張生杰 周 超 張譯方 徐 晶 徐才進 邱光輝

(西南電子設備研究所 成都 610036)

0 引言

在作戰(zhàn)過程中，為了能快速響應戰(zhàn)場變化，以便做出正確的對抗響應，必須準確識別對敵機載雷達的工作狀態(tài)，例如：當敵機機載雷達對載機進行跟蹤時，對載機構(gòu)成非常大的威脅，敵機隨時可能發(fā)射空空導彈，當敵機雷達輻射源工作模式從近距離搜索向跟蹤模式轉(zhuǎn)變時，極可能是導彈攻擊的前兆，載機需及時破壞敵機機載雷達跟蹤狀態(tài)迫使其轉(zhuǎn)為搜索狀態(tài)，從而降低對載機的威脅。及時準確地判識雷達輻射源的工作模式對指揮員迅速調(diào)整戰(zhàn)斗措施具有十分重要的意義。

通過對敵機機載雷達工作模式的準確識別進而判斷敵方機載雷達的工作狀態(tài)，最終達到敵方威脅等級準確判斷，敵機目標威脅等級將直接影響作戰(zhàn)系統(tǒng)對目標干擾決策的管理，針對雷達不同工作模式，采取不同的最佳干擾樣式。因此對機載雷達工作模式的識別在機載自衛(wèi)電子對抗措施(ECM)中具有非常重要的作用。

針對雷達工作模式識別技術(shù)難點，目前已有的雷達工作模式識別算法有以下幾種：利用脈沖特征參數(shù)構(gòu)建相參處理間隔特征矩陣，將獲得的特征矩陣與雷達知識庫進行關(guān)聯(lián)，實現(xiàn)雷達工作模式的識別；在對雷達天線掃描特性進行分析的基礎(chǔ)上，基于幅值包絡分析的工作狀態(tài)識別方法，能對搜索和跟蹤兩種工作狀態(tài)進行識別；依據(jù)擴展脈沖描述字(PDW)，基于DS證據(jù)推理理論的機載火控雷達工作模式判別算法；采用去噪自動編碼器自適應地對雷達不同工作模式的信號特征學習和識別，避免了傳統(tǒng)模式識別中特征提取和特征選擇兩個過程，但該方法容易造成對訓練樣本的過擬合，缺乏泛化能力。上述工作模式識別算法均存在不同程度缺陷，無法實現(xiàn)機載雷達工作模式實時準確判識。

本文針對雷達的典型工作模式進行分析，將時間序列相似性度量技術(shù)應用在雷達工作模式識別中，提出了基于域變換的機載火控雷達工作模式識別技術(shù)，實現(xiàn)在變換域上機載火控雷達工作模式的準確識別，極大的提高了識別精度和準確率。

1 機載雷達工作模式分析

機載火控雷達對空工作時的主要工作模式包括SAM(Situation-Awareness-Mode，威脅態(tài)勢感知)、RWS(Rangle-While-Search，邊測距邊搜索)、TWS (Track-while-scan，邊搜索邊跟蹤)、STT(Single- Target-Track，單目標跟蹤)。上述四種工作模式的特點如下所述。

1.1 SAM(威脅態(tài)勢感知)

該方式同時提供搜索和跟蹤的功能，在提供對不多于兩個目標進行高質(zhì)量跟蹤的同時，還能在特定的空域內(nèi)，實現(xiàn)對可疑目標掃描搜索，高質(zhì)量跟蹤精度可以充分滿足導彈對各種超視距目標的攻擊。當發(fā)現(xiàn)有高威脅目標出現(xiàn)，或需要以雷達全部資源去跟蹤一個特定的目標時，載機雷達可自動轉(zhuǎn)入單目標跟蹤方式(STT)。

1.2 RWS(邊測距邊搜索)

提供低精度距離、速度、角度信息，全方位和在嚴重雜波環(huán)境中的空戰(zhàn)目標的探測。使用高峰值功率和中重復頻率波形時，可提供精確的目標數(shù)據(jù)，并具有良好的全方位探測特性和最小的盲區(qū)。

1.3 TWS(邊搜索邊跟蹤)

在搜索過程中，當天線波束掃描通過跟蹤目標方向時，對其進行跟蹤，因而跟蹤數(shù)據(jù)率與搜索數(shù)據(jù)率相同。

1.4 STT(單目標跟蹤)

可以從任何一種空對空狀態(tài)進入這種狀態(tài)，實現(xiàn)特定目標可靠的精確跟蹤，STT狀態(tài)提供跟蹤數(shù)據(jù)，以便支持近距和超視距空對空導彈的發(fā)射，也能提供近距射擊狀態(tài)的機炮瞄準具的射擊包線。

敵方機載目標的威脅程度直接取決于當時機載雷達的工作模式，如若探測到敵方機載雷達的工作模式從RWS(邊測距邊跟蹤搜索)向STT(單目標跟蹤)模式轉(zhuǎn)變時，這極有可能是導彈攻擊的前兆，及時準確地判斷出敵方機載雷達的工作模式對指揮員迅速調(diào)整戰(zhàn)斗措施具有十分重要的意義。

2 機載雷達工作模式識別算法

本文通過時間序列相似性度量算法對RWS、TWS、SAM、STT等機載火控雷達四種典型工作模式進行數(shù)學化建模，通過對全脈沖序列變化進行分析比較，發(fā)現(xiàn)可通過脈沖重復周期和幅度參數(shù)的時序變化對上述四種工作模式進行有效區(qū)分。RWS、TWS、SAM、STT四種工作模式脈沖重復周期和幅度變化如圖1、圖2、圖3、圖4所示。

圖1 RWS模式重復周期及幅度變化

圖2 TWS模式重復周期及幅度變化

圖3 SAM模式重復周期及幅度變化

圖4 STT模式重復周期及幅度變化

從圖1至4中可知，從幅度變化可以區(qū)分STT、RWS、SAM三種工作模式，而RWS和TWS的幅度變化相同，需要通過重復周期()的變化區(qū)分。

2.1 總體思路

參照時間序列相似性度量算法，本文通過適當變換建模表征不同工作模式的幅度和聯(lián)合變化情況，采用特征表示方法將高維空間中的時間序列數(shù)據(jù)映射到低維空間，實現(xiàn)數(shù)據(jù)降維，降維后的特征數(shù)據(jù)能夠有效表征不同工作模式的參數(shù)變換規(guī)律，根據(jù)特征參數(shù)進行分類識別。

因此本文采用基于域變換的時間序列特征提取方法，采用快速傅里葉變換(FFT)算法，將時間序列采用信號處理的方式實現(xiàn)時間域與頻率域之間的轉(zhuǎn)換，再利用頻率域下的有限個特征數(shù)據(jù)來近似表示原始序列。由于FFT變換后的低振幅系數(shù)對時間序列重建的貢獻很小，而且FFT產(chǎn)生的大多數(shù)系數(shù)都是低振幅，因此只需要部分高振幅系數(shù)就可以近似擬合原時間序列數(shù)據(jù)，一般情況下前10個傅里葉系數(shù)就可以充分表示原時間序列。

對四種工作模式的脈沖重復周期()和幅度參數(shù)進行快速傅里葉變換(FFT)，分別取參數(shù)和幅度參數(shù)序列FFT變換結(jié)果的前10個傅里葉系數(shù)作為分類特征?？紤]到分別特征的非線性，因此通過SVM分類器進行分類判識，實現(xiàn)雷達工作模式的準確識別。

2.2 系統(tǒng)設計

針對機載火控雷達目標工作模式識別率較低的問題，本文采用快速傅里葉變換和SVM分類算法實現(xiàn)工作模式的智能化識別，該方法整體識別流程如圖5所示，主要分為訓練過程和識別過程。

圖5 FFT變換+SVM分類器實現(xiàn)

其中，訓練過程為：

1)預處理

預處理的流程如圖6所示。主要步驟如下：

圖6 預處理流程

①數(shù)據(jù)解析：根據(jù)全脈沖數(shù)據(jù)接口格式，對數(shù)據(jù)進行解析，同時根據(jù)裝備全脈沖數(shù)據(jù)記錄格式標準，處理時間翻轉(zhuǎn)等情況；

②頻段過濾：為濾除噪聲及背景信號影響，根據(jù)已知數(shù)據(jù)接收情況，按照頻段進行過濾；

③切分及抽樣：對上述全脈沖序列按照時間的連續(xù)性進行切分。若前后兩個到達時間間隔大于某一個閾值，則認為是當前工作模式的結(jié)束和下一個工作模式的開始。其次，對切分后的每幀數(shù)據(jù)，按照給定抽樣后個數(shù)進行等間隔抽樣，抽樣后個數(shù)不足的按最小值補齊；

④歸一化：采用RobustScaler方法對數(shù)據(jù)進行歸一化處理，該方法能夠忽略由于測量誤差造成的異常值，相比于MinMaxScaler和StandardScaler更具有魯棒性；

⑤數(shù)據(jù)變換：為同時表征幅度和的變化情況，將脈沖重復周期()和幅度兩維參數(shù)以向量的形式作為數(shù)據(jù)預處理的輸出。

2)快速傅里葉變換

分別對數(shù)據(jù)預處理后的和幅度數(shù)據(jù)進行FFT變換。假設抽樣后離線時間序列數(shù)據(jù)為

{(),=1,2,3,…,}

其中，()為抽樣后的離散時間序列數(shù)據(jù)。運用離線時間序列數(shù)據(jù)，進行離散傅里葉變換，具體為

其中()為離散傅里葉變換后的傅里葉系數(shù)，取傅里葉變換結(jié)果的前10個傅里葉系數(shù)作為FFT變換結(jié)果。

3)標簽加載

根據(jù)先驗知識，對FFT變換后的數(shù)據(jù)加上標簽，其中1代表RWS；2代表TWS；3代表SAM；4代表STT。

4)分類器訓練

由于FFT變換后的具有非線性、高維、稀疏的特點，因此，采用SVM分類器進行分類識別，以獲取高維稀疏數(shù)據(jù)的非線性分類邊界。

識別過程為：

①數(shù)據(jù)預處理

識別過程的預處理和訓練過程的預處理過程相同，即需要對原始的全脈沖數(shù)據(jù)進行解析、過濾、切分抽樣等操作。

②特征提取

對待識別數(shù)據(jù)的PRI和幅度進行FFT變換，提取傅里葉系數(shù)作為下一級分類識別器的輸入特征。

③分類識別

基于傅里葉系數(shù)特征，采用SVM分類器對數(shù)據(jù)進行分類識別。

3 仿真分析

為了驗證算法的有效性，采用仿真數(shù)據(jù)進行驗證分析，對機載火控雷達四種工作模式進行識別。

TWS、RWS、SAM、STT模式的數(shù)據(jù)FFT結(jié)果如圖7、圖9、圖11、圖13所示，幅度數(shù)據(jù)FFT變換結(jié)果如圖8、圖10、圖12、圖14所示。

圖7 TWS模式PRI及FFT變換結(jié)果

圖8 TWS模式幅度及其FFT變換結(jié)果

圖9 RWS模式PRI及FFT變換結(jié)果

圖10 RWS模式幅度及FFT變換結(jié)果

圖11 SAM模式PRI及FFT變換結(jié)果

圖12 SAM模式幅度及FFT變換結(jié)果

圖13 STT模式PRI及FFT變換結(jié)果

圖14 STT模式幅度及FFT變換結(jié)果

通過對FFT變換結(jié)果分析，SAM模式幅度變化規(guī)律比較明顯，通過FFT變化后的傅里葉系數(shù)可明顯區(qū)分出與其他工作模式的區(qū)別，在STT工作模式和幅度FFT變換結(jié)果中，第一個傅里葉系數(shù)均較大，后面的傅里葉系數(shù)非常小，并且傅里葉系數(shù)呈遞減趨勢，可根據(jù)此變化規(guī)律識別出STT工作模式數(shù)據(jù)，RWS與TWS的幅度變化規(guī)律差異很小，結(jié)合PRI維度的FFT變換結(jié)果區(qū)分，TWS模式PRI維度FFT變換結(jié)果相對RWS變換結(jié)果，第二個傅里葉系數(shù)要小很多，通過此特征可區(qū)分TWS和RWS兩種模式。

SVM分類器核函數(shù)kernel采用rbf，考慮到分類器的數(shù)據(jù)不均衡，因此樣本均衡參數(shù)class_weight設置為balanced，最大迭代次數(shù)設置為10次，懲罰系數(shù)C=10.0，gamma為0.9。

本文采取了識別率與誤警率來評價分類效果，其定義如下：

本文通過Matlab仿真產(chǎn)生試驗數(shù)據(jù)，針對每個工作模式仿真產(chǎn)生10萬個掃描包絡的全脈沖數(shù)據(jù)，進行100次重復試驗，試驗結(jié)果如表1所示，SAM、STT、RWS模式識別率均在90%以上，TWS模式識別率較低，整體識別率為93%，單包絡識別時間不大于3 ms。

表1 識別結(jié)果

4 結(jié)束語

本文借鑒時間序列模式挖掘中的相似性度量方法，提出基于域變換的機載火控雷達工作模式識別算法，結(jié)合人工智能識別算實現(xiàn)機載火控雷達目標工作模式的準確識別，該方法通過演習數(shù)據(jù)進行測試驗證，針對SAM、STT、RWS、TWS四種工作模式綜合識別率在90%以上，表明該算法切實可行。