顧 鵬， 王碧垚， 黃黔川， 李 偉， 張明陽(yáng)

(電子信息控制重點(diǎn)實(shí)驗(yàn)室， 四川 成都 610036)

0 引 言

電子情報(bào)偵察作為現(xiàn)代體系作戰(zhàn)的重要環(huán)節(jié)，通過截獲并處理雷達(dá)輻射源的信號(hào)，以查明敵方輻射源的技術(shù)特性、地理位置、用途、能力、威脅程度、薄弱環(huán)節(jié)等信息。然而隨著雷達(dá)技術(shù)的發(fā)展，雷達(dá)信號(hào)的調(diào)制方式越來(lái)越復(fù)雜，特別是相控陣?yán)走_(dá)越來(lái)越普遍，雷達(dá)信號(hào)呈現(xiàn)參數(shù)多變化快、工作帶寬多樣化以及特征日益隱蔽的特點(diǎn)，而且不同雷達(dá)參數(shù)經(jīng)常出現(xiàn)“混疊”現(xiàn)象使得識(shí)別的難度大大增加，因此如何正確識(shí)別敵方雷達(dá)目標(biāo)是電子情報(bào)偵察的關(guān)鍵技術(shù)之一。

雷達(dá)目標(biāo)識(shí)別一直是研究的熱點(diǎn)領(lǐng)域，但現(xiàn)有資料對(duì)基于雷達(dá)輻射源脈間參數(shù)進(jìn)行艦船目標(biāo)個(gè)體識(shí)別的研究較少。文獻(xiàn)[1]介紹了雷達(dá)輻射源識(shí)別技術(shù)發(fā)展歷程和現(xiàn)狀；文獻(xiàn)[2]講述了輻射源個(gè)體識(shí)別(Specific Emitter Identification，SEI)發(fā)展現(xiàn)狀，通過使用SEI技術(shù)能夠利用雷達(dá)自身的無(wú)意調(diào)制信息進(jìn)行個(gè)體識(shí)別，但要獲取雷達(dá)信號(hào)脈內(nèi)信息；文獻(xiàn)[3]將時(shí)域脈沖波形作為訓(xùn)練樣本，使用深度學(xué)習(xí)方法進(jìn)行雷達(dá)輻射源型號(hào)識(shí)別，但未能識(shí)別到目標(biāo)個(gè)體；文獻(xiàn)[4]利用輻射源脈間參數(shù)通過特征參數(shù)匹配法進(jìn)行雷達(dá)信號(hào)識(shí)別，要人工預(yù)設(shè)輻射源脈間參數(shù)特征權(quán)重及閾值，而且未能識(shí)別到目標(biāo)個(gè)體；文獻(xiàn)[5]利用航跡關(guān)聯(lián)理論和輻射源配備關(guān)系能夠進(jìn)行輻射源平臺(tái)識(shí)別。綜上所述，目前雷達(dá)目標(biāo)的識(shí)別主要依據(jù)雷達(dá)信號(hào)脈內(nèi)或脈間特征提取。脈內(nèi)信息含有豐富的雷達(dá)“指紋”特征，但由于網(wǎng)絡(luò)帶寬限制，大多時(shí)候脈內(nèi)中頻數(shù)據(jù)無(wú)法進(jìn)行實(shí)時(shí)傳輸處理，只能用于事后分析，并且由于設(shè)備存儲(chǔ)容量限制無(wú)法進(jìn)行全時(shí)段數(shù)據(jù)采集，脈間參數(shù)特征通常只能識(shí)別到雷達(dá)型號(hào)，因此利用雷達(dá)輻射源脈間參數(shù)并結(jié)合其他維度信息進(jìn)行目標(biāo)個(gè)體識(shí)別的研究變得十分必要。本文依據(jù)雷達(dá)輻射源脈間參數(shù)和目標(biāo)歷史航跡數(shù)據(jù)進(jìn)行目標(biāo)個(gè)體識(shí)別，艦船目標(biāo)個(gè)體識(shí)別的難點(diǎn)在于海上同型多目標(biāo)編隊(duì)場(chǎng)景，由于雷達(dá)相同并且位置接近導(dǎo)致無(wú)法進(jìn)行有效區(qū)分，鑒于此本文提出一種基于KNN和雷達(dá)輻射源脈間參數(shù)的艦船目標(biāo)個(gè)體識(shí)別方法，一是能夠滿足實(shí)時(shí)處理時(shí)效性，二是能夠提升同型多目標(biāo)識(shí)別正確率。

1 KNN原理

K最鄰近(K-Nearest Neighbor，KNN)算法是距離度量學(xué)習(xí)方法中的一種，其在對(duì)樣本進(jìn)行分類時(shí)，是根據(jù)查詢樣本最近的K個(gè)近鄰的標(biāo)簽來(lái)將其分類。KNN最鄰近分類算法的實(shí)現(xiàn)原理：為了判斷未知樣本的類別，以所有已知類別的樣本作為參照，計(jì)算未知樣本與所有已知樣本的距離，從中選取與未知樣本距離最近的K個(gè)已知樣本，根據(jù)少數(shù)服從多數(shù)的投票法則，將未知樣本與K個(gè)最鄰近樣本中所屬類別占比較多的歸為一類。在scikit-learn中，KNN算法的K是通過 n_neighbors參數(shù)來(lái)調(diào)節(jié)的，默認(rèn)值是5。

如圖1所示，若K=3，由于紅色三角形所占比例為2/3，綠色圓將被判定為屬于紅色三角形那個(gè)類；若K=5，由于藍(lán)色四方形比例為3/5，因此綠色圓將被判定為屬于藍(lán)色四方形類[6]。

圖1 KNN原理圖

2 基于輻射源脈間參數(shù)的目標(biāo)個(gè)體識(shí)別

由于KNN最鄰近分類算法在分類決策時(shí)只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)決定待分類樣本所屬的類別，而不是靠判別類域的方法來(lái)確定所屬類別，因此，對(duì)于類域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合[7-9]。海上目標(biāo)編隊(duì)跟蹤存在多條航跡反復(fù)錯(cuò)誤交叉的問題，當(dāng)輻射源目標(biāo)參數(shù)可區(qū)分時(shí)，能夠通過輻射源脈間參數(shù)進(jìn)行關(guān)聯(lián)判決，但當(dāng)輻射源參數(shù)接近或重疊時(shí)，僅依據(jù)輻射源脈間參數(shù)已經(jīng)無(wú)法區(qū)分。因此，本文提出一種基于KNN和雷達(dá)輻射源脈間參數(shù)的艦船目標(biāo)個(gè)體識(shí)別方法，能夠依據(jù)輻射源脈間參數(shù)和目標(biāo)歷史航跡對(duì)同型多目標(biāo)進(jìn)行有效識(shí)別，流程如圖2所示。

圖2 基于KNN和雷達(dá)輻射源脈間參數(shù)的艦船目標(biāo)個(gè)體識(shí)別流程圖

2.1 基于脈間參數(shù)的雷達(dá)輻射源識(shí)別

輻射源脈間參數(shù)通常由多個(gè)參數(shù)組成，例如載頻、重頻、脈寬、天線掃描方式等，用于描述雷達(dá)輻射源不同維度的特征。每個(gè)參數(shù)用特定的類型和參數(shù)值來(lái)進(jìn)行表征。不同的脈間參數(shù)對(duì)應(yīng)不同的雷達(dá)工作模式，一般雷達(dá)不同則工作模式也不同，因此，可以利用輻射源脈間參數(shù)特征進(jìn)行雷達(dá)輻射源識(shí)別。常用的基于脈間參數(shù)的雷法輻射源識(shí)別方法有兩種：1)傳統(tǒng)的雷達(dá)信號(hào)參數(shù)模板匹配法，通過設(shè)置不同特征參數(shù)關(guān)聯(lián)識(shí)別門限和權(quán)重，將待識(shí)別雷達(dá)信號(hào)與識(shí)別庫(kù)信號(hào)數(shù)據(jù)依次比較并計(jì)算識(shí)別置信度，選擇置信度最高的作為結(jié)果輸出；2)基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的自動(dòng)目標(biāo)特征提取分類方法，如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)等，通過對(duì)輻射源歷史樣本數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)生成網(wǎng)絡(luò)模型，再將待識(shí)別數(shù)據(jù)輸入模型進(jìn)行分類與預(yù)測(cè)。本文主要討論目標(biāo)個(gè)體識(shí)別即輻射源搭載平臺(tái)的識(shí)別，平臺(tái)識(shí)別過程中直接利用輻射源型號(hào)識(shí)別的結(jié)果，在此對(duì)輻射源型號(hào)識(shí)別的過程不做贅述。

2.2 基于時(shí)間-質(zhì)心分布的近鄰分類改進(jìn)算法

基于KNN和雷達(dá)輻射源脈間參數(shù)的艦船目標(biāo)個(gè)體識(shí)別方法結(jié)合雷達(dá)輻射源脈間參數(shù)和目標(biāo)歷史航跡數(shù)據(jù)進(jìn)行目標(biāo)個(gè)體識(shí)別，前置條件是當(dāng)前的艦船目標(biāo)個(gè)體已識(shí)別出，并且輻射源與艦船平臺(tái)的搭載關(guān)系已知。該方法通過設(shè)置時(shí)間和距離范圍來(lái)確定K，從而限定當(dāng)前可能識(shí)別的目標(biāo)范圍，范圍內(nèi)每個(gè)目標(biāo)根據(jù)歷史航跡計(jì)算質(zhì)心并記錄最新時(shí)間，當(dāng)有未知輻射源信號(hào)到達(dá)時(shí)，則與范圍內(nèi)雷達(dá)目標(biāo)進(jìn)行參數(shù)關(guān)聯(lián)，關(guān)聯(lián)成功則進(jìn)一步計(jì)算與質(zhì)心距離來(lái)判斷目標(biāo)所屬類別，否則認(rèn)為不是范圍內(nèi)的目標(biāo)。

在傳統(tǒng)的KNN中，若K值過大，非相似數(shù)據(jù)被包含較多，造成噪聲增加而導(dǎo)致分類正確率降低；若K值過小，得到的近鄰數(shù)過少，會(huì)降低分類精度，同時(shí)也會(huì)放大噪聲數(shù)據(jù)的干擾。因此，本文提出了基于時(shí)間-質(zhì)心分布的近鄰分類改進(jìn)算法，引入了時(shí)間-質(zhì)心的概念。實(shí)現(xiàn)方法為：用待分類樣本與K個(gè)近鄰樣本質(zhì)心的距離來(lái)代替待分類樣本與訓(xùn)練樣本之間的距離。

(1)

(2)

F(x)=θ0·x0+θ1·x1+…+θn·xn=θ·X

(3)

式中：θ為質(zhì)心影響因子向量，由x各階權(quán)重系數(shù)構(gòu)成；X為自變量向量，由x各階指數(shù)構(gòu)成。

式(3)表示質(zhì)心與坐標(biāo)函數(shù)方程，影響因子為時(shí)間、定位誤差等，通過對(duì)近鄰點(diǎn)進(jìn)行綜合加權(quán)，保證時(shí)間近、定位誤差小的點(diǎn)權(quán)值高。

式(1)和(2)表示一定時(shí)間和距離范圍內(nèi)，m個(gè)近鄰樣本航跡的質(zhì)心。通過計(jì)算待分類樣本與質(zhì)心的距離確定所屬類別，如果待分類樣本距離近鄰樣本的質(zhì)心越近，則待分類樣本與近鄰樣本越“相似”，預(yù)測(cè)越準(zhǔn)確。

本文選歐氏距離作為距離度量。以計(jì)算二維空間中的A(x1,y1)、B(x2,y2)兩點(diǎn)之間的距離為例，歐氏距離d為

(4)

實(shí)現(xiàn)步驟：

1)通過設(shè)置時(shí)間和距離范圍確定K；

2)確定K個(gè)樣本所在類別分別為{ω1,ω2,…,ωn}；

4)計(jì)算待分類樣本x0與各類別樣本質(zhì)心的距離dωi,i=1,2,…,n；

5)計(jì)算最短距離dωi所對(duì)應(yīng)的類別，即為待分類樣本所屬類別。

該方法實(shí)質(zhì)是通過計(jì)算K個(gè)近鄰樣本質(zhì)心，放大了不同類樣本間的距離，提升了分類正確率。相對(duì)于傳統(tǒng)KNN算法主要有兩個(gè)優(yōu)點(diǎn)：1)當(dāng)樣本不平衡時(shí)通過對(duì)K近鄰點(diǎn)進(jìn)行加權(quán)，保證在進(jìn)行目標(biāo)航跡識(shí)別時(shí)距離近、時(shí)間近、定位誤差小的點(diǎn)權(quán)值高，并通過設(shè)置閾值消除噪聲干擾；2)通過時(shí)間、距離確定K，不需要計(jì)算待分類樣本與所有樣本的距離，只計(jì)算與質(zhì)心的距離，保證正確率的同時(shí)降低了運(yùn)算量。

3 仿真實(shí)驗(yàn)與結(jié)果分析

場(chǎng)景設(shè)置：由于中低軌衛(wèi)星在一次偵察任務(wù)中對(duì)海上目標(biāo)偵察持續(xù)時(shí)間比較短，考慮艦船目標(biāo)慢速移動(dòng)特性及時(shí)空約束強(qiáng)的特點(diǎn)，一次偵察任務(wù)中目標(biāo)之間的編隊(duì)陣型變化不大。所以一個(gè)海上目標(biāo)編隊(duì)可以看做是在偵察時(shí)間內(nèi)相對(duì)位置不變朝著某一固定方向作勻速直線運(yùn)動(dòng)?，F(xiàn)假設(shè)有一個(gè)海上目標(biāo)編隊(duì)，編隊(duì)中三艘軍艦D1、D2和D3兩兩相距d，其中D1和D2同時(shí)搭載A雷達(dá)，D3搭載B雷達(dá)，A和B雷達(dá)輻射源參數(shù)見表1。編隊(duì)以20節(jié)(1節(jié)=1.852 km/h)航速朝某一固定方向勻速航行，相對(duì)位置保持不變，偵察衛(wèi)星對(duì)目標(biāo)進(jìn)行連續(xù)跟蹤監(jiān)視。

場(chǎng)景分析：現(xiàn)假定D1、D2和D3航跡均已起始，信號(hào)參數(shù)已識(shí)別，當(dāng)有未知輻射源信號(hào)到達(dá)時(shí)，先依次與D1、D2和D3三個(gè)目標(biāo)進(jìn)行參數(shù)關(guān)聯(lián)，若關(guān)聯(lián)度小于閾值則認(rèn)為是不同雷達(dá)，否則認(rèn)為是同型雷達(dá)，則利用改進(jìn)最近鄰分類算法計(jì)算與質(zhì)心距離來(lái)判決待識(shí)別雷達(dá)目標(biāo)所屬類別。根據(jù)知識(shí)庫(kù)中雷達(dá)與平臺(tái)的搭載關(guān)系，若與A雷達(dá)參數(shù)關(guān)聯(lián)成功則認(rèn)為該信號(hào)屬于D1、D2目標(biāo)，通過計(jì)算與D1、D2質(zhì)心距離判斷目標(biāo)所屬類別；若與B雷達(dá)參數(shù)關(guān)聯(lián)成功，則認(rèn)為該信號(hào)屬于D3目標(biāo)；若與雷達(dá)A、B均未關(guān)聯(lián)成功，則認(rèn)為是新雷達(dá)信號(hào)。后兩種情況依靠參數(shù)就能區(qū)分目標(biāo)個(gè)體，相對(duì)簡(jiǎn)單，因此本文重點(diǎn)對(duì)第一種同型多目標(biāo)情況進(jìn)行仿真分析。

表1 雷達(dá)輻射源參數(shù)

場(chǎng)景仿真：假設(shè)衛(wèi)星一次偵察任務(wù)持續(xù)10 min，每10 s偵收一個(gè)目標(biāo)信號(hào)，共計(jì)60次。衛(wèi)星平均定位精度圓概率誤差(Circular Error Probable，CEP)為4 km，當(dāng)d=3 km時(shí)，目標(biāo)D1和D2真實(shí)航跡和觀測(cè)航跡如圖3所示，可以看出目標(biāo)航跡已經(jīng)重疊在一起，很難直接區(qū)分。

圖3 d=3 km時(shí)目標(biāo)D1和D2真實(shí)航跡和觀測(cè)航跡

當(dāng)d=2 km時(shí)，目標(biāo)D1和D2真實(shí)航跡和觀測(cè)航跡如圖4所示，此時(shí)大部分航跡已經(jīng)混疊無(wú)法直接進(jìn)行區(qū)分。

假設(shè)訓(xùn)練集所占比例為0.75，訓(xùn)練集為45次，測(cè)試集為15次，即每次對(duì)后15次偵收目標(biāo)信號(hào)進(jìn)行預(yù)測(cè)，進(jìn)行20次蒙特卡羅仿真統(tǒng)計(jì)分類正確率，仿真中通過設(shè)置時(shí)間和距離范圍確定K值。

當(dāng)d=3 km，K=5時(shí)，分類正確率如圖5所示，其中基于時(shí)間-質(zhì)心分布KNN改進(jìn)算法和傳統(tǒng)KNN算法平均正確率分別為：0.898和0.782。

圖4 d=2 km時(shí)目標(biāo)D1和D2真實(shí)航跡和觀測(cè)航跡

圖5 當(dāng)d=3 km，K=5時(shí)，分類正確率

圖6 當(dāng)d=3 km，K=10時(shí)，分類正確率

當(dāng)d=3 km，K=10時(shí)，分類正確率如圖6所示，其中基于時(shí)間-質(zhì)心分布KNN改進(jìn)算法和傳統(tǒng)KNN算法平均正確率分別為：0.951和0.798。

當(dāng)d=2 km，K=5時(shí)，分類正確率如圖7所示，其中基于時(shí)間-質(zhì)心分布KNN改進(jìn)算法和傳統(tǒng)KNN算法平均正確率分別為：0.814和0.691。

圖7 當(dāng)d=2 km，K=5時(shí)，分類正確率

當(dāng)d=2 km，K=10時(shí)，分類正確率如圖8所示，其中基于時(shí)間-質(zhì)心分布KNN改進(jìn)算法和傳統(tǒng)KNN算法平均正確率分別為：0.856和0.685。

當(dāng)d=3 km時(shí)，計(jì)算K取值對(duì)時(shí)間-質(zhì)心分布KNN算法影響，如圖9所示。

圖8 當(dāng)d=2 km，K=10時(shí)，分類正確率

圖9 K取值對(duì)時(shí)間-質(zhì)心分布KNN算法影響

由前文分析可知，當(dāng)目標(biāo)距離小于定位精度時(shí)，KNN算法能夠利用歷史航跡對(duì)不同目標(biāo)進(jìn)行有效識(shí)別，基于時(shí)間-質(zhì)心分布KNN改進(jìn)算法相比傳統(tǒng)KNN算法平均正確率提高至少10%，正確率隨著K取值增大而提高，當(dāng)K=5時(shí)，正確率超過0.9，K=10時(shí)，正確率超過0.95，但K=10以后提升相對(duì)緩慢。

4 結(jié) 語(yǔ)

本文研究了一種基于KNN和雷達(dá)輻射源脈間參數(shù)的艦船目標(biāo)個(gè)體識(shí)別方法，能夠依據(jù)輻射源脈間參數(shù)和目標(biāo)歷史航跡對(duì)同型多目標(biāo)進(jìn)行有效識(shí)別，并在傳統(tǒng)的KNN算法基礎(chǔ)上進(jìn)行改進(jìn)有效提升識(shí)別正確率，具有識(shí)別正確率高，運(yùn)算量低的優(yōu)點(diǎn)。下一步將研究對(duì)航跡進(jìn)行跟蹤濾波和狀態(tài)估計(jì)，進(jìn)一步提升識(shí)別準(zhǔn)確率。