雷达辐射源信号智能识别方法研究

摘要

雷达辐射源信号识别是电子情报侦察(ELINT)、电子支援侦察(ESM)和雷达威胁告警(RWR)系统中的关键处理过程，也是电子干扰的前提和基础，其识别水平是衡量雷达对抗设备技术先进程度的重要标志。随着现代电子战的激烈对抗，复杂体制雷达辐射源迅速增加并逐渐占居主导地位，复杂多变的信号形式大大弱化并逐渐使传统识别方法失去其有效性。雷达辐射源信号识别已面临前所未有的挑战。目前，我国识别复杂体制雷达辐射源信号的水平与美国等发达国家相比，差距十分明显。其根本原因在于我国在此方面的理论研究水平较低，缺乏支撑雷达对抗装备技术改进的理论根据。作为我国电子对抗的核心科研基地，西南电子设备研究所的专家们在现代电子装备的研究中深深感到，当前雷达对抗装备的技术水平难以适应复杂体制雷达辐射源占主导地位的电子对抗环境，雷达辐射源信号识别的现有方法滞后于迅速发展的雷达技术。因此，复杂体制雷达辐射源信号识别成为电子对抗领域中迫切需要解决的关键问题，只有探索出有效的识别新方法，才能从根本上提高ELINT、ESM和RWR系统的技术水平 近年来，尽管雷达辐射源信号识别受到电子对抗人员的高度重视，并提出了多种识别方法，但是，采用常规五参数的传统识别方法及其改进方法在识别新体制雷达辐射源信号时遇到严重困难，而现有的脉内细微特征分析法主要对少数两三种雷达辐射源信号进行定性分析，且很少考虑噪声的影响，难以满足现代信息战对电子对抗侦察系统智能化的要求。对于识别复杂多变的新体制雷达辐射源信号的难题，首先需要从不同角度采用多种方法探索新体制复杂辐射源信号的有效特征，然后对高维特征进行筛选、降维，再用高效的分类器实现自动分类识别。通过系统的理论研究，形成能对雷达辐射源信号识别的技术改进予以有效支持的理论方法体系。 针对我国雷达对抗信号处理研究工作中迫切需要解决的关键理论问题，本文对雷达辐射源信号智能识别的模型结构和算法进行了探索性和系统性研究，获得了如下的研究成果：1提出一种新的雷达辐射源信号识别模型结构，以一种崭新的思路研究新型复杂体制雷达辐射源信号识别问题。现用的常规五参数匹配识别方式难以有效识别出复杂多变的新体制雷达辐射源信号，本文根据复杂体制雷达辐射源信号的特点和现用识别方式的不足，采用特征分析与提取、特征评价与选择、分类器设计的识别新思路来研究雷达辐射源信号识别问题。通过对新模型结构实现算法和实验验证的研究，证明了新模型结构比现用模型结构更加有效。 2定量地分析和研究信噪比(SNR)变化条件下雷达辐射源信号的多种特征，从不同角度采用不同方法探索雷达辐射源信号的本质特征。提出雷达辐射源信号的相像系数特征提取法、熵特征提取法、复杂度特征提取法和小波包特征提取法，定性或定量地分析了相像系数特征、熵特征和复杂度特征的抗噪性能，结果表明这些特征在SNR大于5dB或6dB情况下受噪声影响较小，具有良好的稳定性。采用提出的方法从多种雷达辐射源信号中提取出了两种相像系数特征、两种熵特征(范数熵和近似熵)、8种小波包特征和4种复杂度特征(Lempel-Ziv复杂度、信息维数、盒维数和关联维数)。并对比分析几种特征提取方法的时间复杂度、特征样本的类内聚集度和类间分离度，以对这些特征提取方法的性能和特征的质量进行评价。 3、进一步研究特征充分提取后的本质特征挖掘的模型与算法，提出基于类分离度、特征集满意度、相像系数、粗集理论和特异性系数的5种特征选择方法，从不同角度对提取出的特征进行了分析和评价，剔除冗余特征，实现特征空间的有效降维。并将提出的方法与已有的多种特征选择法进行了比较分析，证明本文提出方法的有效性和优越性。 粗集理论只能处理离散的属性值，本文将已有的基于断点划分的离散化定义拓展为基于类别可分离性的广义离散化定义，提出一种已有离散化方法难以有效处理的区间连续属性离散化方法，并定性分析了算法的时间复杂性。 在采用类分离度、特征集满意度和相像系数方法进行特征选择时，本文采用一种新量子遗传算法搜索最佳特征集。这种量子遗传算法比传统遗传算法寻优能力强、收敛速度快、计算时间短、且能有效防止早熟收敛现象 4、提出粗集神经网络(RSNN)、复合支持向量机(CSVM)、Huffman树支持向量机(HTSVM)和粗集支持向量机(RS-SVM)四种分类器设计方法，实现雷达辐射源信号的自动分类识别，用对比实验证明了这四种分类器的有效性和优越性。 先将RSNN与径向基函数神经网络(RBFNN)、概率神经网络(PNN)和反向传播神经网络(BPNN)进行了实验对比，验证了RSNN的分类能力和识别效率均优于RBFNN、PNN和BPNN。接着将一对多(OAA)、一对一(OAO)和二叉树结构(BTA)三种主要多分类SVM与RBFNN、PNN和BPNN进行了实验对比，结果表明SVM具有比NN更好的分类性能。然后将CSVM和HTSVM分别与OAA、OAO和BTA进行了比较，实验结果表明CSVM在分类能力和效率两方面均大大优于OAA、OAO和BAT，HTSVM在分类性能不降低情况下具有比OAA、OAO和BTA更快的识别速度。再用实验验证了粗集理论的引入，既增强了SVM的分类能力，又提高了SVM的推广能力和泛化能力。 未知信号识别也是雷达辐射源信号识别中的重要问题，本文还探讨了竞争学习网络(CLNN)和自组织映射网络(SOM)在雷达辐射源信号识别中的应用。 5、采用8类调制方式的155个参数不同的雷达辐射源信号进行仿真实验，结果表明本文提出的模型结构能比现用识别结构更加有效地识别出复杂体制雷达辐射源信号，证明了新模型结构比现用模型结构更加合理。同时，采用经四种特征选择法(基于类分离度、相像系数、特征集满意度和粗集理论的特征选择法)得到的特征和CSVM分类器进行实验，分别获得约88％、85％、93％和91％的平均识别率，再一次表明几种特征选择法和CSVM的有效性。此外，还采用CLNN和SOM分类器进行了实验，得到的结果并不理想，表明CLNN和SOM的性能还有待改善。 本文工作得到了电子对抗技术预研基金项目(NEWL51435QT220401)、国防科技重点实验室基金项目(No.51435030101ZS0502)和西南交大博士生创新基金(2003.12)资助。

目录

文摘

英文文摘

论文说明：缩略语表

西南交通大学学位论文版权使用授权书及西南交通大学学位论文创新性声明

第1章绪论

第2章雷达辐射源信号识别模型结构

第3章雷达辐射源信号特征提取

第4章雷达辐射源信号特征选择

第5章分类器设计

第6章雷达辐射源信号识别实验

第7章总结与展望

致谢

参考文献

攻读博士学位期间发表的论文及科研成果