胡曉玲

（91668部隊 上海 200083）

1 引言

雷達信號樣式分類與工作模式的判斷識別是雷達威脅等級評估的重要依據(jù)，是后續(xù)實現(xiàn)威脅估計、行為意圖推理、自適應雷達對抗等重要環(huán)節(jié)的基礎［1～3］，對干擾資源的合理分配提供支持具有重要意義。現(xiàn)代?？諔?zhàn)場上只有實時準確獲得敵方雷達信號特點、工作模式、模式探測性能和對抗能力，判斷對方雷達尤其是機載火控雷達威脅程度，以產生和啟動明確的技戰(zhàn)術動作，最大限度提高己方生存率。

2 雷達信號樣式及模式

目前，雷達信號樣式的用語多來自于日常偵測實踐，是對偵測到雷達脈沖描述字規(guī)律性結構體的叫法，雷達信號樣式通常包含脈沖到達時間（TOA）、載波頻率（RF）、脈沖寬度（PW）、脈沖重復間隔（PRI）和脈沖數(shù)（NOR）等參數(shù)及其規(guī)律性描述［1～5］。雷達短語則是將偵察截獲的脈沖串按照雷達字建模過程，得到脈沖串中包含的多組雷達字，因此，可以理解為雷達信號樣式接近或類同于雷達學術中的“雷達短語”，即分選后的單部雷達的一種信號工作樣式，通常包含于一種工作模式的脈沖信號序列［6～7］。國內常用方法有進一步采用支持向量機（SVM）、多層次建模判定、神經網(wǎng)絡等分類算法來識別工作模式［1，5～8］，本文的雷達信號樣式分類過程是對雷達短語的分類過程，首先提取雷達信號樣本的特征，再根據(jù)訓練樣本的PDW字結構利用支持向量機分類識別器對未知的雷達信號樣式（短語）進行分類，最后根據(jù)雷達信號樣式與工作模式的先驗知識進行模式推斷［8～10］。

3 支持向量機方法

支持向量機（SVM）的基本模型是特征空間上的間隔最大的線性分類器。模型訓練的目的是求解訓練樣本的最優(yōu)分類超平面g(x)=(w·x)+b=0，若用一個優(yōu)化問題來描述則可以寫成如下的形式［8～10］：

其中，N為訓練樣本個數(shù)，xi和yi分別是樣本數(shù)據(jù)和樣本類型，引入拉格朗日泛函，上述問題等價于下面的優(yōu)化問題的解：

上述問題是建立在訓練樣本線性可分的前提下，當訓練樣本線性不可分，則需要引入松弛變量求解最優(yōu)分類超平面問題。本文采用SVM支持向量機方法解決信號樣本分類，SVM算法將實際問題通過非線性變換轉換到高維（雷達短語PDW字中5～8個維度空間）的特征空間，在高維特征空間中構造線性判別函數(shù)來實現(xiàn)原始空間中的非線性判別函數(shù)［8～9］，并采用徑向基核函數(shù)保證機器有較好的推廣能力，算法的復雜度與雷達信號樣本維數(shù)無太大相關。

4 雷達信號樣式分類與判斷

實際工作中，獲取的某型雷達信號樣式多且未專門整理，并籠統(tǒng)將信號樣式、工作模式混為一談。雷達字是組成雷達信號的最基本單元，雷達短語則是由雷達字按照規(guī)則排列組成的序列，雷達句子是單部雷達包含多種工作模式的脈沖信號序列。國內外研究雷達工作模式識別［1，6～7］，是對一個以上雷達短語的識別，通常將雷達信號進行分層建模，使用載頻、脈寬、脈沖重復間隔、脈沖數(shù)等關鍵字對雷達脈沖序列采用“字-短語”的分層結構劃分，利用人工智能手段、機器學習等數(shù)學方法分類相近的多個雷達信號樣式，對所有分類器預測、投票，利用置信度確定分類結果。

4.1 雷達脈沖及信號樣式

雷達在不同的工作模式下，產生不同調制方式和瞬時帶寬的信號。雷達脈沖描述字主要有脈沖到達時間（TOA）、載波頻率（RF）、脈沖寬度（PW）、脈沖重復間隔（PRI）等參數(shù)，即PDW=｛TOA，RF，PW，PRI，NTOR｝。

4.2 信號分類與模式判斷流程

信號樣式分類中，考慮偵測信號噪聲誤差，編寫雷達信號樣本PDW字結構模型，進行大量樣本訓練、學習測試，減小雷達信號多維特征參數(shù)間交疊及模糊關系對樣本分類判定準確率的影響，并采用SVM支持向量機分類識別器對特征庫內信號樣式進行算法自動標簽計算和統(tǒng)計分類，實現(xiàn)信號樣式自動分類識別、區(qū)分，減少相似度高、規(guī)律性不強的人工研判模糊性和主觀性。雷達信號樣式的分類判定流程如下。

第一步：雷達信號樣式或短語。雷達脈沖描述字主要指標為PRIPWRFPWINTOR，并按照雷達信號特征庫的結構表述，建立雷達信號短語建模（雷達信號樣式）。

圖1 雷達工作樣式分類判定流程

第二步：模型訓練學習。以雷達信號樣式結構化描述的信號數(shù)組或結構體作為先驗知識庫來源，構建雷達信號樣式分類學習的訓練樣本集。經過高斯核分類模型、參數(shù)尋優(yōu)和自學習等步驟，優(yōu)化信號樣式分類模型。

第三步：信號樣式分類。對測試樣本集中的信號參數(shù)提取分層特征，按照雷達信號特征庫結構化表述，運用第二步中訓練好的雷達信號樣式分類模型；模型中采用一對一分類方法；如果給定m個類，對m個類中的每兩個類都訓練一個分類器，經所有分類器預測、投票確定類屬性；對于某個需要分類的雷達信號樣式，以最大置信度標記并輸出分類結果。

第四步：基于速度搜索、邊搜索邊測距、跟蹤加搜索、海空搜索等典型等工作模式波形特點，以雷達PRI、脈寬、占空比、波束駐留數(shù)等特征為主要信息綜合判斷分類后信號樣式所屬工作模式［11～12］。

5 仿真計算

5.1 雷達信號樣式分類

從雷達仿真數(shù)據(jù)庫中提取某部雷達的一、二、三、四等4種信號樣式，共計150個信號樣本，疊加載頻、重復間隔、脈寬、駐留時間等參數(shù)設備測量噪聲；共生成1200個信號樣本，其中隨機選取5/6樣本作為先驗知識庫即訓練數(shù)據(jù)集，1/6作為測試數(shù)據(jù)集；選取信號指標為PW/PRI/PF/NTOR。利用VSM算法非線性分類訓練學習計算雷達信號樣式中的樣式一、樣式二和樣式三。

圖2為雷達信號的重復間隔與載頻聚類、脈寬、脈沖數(shù)的聚類關系圖。圖3～圖6為信號樣式一、信號樣式二、信號樣式三的測試樣本（各類樣式樣本100個）分類估計標簽，信號樣式一的分類估計標簽為1的準確率為0、標簽為2和3的準確率分別為0.4、0.6，信號樣式二的分類估計標簽為2的準確率為40%，信號樣式三的分類估計標簽為3的準確率為60%。樣本訓練和測試后，綜合圖6中顯示的信號樣式一、二、三的訓練樣本分類標簽準確率，雷達信號樣式一、樣式二、樣式三難以有效區(qū)分，分析為信號樣式（同一類標簽）。圖7、圖8為信號樣式一、樣式四的訓練樣本分類計算：信號樣式一的分類估計標簽為1的準確率為98%、信號樣式四的分類估計標簽為3的準確率為100%。樣本訓練和測試后，雷達信號樣式一與信號樣式四分類準確率高，區(qū)分明顯，分析為不同信號樣式（分類標簽各為1、3）。

圖2 雷達脈沖重復間隔與載頻聚類、脈寬、脈沖數(shù)的聚類圖

圖3 信號樣式一的分類估計標簽（分類結果不明顯）

圖4 信號樣式二的分類估計標簽（分類結果不明顯）

圖5 信號樣式三的分類估計標簽（分類結果不明顯）

圖6 信號樣式一、二、七的訓練樣本分類標簽準確率

圖7 信號樣式一的分類估計標簽（分類結果1）

圖8 信號樣式一的分類估計標簽（分類結果3）

5.2 雷達信號工作模式推斷

表1 雷達信號仿真參數(shù)

由于信號樣式一、樣式二和樣式三的分類標簽為2、3，分類標簽估計結果相互交疊，且標簽交疊率在40%～60%，分類結果為同一類信號樣式；根據(jù)上述3種同一類信號樣式的樣本載頻固定，重頻組參，中高重頻，中等脈寬，脈沖積累數(shù)大等特點，適用于對中遠距離目標的搜索跟蹤，脈沖駐留和數(shù)據(jù)率上基本相似，推斷雷達信號樣式一、樣式二和樣式三為邊搜索邊跟蹤模式。樣式四大脈寬大重復周期，推斷為海面搜索工作模式。

6 結語

雷達信號樣式并不嚴格對應于某一種雷達工作模式，本文主要目的是對雷達樣式進行測試、學習和分類，并驗證支持向量機方法在分類結果上的算法有效性，為后續(xù)機器學習測試提供工程基礎；在算法的要素空間、搜索參數(shù)的選擇上需要根據(jù)測試樣本集豐富性進一步調整優(yōu)化。