楊啟倫,左 園,趙 巍,杜 冶

(中國電子科技集團公司第二十九研究所,四川 成都 610036)

0 引 言

輻射源信號分選[1-4]是電子偵察告警信號處理的關(guān)鍵環(huán)節(jié),直接影響電子偵察設備性能的發(fā)揮。首先對雷達脈沖描述字(PDW)進行去交錯形成分選結(jié)果,然后對多個分選結(jié)果進行關(guān)聯(lián)形成目標批號,進而支撐雷達目標的威脅評估。目前學術(shù)界已有大量方法研究脈沖去交錯,例如動態(tài)關(guān)聯(lián)法、脈沖重復周期(PRI)直方圖法、平面變換法以及基于神經(jīng)網(wǎng)絡的分選[5-8]。但是針對空中目標,由于雷達通常采用相參處理間隔(CPI)處理方式,在一個CPI內(nèi)由于到達角(DOA)、射頻(RF)、PRI、脈輻(PA)都一致,因此脈沖去交錯并不困難,但如何將多個CPI準確關(guān)聯(lián)形成目標批號目前研究較少。針對密集目標場景,由于DOA通常不可分離,導致分選結(jié)果關(guān)聯(lián)錯誤,嚴重影響目標威脅評估的準確性。

模糊數(shù)學是描述、研究、處理模糊特征的數(shù)學,Zadeh提出利用隸屬函數(shù)來描述模糊概念。模糊數(shù)學減少了人們對于人工經(jīng)驗值的確定,特別是對高維參數(shù)處理具有較好的魯棒性。事物越復雜,人們對它的認識也就越模糊,模糊數(shù)學處理的效果就越好,目前已經(jīng)廣泛應用于機器人、醫(yī)療診斷、聲音處理、圖像處理、市場預測等多個領(lǐng)域[9-13]。

針對密集目標的分選關(guān)聯(lián)需求,本文提出了基于多維特征模糊加權(quán)的分選關(guān)聯(lián)方法,首先基于非線性歐式距離度量各維參數(shù)的隸屬度,進一步通過隸屬度加權(quán)實現(xiàn)分選結(jié)果的關(guān)聯(lián)。

1 基于多維特征模糊加權(quán)的分選關(guān)聯(lián)方法

基于雷達信號處理原理,雷達所使用的電磁參數(shù)跟探測性能需求相關(guān)[14-16]。在短時間內(nèi),由于探測對象、電磁環(huán)境等沒有發(fā)生明顯變化,因此電磁參數(shù)也存在相似性,具備一定的時域記憶特性。因此,可通過電磁參數(shù)構(gòu)建高維空間作為分選結(jié)果關(guān)聯(lián)的基礎。

基于模糊數(shù)學理論,采用不同參數(shù)的隸屬度加權(quán)術(shù)和進行關(guān)聯(lián)處理,其示意圖如圖1所示。令第j維特征的隸屬度為Pj,權(quán)重為Wj,那么高維特征的模糊加權(quán)后的隸屬度為:

圖1 基于模糊數(shù)學處理基礎示意圖

(1)

根據(jù)模糊加權(quán)后的總隸屬度高低進行分選結(jié)果關(guān)聯(lián)。

各維參數(shù)的隸屬度可通過歐式距離來度量。當歐式距離越大,則相似度度越小,對應的隸屬度也就越小。由于各維參數(shù)的量綱不同,重要性不同,以及對于雷達探測性能的作用也不同。因此對隸屬度的貢獻不同。在考慮測量本身存在誤差的情況下,可采用非線性歐式距離,具體計算公式為:

Rnow,j=

(2)

當電磁參數(shù)差異在大小門限內(nèi)時,相似性采用歐式距離度量。

針對某個維度的電磁參數(shù)X,隸屬度為非線性歐式距離計算倒數(shù)后再歸一化處理:

(3)

即非線性歐式距離越小,則隸屬度越大,同時也可看到,多個目標的隸屬度之和等于1。

2 針對不同場景下中重頻、高重頻目標的仿真驗證

為了驗證本算法的性能,下面針對不同場景下中重頻、高重頻目標進行仿真驗證。

2.1 中重頻+高重頻目標仿真

仿真中模擬了2部密集分布的目標,DOA測量均方差為0.3°(r.m.s),而2個目標的方差真值差異為1°,可知僅通過方位無法實現(xiàn)2個目標的正確分辨和關(guān)聯(lián)。目標1采用中重頻,重頻在20～28 μs以內(nèi)任意變化;目標2采用高重頻,重頻在10～12 μs以內(nèi)任意變化。其余電磁參數(shù)范圍都交疊,其中頻率范圍都在8 000～9 000 MHz內(nèi)任意變化,脈寬范圍都在2～2.6 μs,幅度都在140～210 dB范圍內(nèi)。2個目標交疊的CPI信息如圖2所示,依據(jù)時間交疊關(guān)系,可以看到同時存在2個目標,但是難以獲得準確的目標CPI關(guān)聯(lián)信息。

圖2 方位無法分離的中重頻+高重頻密集目標CPI信息

依據(jù)對于雷達目標電磁參數(shù)的經(jīng)驗,設置為各維度參數(shù)的門限值見表1,這里沒有區(qū)分各維度參數(shù)的權(quán)重差異,統(tǒng)一都設置為1?；诙嗑S特征模糊加權(quán)分選關(guān)聯(lián)處理后的結(jié)果見圖3。從關(guān)聯(lián)后結(jié)果的時間連續(xù)性、幅度連續(xù)性等方面評估,可知2個密集目標的CPI可實現(xiàn)正確的關(guān)聯(lián)。

表1 多維特征模糊加權(quán)分選關(guān)聯(lián)算法的參數(shù)設置1

圖3 基于多維特征的分選關(guān)聯(lián)結(jié)果(實線為目標1,虛線為目標2)

為了驗證本算法對于參數(shù)設置的不敏感性,重新設置算法參數(shù)見表2。采用基于多維特征模糊加權(quán)分選關(guān)聯(lián)處理后的結(jié)果同圖3完全一致。該仿真結(jié)果表明,雖然本算法需要人為設置參數(shù),但對于算法參數(shù)的設置不敏感,具有較好的魯棒性。

表2 多維特征模糊加權(quán)分選關(guān)聯(lián)算法的參數(shù)設置2

2.2 高重頻+高重頻目標仿真

上述仿真中雖然密集,但仍然在PRI維度具有可分性。這里進一步仿真所有維度都無法完全分辨的情況。仿真中2個目標的頻率都在9 000～10 000 MHz內(nèi)任意變化,目標1和目標2都采用高重頻;重頻都在10～13 μs區(qū)間任意變化;脈寬范圍都在1～2.5 μs區(qū)間任意變化;相對幅度都在140～210 dB范圍內(nèi)。2個目標交疊的CPI信息如圖4所示,依據(jù)時間交疊關(guān)系,可以看到同時存在2個目標,但是難以獲得準確的目標CPI關(guān)聯(lián)信息。

圖4 方位無法分離的高重頻+高重頻密集目標CPI信息

分別采用表1和表2的算法參數(shù)進行仿真驗證,結(jié)果都一致,見圖5。每個目標CPI時間及PA的連續(xù)性結(jié)果表明,本算法針對完全交疊的電磁參數(shù)仍然具備較好的分選關(guān)聯(lián)性能,同時對于算法參數(shù)不敏感,具備較好的魯棒性。

圖5 基于多維特征的分選關(guān)聯(lián)結(jié)果(實線為目標1,虛線為目標2)

3 結(jié)束語

針對密集目標的分選關(guān)聯(lián)需求,本文基于模糊數(shù)學提出了一種基于多維特征模糊加權(quán)的分選關(guān)聯(lián)方法?；诶走_探測的電磁參數(shù)在短時間內(nèi)具備一定記憶性及相似性,將方位、頻率、重頻、脈寬、幅度等多維電磁參數(shù),以非線性歐式距離進行隸屬度度量,再結(jié)合不同參數(shù)維度的權(quán)重進行模糊加權(quán),并基于最終的隸屬度大小進行分選結(jié)果的關(guān)聯(lián)。最后通過中重頻、高重頻等不同場景的仿真結(jié)果表明,本算法可實現(xiàn)參數(shù)交疊密集目標的正確關(guān)聯(lián),同時對算法參數(shù)設置不敏感,具備較好的魯棒性。