顧 鵬， 王碧垚， 黃黔川， 李 偉， 張明陽

(電子信息控制重點實驗室， 四川 成都 610036)

0 引 言

電子情報偵察作為現(xiàn)代體系作戰(zhàn)的重要環(huán)節(jié)，通過截獲并處理雷達輻射源的信號，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。然而隨著雷達技術(shù)的發(fā)展，雷達信號的調(diào)制方式越來越復(fù)雜，特別是相控陣?yán)走_越來越普遍，雷達信號呈現(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，而且不同雷達參數(shù)經(jīng)常出現(xiàn)“混疊”現(xiàn)象使得識別的難度大大增加，因此如何正確識別敵方雷達目標(biāo)是電子情報偵察的關(guān)鍵技術(shù)之一。

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

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，其在對樣本進行分類時，是根據(jù)查詢樣本最近的K個近鄰的標(biāo)簽來將其分類。KNN最鄰近分類算法的實現(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類；若K=5，由于藍色四方形比例為3/5，因此綠色圓將被判定為屬于藍色四方形類[6]。

圖1 KNN原理圖

2 基于輻射源脈間參數(shù)的目標(biāo)個體識別

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

圖2 基于KNN和雷達輻射源脈間參數(shù)的艦船目標(biāo)個體識別流程圖

2.1 基于脈間參數(shù)的雷達輻射源識別

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

2.2 基于時間-質(zhì)心分布的近鄰分類改進算法

基于KNN和雷達輻射源脈間參數(shù)的艦船目標(biāo)個體識別方法結(jié)合雷達輻射源脈間參數(shù)和目標(biāo)歷史航跡數(shù)據(jù)進行目標(biāo)個體識別，前置條件是當(dāng)前的艦船目標(biāo)個體已識別出，并且輻射源與艦船平臺的搭載關(guān)系已知。該方法通過設(shè)置時間和距離范圍來確定K，從而限定當(dāng)前可能識別的目標(biāo)范圍，范圍內(nèi)每個目標(biāo)根據(jù)歷史航跡計算質(zhì)心并記錄最新時間，當(dāng)有未知輻射源信號到達時，則與范圍內(nèi)雷達目標(biāo)進行參數(shù)關(guān)聯(lián)，關(guān)聯(lián)成功則進一步計算與質(zhì)心距離來判斷目標(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，會降低分類精度，同時也會放大噪聲數(shù)據(jù)的干擾。因此，本文提出了基于時間-質(zhì)心分布的近鄰分類改進算法，引入了時間-質(zhì)心的概念。實現(xiàn)方法為：用待分類樣本與K個近鄰樣本質(zhì)心的距離來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，影響因子為時間、定位誤差等，通過對近鄰點進行綜合加權(quán)，保證時間近、定位誤差小的點權(quán)值高。

式(1)和(2)表示一定時間和距離范圍內(nèi)，m個近鄰樣本航跡的質(zhì)心。通過計算待分類樣本與質(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)測越準(zhǔn)確。

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

(4)

實現(xiàn)步驟：

1)通過設(shè)置時間和距離范圍確定K；

2)確定K個樣本所在類別分別為{ω1,ω2,…,ωn}；

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

5)計算最短距離dωi所對應(yīng)的類別，即為待分類樣本所屬類別。

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

3 仿真實驗與結(jié)果分析

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

場景分析：現(xiàn)假定D1、D2和D3航跡均已起始，信號參數(shù)已識別，當(dāng)有未知輻射源信號到達時，先依次與D1、D2和D3三個目標(biāo)進行參數(shù)關(guān)聯(lián)，若關(guān)聯(lián)度小于閾值則認(rèn)為是不同雷達，否則認(rèn)為是同型雷達，則利用改進最近鄰分類算法計算與質(zhì)心距離來判決待識別雷達目標(biāo)所屬類別。根據(jù)知識庫中雷達與平臺的搭載關(guān)系，若與A雷達參數(shù)關(guān)聯(lián)成功則認(rèn)為該信號屬于D1、D2目標(biāo)，通過計算與D1、D2質(zhì)心距離判斷目標(biāo)所屬類別；若與B雷達參數(shù)關(guān)聯(lián)成功，則認(rèn)為該信號屬于D3目標(biāo)；若與雷達A、B均未關(guān)聯(lián)成功，則認(rèn)為是新雷達信號。后兩種情況依靠參數(shù)就能區(qū)分目標(biāo)個體，相對簡單，因此本文重點對第一種同型多目標(biāo)情況進行仿真分析。

表1 雷達輻射源參數(shù)

場景仿真：假設(shè)衛(wèi)星一次偵察任務(wù)持續(xù)10 min，每10 s偵收一個目標(biāo)信號，共計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，目標(biāo)D1和D2真實航跡和觀測航跡如圖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時目標(biāo)D1和D2真實航跡和觀測航跡

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

假設(shè)訓(xùn)練集所占比例為0.75，訓(xùn)練集為45次，測試集為15次，即每次對后15次偵收目標(biāo)信號進行預(yù)測，進行20次蒙特卡羅仿真統(tǒng)計分類正確率，仿真中通過設(shè)置時間和距離范圍確定K值。

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

圖4 d=2 km時目標(biāo)D1和D2真實航跡和觀測航跡

圖5 當(dāng)d=3 km，K=5時，分類正確率

圖6 當(dāng)d=3 km，K=10時，分類正確率

當(dāng)d=3 km，K=10時，分類正確率如圖6所示，其中基于時間-質(zhì)心分布KNN改進算法和傳統(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，分類正確率如圖7所示，其中基于時間-質(zhì)心分布KNN改進算法和傳統(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，分類正確率

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

當(dāng)d=3 km時，計算K取值對時間-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，分類正確率

圖9 K取值對時間-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，KNN算法能夠利用歷史航跡對不同目標(biāo)進行有效識別，基于時間-質(zhì)心分布KNN改進算法相比傳統(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，正確率超過0.9，K=10時，正確率超過0.95，但K=10以后提升相對緩慢。

4 結(jié) 語

本文研究了一種基于KNN和雷達輻射源脈間參數(shù)的艦船目標(biāo)個體識別方法，能夠依據(jù)輻射源脈間參數(shù)和目標(biāo)歷史航跡對同型多目標(biāo)進行有效識別，并在傳統(tǒng)的KNN算法基礎(chǔ)上進行改進有效提升識別正確率，具有識別正確率高，運算量低的優(yōu)點。下一步將研究對航跡進行跟蹤濾波和狀態(tài)估計，進一步提升識別準(zhǔn)確率。