謝春禾，蔣 雯，劉 翔，鄭翰清

(1. 西北工業(yè)大學(xué) 電子信息學(xué)院，陜西 西安 710072； 2. 上海航天控制技術(shù)研究所，上海 200233；3. 中國(guó)航天科技集團(tuán)公司 紅外探測(cè)技術(shù)研發(fā)中心，上海 200233)

0 引言

雷達(dá)輻射源識(shí)別是一種重要的電子對(duì)抗技術(shù)，它通過(guò)將偵察到的雷達(dá)信號(hào)特征參數(shù)和雷達(dá)庫(kù)中已知雷達(dá)的特征參數(shù)進(jìn)行對(duì)比，以確定待測(cè)雷達(dá)的類型，并進(jìn)一步分析該雷達(dá)的用途、載體、威脅等級(jí)等。雷達(dá)輻射源識(shí)別的工作原理為：如果待測(cè)雷達(dá)的各特征參數(shù)與數(shù)據(jù)庫(kù)中某雷達(dá)相應(yīng)的特征出現(xiàn)高度一致時(shí)，則認(rèn)為待測(cè)信號(hào)的雷達(dá)屬于該類別。

雖然雷達(dá)輻射源的工作原理很簡(jiǎn)單，但在實(shí)際應(yīng)用中，準(zhǔn)確識(shí)別雷達(dá)型號(hào)是一件艱難的任務(wù)，原因主要為以下三點(diǎn)：一是雷達(dá)對(duì)抗系統(tǒng)探測(cè)的各參數(shù)可能存在誤差；二是雷達(dá)特性參數(shù)不是固定值，會(huì)在一定范圍內(nèi)波動(dòng)；三是不同雷達(dá)的特征參數(shù)時(shí)常相同或相近，而現(xiàn)代戰(zhàn)場(chǎng)電磁環(huán)境復(fù)雜多變，敵對(duì)雙方通常會(huì)采用各種反偵查的措施，從而增加了雷達(dá)輻射源信號(hào)的復(fù)雜性、欺騙性、模糊性，使偵察設(shè)備難以對(duì)雷達(dá)特征參數(shù)進(jìn)行真實(shí)、可靠的探測(cè)。以上原因催生了許多關(guān)于雷達(dá)輻射源識(shí)別算法的研究。如：關(guān)欣等[1]提出了一種基于模糊綜合評(píng)判的雷達(dá)輻射源識(shí)別新算法，該算法通過(guò)構(gòu)造模糊評(píng)判矩陣表示輻射源相關(guān)程度的模糊集，然后按最大隸屬度原則進(jìn)行判決；劉凱等[2]研究了一種脈間特征參數(shù)和脈內(nèi)特征參數(shù)隸屬度的計(jì)算方法，提出了一種綜合特征權(quán)值的算法，對(duì)雷達(dá)輻射源進(jìn)行加權(quán)識(shí)別；黃高明等[3]提出了一種基于高速DSP(數(shù)字信號(hào)處理器)芯片的神經(jīng)網(wǎng)絡(luò)硬件實(shí)現(xiàn)方法；何隆玲等[4]提出了基于自適應(yīng)時(shí)變權(quán)重和局部搜索算子的改進(jìn)PSO(粒子群優(yōu)化算法)，并結(jié)合RBF(徑向基函數(shù)神經(jīng)網(wǎng)絡(luò))進(jìn)行了雷達(dá)目標(biāo)識(shí)別；張政超等[5]研究了一種基于粗糙集數(shù)據(jù)處理的雷達(dá)輻射源識(shí)別模型；王虹等[6]研究了一種基于面積計(jì)算灰關(guān)聯(lián)度的改進(jìn)方法，并將其成功應(yīng)用于輻射源識(shí)別。

近年來(lái)，基于信息融合技術(shù)的方法受到越來(lái)越多的關(guān)注，該方法能縮短偵查系統(tǒng)的探測(cè)時(shí)間，擴(kuò)大系統(tǒng)的探測(cè)范圍，具有很強(qiáng)的勢(shì)態(tài)感知和威脅評(píng)估能力，被廣泛應(yīng)用于目標(biāo)識(shí)別等領(lǐng)域。其中，D-S證據(jù)理論是一種有效的不確定推理工具，能對(duì)目標(biāo)的不確定信息進(jìn)行有效建模和分析，并通過(guò)融合目標(biāo)的多屬性信息進(jìn)行有效的推理和決策。目前，D-S證據(jù)理論在雷達(dá)輻射源識(shí)別上有許多研究，并取得了一定成效。如：俞至富等[7]提出了基于灰關(guān)聯(lián)分析與D-S證據(jù)理論的多傳感器雷達(dá)輻射源識(shí)別方法，提高了輻射源識(shí)別率；黃小毛等[8]提出了基于D-S證據(jù)理論與模糊理論組合應(yīng)用的方法，充分利用了雷達(dá)信號(hào)在時(shí)間上的冗余信息，提高了信號(hào)的識(shí)別率。D-S證據(jù)理論是建立在閉合世界下的，即假設(shè)研究范圍內(nèi)不存在未知目標(biāo)。實(shí)際上，隨著雷達(dá)反偵察技術(shù)的發(fā)展，想要充分獲取敵方雷達(dá)信息并非易事，因此難以建立一個(gè)完備的雷達(dá)庫(kù)。在這種情況下，當(dāng)偵測(cè)到新型雷達(dá)信號(hào)時(shí)，傳感器數(shù)據(jù)可能無(wú)法與現(xiàn)有雷達(dá)匹配，導(dǎo)致誤判。因此，D-S證據(jù)理論在雷達(dá)輻射源識(shí)別中的作用具有一定的局限性。

針對(duì)上述問(wèn)題，本文基于廣義證據(jù)理論[9-11]研究了一種在開放世界下的雷達(dá)輻射源融合識(shí)別方法。對(duì)未知類型雷達(dá)的識(shí)別進(jìn)行了研究和建模，將雷達(dá)參數(shù)模糊化處理，引入廣義證據(jù)理論，構(gòu)建廣義的概率指派函數(shù)，在開放世界下進(jìn)行證據(jù)組合和決策，并驗(yàn)證該方法的有效性。

1 理論基礎(chǔ)

D-S證據(jù)理論[12-13]是由Dempster提出并由Shafer改進(jìn)的一種信息處理方法，被廣泛應(yīng)用于不確定信息的表達(dá)和處理。該理論首先構(gòu)建了一個(gè)辨識(shí)框架Θ={θ1,θ2,…,θN}，Θ由N個(gè)互斥的元素組成的集合，其中每個(gè)元素對(duì)應(yīng)1個(gè)判別的命題，因此辨識(shí)框架為所有判別命題的集合；然后，在辨識(shí)框架下建立了BPA(基本概率指派函數(shù))，該函數(shù)為1種信任程度，用來(lái)表示辨識(shí)框架中任意子集命題的信度大??；最后，提供了Dempster組合規(guī)則，即

(1)

式中：集合A，B，C為辨識(shí)框架中除空集外的任意子集，且A為B，C的交集；k為沖突因子。該規(guī)則可在沒有先驗(yàn)信息的情況下實(shí)現(xiàn)證據(jù)融合。

(2)

則m為框架Θ上的廣義基本概率指派。與BPA相比，GBPA沒有m(?)=0的限制，即m(?)不必強(qiáng)制為0。空集表示不屬于辨識(shí)框架中的命題，因此，可將空集的信度用于判別新目標(biāo)。廣義證據(jù)組合規(guī)則(GCR)為

(3)

式中：m為GBPA；K為2組GBPA之間的沖突程度；m(?)為空集的信度賦值。

式(3)中，空集的信度不要求為0，且參與和其他焦元(focal element，信度大于0的命題)的融合運(yùn)算。通過(guò)融合后空集的信度大小判斷待測(cè)目標(biāo)是否為未知目標(biāo)。但在研究中發(fā)現(xiàn)，當(dāng)證據(jù)數(shù)目較多時(shí)，式(3)中的空集信度隨乘積運(yùn)算進(jìn)程愈來(lái)愈小，最終向0收斂。為解決該問(wèn)題，JIANG和ZHAN在廣義D-S證據(jù)理論[10]基礎(chǔ)上提出了1種修正的廣義證據(jù)組合規(guī)則(MGCR)[14]，公式為

(4)

式中：集合A，B，C為辨識(shí)框架中除空集外的任意子集，且A為B，C的交集。

與GCR[10]相比，MGCR優(yōu)化了空集信度的融合方式，將空集作為1個(gè)正常焦元進(jìn)行歸一化處理，避免了空集信度越融合越小的問(wèn)題。因此，后文將采用式(4)進(jìn)行證據(jù)融合。

2 雷達(dá)輻射源融合識(shí)別模型

2.1 設(shè)計(jì)思路

雷達(dá)信號(hào)包含工作頻率、脈沖重復(fù)頻率、脈沖寬度、頻率捷聯(lián)方式、重頻參差方式、信號(hào)調(diào)制方式、使用高度等參數(shù)信息。這些參數(shù)隱藏著雷達(dá)輻射源的信息，對(duì)空中目標(biāo)識(shí)別具有重要價(jià)值。當(dāng)待測(cè)雷達(dá)信號(hào)完成變換、濾波、特征提取等處理后，可得到針對(duì)不同參數(shù)的特征值，利用這些特征值可產(chǎn)生相應(yīng)的BPA，從而通過(guò)信息融合技術(shù)實(shí)現(xiàn)目標(biāo)的綜合判別。特征提取為生成BPA的重要環(huán)節(jié)，若信息特征提取不準(zhǔn)確，則可能導(dǎo)致生成的BPA不可靠，最終使融合結(jié)果不可信。

由于雷達(dá)信號(hào)可能受環(huán)境噪聲及敵方人為干擾的影響，探測(cè)的信號(hào)具有一定的模糊性和不確定性，最終提取到的特征值具有一定偏差。因此，雷達(dá)參數(shù)庫(kù)中樣本的特征參數(shù)也具有一定模糊性，有必要將不同類型(單值型、多值型、區(qū)間型)的雷達(dá)參數(shù)進(jìn)行模糊化處理，建立雷達(dá)樣本的模糊隸屬度模型。在實(shí)際環(huán)境中，捕捉到目標(biāo)平臺(tái)雷達(dá)信號(hào)的時(shí)間可能有限，在短時(shí)間內(nèi)可能無(wú)法充分獲取完整的測(cè)量參數(shù)，因此對(duì)于多值型或區(qū)間型的雷達(dá)參數(shù)，可先采用實(shí)時(shí)的單值型數(shù)據(jù)匹配樣本模糊隸屬度產(chǎn)生GBPA，利用修正的廣義D-S證據(jù)理論組合規(guī)則融合多組特征參數(shù)的信息，得到綜合的識(shí)別結(jié)果。若有參數(shù)更新，則進(jìn)行后續(xù)的融合識(shí)別。為識(shí)別雷達(dá)輻射源，本文按照這種思路，提出了1種基于廣義D-S證據(jù)理論的信息融合模型，如圖1所示。

圖1 開放世界下雷達(dá)輻射源融合識(shí)別模型Fig.1 Fusion model of radar emitter recognition in open world

2.2 建立雷達(dá)庫(kù)雷達(dá)參數(shù)的模糊隸屬度函數(shù)

雷達(dá)的參數(shù)變量類型有差異，實(shí)際偵查的雷達(dá)信號(hào)提取的特征參數(shù)有單值型、多值型和區(qū)間型。如KOHTYP雷達(dá)的工作頻率為9 435 MHz，該頻率為單值型雷達(dá)參數(shù)；P6∏-4雷達(dá)的脈沖寬度為0.4，1，2 μs，該脈沖寬度為多值型的雷達(dá)參數(shù)；Buran-D雷達(dá)的脈沖重復(fù)頻率為250～1 500 Hz，該脈沖重復(fù)頻率為區(qū)間型雷達(dá)參數(shù)。因此，在模糊化雷達(dá)參數(shù)變量時(shí)，需根據(jù)不同的參數(shù)類型定義不同的模糊隸屬度函數(shù)，特別是針對(duì)多值型、區(qū)間型參數(shù)需定義完整的隸屬度函數(shù)，有些學(xué)者在模糊化多值型參數(shù)時(shí)僅考慮其中的某一個(gè)值(如最大值)的做法缺乏合理性，容易導(dǎo)致信息的缺失。下面以3種不同類型的雷達(dá)參數(shù)為例，說(shuō)明本文采用的特征參數(shù)模糊化方法。

假設(shè)雷達(dá)庫(kù)有t種雷達(dá)，Θ={U1,U2,…,Ut}，每種雷達(dá)Ui(i=1，2，…，t)具有n種特征參數(shù)用于待測(cè)雷達(dá)的輻射源識(shí)別，則某樣本雷達(dá)Ui(i=1，2，…，t)的第j種特征參數(shù)εj的模糊隸屬度函數(shù)為μij(x)。針對(duì)不同參數(shù)類型定義不同的隸屬度函數(shù)。

1) 單值型。對(duì)于單值型雷達(dá)參數(shù)，采用正態(tài)型模糊隸屬度函數(shù)進(jìn)行模糊化，如圖2所示。隸屬度函數(shù)表達(dá)式為

(5)

式中：Xij，δij分別為接收機(jī)雷達(dá)對(duì)參數(shù)j測(cè)量的均值和標(biāo)準(zhǔn)差。

圖2 單值型雷達(dá)參數(shù)的模糊化Fig.2 Fuzzification of radar parameters with single value

2) 多值型。對(duì)于多值型雷達(dá)參數(shù)，要對(duì)每個(gè)參數(shù)進(jìn)行模糊化處理。由于雷達(dá)某參數(shù)可能是其中的一個(gè)值，也可能在幾個(gè)值之間切換，所以只模糊化參數(shù)的一個(gè)值或部分值都會(huì)造成信息損失，導(dǎo)致目標(biāo)識(shí)別的效果不佳。因此，在對(duì)多值型參數(shù)進(jìn)行模糊化時(shí)，要構(gòu)造每一種可能取值的隸屬度函數(shù)，如圖3所示。

圖3 多值型雷達(dá)參數(shù)的模糊化Fig.3 Fuzzification of radar parameters with multiple values

假設(shè)某雷達(dá)的某參數(shù)有N個(gè)可能取值，則根據(jù)式(5)可得該參數(shù)第n個(gè)取值的模糊隸屬度模型，為

(6)

式中，n為1，2，…，N。

多值型參數(shù)的隸屬度函數(shù)為

(7)

式(7)表示將N個(gè)參數(shù)都進(jìn)行模糊化處理。

3) 區(qū)間型。區(qū)間型雷達(dá)參數(shù)的模糊化過(guò)程如圖4所示。

圖4 區(qū)間型雷達(dá)參數(shù)的模糊化Fig.4 Fuzzification of radar parameters with interval value

假設(shè)某區(qū)間型雷達(dá)參數(shù)的取值為Xmin～Xmax，則定義的模糊隸屬度函數(shù)為

μij(x)=

(8)

2.3 目標(biāo)命題的GBPA的生成方法

假設(shè)待測(cè)雷達(dá)T在特征參數(shù)εj下的模糊隸屬度函數(shù)為μTj(x)，則其λ截集的定義為

(9)

在λ截集函數(shù)下，通過(guò)分析待測(cè)雷達(dá)各參數(shù)隸屬度函數(shù)與樣本雷達(dá)模板的似然度來(lái)確定目標(biāo)命題的GBPA，具體方法如下。

定義待測(cè)模糊隸屬度函數(shù)μTj(x)與樣本雷達(dá)μij(x)的似然度為2個(gè)模糊隸屬度函數(shù)的最大交點(diǎn)，公式為

(10)

測(cè)試參數(shù)與單值型或區(qū)間型樣本匹配的似然度可直接利用式(10)求得。對(duì)于多值型樣本參數(shù)，將待測(cè)樣本在某參數(shù)下的λ截集函數(shù)分別與多值型參數(shù)的每一個(gè)可能取值的模糊數(shù)相匹配，并取最大值，匹配的似然度定義為測(cè)試參數(shù)與模型的匹配值，是一種可能性大小，公式為

(11)

(12)

即當(dāng)似然度之和不超過(guò)1時(shí)，將剩余值賦給空集。

(13)

即當(dāng)似然度之和超過(guò)1時(shí)，將似然度歸一化后作為GBPA，空集的信度為0。在多屬性信息融合中，雷達(dá)的每個(gè)特征參數(shù)相當(dāng)于一類多源信息。對(duì)于n種特征參數(shù)，通過(guò)式(9)～(13)可相應(yīng)產(chǎn)生n組GBPA。

2.4 GBPA的融合方法及決策準(zhǔn)則

經(jīng)典的D-S證據(jù)理論存在沖突悖論問(wèn)題，即Dempster組合規(guī)則在融合高沖突的證據(jù)時(shí)可能會(huì)產(chǎn)生不合理結(jié)果。同類問(wèn)題也存在于廣義D-S證據(jù)理論中。為防止在證據(jù)組合時(shí)發(fā)生這類問(wèn)題，本文采用加權(quán)平均算法[15-16]實(shí)現(xiàn)沖突管理，公式為

(14)

式中:wj為第j個(gè)特征參數(shù)的權(quán)重。

由于不同特征參數(shù)對(duì)于目標(biāo)識(shí)別的重要性不同，每種特征參數(shù)會(huì)有1個(gè)相對(duì)權(quán)重。通過(guò)加權(quán)平均，可得到一組平均證據(jù)，將式(4)融合n-1次，從而得到最終決策的GBPA。

基于以上融合結(jié)果，定義以下決策準(zhǔn)則：如果m(?)>ρ1，則判別目標(biāo)為未知目標(biāo)；如果max(m(Ui))>ρ2，則判別目標(biāo)為Ui。

由以上判別條件可知：當(dāng)融合結(jié)果的GBPA中空集的信度超過(guò)閾值ρ1時(shí)，則將待識(shí)別目標(biāo)判定為未知；當(dāng)融合結(jié)果的GBPA中Ui的信度最大且大于閾值ρ2時(shí)，則判定待識(shí)別目標(biāo)為Ui。

3 仿真及結(jié)果分析

采用工作頻率、脈沖重復(fù)頻率、脈沖寬度這3個(gè)雷達(dá)特征參數(shù)來(lái)識(shí)別雷達(dá)輻射源類型。從雷達(dá)庫(kù)中選取3組已知型號(hào)的雷達(dá)(U1～U3)作為識(shí)別樣本，其特征參數(shù)見表1。

表1 待測(cè)雷達(dá)與模板雷達(dá)的參數(shù)值

假設(shè)地面?zhèn)蓽y(cè)設(shè)備檢測(cè)6組待測(cè)雷達(dá)的信號(hào)為T1～T6，且由統(tǒng)計(jì)得知，該偵測(cè)雷達(dá)統(tǒng)計(jì)以上參數(shù)的均方誤差分別為1%，1.5%和2%，則實(shí)驗(yàn)中，待測(cè)型號(hào)T1～T3為已知型號(hào)雷達(dá)，T4～T6為新型雷達(dá)。本文基于融合算法的待測(cè)雷達(dá)的識(shí)別步驟如下。

利用表1中的已知雷達(dá)參數(shù)建立模糊隸屬度函數(shù)，將測(cè)試?yán)走_(dá)的參數(shù)模糊化處理，同模型進(jìn)行匹配產(chǎn)生似然度。圖5為根據(jù)3個(gè)雷達(dá)特征參數(shù)下的測(cè)試?yán)走_(dá)(T1)和目標(biāo)庫(kù)雷達(dá)的匹配模型。根據(jù)式(9)～(13)產(chǎn)生用于3個(gè)特征參數(shù)的3條GBPA。最后，通過(guò)式(4)的MGCR融合GBPA，并利用定義的判別規(guī)則對(duì)6個(gè)待測(cè)雷達(dá)進(jìn)行判別。

為檢驗(yàn)本文提出的雷達(dá)輻射源識(shí)別方法對(duì)新目標(biāo)判別的有效性，分別將該方法與經(jīng)典的D-S證據(jù)理論和廣義D-S證據(jù)理論下的GCR方法進(jìn)行比較，待測(cè)雷達(dá)的匹配結(jié)果見表2～5。表中加粗部分為1條BPA的最大信度值。在閉合世界下，BPA可采用式(12)、(13)生成，不同的是將公式中的空集替換為全集。融合后的決策方法與本文中的決策準(zhǔn)則相同。

在閉合世界下，使用經(jīng)典的D-S證據(jù)理論對(duì)雷達(dá)輻射源進(jìn)行判別，結(jié)果見表2。由表2可知：T1～T3中僅有T2可判別；在T1和T3中，BPA的最大信度都沒有超過(guò)閾值，因此產(chǎn)生的BPA無(wú)法對(duì)目標(biāo)進(jìn)行判別；在T4～T6中，T4和T5的BPA將最大信度分配給了全集，表示識(shí)別結(jié)果可能是目標(biāo)庫(kù)中的某一種，因此并不能將目標(biāo)識(shí)別為未知；T6被錯(cuò)誤識(shí)別為已知目標(biāo)U3。

表2 閉合世界下的待測(cè)雷達(dá)的仿真結(jié)果

表3 在開放世界下基于GCR的待測(cè)雷達(dá)的仿真結(jié)果

在開放世界下使用GCR對(duì)雷達(dá)輻射源進(jìn)行判別，結(jié)果見表3。融合后的T1的GBPA對(duì)未知型號(hào)的支持度僅為0.001 4，遠(yuǎn)低于門限值ρ1，所以認(rèn)為待測(cè)雷達(dá)不是新目標(biāo)。由于對(duì)目標(biāo)庫(kù)中雷達(dá)U2的支持度最高，且大于門限值ρ2，因此認(rèn)為待測(cè)雷達(dá)T1為已知雷達(dá)型號(hào)U2。同樣，目標(biāo)T2和T3分別識(shí)別為U3和U1。對(duì)于新目標(biāo)T4～T6，判別結(jié)果不容樂(lè)觀，從T4和T5的融合結(jié)果可見，最大信度均不超過(guò)判決門限，因此無(wú)法判決。即使降低門限值，使最大信度可用于決策，由于空集的信度在融合時(shí)越來(lái)越小，最終也會(huì)將目標(biāo)T4和T5判別為已知目標(biāo)。因?yàn)榭占男哦仍谌诤蠒r(shí)越來(lái)越小，所以T6最終被錯(cuò)誤判別為已知目標(biāo)U3。

圖5 待測(cè)雷達(dá)T1與目標(biāo)庫(kù)雷達(dá)的匹配模型Fig.5 Matching model of radar T1 to be tested and radar in database

使用MGCR算法的雷達(dá)輻射源判別結(jié)果見表4，表中加粗部分為錯(cuò)誤判別。由表4可知：T1～T3的判別結(jié)果和基于GCR的方法完全相同；按照決策準(zhǔn)則，T4和T5判別為未知目標(biāo)，與先驗(yàn)信息符合；T6被誤判為已知型號(hào)U3。

表4 開放世界下基于MGCR的待測(cè)雷達(dá)的仿真結(jié)果

使用以上3種方法后的雷達(dá)輻射源識(shí)別結(jié)果見表5。由表可見：D-S證據(jù)理論的融合算法對(duì)于已知目標(biāo)的判別具有較大的不確定性；在未知目標(biāo)判定上，經(jīng)典D-S證據(jù)理論失效，甚至得出了錯(cuò)誤的判別結(jié)果；GCR方法對(duì)未知目標(biāo)的判別也存在很大的不確定性。而整體上，基于MGCR的融合模型使目標(biāo)的判別能力都有了較大的提升。因此，本文提出的輻射源識(shí)別模型具有更高的可靠性和更強(qiáng)的未知目標(biāo)判別能力。此外，3種方法對(duì)T6均識(shí)別錯(cuò)誤。經(jīng)分析發(fā)現(xiàn)，該結(jié)果是由于T6的脈沖重復(fù)頻率、脈沖寬度和已知型號(hào)U3對(duì)應(yīng)的參數(shù)相同或相似導(dǎo)致的。即使工作頻率這一特性和U3完全不匹配，融合后的證據(jù)依然有很大的信度支持目標(biāo)U3。因此，本文提出的方法僅適用于不同雷達(dá)的特征參數(shù)存在一定區(qū)分度的場(chǎng)景中，即不同雷達(dá)的同類特征參數(shù)具有一定的差異性。如果不同雷達(dá)之間的特征參數(shù)相同或高度相似，則需建立更精準(zhǔn)的雷達(dá)目標(biāo)庫(kù)，減少不確定性；增加信號(hào)峰值功率、輻射源使用高度等可用的雷達(dá)特征參數(shù)。

表5 開放世界和閉合世界下的目標(biāo)識(shí)別結(jié)果比較

4 結(jié)束語(yǔ)

在開放世界下辨識(shí)框架并不完備，存在著未知目標(biāo)，因此，在開放世界下研究目標(biāo)識(shí)別具有重大意義。本文提出了1種基于廣義D-S證據(jù)理論的雷達(dá)輻射源識(shí)別模型，將目標(biāo)識(shí)別引入開放世界進(jìn)行討論，用空集的信度作為目標(biāo)未知的證據(jù)。若目標(biāo)已知，則空集的信度始終比較低。在辨識(shí)框架不完備時(shí)，若有新目標(biāo)出現(xiàn)，則融合后的證據(jù)中空集的信度較大。通過(guò)對(duì)雷達(dá)輻射源的識(shí)別進(jìn)行實(shí)驗(yàn)驗(yàn)證，驗(yàn)證了該方法具有較好的對(duì)已知目標(biāo)識(shí)別和未知目標(biāo)判別的能力。本文提出的GBPA生成模型還存在以下不足：一是雷達(dá)庫(kù)中模板雷達(dá)的參數(shù)可能具有較大的重疊性，這就會(huì)對(duì)目標(biāo)識(shí)別造成一定干擾；二是不同屬性在信息融合中的權(quán)重可能不同，對(duì)于雷達(dá)輻射源識(shí)別，不同雷達(dá)類型在某一屬性下重疊程度不同，屬性交叉區(qū)域越大，則對(duì)目標(biāo)區(qū)分的能力越弱，因而該屬性的重要性就越小。因此，在后續(xù)工作中可基于屬性間的交叉程度研究不同屬性在融合中的權(quán)重系數(shù)。

[1] 關(guān)欣, 何友, 衣曉. 一種新的雷達(dá)輻射源識(shí)別算法[J]. 宇航學(xué)報(bào), 2005, 26(5): 612-615.

[2] 劉凱, 白京路, 王春波，等. 一種基于模糊隸屬度的雷達(dá)輻射源識(shí)別新方法[J]. 航天電子對(duì)抗, 2014, 30(5): 31-35.

[3] 黃高明, 蘇國(guó)慶, 張琪,等. 基于神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源智能識(shí)別系統(tǒng)[J]. 雷達(dá)科學(xué)與技術(shù), 2005, 3(2): 86-90.

[4] 何隆玲, 胡桂明, 李維維,等. 基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)識(shí)別[J]. 現(xiàn)代防御技術(shù), 2014, 42(5): 115-120.

[5] 張政超, 關(guān)欣, 何友. 粗糙集在雷達(dá)輻射源識(shí)別中的應(yīng)用[J]. 中國(guó)電子科學(xué)研究院學(xué)報(bào), 2009, 4(4): 412-416.

[6] 王虹, 關(guān)欣, 逯程. 基于面積灰關(guān)聯(lián)算法的機(jī)載平臺(tái)雷達(dá)輻射源識(shí)別方法[J]. 中國(guó)電子科學(xué)研究院學(xué)報(bào), 2015, 10(5): 523-526.

[7] 俞志富, 羅景青. 基于灰關(guān)聯(lián)分析與D-S證據(jù)理論的多傳感器雷達(dá)輻射源識(shí)別方法[J]. 電訊技術(shù), 2004, 44(1): 52-56.

[8] 黃小毛, 鄭孝勇, 章新華. 基于D-S推理的雷達(dá)信號(hào)模糊識(shí)別方法[J]. 現(xiàn)代雷達(dá), 2002, 24(4): 7-9.

[9] DENG Y. Generalized evidence theory[J]. Applied Intelligence, 2015, 43(3): 530-543.

[10] 鄧勇,蔣雯,韓德強(qiáng). 廣義證據(jù)理論的基本框架[J]. 西安交通大學(xué)學(xué)報(bào), 2010, 12: 119-124.

[11] 鄧勇,韓德強(qiáng). 廣義證據(jù)理論中的基本概率指派生成方法[J]. 西安交通大學(xué)學(xué)報(bào), 2011, 45(2): 34-38.

[12] DEMPSTERA P. Upper and lower probabilities induced by a multi-valued mapping[J]. Annals of Mathematical Statistics, 1967, 38(2): 325-339.

[13] SHAFER G. A mathematical theory of evidence [M]. Princeton University Press Princeton: Princeton, NJ, USA, 1976.

[14] JIANG W, ZHAN J. A modified combination rule in generalized evidence theory [J]. Applied Intelligence, 2017, 46(3): 630-640.

[15] MURPHY C K. Combining belief functions when evidence conflicts [J]. Decision Support Systems, 2000, 29(1): 1-9.

[16] DENG Y, SHI W K, ZHU Z F, et al. Combining belief functions based on distance of evidence [J]. Decision Support Systems, 2004, 38(3): 489-493.