林石 伍燕平 肖進(jìn)

摘要：本文首先對(duì)認(rèn)知雷達(dá)對(duì)抗進(jìn)行了概述，并針對(duì)雷達(dá)設(shè)備對(duì)雷達(dá)信號(hào)進(jìn)行識(shí)別，進(jìn)而對(duì)干擾效果進(jìn)行評(píng)估，提高干擾工作的針對(duì)性與主動(dòng)性，不斷優(yōu)化干擾策略。

關(guān)鍵詞：雷達(dá)對(duì)抗;SVM模型;識(shí)別方法

在雷達(dá)對(duì)抗系統(tǒng)運(yùn)行過(guò)程中，干擾方會(huì)結(jié)合實(shí)際情況驗(yàn)證信息之后再對(duì)相關(guān)雷達(dá)信號(hào)的參數(shù)開(kāi)展測(cè)量工作，合理優(yōu)化干擾資源。在此過(guò)程中，經(jīng)常會(huì)出現(xiàn)干擾方無(wú)法根據(jù)雷達(dá)狀態(tài)、對(duì)抗環(huán)境等因素，合理調(diào)整自身干擾策略。在這種情況下，干擾方的對(duì)抗屬于靜止?fàn)顟B(tài)，干擾效率也難以提高。再加上新體制雷達(dá)的不斷出現(xiàn)，在沒(méi)有交互對(duì)抗時(shí)，雷達(dá)設(shè)備本身的諸多功能都是被隱藏的，無(wú)法充分發(fā)揮自身作用。認(rèn)知雷達(dá)對(duì)抗系統(tǒng)的應(yīng)用，有效改善了傳統(tǒng)雷達(dá)對(duì)抗系統(tǒng)中的弊端，不斷優(yōu)化干擾信號(hào)，合理調(diào)度干擾資源，最終提高認(rèn)知雷達(dá)對(duì)抗的針對(duì)性與主動(dòng)性。

1 認(rèn)知雷達(dá)對(duì)抗的相關(guān)概述

所謂的認(rèn)知雷達(dá)對(duì)抗指代的是在將閉環(huán)行為學(xué)習(xí)過(guò)程引進(jìn)到以往認(rèn)知雷達(dá)對(duì)抗中，增強(qiáng)雷達(dá)設(shè)備對(duì)抗時(shí)干擾方的功能，使其可以在接收到相關(guān)雷達(dá)信息后立刻對(duì)相關(guān)參數(shù)以及狀態(tài)開(kāi)展測(cè)量、辨識(shí)工作，充分掌握不同雷達(dá)設(shè)備的不同狀態(tài)，使得干擾信號(hào)的相關(guān)數(shù)據(jù)信息能夠被全面收集、處理，最終幫助工作人員對(duì)雷達(dá)設(shè)備的干擾效果進(jìn)行評(píng)估，合理配置雷達(dá)干擾資源，使得雷達(dá)對(duì)抗效果得以提升[1]。

在雷達(dá)對(duì)抗過(guò)程中，有關(guān)狀態(tài)識(shí)別問(wèn)題，本質(zhì)上可以說(shuō)是模式分類(lèi)問(wèn)題。在雷達(dá)狀態(tài)識(shí)別過(guò)程中通常情況下可以分為無(wú)監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)兩類(lèi)。在開(kāi)展有監(jiān)督學(xué)習(xí)時(shí)，需要注意的是要對(duì)相關(guān)初始數(shù)據(jù)的相關(guān)樣本進(jìn)行標(biāo)注，將標(biāo)注后的數(shù)據(jù)作為訓(xùn)練樣本，而后根據(jù)雷達(dá)設(shè)備本身的學(xué)習(xí)算法生成分類(lèi)器，而后再通過(guò)算法最終生成分類(lèi)器對(duì)沒(méi)有標(biāo)注的樣本開(kāi)展識(shí)別工作。針對(duì)于無(wú)監(jiān)督工作而言，相關(guān)人員可以不用對(duì)樣本信息進(jìn)行標(biāo)注，但是需要根據(jù)特征空間中不同樣本的相似程度，對(duì)這些樣本進(jìn)行劃分。雷達(dá)對(duì)抗過(guò)程中應(yīng)用到的聚類(lèi)分析，便是屬于無(wú)監(jiān)督學(xué)習(xí)方法中的一種[2]。

針對(duì)于有監(jiān)督的雷達(dá)狀態(tài)識(shí)別方法而言，常見(jiàn)的分類(lèi)算法有人工神經(jīng)網(wǎng)絡(luò)、決策樹(shù)以及K-近鄰算法、支持向量機(jī)等。其中支持向量機(jī)法的應(yīng)用，在高位模式識(shí)別、小樣本中有著諸多優(yōu)勢(shì)，并且該方法能夠應(yīng)用于函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。根據(jù)傳統(tǒng)雷達(dá)狀態(tài)識(shí)別工作來(lái)看，傳統(tǒng)的識(shí)別方法SVM只能對(duì)訓(xùn)練樣本集中的已有類(lèi)別進(jìn)行識(shí)別，最終形成SVM模型。在SVM模型構(gòu)建完成之后，需要根據(jù)不同空間中的數(shù)據(jù)信息分析情況，對(duì)單類(lèi)別模式的所屬范圍進(jìn)行探究。分析其是否屬于新類(lèi)別的范圍。根據(jù)該方法的應(yīng)用情況來(lái)看，因?yàn)槊看沃荒芗僭O(shè)樣本中只存在一種新類(lèi)別，因此該方法本身便具有一定局限性。

有關(guān)無(wú)監(jiān)督學(xué)習(xí)方法可以分為兩大類(lèi)，分別為間接聚類(lèi)方法與函數(shù)估計(jì)方法。間接聚類(lèi)方法主要利用樣本間的相似性進(jìn)行度量，而函數(shù)估計(jì)方法主要是基于概率密度函數(shù)開(kāi)展的相關(guān)運(yùn)算。在本文中，重點(diǎn)討論聚類(lèi)方法，需要將最終結(jié)果樣本劃分成不同類(lèi)別，而后應(yīng)用其解決分類(lèi)問(wèn)題[3]。常見(jiàn)的聚類(lèi)算法有模糊聚類(lèi)、譜聚類(lèi)以及K-均值聚類(lèi)，在應(yīng)用這些算法之前，一定要明確聚類(lèi)個(gè)數(shù)。但是根據(jù)實(shí)際情況來(lái)看，雖然聚類(lèi)算法在應(yīng)用過(guò)程中能夠在一定程度上解決雷達(dá)設(shè)備運(yùn)行時(shí)存在的未知狀態(tài)識(shí)別問(wèn)題，但是有關(guān)識(shí)別結(jié)果的精確度一直以來(lái)都是雷達(dá)對(duì)抗過(guò)程中普遍存在的瓶頸。只有將該瓶頸有效解決，才能保證未知雷達(dá)狀態(tài)識(shí)別工作有序開(kāi)展。

2 未知雷達(dá)狀態(tài)識(shí)別方法

根據(jù)當(dāng)前我國(guó)認(rèn)知雷達(dá)對(duì)抗中未知雷達(dá)狀態(tài)識(shí)別工作的實(shí)際情況來(lái)看，主要包含以下兩類(lèi)型識(shí)別方法：

2.1 有監(jiān)督分類(lèi)的未知雷達(dá)狀態(tài)識(shí)別

在探究有監(jiān)督分類(lèi)下的位置雷達(dá)狀態(tài)時(shí)，首先假設(shè)干擾方前端接收機(jī)已經(jīng)采集到了相關(guān)雷達(dá)發(fā)射信號(hào)樣本，并且對(duì)雷達(dá)的信號(hào)樣本開(kāi)展了模數(shù)轉(zhuǎn)換工作。將采集到的信號(hào)樣本經(jīng)過(guò)處理后直接標(biāo)準(zhǔn)分類(lèi)，而后將這些分類(lèi)劃分為已知雷達(dá)狀態(tài)，工作人員需要結(jié)合實(shí)際情況采用模式分類(lèi)算法對(duì)雷達(dá)設(shè)備的狀態(tài)進(jìn)行識(shí)別，以便能夠獲取設(shè)備運(yùn)行信息。

工作人員要注意，在探究雷達(dá)運(yùn)行過(guò)程中狀態(tài)識(shí)別工作時(shí)，如果在有監(jiān)督分類(lèi)的基礎(chǔ)上開(kāi)展，那么需要對(duì)雷達(dá)設(shè)備的一致?tīng)顟B(tài)邊界進(jìn)行處理。如果是在雷達(dá)運(yùn)行過(guò)程中，對(duì)該設(shè)備已經(jīng)存在的型號(hào)樣本進(jìn)行分析，那么信號(hào)樣本如果屬于狀態(tài)分類(lèi)邊界外的現(xiàn)象，那么我們可以將該信號(hào)樣本認(rèn)定為未知狀態(tài)。

根據(jù)實(shí)際情況下，在有監(jiān)督分類(lèi)的位置雷達(dá)狀態(tài)識(shí)別工作中，想要表征已知類(lèi)別的分類(lèi)邊界存在諸多難點(diǎn)。一味的按照之前雷達(dá)狀態(tài)識(shí)別工作中的訓(xùn)練樣本開(kāi)展，將會(huì)造成數(shù)據(jù)過(guò)于擬合的現(xiàn)象。一旦分類(lèi)邊界劃分過(guò)大，將會(huì)導(dǎo)致樣本出現(xiàn)錯(cuò)誤現(xiàn)象?；诖?，工作人員在此過(guò)程中需要充分考慮各個(gè)類(lèi)別邊界的合理泛化[4]。為了解決這一問(wèn)題，可以對(duì)于所有己知狀態(tài)都構(gòu)建一個(gè)單類(lèi)別分類(lèi)模型，以此來(lái)判斷樣本類(lèi)型。如果新樣本不屬于一致?tīng)顟B(tài)，那么則說(shuō)明樣本存在有未知狀態(tài)。此外，還可以采用支持向量域描述，所謂的向量描述指代的是一種類(lèi)別分類(lèi)問(wèn)題算法，該方法能夠?qū)⒗走_(dá)運(yùn)行時(shí)產(chǎn)生的單類(lèi)別數(shù)據(jù)樣本進(jìn)行訓(xùn)練，最終得出超球面，有效覆蓋所有已經(jīng)得到的數(shù)據(jù)信息。最后，還能夠確保相關(guān)樣本數(shù)據(jù)信息具有良好的泛化能力。雷達(dá)狀態(tài)識(shí)別過(guò)程中，如果識(shí)別出了一個(gè)新樣本，并且該樣本直接落入超球面內(nèi)，那么則認(rèn)為該樣本屬于該范圍，否則認(rèn)為該樣本不屬于該范圍。

2.2 無(wú)監(jiān)督聚類(lèi)的未知雷達(dá)狀態(tài)識(shí)別

在有監(jiān)督分類(lèi)的情況下，要求在雷達(dá)狀態(tài)識(shí)別工作中對(duì)采集到的信號(hào)樣本數(shù)據(jù)進(jìn)行標(biāo)注，并且不能對(duì)未知狀態(tài)的樣本進(jìn)行分析。但是根據(jù)認(rèn)知雷達(dá)對(duì)抗工作的開(kāi)展情況來(lái)看，此項(xiàng)工作的本質(zhì)是一個(gè)動(dòng)態(tài)博弈過(guò)程，雙方在此過(guò)程中會(huì)開(kāi)展躲避、識(shí)別工作?；诖耍走_(dá)設(shè)備在相互對(duì)抗過(guò)程中，一定要主要對(duì)外界環(huán)境全面掌握，并且做出有針對(duì)性的反應(yīng)。因?yàn)槿斯?biāo)準(zhǔn)樣本工作量十分龐大的關(guān)系，無(wú)法滿(mǎn)足雷達(dá)系統(tǒng)運(yùn)行時(shí)的時(shí)效性要求。此外，在目前科學(xué)技術(shù)水平不斷提高的背景下，有關(guān)電子設(shè)備之間的對(duì)抗愈發(fā)復(fù)雜，雷達(dá)設(shè)備運(yùn)行時(shí)的信息也逐漸表現(xiàn)出復(fù)雜趨勢(shì)，相關(guān)波形變化較為頻繁。干擾方在此情況下，收集到的信號(hào)數(shù)據(jù)量會(huì)不斷增大，這一現(xiàn)象將會(huì)導(dǎo)致人工標(biāo)準(zhǔn)信號(hào)樣本難度增大?；诖耍瑐鹘y(tǒng)標(biāo)準(zhǔn)方法已經(jīng)不能滿(mǎn)足新時(shí)代雷達(dá)設(shè)備的發(fā)展要求。工作人員需要將采集到的相關(guān)信息樣本作為未知雷達(dá)狀態(tài)，在不對(duì)數(shù)據(jù)信息人工標(biāo)注的情況下，促使類(lèi)別劃分工作實(shí)現(xiàn)自動(dòng)分類(lèi)。聚類(lèi)身為無(wú)監(jiān)督狀態(tài)下的典型學(xué)習(xí)方法，可以通過(guò)某種相似度度量方法，將采集到的數(shù)據(jù)對(duì)象劃分為多個(gè)類(lèi)，促使同一類(lèi)中的對(duì)象相似度能夠盡可能的增大，不同類(lèi)的對(duì)象差異盡可能變大。在諸多類(lèi)型的聚類(lèi)算法中，吸引子傳播算法是應(yīng)用較為廣泛的一種算法。該算法具有高效、快速的作用。在應(yīng)用過(guò)程中不用事先制定聚類(lèi)數(shù)目，便能夠有序開(kāi)展相關(guān)計(jì)算[6]。該方法改變了傳統(tǒng)雷達(dá)狀態(tài)識(shí)別工作，為雷達(dá)對(duì)抗提供了強(qiáng)有力的保障。

3 仿真驗(yàn)證

3.1 仿真設(shè)置

在驗(yàn)證兩種未知雷達(dá)狀態(tài)識(shí)別工作時(shí)，首先以機(jī)載多功能陣列雷達(dá)作為目標(biāo)雷達(dá)。該雷達(dá)設(shè)備在工作模式下需要開(kāi)展非合作目標(biāo)識(shí)別、火炮測(cè)距、氣象規(guī)避以及校準(zhǔn)等。當(dāng)干擾方接收到相關(guān)雷達(dá)信號(hào)后，會(huì)對(duì)信號(hào)信息進(jìn)行處理，最終使得樣本具備自己的特征向量。常見(jiàn)的信號(hào)參數(shù)為五種類(lèi)型，分別是占空比、瞬時(shí)帶寬、脈寬、脈沖重復(fù)周期、脈沖壓縮比。雷達(dá)在不同工作狀態(tài)下，展現(xiàn)的信號(hào)參數(shù)也有所不同[7]。在開(kāi)展仿真驗(yàn)證工作時(shí).需要根據(jù)雷達(dá)狀態(tài)隨機(jī)生成一百五十個(gè)樣本，不同的樣本本身有著不同的特征向量，工作人員在對(duì)這些樣本特征向量進(jìn)行規(guī)劃處理時(shí)，最終要能夠形成特殊的數(shù)據(jù)矩陣。

3.2有監(jiān)督的未知雷達(dá)狀態(tài)識(shí)別仿真驗(yàn)證

想要為雷達(dá)狀態(tài)開(kāi)展仿真驗(yàn)證工作，工作人員一定要結(jié)合雷達(dá)狀態(tài)，將六種雷達(dá)狀態(tài)中的一種作為未知狀態(tài)，而后再?gòu)募褐臉颖井?dāng)中抽選三十個(gè)作為測(cè)試樣本。這樣一來(lái)，在仿真驗(yàn)證工作中，存在有150個(gè)己知狀態(tài)樣本與150個(gè)未知狀態(tài)樣本。完成上述工作之后，將五種已知狀態(tài)的剩余樣本作為訓(xùn)練樣本，采用SVDD算法，將樣本信息進(jìn)行分類(lèi)。在此過(guò)程中，要將樣本信息與傳統(tǒng)算法進(jìn)行比較，并且要對(duì)不同的位置狀態(tài)分別開(kāi)展十次仿真。表1為十次仿真結(jié)果的平均準(zhǔn)確率。

由表1可知，在對(duì)有監(jiān)督的未知雷達(dá)狀態(tài)識(shí)別工作開(kāi)展仿真驗(yàn)證工作時(shí)，本文提出的識(shí)別方法對(duì)于信號(hào)的位置狀態(tài)識(shí)別準(zhǔn)確率高達(dá)80%-90%。對(duì)于未知狀態(tài)的平均識(shí)別準(zhǔn)確率高達(dá)88%。但是在傳統(tǒng)的SVM算法中，對(duì)于未知狀態(tài)的識(shí)別準(zhǔn)確率都較低，這一數(shù)據(jù)充分說(shuō)明了該方法的有效性[8]。

3.3 無(wú)監(jiān)督的未知雷達(dá)狀態(tài)識(shí)別仿真驗(yàn)證

有關(guān)AP聚類(lèi)結(jié)果如圖1所示。

如圖1所示，在對(duì)無(wú)監(jiān)督的位置雷達(dá)狀態(tài)開(kāi)展識(shí)別工作時(shí)，橫坐標(biāo)代表了聚合類(lèi)的編號(hào)，縱坐標(biāo)代表了該類(lèi)別的樣本個(gè)數(shù)。由此可見(jiàn)，在23類(lèi)數(shù)據(jù)樣本中，有五種樣本數(shù)據(jù)較多。這一現(xiàn)象說(shuō)明了干擾方識(shí)別出來(lái)的雷達(dá)狀態(tài)與雷達(dá)設(shè)備本身的工作模式?jīng)]有相互對(duì)應(yīng)?？偟膩?lái)說(shuō)，雷達(dá)狀態(tài)的界定主要以干擾方能夠接收雷達(dá)信號(hào)為依據(jù)。在此過(guò)程中，只要干擾方能夠從自身角度出發(fā)，探究了不同條件下雷達(dá)狀態(tài)，那么便能夠根據(jù)相關(guān)學(xué)習(xí)算法對(duì)雷達(dá)設(shè)備的干擾策略不斷優(yōu)化，最終對(duì)不同的狀態(tài)形成最優(yōu)的干擾樣式，確保雷達(dá)干擾工作有序開(kāi)展。

4 結(jié)語(yǔ)

綜上所述，根據(jù)當(dāng)前我國(guó)認(rèn)知雷達(dá)對(duì)抗工作的開(kāi)展情況來(lái)看，在該對(duì)抗工作中積極引進(jìn)閉環(huán)行為學(xué)習(xí)過(guò)程，能夠使得雷達(dá)對(duì)抗工作的針對(duì)性、主動(dòng)性不斷增強(qiáng)?？偟膩?lái)說(shuō)，雷達(dá)狀態(tài)識(shí)別工作是認(rèn)知雷達(dá)對(duì)抗的重要基礎(chǔ)。根據(jù)本文中有監(jiān)督分類(lèi)、無(wú)監(jiān)督分類(lèi)識(shí)別算法的應(yīng)用情況來(lái)看，這兩種算法的準(zhǔn)確率高達(dá)85%以上，改變了傳統(tǒng)算法中的不足，對(duì)于認(rèn)知雷達(dá)對(duì)抗中的未知雷達(dá)狀態(tài)識(shí)別方法的應(yīng)用有著十分重要的作用。

參考文獻(xiàn)

[1]趙凱.認(rèn)知雷達(dá)對(duì)抗中的未知雷達(dá)狀態(tài)識(shí)別方法[J].電子工程學(xué)院學(xué)報(bào)，2019，08 （11）：P.274-274.

[2]王樹(shù)亮，畢大平，劉寶等.基于波形自適應(yīng)的認(rèn)知雷達(dá)機(jī)動(dòng)目標(biāo)跟蹤算法[J].現(xiàn)代雷達(dá)，2019，41 （01）：5 3-5 9.

[3]沈飛，李爭(zhēng)，許雄等.面向雷達(dá)對(duì)抗的電磁態(tài)勢(shì)認(rèn)知問(wèn)題研究[J].強(qiáng)激光與粒子束，2019，31 （09）：7 0-74.

[4]王鑫，秦琨，秦軼煒.基于干擾認(rèn)知的智能化雷達(dá)干擾對(duì)抗系統(tǒng)[J].電子信息對(duì)抗技術(shù)，2018，33 （06）：48-52.

[5]李詠晉，趙擁軍，趙闖.基于典型相關(guān)分析的雷達(dá)信號(hào)脈內(nèi)特征識(shí)別[J].信息工程大學(xué)學(xué)報(bào)，2018，19 （01）：47-51.

[6]許程成，周青松，張劍云等.導(dǎo)數(shù)約束平滑條件下基于模糊函數(shù)特征的雷達(dá)輻射源信號(hào)識(shí)別方法[J].電子學(xué)報(bào)，2018，v.46;No.425 （07）：130-135.

[7]冷鵬飛，徐朝陽(yáng).一種深度強(qiáng)化學(xué)習(xí)的雷達(dá)輻射源個(gè)體識(shí)別方法[J].兵工學(xué)報(bào)，2018，39 （12）：134-140.

[8]宋小梅，鄭元珠，袁剛，雷達(dá)系統(tǒng)關(guān)重特性量化識(shí)別方法[J].現(xiàn)代雷達(dá)，2018，40 （09）：14-16，21.

作者簡(jiǎn)介

林石（1982-），男，廣西壯族自治區(qū)賀州市人。大學(xué)本科學(xué)歷，工程師，主要從事電磁戰(zhàn)軟件設(shè)計(jì)。

伍燕平（1987-），男，廣西壯族自治區(qū)桂林市人，大學(xué)本科學(xué)歷，主要從事軟件開(kāi)發(fā)。

肖進(jìn)（1991-），男，湖北省黃岡市人。大學(xué)本科學(xué)歷，助理工程師，主要從事雷達(dá)對(duì)抗軟件設(shè)計(jì)。