σ取值過小則PNN的識別域不能將整個待識別域有效覆蓋。

通過實驗，可以驗證當樣本的特征值在區(qū)間[-1,1]時，取σ=0.7071，使2σ2=1，就能在保證靈敏度的情況下實現對待識別區(qū)域的有效覆蓋。

2.2.2 訓練樣本集的建立

對于信號參數變化為區(qū)間的情形(如參數捷變，設備誤差造成測量值抖動等)，在這種情況下，在區(qū)間內等間隔選取n個參數的數據作為訓練集數據。

如果信號參數變化值是序列形式的，如頻率組變、重頻參差等，這種情況下取遍所有可能值。

2.2.3 測試樣本集的建立

測試集為PNN網絡對待識別雷達信號進行識別的輸入，測試集的數據需要有與訓練樣本數據有相同的格式，因此需要對待識別的信號參數變化類型進行判斷。

2.3 對未知雷達的識別

PNN網絡的缺點之一就是無法對未知類型的信號進行正確識別。當測試樣本中出現不屬于任何已知雷達的信號時，PNN會將其劃分到與之最相似的已知雷達的類別中去，這樣就會產生嚴重的錯誤。

因此，本文設定門限t，當競爭獲勝的神經元對應的輸入值n2小于門限t時，則判為未知雷達；若大于t，則判為已知雷達。即若fA(x)>t，d(θ=θA)；若fA(x)

在數學上可以證明，當t=hufu(x)/hA時，為最佳貝葉斯判決門限。hu為未知雷達的出現的先驗概率，hA為已知雷達現的先驗概率，fu(x)為未知雷達的概率密度函數。

2.4 識別流程

本文提出的輻射源快速識別算法流程如圖3所示。

圖3 算法識別流程

3 仿真實驗

本文的仿真環(huán)境：Windows 7，Intel CPU Q8200，1GB內存，編程工具為MATLAB 2010b 。

實驗一：驗證PNN網絡算法的有效性。首先建立一個已知雷達庫，包含7部雷達13種工作模式，如表2所示。

表2 實驗數據

利用表2中的數據按2.1的方法構造出了含有70個樣本的訓練樣本集，對PNN網絡進行初始化和訓練。

然后從這13個序列中每個抽取10個信號作為測試數據，由于BP網絡是目前應用比較多的神經網絡，因此本文分別利用PNN和BP網絡進行識別，對結果進行對比，其中BP網絡的訓練次數為50次。100次蒙特卡洛實驗所得統(tǒng)計平均，得出兩種網絡在不同信噪比的識別結果，如圖4所示，其中縱軸是誤識別率。

圖4 兩種分類器誤識別率對比

從圖4中可以看出，該算法對輻射源的識別具有較高的正確率。隨著信噪比的降低，識別正確率略有下降，但仍能保持較高的識別正確率。

實驗二：仍選取實驗一中的數據，新的特征提取方法與傳統(tǒng)三參數特征在不同信噪比下應用PNN網絡識別的效果對比，如圖5所示。

可以看出，采用新的特征方式進行識別的正確率遠遠高于三參數方法識別的正確率。

實驗三：采用實驗一中的數據，提取本文所選取的特征，在信噪比為0的條件下，達到相同識別正確率(99.8%)時，利用PNN的方法與BP神經網絡方法的耗時對比，如圖6所示。由此可見，使用PNN作為分

圖5 兩種特征參數的識別效果對比

類器的效率遠遠高于BP網絡的分類器。

4 結束語

本文采用改進概率神經網絡的快速識別方法，可以對參數交疊的雷達信號進行有效識別。同時，該方法還具備識別出未知雷達信號的能力。此外，本文設計的輻射源識別方法在顯著提高了識別率的同時，還具有良好的抗噪性和魯棒性?！?/p>

[1] 許宏泉,劉庚. 雷達輻射源識別技術綜述[J]. 艦船電子工程, 2010,30(4):25-27.

[2] 丁軍,劉志成. 基于特征參數的雷達輻射源識別方法研究[J]. 現代雷達,2011(9)：29-33.

[3] 關欣, 孫貴東, 郭強, 等. 基于區(qū)間數和證據理論的雷達輻射源參數識別[J]. 系統(tǒng)工程與電子技術, 2014,36(7):1269-1274.

[4] 王遵祿,陳婷,羅景青. 基于脈沖樣本圖的雷達輻射源識別方法[J]. 雷達科學與技術,2009(4):284-288.[5] 曠平昌,王杰貴,羅景青. 基于脈沖樣本圖和Vague集的雷達輻射源識別[J].宇航學報,2011,32(7):1639-1644.[6] 高學星,孫華剛,侯保林.使用不同置信級訓練樣本的神經網絡學習方法[J]. 電子與信息學報,2013,36(6):1307-1311.

A novel quick emitter recognition method

Liu Zhipeng, Zhao Lixin, Zhang Guoyi

(Aviation University of Air Force,Changchun 130022,Jilin,China)

In view of the existing emitter identification method can not identify radar signals of parameters overlapping and BP neural network has the shortcomings of low efficiency of recognition. A real-time fast identification method with the improved probabilistic neural network is designed. The structural characteristics of this method have two levels of information of both the statistical properties and overall features of the radar signals, and thus can effectively identify the radar signals with overlapping parameters. At the same time, the method of probabilistic neural network was improved, make it have the ability to identify the unknown radar signal. Simulation results show that the design method of emitter recognition in significantly improved the recognition rate at the same time also has good noise resistance and robustness.

radar;emitter identification;probabilistic neural network;feature extraction; identification rate

2014-11-19；2015-01-09修回。

劉志鵬(1990-)，男，碩士研究生，主要研究方向為雷達信號分選與識別。

TN971

A