于小紅,程嘉遠

(1.江蘇自動化研究所，江蘇 連云港 222006；2.長春理工大學 電子信息工程學院，吉林 長春 130022)

0 引言

在軍事通信對抗中，只有識別出敵方目標并采取正確的應對措施，才能取得主動權(quán)。所以說通信信號的識別是通信對抗的前提和關(guān)鍵。

歷史上人們曾經(jīng)普遍采用口令、暗號、圖符等目標識別方法，水面艦艇則采用旗語、信號燈等識別方法。這些識別方法主要依靠視聽手段來識別近處目標的外部特征，不能識別遠距離目標、小目標和電磁頻譜等無形目標。隨著技術(shù)的發(fā)展，電子偵察能夠發(fā)現(xiàn)的目標距離遠遠超過了目視范圍，上述識別方法已不適用。人們不斷研究和提出新的目標識別方法，技術(shù)越來越復雜，識別的目標距離越來越遠，識別出的目標類型也越來越精確。

通信目標識別是指根據(jù)通信偵察設備偵測到的目標通信信號參數(shù)，識別、確定通信目標的類別、種類和屬性的過程。它是通信對抗要解決的首要問題，同時也是通信干擾的前提和基礎(chǔ)。近年來，通信目標識別受到通信對抗人員的高度重視，相繼提出了多種識別方法，如模式識別、模糊模式識別法[1]、DS證據(jù)理論目標識別法[2-6]、模板匹配法[7-8]等。將觀測到的目標模式與已知的模式進行比較、配準，判斷目標類屬的過程就是模式識別。模糊模式識別即模式識別的模糊集方法，是在模式識別中引入模糊數(shù)學理論對目標進行更為有效的分類與識別方法。DS證據(jù)理論是基于基本概率分配函數(shù)的一種不確定性推理方法。

模板匹配法是一種最基本的模式識別方法。它是一種基于統(tǒng)計的識別方法，將直接觀測到的數(shù)據(jù)與數(shù)據(jù)庫中的原始數(shù)據(jù)進行對比，計算輸入模式與數(shù)據(jù)庫中各個模式的匹配度據(jù)此進行目標識別。對通信對抗來說就是識別出敵方可能的通信設備型號。模板匹配法因為相對簡單，在實際工作中得到了較為廣泛的應用。但在實際的通信對抗中，偵察數(shù)據(jù)基本上都存在誤差或不完整，對基于模板匹配的通信目標識別帶來了很大困難。為此，本文提出了一種改進的模板匹配方法，提高了數(shù)據(jù)誤差或參數(shù)缺失情況下的通信目標識別率。

1 通信目標識別基本思路

圖1為基本的通信目標識別過程。

圖1 通信目標識別過程Fig.1 Communication object recognition process

圖中各部分說明如下：

(1) 通信對抗目標參數(shù)：通信偵察設備獲取的目標通信參數(shù)。

(2) 粗分類器：根據(jù)通信偵察設備偵測到的目標參數(shù)，識別該通信信號的工作體制，進行通信目標信號的粗分類。

(3) 數(shù)據(jù)庫匹配：根據(jù)粗分類器的識別結(jié)果，把偵測到的目標參數(shù)與數(shù)據(jù)庫中該體制下所有的通信特征參數(shù)進行比對分析，計算每個特征參數(shù)的匹配度，選取大于閾值的匹配度對應的模式作為一個證據(jù)。當證據(jù)有多個時，形成證據(jù)集，為后續(xù)的不確定性推理服務。

(4) 不確定性推理：采用不確定推理技術(shù)對多個證據(jù)進行推理及組合。若系統(tǒng)不進行不確定性推理而直接進行決策，可將具有最大匹配度的模式作為最終的識別結(jié)果。

(5) 決策：確定通信目標識別的最終結(jié)果，一般選取最大可信度的通信型號為最終識別結(jié)果。

2 改進模板匹配的通信目標識別方法

2.1 參數(shù)歸一化

為了發(fā)揮數(shù)量級差別較小的目標參數(shù)在目標識別中的作用，通常需要對目標參數(shù)進行歸一化處理。目標參數(shù)歸一化主要對參數(shù)進行從有量綱到無量綱的一個處理，保證每個參數(shù)在同一個區(qū)間上取值。常用的參數(shù)歸一化方法有線性歸一化、非線性歸一化。非線性歸一化又分為對數(shù)法、指數(shù)法等。

(1) 線性歸一化

(1)

(2) 對數(shù)法

(2)

式中：C=lnγ，γ為滿足αγ≥1的常數(shù)。對數(shù)中的常數(shù)γ是為了保證小數(shù)據(jù)取對數(shù)后為正值。因為自然對數(shù)函數(shù)是增函數(shù)，所以可以保證比α大的小數(shù)據(jù)取對數(shù)后為正值。

(3) 指數(shù)法

(3)

式中：γ須滿足βγ≤k，k為常數(shù)，一般取k=20。

線性歸一化對小數(shù)據(jù)的區(qū)分能力不強；指數(shù)法對大數(shù)據(jù)的區(qū)分能力不強；只有對數(shù)法歸一化后的數(shù)據(jù)分布較均勻，易于數(shù)據(jù)的分離[9]。

2.2 模板匹配法

把測量模板與樣本模板進行比對的過程，稱為模板匹配。測量模板即偵測數(shù)據(jù)，樣本模板即數(shù)據(jù)庫中的特征參數(shù)。偵測數(shù)據(jù)與數(shù)據(jù)庫中的特征樣本匹配的好壞，取決于偵測數(shù)據(jù)各單元與數(shù)據(jù)庫中對應的各特征參數(shù)匹配的好壞。

為了使模式空間中的點X,Y,Z的距離能作為這些樣本之間相似度的度量，所選的距離函數(shù)應滿足下列條件：

(4)

這里列舉出若干種滿足以上距離條件的函數(shù)[10]：

(1) Manhattan 距離

(5)

(2) Euclidean 距離

(6)

(3) “City-Block”距離

(7)

式中：ωi為第i個特征參數(shù)在識別中所占的權(quán)重。

2.3 改進的模板匹配法

經(jīng)過理論計算，使用City-Block距離比使用Manhattan距離和Euclidean距離有更高的目標識別率，因此通常選擇City-Block距離作為通信目標識別的數(shù)據(jù)庫匹配方法。但是，由于City-Block距離不能很好地解決通信參數(shù)誤差大或缺失情況下的目標識別問題，本文提出了一種修正“City-Block”距離方法。

文獻[9，11]也提出了一種改進的“City-Block”距離方法，如式(8)所示。但對式(8)進行分析發(fā)現(xiàn)：①當偵測數(shù)據(jù)或模板數(shù)據(jù)為0時，并不能保證歸一化后的數(shù)據(jù)在[0,1]之間；②當xi>2,yi>0時，歸一化后的數(shù)據(jù)大于1；③當xi-yi相同時，不論xi>yi或yi>xi，結(jié)果卻完全不同。

(8)

本文提出的修正“City-Block”距離方法，通過對數(shù)歸一化，并選擇最大的特征參數(shù)值進行歸一化，解決了上述問題。

根據(jù)先對數(shù)歸一化然后計算距離誤差的原理，根據(jù)式(2)和式(7)可得到下列公式

(9)

(10)

式(9)中的d越大，說明兩者之間的差異越大，相似程度越?。环粗甦越小，說明兩者之間的差異越小，相似程度越大。其中，d(X,Y)為待匹配測量模板數(shù)據(jù)與數(shù)據(jù)庫中模板數(shù)據(jù)之間的距離，X為通信偵察設備的測量數(shù)據(jù)，xi為測量數(shù)據(jù)中第i個特征參數(shù)；Y為數(shù)據(jù)庫中的模板數(shù)據(jù)，yi為模板數(shù)據(jù)中第i個特征參數(shù)，maxyi為第i個特征參數(shù)的最大值；ωi為第i個特征參數(shù)在識別中所占的權(quán)重。

通信信號特征參數(shù)有頻率、帶寬、電平、調(diào)制方式[12]等，由于通信頻率、信號調(diào)制方式、信號帶寬、頻點個數(shù)、頻率范圍等各類通信參數(shù)對目標的區(qū)分能力不同，因此它們對目標識別的貢獻率也有所不同，不同的貢獻率賦予不同的權(quán)重。權(quán)重的計算方法有專家經(jīng)驗法[13]、層次分析法[14]、熵值計算法[15]等。專家經(jīng)驗法主觀性強，不同的專家經(jīng)驗不同，選擇的權(quán)重系數(shù)不同，造成的識別結(jié)果也不同。層次分析法通過比較兩兩特征參數(shù)對目標識別的重要性，建立判斷矩陣，通過計算判斷矩陣的特征值求解權(quán)重系數(shù)。熵是信息論中的一個重要概念，熵值的大小用來表示該特征參數(shù)的影響系數(shù)。熵值越大，越不能很好地區(qū)分目標之間的差異，識別結(jié)果越不穩(wěn)定，對識別結(jié)果的貢獻就越小。反之熵值越小，識別結(jié)果就越趨于穩(wěn)定，對識別結(jié)果的貢獻就越大。熵值計算法算法簡單、實現(xiàn)速度快。

設數(shù)據(jù)庫中共有m個通信目標型號，有n個特征參數(shù)，P為數(shù)據(jù)庫歸一化的特征參數(shù)矩陣，則第i個特征參數(shù)的熵值可以用式(11)計算。

(11)

式中：k>0。

定義第i個特征參數(shù)的權(quán)重系數(shù)為

(12)

令S表示偵察數(shù)據(jù)X與Y數(shù)據(jù)庫中模板數(shù)據(jù)之間的相似度，如式(13)所示，S越大，相似程度越大；反之，則相似程度越小。

S(X,Y)=1-d(X,Y).

(13)

3 仿真分析

3.1 仿真條件

由于在通信偵察過程中，參數(shù)很難完全獲得，往往會出現(xiàn)參數(shù)不完整的情況。因此仿真計算過程分參數(shù)完整和參數(shù)不完整2種情況分別進行仿真。分別假設識別數(shù)據(jù)庫有30個和200個通信目標類型，每個目標類型的通信參數(shù)包括設備的常用頻率、最小頻率、最大頻率、頻點個數(shù)、信號調(diào)制方式、信號帶寬、信號電平等。

3.2 仿真結(jié)果

(1) 參數(shù)完整時4種識別方法的識別正確率比較

當參數(shù)完整時，各特征參數(shù)匹配法在不同誤差下的識別率如圖2，3所示。圖2為數(shù)據(jù)庫有30個通信目標類型的識別率，圖3 為數(shù)據(jù)庫有200個通信目標類型的識別率。

圖2 數(shù)據(jù)庫有30個通信目標類型的識別率 Fig.2 Recognition rates with 30 types of communication object in database

圖3 數(shù)據(jù)庫有200個通信目標類型的識別率Fig.3 Recognition rates with 200 types of communication object in database

從圖2，3可以看出，測量誤差為3%時，Manhattan 匹配法和Euclidean匹配法識別率下降明顯，前者的識別率為88%，而后者的識別率為83%左右；測量誤差為8%時，Euclidean 匹配法識別率下降更快，識別率只有70%左右，City-Block識別率達到了85%，修正City-Block在2種情況下，識別率都達到90%以上。在4種方法中，修正City-Block識別率最高。

(2) 參數(shù)不完整時4種識別方法的識別正確率比較

在通信對抗中，往往存在著偵察反偵察、對抗反對抗的交鋒。通信環(huán)境復雜、交錯、多變。因此在現(xiàn)實情況中，很難完全獲得敵方的通信參數(shù)，經(jīng)常會出現(xiàn)通信參數(shù)不完整的情況。

當待識別的參數(shù)數(shù)據(jù)有一個特征參數(shù)缺失時，這4種特征參數(shù)匹配法在不同測量誤差下的識別率如圖4，5所示。圖4是頻點個數(shù)缺失下4種方法的識別率，圖5是信號調(diào)制方式缺失下4種方法的識別率。

圖4 頻點個數(shù)缺失下的識別率Fig.4 Recognition rates with missing number of frequency points

圖5 信號調(diào)制方式缺失下的識別率Fig.5 Recognition rates with missing signal modulation modes

從圖4，5可以看出，測量誤差大于3%時， Manhattan 匹配法和Euclidean匹配法識別率下降明顯，前者識別率為84%，后者識別率為77%；測量誤差為8%時，Euclidean 匹配法識別率下降更快，識別正確率只有35%。而City-Block和修正City-Block方法在測量誤差為3%時，識別率分別為88%和92%。隨著測量誤差不斷增大達到8%時，City-Block方法的識別率為64%，而修正City-Block方法識別率為76%。

總之，無論參數(shù)完整還是部分缺失，修正City-Block方法在4種方法中識別率都最高。但該方法僅適用于識別數(shù)據(jù)庫里已存有通信目標類型的目標識別情形，對新增通信目標類型的目標識別有待提高。

4 結(jié)束語

在信息化作戰(zhàn)條件下，作戰(zhàn)環(huán)境十分復雜。作戰(zhàn)雙方都會采用偽裝、隱蔽、欺騙和干擾等手段和技術(shù)，進行識別和反識別的交鋒，從而造成目標識別信息的不精確、不完整、不可靠等。本文針對實戰(zhàn)條件下可能出現(xiàn)的偵察數(shù)據(jù)誤差大和通信參數(shù)缺失的情況，提出了一種修正City-Block模板匹配方法。通過仿真計算，無論參數(shù)完整或缺失，修正City-Block匹配方法都實現(xiàn)了較高的通信目標識別正確率，同時還具有較好的容錯性。