我要投搞

标签云

收藏小站

爱尚经典语录、名言、句子、散文、日志、唯美图片

当前位置:ds视讯 > 敌我识别雷达 >

雷达天线扫描方式的自动识别方法pdf

归档日期:07-25       文本归类:敌我识别雷达      文章编辑:爱尚语录

  1.本站不保证该用户上传的文档完整性,不预览、不比对内容而直接下载产生的反悔问题本站不予受理。

  第 36 卷 第 3 期 国 防 科 技 大 学 学 报 Vol.36 No.3 2014 年 6 月 JOURNAL OF NATIONAL UNIVERSITY OF DEFENSE TECHNOLOGY Jun.2014 doi:10.11887/j.cn.201403028 http://journal.nudt.edu.cn 雷达天线扫描方式的自动识别方法 李 程,王 伟,施龙飞,王雪松 (国防科技大学 电子信息系统复杂电磁环境效应国家重点实验室,湖南 长沙 410073) 摘 要:为了对雷达天线扫描方式进行自动识别,改进开发了天线扫描方式模拟器,并分别研究了电子 扫描和机械扫描的特征提取和识别方法。基于最大主瓣脉冲序列的特征参数实现电子扫描和机械扫描的区 分,然后基于单个天线扫描周期脉冲序列的特征参数实现 8 种机械扫描方式的自动识别。仿真结果表明,本 文方法能够区分一维电扫、二维电扫和机械扫描,并且采用支持向量机决策树对机械扫描方式的识别正确率 高于决策树方法。 关键词:天线扫描方式;自动识别;电子扫描;机械扫描;支持向量机决策树 中图分类号:TN95 文献标志码:A 文章编号:1001 2486(2014)03 0156 08 Automatic recognition method of radar antenna scan type LI Cheng,WANG Wei,SHI Longfei,WANG Xuesong (State Key Laboratory of Complex Electromagnetic Environmental Effects on Electronics and Information System, National University of Defense Technology,Changsha 410073,China) Abstract:In order to recognize radar antenna scan type (AST)automatically,an improved antenna scan pattern simulator was developed,and features extraction and automatic recognition methods for electronic scan type (EST)and mechanical scan type (MST)were studied respectively. EST was firstly distinguished from MST based on the characteristic parameters extracted from the maximum main beam pulse sequence;then 8 MSTs were automatically recognized based on the parameters extracted from the pulse sequence in a scan period.The simulation results show that it is able to distinguish between one dimensional EST,twodimensional EST and MSTs by this method.Moreover,the correct recognition ratio of MSTs by support vector machine decision tree (SVMDT)is higher than that by decision tree (DT). Key words:antenna scan type;automatic recognition;electronic scan type;mechanical scan type;support vector machine decision tree 天线作为雷达电磁波能量的辐射装置,其特 性直接反映了雷达的工作性能[1]。为了发现目 标,雷达的天线波束需要以一定的方式对指定空 域进行搜索,也就是天线]。雷达的 用途和工作状态不同,使用的天线波束形状和天 线扫描方式(Antenna Scan Type,AST)也有所不 同[3]。利用天线的扫描特性可以对固定的脉冲 雷达进行定位[4 -6],更重要的,对敌方雷达的 AST 进行正确识别,是判断我方所受威胁程度的重要 依据,也是识别雷达类型和工作状态的重要手段。 因此,在现代电子战中,对雷达的 AST 进行识别, 尤其是自动识别,具有重要的意义。 传统的 AST分析是由操作员利用耳机和秒表 来完成的[2],而 AST 的自动识别一般是根据侦察 接收机所截获信号的特征参数来进行分类,相关的 参考文献并不多。唐斌[7]和宫新保[8]采用脉冲群 峰值、天线扫描周期、脉冲群峰值间隔和脉冲群宽 度等 4 个特征,利用免疫进化算法设计径向基函数 神经网络实现对常见的 8 种AST的识别,但是文中 并未介绍这些特征的提取方法。Greer[9]则采用信 号频域特征,利用拉普拉斯变换和 FFT将采样信号 变换到频域,通过与数据库中不同 AST 样本比较 相关度来实现 AST 的自动识别,不过该方法未考 虑 ASP、波束宽度等参数的变化。文献[10]提出了 一种对5 种基本AST进行自动识别的新算法,介绍 了 ASP 的估计方法以及峭度、主瓣个数、主瓣幅度 最大差值、主瓣间隔最大比值等 4 个特征参数的提 取方法,并比较了无经验贝叶斯(Naive Bayes, NB)、决策树(Decision Tree,DT)、人工神经网络 (Artificial Neural Network,ANN)和支持向量机 (Support Vector Machine,SVM)[1 1]等四种不同分 类器的效果,结果表明 DT 在识别准确度、对噪声  收稿日期:2013 10 24 基金项目:国家自然科学基金资助项目(61201336,41301490) 作者简介:李程(1985 ),男,湖北武汉人,博士研究生,Email:lchnudt@gmail.com; 王雪松(通信作者),男,教授,博士,博士生导师,Email:wxs1019@vip.sina.com 第 3 期 李程,等:雷达天线扫描方式的自动识别方法 敏感度和计算复杂度等方面都是最优的。上述文 献都只对机械扫描方式(Mechanical Scan Type, MST)的识别进行了研究,而这些参数和方法并不 适用于电子扫描方式(Electronic Scan Type,EST)。 文献[12]利用脉冲重复间隔(Pulse Repetition Interval,PRI)变换法实现了对相控阵雷达 ASP 的 估计,但是该方法的前提是 EST 和扫描波位已知; 文献[13]基于粗糙集理论利用脉冲描述字实现对 相控阵雷达信号的分选与识别,但是对 EST 的特 性缺乏充分的考虑和细致的分析。 本文首先改进开发了一个天线波束扫描仿真 器(Antenna Scan Pattern Simulator,ASPS),然后 提出了一种区分 EST 和 MST 的方法,接着在文献 [10]的基础上,提出了新的特征参数,并采用支 持向量机决策树(Support Vector Machine Decision Tree,SVMDT)分类器对 8 种MST 进行自动识别, 最后通过仿真验证了方法的有效性。 1 天线波束扫描仿真 按照天线波束的驱动机制,AST 可以分为 EST、MST 和机/电混合扫描等。按照天线波束在 空间的运动方式,AST 又可分为圆周扫描、单向扇 扫、双向扇扫、螺旋扫描、分行扫描、光栅扫描、圆 锥扫描和螺旋锥扫等。本文的识别对象分为 EST 和MST 两大类,其中 EST 又分为一维 EST 和二维 EST,而 MST 则包括上述 8 种波束运动方式。需 要注意的是,本文所研究的一维 EST(即机/电混 合扫描)仅指水平向机扫俯仰向电扫,不包括水 平向电扫俯仰向机扫。 为了对以上 AST进行识别,首先要对接收机截 获的不同AST的信号进行仿线]介绍了 不同 AST 下接收机截获信号的脉冲幅度(Pulse Amplitude,PA)随脉冲到达时间(Time of Arrival, TOA)的变化规律,文献[14]介绍了 AST及其截获信 号的仿线]利用 MATLAB 开发了一个 MST的 ASPS。本文对该 ASPS 进行了改进开发,可 仿真的 AST 类型包括 8 种 MST(圆周扫描、单向扇 扫、双向扇扫、螺旋扫描、分行扫描、光栅扫描、圆锥 扫描和螺旋锥扫)和 2 种 EST(一维、二维)。此外, 本文的 ASPS 还能生成天线波束扫描轨迹和天线 方向图,直观地呈现不同 AST 的扫描特性。改进 的 ASPS 如图 1 所示。通过设置采样时间、天线 模型、天线扫描属性和接收机属性等参数即可生 成天线波束扫描轨迹图、天线方向图和接收机截 获的 PA 序列,通过设置扫描维度、天线阵元个 数、波位跳变顺序等参数可以实现 EST 的仿线 改进的天线扫描方式仿线 Improved ASPS 2 算法分析 设接收机截获的 PA 序列为 a[n](下文将序 列简写为{a}),TOA 序列为 t[n],n =0,1,…,Np -1,其中 Np 为脉冲个数。一般至少截获两个 ASP 的信号,才能确保正确估计 ASP 和识别 AST。 本文先对 EST 和 MST 进行区分,然后再对具 体 AST 进行自动识别,算法流程如图 2 所示。 ·751· 国 防 科 技 大 学 学 报 第 36 卷 图 2 AST 自动识别流程图 Fig.2 Flow chat of automatic recognition for AST 2.1 电子扫描方式的自动识别 MST的天线波束指向一般只能连续地变化, 而 EST 的天线扫描无惯性,波束方向改变灵活, EST 在同一波位内的脉冲串 PA 变化很小,不同 波位的 PA 则可能变化明显。可以利用该特征首 先将 EST 与 MST 区分开来。 2.1.1 输入信号处理 为了降低传播损失带来的影响,先对 PA 序 列{a}进行归一化。接收机测量的 PA 数据一般 以 dBW为单位[10],其最大值可能为 0,因此先将 PA 数据的单位转换为 V 之后再进行归一化。 aV[n]=10a[n]/20,n =0,1,…,Np -1 (1) 珘a[n]=aV[n]/max{aV},n =0,1,…,Np -1 (2) 2.1.2 最大主瓣提取 截获的信号一般有多组脉冲群,每组都包含 主瓣和旁瓣信号,而主瓣信号的 PA 相对较大,首 先提取最大主瓣序列。文献[10]采取的方法是 先寻找 PA 序列的最大值,然后寻找最大值左右 两边 PA 降至 0.01mV(归一化前)的最近点,取这 两点之间的信号作为最大主瓣序列。但是当旁瓣 电平较高时,主瓣序列的最小 PA 值也可能大于 0.01mV。为避免提取到旁瓣信号,本文将门限设 为 Hs =20lg(Ls),其中 Ls 为旁瓣增益。 2.1.3 特征提取与分类识别 设最大主瓣的 PA 序列为 am [n],对应的 TOA 序列为 tm[n],n =0,1,…,Nm -1,Nm 为主瓣 脉冲数。 首先计算主瓣 PA 序列一阶差分的绝对值: da[n]= am[n +1]-am[n],n =0,1,…,Nm -2 (3) 取特征参数 MD 为序列{da}的最大值。由前 文可知,一般 MST 的 MD 较小,EST 的 MD 较大。 此外,为了区分 EST 同一波位内的脉冲串, 对序列{da}进行归一化。 ud[n]=da[n]/MD,n =0,1,…,Nm -2 (4) 令序列{ud}中小于 Hd 的元素组成新的序列 {hd},其中 Hd 为预设阈值,一般略大于 0,Nd 为 {hd}的长度。取特征参数 RD =Nd /(Nm -1),则 RD 表征的是相邻脉冲均在同一波位内的脉冲所 占比例。一般 MST 的 RD 较小,EST 的 RD 较大。 为了区分 EST 和 MST,令 ZD =α·MD +β· RD,其中 α,β为特征参数的权重,且 α+β=1。 当 ZD >Hz 时,判定为 EST;当 ZD≤Hz 时,判定为 MST,Hz 为设定的门限。 EST 又分为一维 EST 和二维 EST,两者的主 要区别在于:二维 EST 在同一波束内所发射脉冲 的波束指向保持不变,而一维 EST 在同一波束内 所发射脉冲的波束指向则会因为天线在另一维的 机械转动而连续变化。 取特征参数 VD 为序列{hd}的均方差。当 VD >Hv 时,判定为一维 EST;当 VD≤Hv 时,判定为 二维 EST,其中 Hv 为设定的门限。 用本文的 APSP 生成一维 EST、二维 EST 和 MST 的 PA 序列样本各 20 组,分别提取其 MD、RD 和 VD,如图 3 所示。可以看出,一维 EST 和二维 EST 样本的 MD 和 RD 均比 MST 的大,而二维 EST 的 VD 则比一维 EST 的小,因此可以采用上述 3 种参数来对 EST 进行自动识别。 2.2 机械扫描方式的自动识别 MST 的自动识别已有多种方法[7 -10],本文对 文献[10]的方法进行了改进,引入新的特征参数 和识别方法,实现了 8 种 MST 的自动识别。 2.2.1 统一采样率 因为 MST 的 PA 是连续变化的,可假设接收 机截获的 PA 序列{a}是连续信号 a(t)的离散采 样。但由于 PRI 变化和脉冲丢失的影响,序列的 采样率并不一致,不便于后续的处理,需要根据 TOA 序列和归一化后的 PA 序列对 a(t)进行重采 样。设重采样后的 PA 序列为 x[n]=a(nTs),n =0,1,…,N-1 (5) 其中 Ts 为采样周期,一般不大于最小的 PRI,N=?t[Np -1]/Ts」,?·」为向下取整运算。 2.2.2 ASP 估计 计算序列{x}的归一化自相关系数: rxx[l]= ∑W-1 n 0 x[n]x[n +l] ∑W-1 n 0 x2[n槡 ] ∑ W-1 n 0 x2[n +l槡 ] , l =0,1,…,N -W (6) ·851· 第 3 期 李程,等:雷达天线扫描方式的自动识别方法 (a)一阶差分绝对值最大值 MD (b)同一波位内脉冲占比 RD (c)均方根 VD 图 3 EST 识别的 3 类特征 Fig.3 3 features for EST recognition 其中,l 为延迟变量,W是窗长。则序列{rxx}的最 大值所对应的 l(记为 Nl)即为序列{x}的周期,天 线扫描周期 TP =Nl·Ts。 2.2.3 预处理 完成 ASP 估计之后,可以只取单个 ASP 的信 号进行处理。为了减少噪声的影响,对输入信号 中多个完整的 ASP 数据进行平均化处理: 珋x[n]=1K ∑ K-1 k 0 x[n +k·Nl],n =0,1,…,Nl -1 (7) 其中 K为输入数据中所包含的完整的 ASP 的个 数,即 K=?N/Nl」。 为了便于特征的提取,并减少因信号长度和 采样率不同带来的影响,需要再将信号进行重采 样。设新的采样周期为 Tr,若采用最邻点插值进 行重采样,则采样后序列为 xr[n]=珋x[round(n·Tr /Ts)],n =0,1,…,Nr -1 (8) 其中 Nr =?Nl·Ts /Tr」。与 2.1.1 小节输入信号 处理中重采样不同的是,式(5)只是将输入信号 的采样率一致化,而式(8)则是将具有不同 PRI、 不同 AST 和不同 ASP 的雷达信号变换到相同的 采样率,使得提取的特征更具可比性。 2.2.4 特征提取 MST 识别的特征提取基于单 ASP 的 PA 序列 {xr},记为 Xr,其信号长度为 Nr,采样率为 Tr。文 献[10]中所用到的特征参数有峭度、主瓣个数、 主瓣幅度最大差值和主瓣间隔最大比值。 峭度 KX 反映了序列 Xr 的平滑和尖锐程度: KX =(E[Xr -μ])4 /σ4 (9) 其中 E[·]表示期望值,μ和 σ分别为序列 Xr 的 均值和标准均方差。 主瓣个数 NB 的提取需要用到最大主瓣序 列。设重采样后提取的最大主瓣序列为 y[n],n =0,1,…,Ny -1。然后通过序列{xr}和{y}的归 一化互相关系数来检测单个 ASP 内的其他主瓣: rxy[l]= ∑ Ny-1 n 0 xr[n +l]y[n] ∑ Ny-1 n 0 x2r[n +l槡 ] ∑ Ny-1 n 0 y2[n槡 ] , l =0,1,…,Nr -Ny (10) 其中 l 是延迟变量。则单个 ASP 内的主瓣个数 NB 为序列{rxy}中大于Hb 的元素个数,其中Hb 为 预设门限。 当主瓣个数大于 1 时,提取主瓣峰值的最大 差值 DY。设各主瓣的峰值分别为 xr[mi],mi 为 各主瓣峰值在序列 Xr 中的坐标,i =1,2,…,NB, 则 DY =max({xr})-min({xr})。 当主瓣个数大于 2 时,提取主瓣间隔的最大比 值 RY。设主瓣间隔序列 Ym ={m2 -m1,m3 -m2, …,mNB -mNB-1},则 RY =max(Ym)/min(Ym)。 用本文的 APSP 生成第 2 节所介绍的 8 种 AST 的 PA 序列样本各 20 组,分别提取以上 4 种 特征,如图 4 所示。 由图 4(a)可以看出,圆锥扫描和螺旋锥扫的 KX 较低,这是由于接收到两者的信号是连续的脉 冲串,而其他 AST则是间断的脉冲群,因此可以通 过 KX 将圆锥扫描和螺旋锥扫与其他 AST 区分开; 由图 4(b)可以看出,在一个 ASP 内,圆周扫描和单 向扇扫只有一个主瓣,双向扇扫有 2 个主瓣,圆锥 扫描和螺旋锥扫检测不到主瓣,其他 AST 一般有 2 个以上主瓣,因此可以通过 NB 将圆周扫描和单向 扇扫与其他 AST区分开;由图 4(c)可以看出,主瓣 个数在 2 个以上的 AST中,双向扇扫的 DY 约为 0, 而其他 AST的 DY 较大,这是由于双向扇扫的俯仰 向固定不变,因此可以通过 DY 将双向扇扫分类出 来;由图 4(d)可以看出,主瓣个数在 3 个以上的 AST中,螺旋扫描和分行扫描的 RY 约为 1,而光栅 扫描的 RY 则变化较大,这是由于光栅扫描在方位 向上是来回扫描,因此可以通过 RY 将光栅扫描与 ·951· 国 防 科 技 大 学 学 报 第 36 卷 螺旋扫描、分行扫描区分开。 (a)峭度 KX (b)主瓣个数 NB (c)主瓣幅度最大差值 DY (d)主瓣间隔最大比值 RY 图 4 8 种 MST 的 4 类基本特征的参数曲线 Graphs of 4 basic features of 8 MST 可以看出,通过文献[10]给出的 4 种参数并 不能将圆锥扫描和螺旋锥扫、圆周扫描和单向扇 扫、螺旋扫描和分行扫描分别区分开,为了进一步 对以上 3 对 AST 进行分类,本文引入另外两个特 征参数:天线扫描周期 TP 和 PA 频谱自相关的峰 值个数 NP。 由于圆锥扫描和螺旋锥扫一般用于跟踪目 标,其 ASP 较小,一般在 0.01 ~0.1s;而圆周扫描 一般用于远程搜索,其 ASP 较大,一般在 1 ~20s; 其他 AST 一般只对部分空域进行搜索,它们的 ASP 一般都在秒量级。因此,根据 ASP 可以将锥 扫和其他 AST 区分开,也可以将圆周扫描和单向 扇扫区分开。 由于圆锥扫描和螺旋锥扫的 PA 序列都呈类 正弦波形,为区分它们,对 PA 序列进行 FFT 变 换,8 种 MST 的 PA 序列归一化频谱序列 Fx 如图 5 所示。可以看出,圆锥扫描的频谱只有一个尖 峰,这是因为圆锥扫描 PA 序列一个 ASP 内只含 一个正弦周期,而螺旋锥扫 PA 序列的频谱除了 包含一个主峰外,还会存在几个副峰;此外,圆周 扫描和单向扇扫的 PA 序列频谱也只有一个主 峰,而其他 AST 则均存在很多副峰。 图 5 8 种 MST 的 PA 样本序列频谱 Fig.5 Frequency spectrums of PA sequences of 8 MST 为了提取峰值个数,计算 Fx 的自相关函数: Rf(l)= ∑ Nf-l-1 n 0 Fx(n +l)Fx (n), l ≥ 0 Rf (-l), l < { 0 (1 1) 其中Nf为 Fx 的长度,则NP 即为序列{Rf}中大于 Hf的元素个数,Hf为预设门限。8 种 MST 样本序 列的 TP 和 NP 曲线(a)可以 看出,两种锥扫的 ASP 明显小于其他 AST,而单 向扇扫的 ASP 一般小于圆周扫描。由图 6(b)可 以看出,圆周扫描、单向扇扫和圆锥扫描 PA 序列 频谱的自相关函数只含一个峰值,而螺旋锥扫则 有至少 3 个峰值,从而可以通过 NP 将圆锥扫描 和螺旋锥扫区分开。此外,由于螺旋扫描和分行 扫描的主瓣宽度与 ASP 之比存在较大差异,两者 PA 序列频谱的自相关函数也有明显不同,同样可 以利用 NP 将两者区分开。 2.2.5 分类识别 文献[10]通过比较 NB、DT、ANN 和 SVM四 种不同的分类器对圆周扫描、双向扇扫、螺旋扫 描、光栅扫描和圆锥扫描等 5 种 MST 的自动识别 结果,得出 DT 是最优的分类器。然而由前文分 ·061· 第 3 期 李程,等:雷达天线扫描方式的自动识别方法 (a)天线扫描周期 TP (b)自相关函数峰值个数 NP 图 6 8 种 MST 的 2 个新特征的参数曲线 Graphs of 2 new features of 8 MST 析可知,根据文献[10]中的 4 类特征,采用 DT 分 类器对本文的 8 种 MST 进行分类,无法将圆锥扫 描和螺旋锥扫、圆周扫描和单向扇扫、螺旋扫描和 分行扫描区分开。 由于 MST 类别的增加,不是所有的特征都能 完成 1 ~2 类 MST 的判别,因此还是需要利用特 征向量来进行分类。为了避免多类分类算法中 “一对多”算法和“一对一”算法中的不可分问 题[16],本文采用的是基于模糊核 C -均值的支持 向量机决策树算法[17]。算法的流程如下: 步骤 1:令初始训练集 R 为 R0,基于模糊核 C -均值算法对 R0 进行粗划分得到子集 C1 和 C2。 设 Ci 中的所有成员类关于第 i 个模糊类的 隶属度的均值和方差分别为 ui 和 σi,ni 为 Ci 中 的成员类 ω的个数,i =1,2: ui = 1ni ∑ ni j 1 ωj∈Ci uij, σi = 1ni ∑ ni j 1 ωj∈Ci (uij -ui)槡 2 (12) 步骤 2:根据式(12)计算 ui 和 σi,i =1,2,选 择系数η并定义阈值Hi =ui -ησi。对ωj∈Ci,j =1,2,…,ni,若 uij≥Hi,则将类 ωj 划分到子类 Si,同时将 ωj 从 Ci 中去除。 步骤 3:将 S1 和 S2 分别作为正负类,训练 SVM。若 R 为 R0,则以该 SVM作为决策树的根 结点;若 R 为 R1,则以该 SVM作为当前结点的左 节点;否则,作为当前结点的右节点。 步骤 4:更新训练集 Ri:Ri =Si∪Ci∪Cj。 步骤 5:对 R1 和 R2,重复以上步骤,直至每个 训练集均只包含一个类。 3 仿真结果 采用本文的 APSP 生成 10 种 AST(包括:一 维电扫、二维电扫、圆周扫描、单向扇扫、双向扇 扫、螺旋扫描、分行扫描、光栅扫描、圆锥扫描和螺 旋锥扫等)的接收机侦察数据各 40 组进行识别。 为使所提取的特征具有广泛性,生成 PA 序列样 本时设置不同的参数,如 PRI、ASP、天线波束宽 度、SNR、接收机位置等。 为减少训练样本对分类识别结果的影响,本 文在训练和测试时采用四层交叉核实技术[18]:将 每一类 AST 的 40 组数据随机分为 4 批,每一批 10 组数据,然后进行 4 轮训练和检验,每一轮依 次取其中 1 批数据用于检验,而将剩余的 3 批数 据用于训练。这样以来,所有的数据都被用于训 练和检验。 首先进行 EST 的自动识别。图 7 是进行 1000 次 Monte Carlo 仿真之后得到的不同 SNR 下 的识别结果。可以看出,正确识别率随 SNR 的增 加而增加;当 SNR 达到 10dB 时,正确识别率均超 过 85%。此外,在各 SNR 下,二维电扫的正确识 别率都是最高的,这是因为二维电扫的电子扫描 特性最为明显。 图 7 不同 SNR的 EST 识别结果 Fig.7 Recognition results of EST for different SNR 表 1 是对 SNR 在 10dB 以上的样本进行 EST 识别的平均识别结果。可以看出,平均正确识别 率都在 90%以上,并且二维电扫的识别正确率最 高,机械扫描次之。其中 5.3%的机械扫描样本 被错误识别为一维电扫,这是因为一维电扫仅在 某一维度(一般是俯仰向)进行电子扫描,而在另 一维(一般是水平向)进行机械扫描,兼有电子扫 描和机械扫描的特性。 ·161· 国 防 科 技 大 学 学 报 第 36 卷 表 1 EST 识别结果(SNR≥10dB) Tab.1 Recognition results of EST (SNR≥10dB) 识别结果 一维 电扫 二维 电扫 机械 扫描 正确识别率 (%) 一维电扫 37 1 2 92.5 二维电扫 1 38 1 95.0 机械扫描 17 5 298 93.1 下面进行 8 类 MST 的自动识别。分别采用 SVMDT 和 DT 算法对样本数据进行训练与检验, 进行 1000 次 Monte Carlo 仿真,仿真中令特征向 量为{KX,NB,DY,RY,TP,NP},对于某些 AST 无法提取的特征参数(如 DY 和 RY)统一赋值为 1000,不同 SNR 下的识别结果如图 8 所示。可以 看出,正确识别率随 SNR 的增加而增加;当 SNR 达到 10dB 时,采用 SVMDT 的正确识别率均超过 85%。而采用 DT 算法对螺旋扫描的正确识别率 在各 SNR 下均不足 85%。 表 2 是采用 SVMDT 和 DT 对 SNR≥10dB 样 本的平均识别结果。可以看出,对于同样的样本 数据,采用 SVMDT 的分类识别正确率均不低于 DT,且对 8 种 MST 的正确识别率均在 85%以上。 相比于其他 MST,两种方法对于双向扇扫和圆锥 扫描的识别率较高,这主要是因为这两种 MST 的 特征参数与其他 MST 的区分度较高。错误的分 类识别一般出现在圆周扫描和单向扇扫、螺旋扫 描和分行扫描之间。此外,由于特征参数 NP 的 引入,能够将圆锥扫描和螺旋锥扫有效地区分开。 (a)SVMDT (b)DT 图 8 不同 SNR的 MST 识别结果 Fig.8 Recognition results of MST for different SNR 表 2 基于 SVMDT 和 DT 的 MST 平均识别结果(SNR≥10dB;SD =SVMDT) Tab.2 Recognition results of MST based on SVMDT and DT (SNR≥10dB;SD =SVMDT) 识别结果 圆周扫描 单向扇扫 双向扇扫 螺旋扫描 分行扫描 光栅扫描 圆锥扫描 螺旋锥扫 正确识别率(%) SD DT SD DT SD DT SD DT SD DT SD DT SD DT SD DT SD DT 圆周扫描 38 38 2 2 0 0 0 0 0 0 0 0 0 0 0 0 95.0 95.0 单向扇扫 3 4 37 36 0 0 0 0 0 0 0 0 0 0 0 0 92.5 90.0 双向扇扫 0 0 0 0 39 39 0 0 1 1 0 0 0 0 0 0 97.5 97.5 螺旋扫描 0 0 0 0 0 1 36 32 3 5 1 2 0 0 0 0 90.0 80.0 分行扫描 0 0 0 0 0 0 2 5 37 35 1 0 0 0 0 0 92.5 87.5 光栅扫描 0 0 0 0 1 1 1 2 1 2 37 35 0 0 0 0 92.5 87.5 圆锥扫描 0 0 0 0 0 0 0 0 0 0 0 0 39 39 1 1 97.5 97.5 螺旋锥扫 0 0 0 0 0 0 0 0 0 0 0 0 2 3 38 37 95.0 92.5 4 结论 对敌方雷达的 AST 进行正确识别是判断我 方所受威胁程度的重要依据,也是识别雷达类型 和工作状态的重要手段。为了对常见的 AST 进 行自动识别,基于 MATLAB 改进开发了天线波束 扫描仿真器,对一维电扫、二维电扫、圆周扫描、单 向扇扫、双向扇扫、螺旋扫描、分行扫描、光栅扫 描、圆锥扫描、螺旋锥扫等 AST 进行仿真分析,并 研究了上述 AST 的特征提取和自动识别方法。 首先提出了一种 EST 和 MST 的区分方法,然后在 文献[10]的基础上引入了新的特征参数,并采用 SVMDT 对 8 类 MST 进行了自动识别,仿真结果 表明本文方法的正确识别率均高于原算法。 为了估计 ASP 和提取特征参数,本文要求至 少截获 2 个完整的 ASP 信号,如何实现对 AST 实 时分析与识别将是后续研究的要突破的地方。 参考文献(References) [1] Huang Y,Boyle K.Antennas:from theory to practice[M]. ·261· 第 3 期 李程,等:雷达天线扫描方式的自动识别方法 Chichester:John Wiley &Sons,2008. [2] Wiley R G.ELINT:The interception and analysis of radar signals[M].Norwood:Artech House,2006. [3] Adamy D L.Introduction to electronic warfare modeling and simulation[M].Norwood:Artech House,2003. [4] Hmam H.Scanbased emitter passive localization[J].IEEE Transactions on Aerospace and Electronic Systems,2007,43 (1):36 54. [5] Doganay K.Online optimization of receiver trajectories for scanbased emitter localization [J].IEEE Transactions on Aerospace and Electronic Systems,2007,43 (3 ): 1 1 17 1 125. [6] Hmam H, Dogancay K. Passive localization of scanning emitters[J].IEEE Transactions on Aerospace and Electronic Systems,2010,46(2):944 95 1. [7] 唐斌,胡光锐.基于免疫神经网络的雷达天线扫描方式的 识别[J].应用科学学报,2003,21(1):36 38. TANG Bin,HU Guangrui.Recognition of the scanning style of the radar antenna using immune neural networks[J].Journal of Applied Sciences,2003,21(1):36 38.(in Chinese) [8] 宫新保,沈文辉,金兆彰,等.RBF 网络雷达天线扫描方 式识别系统[J].红外与激光工程.2004,33(4):437 440. GONG Xinbao, SHEN Wenhui, JIN Zhaozhang, et al. Scanningstyle recognition system of radar antennas based on RBF network[J].Infrared and Laser Engineering,2004,33 (4):437 440.(in Chinese) [9] Greer T H.Automatic recognition of radar scan type[P].U. S.Patent 6,697,007,2004. [10] Barshan B,Eravci B.Automatic radar antenna scan type recognition in electronic warfare[J].IEEE Transactions on Aerospace and Electronic Systems,2012,48 (4):2908 2931. [1 1] LeivaMurillo J M, GomezChova L, CampsValls G. Multitask remote sensing data classification [J]. IEEE Transactions on Geoscience and Remote Sensing,2013,5 1 (1):15 1 161. [12] Wu S H,Su W J,Zhu L,et al.Algorithm based on PRI transform for estimating the scanning periods of phased array radar[C]//Proceedings of 5 th International Conference on Wireless Communications, Networking and Mobile Computing,2009:1 4. [13] Quan W,Li P,Xu F K.An algorithm of signal sorting and recognition of phased array radars[C]//Proceedings of IEEE 10th International Conference on Signal,2010:1877 1880. [14] Kim Y H,Kim W J,Song K H,et al.Modeling of a radar signal for scan pattern [C]//Proceedings of 2009 IEEE Military Communications Conference,2009:1 6. [15] Eravci B.Automatic radar antenna scan analysis in electronic warfare[D].Ankara:Bilkent University,2010. [16] Cheong S,Oh S H,Lee S Y.Support vector machines with binary tree architecture for multiclass classification [J]. Neural Information ProcessingLetters and Reviews,2004,2 (3):47 5 1. [17] 伍忠东,高新波.谢维信.基于核方法的模糊聚类算 法[J].西安电子科技大学学报,2004,31(4):533 537. WU Zhongdong,GAO Xinbo,XIE Weixin.A study of a new fuzzy clustering algorithm based on the kernel method[J]. Journal of Xidian University(Natural Science),2004,31 (4):533 537.(in Chinese) [18] Witten I H, Frank E.Data mining: practical machine learning tools and techniques [M].2nd ed.San Francisco: Morgan Kaufmann,2005. (上接第 149 页) [5] Christie J R I,Parkinson B W,Enge P K.The effects of the ionosphere and C/A frequency on GPS signal shape: considerations for GNSS2 [C ]//Proceedings of the 9th International Technical Meeting of the Satellite Division of The Institute of Navigation,1996. [6] 刘瀛翔,李垣陵,唐小妹,等.电离层对 BOC 调制信号的影 响[J].宇航学报,2012,33(10):1466 1471. LIU Yingxiang,LI Yuanling,TANG Xiaomei,et al.Ionosphere effects for BOC modulated signals[J].Journal of Astronautics, 2012,33(10):1466 1471.(in Chinese) [7] Hodgart MS,Blunt P D,Unwin M.The optimal dual estimate solution for robust tracking of binary offset carrier (BOC) modulation [C ]//Proceedings of the 20th International Technical Meeting of the Satellite Division of The Institute of Navigation,2007:1017 1027. [8] Hodgart M S,Blunt P D,Unwin M.Double estimator,a new receiver principle for tracking BOC signals [J].Inside GNSS, Spring,2008,3(3):26 36. [9] Lestarquit L,Artaud G,Issler J L.AltBOC for dummies or everything you always wanted to know about AltBOC[C]// Proceedings of the 21 st International Technical Meeting of the Satellite Division of The Institute of Navigation,2008:961 970. [10] Pratt A R,Owen J I R.Signal multiplex techniques in satellite channel availability possible applications to galileo[C].Proceedings of the 18th International Technical Meeting of the Satellite Division of The Institute of Navigation, 2005:2448 2460. [1 1] Kaplan E D,Hegarty C J.GPS 原理与应用 [M].第二版. 寇艳红译.北京:电子工业出版社,2006:230 233. Kaplan E D,Hegarty C J.Understanding GPS Principles and Applications [M].2nd ed.KOU Hongyan Trans.Beijing: Publishing House of Electronics Industry,2006:230 233. (in Chinese) [12] Morton Y T,van Graas F,Zhou Q H,et al.Assessment of the higher order ionosphere error on position solutions [J]. Journal of The Institute of Navigation,2009,56(3):185 193. [13] Misra P,Enge P K.全球定位系统 信号、测量与性 能[M].罗鸣,曹冲,肖雄兵,等译.北京:电子工业出版 社,2006:123 126. Misra P,Enge P K.Global positioning system:signals, measurements,and performance [M].Beijing:Publishing House of Electronics Industry, 2006:123 126.(in Chinese) ·361·

本文链接:http://ottimosito.com/diwoshibieleida/302.html