張生杰 周 超 張譯方 徐 晶 徐才進(jìn) 邱光輝

(西南電子設(shè)備研究所 成都 610036)

0 引言

在作戰(zhàn)過程中，為了能快速響應(yīng)戰(zhàn)場變化，以便做出正確的對(duì)抗響應(yīng)，必須準(zhǔn)確識(shí)別對(duì)敵機(jī)載雷達(dá)的工作狀態(tài)，例如：當(dāng)敵機(jī)機(jī)載雷達(dá)對(duì)載機(jī)進(jìn)行跟蹤時(shí)，對(duì)載機(jī)構(gòu)成非常大的威脅，敵機(jī)隨時(shí)可能發(fā)射空空導(dǎo)彈，當(dāng)敵機(jī)雷達(dá)輻射源工作模式從近距離搜索向跟蹤模式轉(zhuǎn)變時(shí)，極可能是導(dǎo)彈攻擊的前兆，載機(jī)需及時(shí)破壞敵機(jī)機(jī)載雷達(dá)跟蹤狀態(tài)迫使其轉(zhuǎn)為搜索狀態(tài)，從而降低對(duì)載機(jī)的威脅。及時(shí)準(zhǔn)確地判識(shí)雷達(dá)輻射源的工作模式對(duì)指揮員迅速調(diào)整戰(zhàn)斗措施具有十分重要的意義。

通過對(duì)敵機(jī)機(jī)載雷達(dá)工作模式的準(zhǔn)確識(shí)別進(jìn)而判斷敵方機(jī)載雷達(dá)的工作狀態(tài)，最終達(dá)到敵方威脅等級(jí)準(zhǔn)確判斷，敵機(jī)目標(biāo)威脅等級(jí)將直接影響作戰(zhàn)系統(tǒng)對(duì)目標(biāo)干擾決策的管理，針對(duì)雷達(dá)不同工作模式，采取不同的最佳干擾樣式。因此對(duì)機(jī)載雷達(dá)工作模式的識(shí)別在機(jī)載自衛(wèi)電子對(duì)抗措施(ECM)中具有非常重要的作用。

針對(duì)雷達(dá)工作模式識(shí)別技術(shù)難點(diǎn)，目前已有的雷達(dá)工作模式識(shí)別算法有以下幾種：利用脈沖特征參數(shù)構(gòu)建相參處理間隔特征矩陣，將獲得的特征矩陣與雷達(dá)知識(shí)庫進(jìn)行關(guān)聯(lián)，實(shí)現(xiàn)雷達(dá)工作模式的識(shí)別；在對(duì)雷達(dá)天線掃描特性進(jìn)行分析的基礎(chǔ)上，基于幅值包絡(luò)分析的工作狀態(tài)識(shí)別方法，能對(duì)搜索和跟蹤兩種工作狀態(tài)進(jìn)行識(shí)別；依據(jù)擴(kuò)展脈沖描述字(PDW)，基于DS證據(jù)推理理論的機(jī)載火控雷達(dá)工作模式判別算法；采用去噪自動(dòng)編碼器自適應(yīng)地對(duì)雷達(dá)不同工作模式的信號(hào)特征學(xué)習(xí)和識(shí)別，避免了傳統(tǒng)模式識(shí)別中特征提取和特征選擇兩個(gè)過程，但該方法容易造成對(duì)訓(xùn)練樣本的過擬合，缺乏泛化能力。上述工作模式識(shí)別算法均存在不同程度缺陷，無法實(shí)現(xiàn)機(jī)載雷達(dá)工作模式實(shí)時(shí)準(zhǔn)確判識(shí)。

本文針對(duì)雷達(dá)的典型工作模式進(jìn)行分析，將時(shí)間序列相似性度量技術(shù)應(yīng)用在雷達(dá)工作模式識(shí)別中，提出了基于域變換的機(jī)載火控雷達(dá)工作模式識(shí)別技術(shù)，實(shí)現(xiàn)在變換域上機(jī)載火控雷達(dá)工作模式的準(zhǔn)確識(shí)別，極大的提高了識(shí)別精度和準(zhǔn)確率。

1 機(jī)載雷達(dá)工作模式分析

機(jī)載火控雷達(dá)對(duì)空工作時(shí)的主要工作模式包括SAM(Situation-Awareness-Mode，威脅態(tài)勢感知)、RWS(Rangle-While-Search，邊測距邊搜索)、TWS (Track-while-scan，邊搜索邊跟蹤)、STT(Single- Target-Track，單目標(biāo)跟蹤)。上述四種工作模式的特點(diǎn)如下所述。

1.1 SAM(威脅態(tài)勢感知)

該方式同時(shí)提供搜索和跟蹤的功能，在提供對(duì)不多于兩個(gè)目標(biāo)進(jìn)行高質(zhì)量跟蹤的同時(shí)，還能在特定的空域內(nèi)，實(shí)現(xiàn)對(duì)可疑目標(biāo)掃描搜索，高質(zhì)量跟蹤精度可以充分滿足導(dǎo)彈對(duì)各種超視距目標(biāo)的攻擊。當(dāng)發(fā)現(xiàn)有高威脅目標(biāo)出現(xiàn)，或需要以雷達(dá)全部資源去跟蹤一個(gè)特定的目標(biāo)時(shí)，載機(jī)雷達(dá)可自動(dòng)轉(zhuǎn)入單目標(biāo)跟蹤方式(STT)。

1.2 RWS(邊測距邊搜索)

提供低精度距離、速度、角度信息，全方位和在嚴(yán)重雜波環(huán)境中的空戰(zhàn)目標(biāo)的探測。使用高峰值功率和中重復(fù)頻率波形時(shí)，可提供精確的目標(biāo)數(shù)據(jù)，并具有良好的全方位探測特性和最小的盲區(qū)。

1.3 TWS(邊搜索邊跟蹤)

在搜索過程中，當(dāng)天線波束掃描通過跟蹤目標(biāo)方向時(shí)，對(duì)其進(jìn)行跟蹤，因而跟蹤數(shù)據(jù)率與搜索數(shù)據(jù)率相同。

1.4 STT(單目標(biāo)跟蹤)

可以從任何一種空對(duì)空狀態(tài)進(jìn)入這種狀態(tài)，實(shí)現(xiàn)特定目標(biāo)可靠的精確跟蹤，STT狀態(tài)提供跟蹤數(shù)據(jù)，以便支持近距和超視距空對(duì)空導(dǎo)彈的發(fā)射，也能提供近距射擊狀態(tài)的機(jī)炮瞄準(zhǔn)具的射擊包線。

敵方機(jī)載目標(biāo)的威脅程度直接取決于當(dāng)時(shí)機(jī)載雷達(dá)的工作模式，如若探測到敵方機(jī)載雷達(dá)的工作模式從RWS(邊測距邊跟蹤搜索)向STT(單目標(biāo)跟蹤)模式轉(zhuǎn)變時(shí)，這極有可能是導(dǎo)彈攻擊的前兆，及時(shí)準(zhǔn)確地判斷出敵方機(jī)載雷達(dá)的工作模式對(duì)指揮員迅速調(diào)整戰(zhàn)斗措施具有十分重要的意義。

2 機(jī)載雷達(dá)工作模式識(shí)別算法

本文通過時(shí)間序列相似性度量算法對(duì)RWS、TWS、SAM、STT等機(jī)載火控雷達(dá)四種典型工作模式進(jìn)行數(shù)學(xué)化建模，通過對(duì)全脈沖序列變化進(jìn)行分析比較，發(fā)現(xiàn)可通過脈沖重復(fù)周期和幅度參數(shù)的時(shí)序變化對(duì)上述四種工作模式進(jìn)行有效區(qū)分。RWS、TWS、SAM、STT四種工作模式脈沖重復(fù)周期和幅度變化如圖1、圖2、圖3、圖4所示。

圖1 RWS模式重復(fù)周期及幅度變化

圖2 TWS模式重復(fù)周期及幅度變化

圖3 SAM模式重復(fù)周期及幅度變化

圖4 STT模式重復(fù)周期及幅度變化

從圖1至4中可知，從幅度變化可以區(qū)分STT、RWS、SAM三種工作模式，而RWS和TWS的幅度變化相同，需要通過重復(fù)周期()的變化區(qū)分。

2.1 總體思路

參照時(shí)間序列相似性度量算法，本文通過適當(dāng)變換建模表征不同工作模式的幅度和聯(lián)合變化情況，采用特征表示方法將高維空間中的時(shí)間序列數(shù)據(jù)映射到低維空間，實(shí)現(xiàn)數(shù)據(jù)降維，降維后的特征數(shù)據(jù)能夠有效表征不同工作模式的參數(shù)變換規(guī)律，根據(jù)特征參數(shù)進(jìn)行分類識(shí)別。

因此本文采用基于域變換的時(shí)間序列特征提取方法，采用快速傅里葉變換(FFT)算法，將時(shí)間序列采用信號(hào)處理的方式實(shí)現(xiàn)時(shí)間域與頻率域之間的轉(zhuǎn)換，再利用頻率域下的有限個(gè)特征數(shù)據(jù)來近似表示原始序列。由于FFT變換后的低振幅系數(shù)對(duì)時(shí)間序列重建的貢獻(xiàn)很小，而且FFT產(chǎn)生的大多數(shù)系數(shù)都是低振幅，因此只需要部分高振幅系數(shù)就可以近似擬合原時(shí)間序列數(shù)據(jù)，一般情況下前10個(gè)傅里葉系數(shù)就可以充分表示原時(shí)間序列。

對(duì)四種工作模式的脈沖重復(fù)周期()和幅度參數(shù)進(jìn)行快速傅里葉變換(FFT)，分別取參數(shù)和幅度參數(shù)序列FFT變換結(jié)果的前10個(gè)傅里葉系數(shù)作為分類特征?？紤]到分別特征的非線性，因此通過SVM分類器進(jìn)行分類判識(shí)，實(shí)現(xiàn)雷達(dá)工作模式的準(zhǔn)確識(shí)別。

2.2 系統(tǒng)設(shè)計(jì)

針對(duì)機(jī)載火控雷達(dá)目標(biāo)工作模式識(shí)別率較低的問題，本文采用快速傅里葉變換和SVM分類算法實(shí)現(xiàn)工作模式的智能化識(shí)別，該方法整體識(shí)別流程如圖5所示，主要分為訓(xùn)練過程和識(shí)別過程。

圖5 FFT變換+SVM分類器實(shí)現(xiàn)

其中，訓(xùn)練過程為：

1)預(yù)處理

預(yù)處理的流程如圖6所示。主要步驟如下：

圖6 預(yù)處理流程

①數(shù)據(jù)解析：根據(jù)全脈沖數(shù)據(jù)接口格式，對(duì)數(shù)據(jù)進(jìn)行解析，同時(shí)根據(jù)裝備全脈沖數(shù)據(jù)記錄格式標(biāo)準(zhǔn)，處理時(shí)間翻轉(zhuǎn)等情況；

②頻段過濾：為濾除噪聲及背景信號(hào)影響，根據(jù)已知數(shù)據(jù)接收情況，按照頻段進(jìn)行過濾；

③切分及抽樣：對(duì)上述全脈沖序列按照時(shí)間的連續(xù)性進(jìn)行切分。若前后兩個(gè)到達(dá)時(shí)間間隔大于某一個(gè)閾值，則認(rèn)為是當(dāng)前工作模式的結(jié)束和下一個(gè)工作模式的開始。其次，對(duì)切分后的每幀數(shù)據(jù)，按照給定抽樣后個(gè)數(shù)進(jìn)行等間隔抽樣，抽樣后個(gè)數(shù)不足的按最小值補(bǔ)齊；

④歸一化：采用RobustScaler方法對(duì)數(shù)據(jù)進(jìn)行歸一化處理，該方法能夠忽略由于測量誤差造成的異常值，相比于MinMaxScaler和StandardScaler更具有魯棒性；

⑤數(shù)據(jù)變換：為同時(shí)表征幅度和的變化情況，將脈沖重復(fù)周期()和幅度兩維參數(shù)以向量的形式作為數(shù)據(jù)預(yù)處理的輸出。

2)快速傅里葉變換

分別對(duì)數(shù)據(jù)預(yù)處理后的和幅度數(shù)據(jù)進(jìn)行FFT變換。假設(shè)抽樣后離線時(shí)間序列數(shù)據(jù)為

{(),=1,2,3,…,}

其中，()為抽樣后的離散時(shí)間序列數(shù)據(jù)。運(yùn)用離線時(shí)間序列數(shù)據(jù)，進(jìn)行離散傅里葉變換，具體為

其中()為離散傅里葉變換后的傅里葉系數(shù)，取傅里葉變換結(jié)果的前10個(gè)傅里葉系數(shù)作為FFT變換結(jié)果。

3)標(biāo)簽加載

根據(jù)先驗(yàn)知識(shí)，對(duì)FFT變換后的數(shù)據(jù)加上標(biāo)簽，其中1代表RWS；2代表TWS；3代表SAM；4代表STT。

4)分類器訓(xùn)練

由于FFT變換后的具有非線性、高維、稀疏的特點(diǎn)，因此，采用SVM分類器進(jìn)行分類識(shí)別，以獲取高維稀疏數(shù)據(jù)的非線性分類邊界。

識(shí)別過程為：

①數(shù)據(jù)預(yù)處理

識(shí)別過程的預(yù)處理和訓(xùn)練過程的預(yù)處理過程相同，即需要對(duì)原始的全脈沖數(shù)據(jù)進(jìn)行解析、過濾、切分抽樣等操作。

②特征提取

對(duì)待識(shí)別數(shù)據(jù)的PRI和幅度進(jìn)行FFT變換，提取傅里葉系數(shù)作為下一級(jí)分類識(shí)別器的輸入特征。

③分類識(shí)別

基于傅里葉系數(shù)特征，采用SVM分類器對(duì)數(shù)據(jù)進(jìn)行分類識(shí)別。

3 仿真分析

為了驗(yàn)證算法的有效性，采用仿真數(shù)據(jù)進(jìn)行驗(yàn)證分析，對(duì)機(jī)載火控雷達(dá)四種工作模式進(jìn)行識(shí)別。

TWS、RWS、SAM、STT模式的數(shù)據(jù)FFT結(jié)果如圖7、圖9、圖11、圖13所示，幅度數(shù)據(jù)FFT變換結(jié)果如圖8、圖10、圖12、圖14所示。

圖7 TWS模式PRI及FFT變換結(jié)果

圖8 TWS模式幅度及其FFT變換結(jié)果

圖9 RWS模式PRI及FFT變換結(jié)果

圖10 RWS模式幅度及FFT變換結(jié)果

圖11 SAM模式PRI及FFT變換結(jié)果

圖12 SAM模式幅度及FFT變換結(jié)果

圖13 STT模式PRI及FFT變換結(jié)果

圖14 STT模式幅度及FFT變換結(jié)果

通過對(duì)FFT變換結(jié)果分析，SAM模式幅度變化規(guī)律比較明顯，通過FFT變化后的傅里葉系數(shù)可明顯區(qū)分出與其他工作模式的區(qū)別，在STT工作模式和幅度FFT變換結(jié)果中，第一個(gè)傅里葉系數(shù)均較大，后面的傅里葉系數(shù)非常小，并且傅里葉系數(shù)呈遞減趨勢，可根據(jù)此變化規(guī)律識(shí)別出STT工作模式數(shù)據(jù)，RWS與TWS的幅度變化規(guī)律差異很小，結(jié)合PRI維度的FFT變換結(jié)果區(qū)分，TWS模式PRI維度FFT變換結(jié)果相對(duì)RWS變換結(jié)果，第二個(gè)傅里葉系數(shù)要小很多，通過此特征可區(qū)分TWS和RWS兩種模式。

SVM分類器核函數(shù)kernel采用rbf，考慮到分類器的數(shù)據(jù)不均衡，因此樣本均衡參數(shù)class_weight設(shè)置為balanced，最大迭代次數(shù)設(shè)置為10次，懲罰系數(shù)C=10.0，gamma為0.9。

本文采取了識(shí)別率與誤警率來評(píng)價(jià)分類效果，其定義如下：

本文通過Matlab仿真產(chǎn)生試驗(yàn)數(shù)據(jù)，針對(duì)每個(gè)工作模式仿真產(chǎn)生10萬個(gè)掃描包絡(luò)的全脈沖數(shù)據(jù)，進(jìn)行100次重復(fù)試驗(yàn)，試驗(yàn)結(jié)果如表1所示，SAM、STT、RWS模式識(shí)別率均在90%以上，TWS模式識(shí)別率較低，整體識(shí)別率為93%，單包絡(luò)識(shí)別時(shí)間不大于3 ms。

表1 識(shí)別結(jié)果

4 結(jié)束語

本文借鑒時(shí)間序列模式挖掘中的相似性度量方法，提出基于域變換的機(jī)載火控雷達(dá)工作模式識(shí)別算法，結(jié)合人工智能識(shí)別算實(shí)現(xiàn)機(jī)載火控雷達(dá)目標(biāo)工作模式的準(zhǔn)確識(shí)別，該方法通過演習(xí)數(shù)據(jù)進(jìn)行測試驗(yàn)證，針對(duì)SAM、STT、RWS、TWS四種工作模式綜合識(shí)別率在90%以上，表明該算法切實(shí)可行。