一种雷达辐射源信号多目标特征评价模型

一种雷达辐射源信号脉内特征的综合评估方法刘明骞; 李坤明; 王川川; 张顺【期刊名称】《《西安电子科技大学学报（自然科学版）》》【年(卷),期】2019(046)005【总页数】8页(P8-14,40)【关键词】雷达辐射源; 特征评估; 脉内特征; 区间层次分析; 投影寻踪; 决策融合【作者】刘明骞; 李坤明; 王川川; 张顺【作者单位】电子信息系统复杂电磁环境效应国家重点实验室河南洛阳471003; 西安电子科技大学综合业务网理论及关键技术国家重点实验室陕西西安710071【正文语种】中文【中图分类】TN956在复杂的电磁环境中，辐射源数量多且信号交叠严重，致使传统雷达信号分选方法的适用性得到了限制。

为此，众多学者从雷达辐射源信号的脉内特征的角度入手对雷达辐射源信号进行分选，这些脉内特征均从不同的角度反映了不同雷达辐射源信号之间的差别。

如何定量地确定这种差别以及如何根据实际环境选择因时制宜的特征，需要对这些脉内特征进行评估[1]。

因此，雷达辐射源信号脉内特征评估的研究成为了雷达对抗领域中的一个研究方向[2]。

目前常用的特征评估：一是基于准确率或参数的可分离性，但这些评估方法的评估指标单一，并没有结合实际的电磁环境；二是侧重于专家先验知识，通过主观确定的方式进行特征的评估，显然这种方式过于依赖于专家判决，其结果不具有说服力。

相对而言，采用多指标评估及主客观决策融合的评估体系更为科学，能够克服指标单一、过分主观等缺陷，使评估结果更为可信。

因此，笔者重点研究脉内特征的综合评估方法。

近年来，已有学者开展了雷达辐射源脉内特征综合评估的研究。

文献[3]中将满意度优化的理论引入特征评估中，通过对多种影响因素的综合考量最终得出对特征集的满意度，但是该方法对特征集的满意度具有很强的主观性与不确定性。

文献[4]中将粗集理论引入到特征选择中，特征在于无须任何先验知识和外部信息，但是该方法忽视了可利用信息的模糊性和可能存在的统计信息。

一种基于多特征提取的雷达目标识别方法研究杨磊王晓丹张玉玺空军工程大学导弹学院，陕西三原７１３８００摘要：直接利用雷达高分辨一维距离像或是提取一维像单一特征进行目标识别难以取得理想效果。

为了更好地反映雷达目标本身的物理特性，提高雷达目标识别率，对雷达目标高分辨一维距离像的频谱幅度、能量聚集区长度、散射中心数目和中心矩特征进行提取并构成多特征向量，描述雷达目标高分辨一维距离像频域、能量等物理特性，采用主成分分析方法进行特征维数压缩，基于支持向量机的方法进行分类识别，从而提出一种基于多特征提取的雷达目标识别方法。

实验结果表明，采用该多特征提取方法进行雷达目标识别有助于提高识别率和减少分类时间。

目标识别；高分辨一维距离像；多特征提取；雷达ＴＮ９５７．５１Ａ１６７１　－６３７Ｘ（　２０１１　）　１２　－００３５　－０４Ａ　Ｒａｄａｒ　Ｔａｒｇｅｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ａｐｐｒｏａｃｈ　Ｂａｓｅｄ　 ｏｎ　Ｍｕｌｔｉ－Ｆｅａｔｕｒｅ　Ｅｘｔｒａｃｔｉｏｎ　ＹＡＮＧ　ＬｅｉＷＡＮＧ　ＸｉａｏｄａｎＺＨＡＮＧ　Ｙｕｘｉ２０１１－０１－１７２０１１－０２－２３基金项目：国家自然科学基金项目（６０９７５０２６）；陕西省自然科学研究计划项目（２００７Ｆ１９）作者简介：杨磊（１９８７－），男，山东文登人，硕士生，研究方向为智能信息处理。

达到在相比特征＠＠［１］孙明太．航空反潜战术［Ｍ］．北京：军事科学出版社， ２００３：６４－８１．＠＠［２］ ＳＯＮＧＴ　Ｌ，ＳＰＥＹＥＲ　Ｊ　Ｌ．Ａ　ｓｔｏｃｈａｓｔｉｃ　ａｎａｌｙｓｉｓ　ｏｆ　ａ　ｍｏｄｉｆｉｅｄ ｇａｉｎ　ｅｘｔｅｎｄｅｄ　Ｋａｌｍａｎ　ｆｉｌｔｅｒ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎｓ　ｆｏｒ　ｅｓｔｉｍａｔｉｏｎ ｗｉｔｈ　ｂｅａｒｉｎｇｓ　ｏｎｌｙ　ｍｅａｓｕｒｅｍｅｎｔｓ　［　Ｊ　］．　ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ Ａｕｔｏｍａｔｉｃ　Ｃｏｎｔｒｏｌ，１９８５，３０（１０）　：９４０－９４９．＠＠［　３　］ ＪＡＵＦＦＲＥＴ　Ｃ，　ＢＯＮＮＥＴＯＮ　Ｆ．　Ｂｅａｒｉｎｇ　ｌｉｎｅ　ｔｒａｃｋｉｎｇ　ａｎｄ　ｂｅａｒｉｎｇ－ｏｎｌｙ　ｔａｒｇｅｔ　ｍｏｔｉｏｎ　ａｎａｌｙｓｉｓ　［　Ｃ　］／／Ａｅｒｏｓｐａｃｅ　Ｃｏｎｆｅｒｅｎｃｅ，　ＩＥＥＥ　，２００７　：　１－９．＠＠［４］刘健，刘忠，玄兆林．纯方位ＴＭＡ的变增益扩展卡尔曼 滤波算法［Ｊ］．火力与指挥控制，２００７，３２（１）：６７－６８，７６．＠＠［５］董志荣．主动声纳浮标目标运动分析数学模型［Ｊ］．电 光与控制，２００７，１４（１）：５－９．＠＠［６］ 董志荣．被动声纳浮标目标运动分析数学模型［Ｊ］．电 光与控制，２００６，１３（６）：１－５．＠＠［７］ 宋明顺．测量不确定度评定与数据处理［Ｍ］．北京：中 国计量出版社，２０００：　３８　－４８．＠＠［８］董文洪，杨日杰，田宝国．航空搜潜声纳浮标位置计算 方法研究［Ｊ］．测试技术学报，２００５，１９（４）：３８３－３８７．＠＠［９］ 周宏仁，敬忠良，王培德．机动目标跟踪［Ｍ］．北京：国 防工业出版社，１９９１：１２７－１３０．＠＠［　１　］ ＰＥＩ　Ｂ　Ｎ，ＢＡＯ　Ｚ．　Ｍｕｌｔｉ－ｎｓｐｅｃｔ　ｒａｄａｒ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｍｅｔｈ ｏｄ　ｂａｓｅｄ　ｏｎ　ｓｃａｔｔｅｒｉｎｇ　ｃｅｎｔｅｒｓ　ａｎｄ　ＨＭＭＳ　ｃｌａｓｓｉｆｉｅｒｓ　［　Ｊ　］． ＩＥＥＥ　Ｔｒａｎｓ．　ｏｎ　Ａ　Ｅ，２００５，４１　（３）　：１０６７－１０７４．＠＠［　２　］ ＸＩＮＧ　Ｍ　Ｄ，ＢＡＯ　Ｚ，　ＰＥＩ　Ｂ　Ｎ．　Ｔｈｅ　ｐｒｏｐｅｒｔｉｅｓ　ｏｆ　ｈｉｇｈ－ｓｏｌｕ ｔｉｏｎ　ｒａｎｇｅ　ｐｒｏｆｉｌｅｓ　［Ｊ］．　Ｏｐｔｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００２，４１　（２）　： ４９３－５０４．＠＠［　３　］ ＺＨＡＮＧ　Ｘ，　ＳＨＩ　Ｙ，　ＢＡＯ　Ｚ．　Ａ　ｎｅｗ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒ　ｕｓｉｎｇ　ｓｅ ｌｅｃｔｅｄ　ｂｉｓｐｅｃｔｒａ　ｆｏｒ　ｓｉｇｎａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎ　ｉｎ ｒａｄａｒ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　［　Ｊ　］．　ＩＥＥＥ　Ｔｒａｎｓ．　ｏｎ　Ｓｉｇｎａｌ　Ｐｒｏ ｃｅｓｓｉｎｇ，２００１，４９　（９）　：　１８７５－１８８５．＠＠［４］刘宏伟，杜兰，袁莉，等．雷达高分辨距离像识别研究 进展［Ｊ］．电子与信息学报，２００５，２７（８）：１３２８－１３３４．＠＠［５］杜兰．雷达高分辨距离像目标识别方法研究［Ｄ］．西 安：西安电子科技大学，２００７．＠＠［　６　］ ＬＩ　Ｈ　Ｊ，　ＹＡＮＧ　Ｓ　Ｈ．　Ｕｓｉｎｇ　ｒａｎｇｅ　ｐｒｏｆｉｌｅｓ　ａｓ　ｆｅａｔｕｒｅ　ｖｅｃ ｔｏｒｓ　ｔｏ　ｉｄｅｎｔｉｆｙ　ａｅｒｏｓｐａｃｅ　ｏｂｊｅｃｔｓ　［　Ｊ　］．　ＩＥＥＥ　Ｔｒａｎｓ．　Ａ． Ｐ．　，１９９３，　４１（３）　：２６１－２６８．＠＠［７］徐庆，王秀春，李青．基于高分辨一维像的目标特征提 取方法［Ｊ］．现代雷达，２００９，３１（６）：６０－６３．＠＠［８］曹向海，刘宏伟，吴顺君．多极化多特征融合的雷达目 标识别研究［Ｊ］．系统工程与电子技术，２００８，３０（２）： ２６１－２６４．＠＠［９］樊萍，景占荣．雷达目标一维散射中心识别特征提取 研究［Ｊ］．系统工程与电子技术，２００８，３０（１２）：２３５２－ ２３５４．＠＠［１０］袁莉，刘宏伟，保铮．基于中心矩特征的雷达ＨＲＲＰ 自动目标识别［Ｊ］．电子学报，２００４，３２（１２）：２０７８－ ２０８１．＠＠［１１］ 蒋玉娇，王晓丹，王文军，等．一种基于ＰＣＡ和ＲｅｌｉｅｆＦ 的特征选择方法［Ｊ］．计算机工程与应用，２０１０，４６ （２６）：１７０－１７２．。

基于理想排序的雷达信号识别效能评估方法徐璟;何明浩;陈昌孝;王欢【摘要】当前对雷达辐射源信号识别效能评估的研究处于起步阶段,没有一种很好的评估方法对其进行评估.为此,论文提出一种基于AH P-I2TOPSIS的雷达辐射源信号识别效能评估方法.该方法主要在以下三点对传统区间TOPSIS方法进行改进,以消除逆序问题:利用AHP方法计算指标权值;利用理论极值确定绝对正负理想点;利用区间距离计算评估方案到正负理想点的距离并改进贴近度计算方法,并将AHP-I2TOPSIS方法应用于雷达辐射源信号识别效能评估中得到新的雷达辐射源信号识别效能评估方法.最后通过评估实例证明论文所提方法能有效解决逆序问题,并能很好地应用于雷达辐射源信号识别效能评估中.【期刊名称】《电波科学学报》【年(卷),期】2015(030)003【总页数】6页(P554-559)【关键词】雷达辐射源;信号识别;评估;逼近理想的排序方法【作者】徐璟;何明浩;陈昌孝;王欢【作者单位】空军预警学院,湖北武汉430019;94969部队,上海200070;空军预警学院,湖北武汉430019;空军预警学院,湖北武汉430019;空军预警学院,湖北武汉430019【正文语种】中文【中图分类】TN974引言雷达辐射源信号识别是雷达对抗系统中的关键技术,其水平是衡量雷达对抗系统技术先进程度的重要标志.目前,已有一系列识别方法被提出,并取得了较为满意的效果.但如何对所提出的识别方法进行科学、合理的评估是当前雷达辐射源信号识别领域面临的重难点课题[1-3].以往对雷达辐射源信号识别进行评估主要是利用识别准确率以及识别代价等一个或少数几个评估指标进行,而且指标计算随意、主观性强,导致识别结果不具科学性和合理性.为此有学者建立了较为全面的评估指标体系,并提出了如层次分析(Analytical Hierarchy Process, AHP)评估方法[4],基于模糊综合评判的评估方法和基于模式识别和人工智能的评估方法[5-6],但这些方法同时存在指标选取标准模糊,覆盖范围不全面,隶属度划分随意性强等共性问题.为解决上述问题,论文建立了基于识别率测试结果(Measurement of Recognition Rate,MRR)[5-7]的树状评估指标体系,并将逼近理想解的排序(Technique for Order Preference by Similarity to Ideal Solution, TOPSIS)方法[8-15]引入到雷达辐射源信号识别效能评估中,但传统区间TOPSIS方法存在逆序问题,导致评估结果只适合于某次评估,针对此问题,论文对区间TOPSIS进行改进:利用AHP方法对指标进行赋权;利用理论极值确定正负理想点;利用区间距离计算评估案例到正负理想点的距离,并对贴近度的计算方法进行改进,由此得到基于AHP的改进区间TOPSIS (AHP Improved Interval TOPSIS, AHP-I2TOPSIS)模型,并得到基于AHP-I2TOPSIS方法的雷达辐射源信号识别效能评估方法.最后,通过评估实例验证了论文所提方法能有效克服TOPSIS方法中存在的逆序问题,并在雷达辐射源信号识别效能评估中得到较好的应用.1 基于MRR的评估指标体系对于雷达辐射源信号识别评估指标的选择,由于实际评估环境极为复杂,受众多因素的影响,论文结合雷达辐射源信号识别结果的特点,选择正确性、稳定性、独立性和识别代价作为评估准则.确定评估准则后,选取各个准则对应的具体指标,选择MRR 作为指标计算工具,具体而言,对于正确性指标,可选择雷达信号识别结果的MRR(C11)和MRR均值(C12),其中MRR直接反映特定条件下该方法对雷达信号的识别能力,MRR的均值能在更长的时间内更精确地反映识别方法的识别能力.对于稳定性指标,可用分布指标(C21)和MRR的方差(C22),其中分布指标主要用来度量MRR是否成正态分布,MRR的方差反映识别率的动态变化程度.对于独立性指标,主要指在不同信噪比(Signal Noise Ratio, SNR)条件下系统的识别结果之间是否独立,而在SNR的变化范围内,识别结果的MRR样本与SNR之间的独立性可以利用独立性检验来衡量,它可以反映出雷达辐射源信号识别系统在SNR的变化中MRR 样本的变化特性,称之为MRR独立性指标(C3).对于识别代价指标,主要从存储空间(C41)和识别时间(C42)两个方面考量由此,可得到基于MRR的雷达辐射源信号识别效能评估体系,如图1所示.图1 雷达辐射源信号识别评估指标体系2 AHP-I2TOPSIS评估模型2.1 区间TOPSIS及其缺陷TOPSIS是由Hwang等人于1981年提出的一种适合于根据多属性指标对多个评价案例进行比较选择的分析方法.区间TOPSIS法主要是对指标为区间数的评估案例进行评估的一种TOPSIS方法,对其计算需用到区间数运算法则[8,11].其计算步骤如下:1) 构建评价矩阵A并对矩阵进行规范化得到决策矩阵2) 通过赋权W={w1,w2,…,wn},构成加权规范矩阵3) 确定正负理想点S+与S-.4) 计算各个评估案例到正负理想点的距离与5) 计算各评估案例的相对贴近度(综合评分值)Ci,i=1,…,m.虽然TOPSIS方法在诸多领域的应用都取得了良好的效果,但也存在着一些问题和缺陷,TOPSIS的一个重要缺陷就是会产生逆序,即新加入或减少评估案例后会使原有的案例排序发生改变,从而导致评估结果不准确的问题.文献[9]指出,产生逆序问题的主要原因是使用了相对的正负理想点,方案增加或减少导致正负理想点改变,从而导致属性指标参照标准的改变,并引起规范化决策矩阵的变化,致使对决策问题进行评估时受到干扰,产生逆序现象.此外,文献[14]指出,在计算相对贴近度时,由于案例到正负理想点的值都非最值导致计算所得的相对贴近度失准,从而引起评估结果的错误.2.2 AHP-I2TOPSIS模型根据上述分析,正负理想点的确定,指标权重的确立和贴近度的计算是导致TOPSIS 法产生错误的原因,为解决上述问题,论文利用AHP法确定指标权值;利用理论极值确定正负理想点,以消除传统区间TOPSIS的逆序问题,最后利用改进区间距离计算相对贴近度,以改进原始计算方法的缺陷由此可以得到AHP-I2TOPSIS评估模型的核心步骤为:1) 基于理论极值确定正负理想点根据上文分析,确定绝对正负理想点是解决逆序问题的重要方法,在此引入绝对理想点的概念.定义:设与为待评估案例的绝对理想点,满足:①(1)式中: J+为效益型指标集; J-为成本型指标集; i=1,…,m,j=1,…,n.② 在评估案例的作用范围内的任何一种评估案例xk都有(2)式中,j=1,…,n.属性指标分为定性指标和定量指标,无论是定性还是定量指标都存在理论极值,为此如何确定理论极值是确定正负理想点的关键.一般对于定性指标,可以根据历史经验并结合案例实际进行极值的选择;而对于定量指标,其数据都是按照一定分布存在的,如本文所用的MRR类指标已经证明符合正态分布,因此可以在确定数据属于某种分布的情况下确定理论极值.2) 基于AHP方法确定权值,得到加权规范化矩阵.采用AHP计算加权向量的具体计算步骤为:构造判断矩阵及确定分层权值.在确定了指标体系后,根据斯塔相对重要性等级表,按实际需求做出两两比值判断,列出两两比较的判断矩阵R:R=[xij]i×j(i,j=1,2,…,n).(3)对于判断矩阵,一般采用本征向量法求解权值,即最大实特征根对应的特征向量为对应指标权值,并进行归一化处理.一致性检验，一致性检验准则为ICR=IC/IR.(4)式中,IC为判断矩阵相容性指标:(5)式中λmax为判断矩阵的最大实特征根.IR为随机一致性指标,其取值为:当判断矩阵阶数为3时,IR取值为0.58,当判断矩阵阶数为4时,IR取值为0.9.当一致性指标ICR<0.1时,判定判断矩阵的不一致性尺度在允许范围内,否则需重新调整判断矩阵,并重复上述计算,直至判断矩阵满足一致性要求.根据计算得到的指标权值W,计算得到加权规范矩阵3) 基于区间距离计算贴近度.根据2.1节的步骤5)计算得到的距离是一个数,最后计算得到的评分值也是一个数,得到的评估结果只能判断评估案例的优劣,但不能给出评估案例间优劣的程度,为此本文引入区间距离[8]代替原方法中的欧式距离,这样得到的评估值为区间分值,能实现对案例的柔性评估.评估案例区间数向量之间的区间距离为:(6)(7)但根据2.1节中所述,采用计算所得的距离直接计算贴近度会导致评估结果的失准,故论文提出评估案例到正理想点的相对贴近度λi和案例到负理想点的相对贴近度(1-λi),计算得到新的距离为:(8)(9)为了得到最优的结果,必须确定案例到正负理想点的距离都是最值,故可用以下模型求得λi.(10)根据式(8)、(9)和(10),可得(11)式(11)计算得到的贴近度即为最终排序评分值.通过对正负理想点的确定、指标权值的计算和改进的区间距离计算方法得到AHP-I2TOPSIS方法,并将其用于雷达辐射源信号识别效能评估,得到AHP-I2TOPSIS的雷达辐射源信号识别效能评估方法.下文通过评估实例验证该方法的有效性.3 评估实例分析针对雷达辐射源信号识别实例,选择复杂度特征[3]作为实验所用的特征参数,采用概率神经网络(Probabilistic Neural Network, PNN)、支持向量机(Support Vector Machine, SVM)、基于遗传算法(Genetic Algorithm,GA)的支持向量机和基于粒子群算法(Particle Swarm Optimization, PSO)的支持向量机四种识别算法,GA的代沟为0.9,PSO的惯性权值为0.9,弹性因子都为1,并基于这四种识别算法组成四个识别系统通过平台仿真测量得到的原始决策矩阵,如表1所示.表1 原始指标值指标方法C11/%C12/%C21C22C3C41/KBC42/sSVM[8863，8903]888104137[02558，05557]0808281[012，014]PNN[8608，8712]866101807[08383，25570]0969565[018，020]GASVM[9180，9194]918804600[00471，01439]0776385[035，044]PSOSVM[9195，9202]919906937[00021，00262]0793586[037，045]在上述指标中,C11和C12属于效益型指标,C21、C22、C3、C41和C42属于成本型指标,为确定每个指标的理论极值,需分析每种指标的性质,其中C11、C12和C22根据MRR计算得到,符合正态分布,故可用3σ规则对极值进行求解,而C21、C3、C41和C42属于经验类,其理论极值可根据实际情况确定,由此可以得到评估的正负理想点为S+=[92.79,92.00,0,0.001 9,0,0,0],S-=[83.57,86.38,1,3.1609,1,100,0.6].由于正负理想点为普通向量,而评估指标是区间数向量,这就避免了对两个区间数向量直接距离度量的讨论根据.正负理想点得到规范化矩阵,如表2所示. 表2 指标规范化矩阵指标方法C11C12C21C22C3C41C42SVM[05488，05922]0432405863[08247，09196]0191801900[07667，08000]PNN[02722，03850]0040908193[01912，07352]0030503500[06667，07000]GASVM[08926，09078]0978605400[09550，09857]022*******[02667，04167]PSOSVM[09089，09165]0998203063[09923，09999]020*******[02500，03833]在得到规范化矩阵后,根据AHP法计算指标权值使用斯塔相对重要性等级表构造不同指标关系的判断矩阵,计算排序重要性系数,并作一致性检验准则层判断矩阵的取值如表3所示.表3 判断矩阵的取值B1B2B3B4B11215325B21/215122515B31/31/21511/25B41/251/15251由此,可求得判断矩阵的最大实特征根λmax=4.068 8,λmax对应的特征向量w归一化后得到准则层权重向量w=[0.444 3 0.246 0,0.109 9,0.200 8].计算判断矩阵的平均一致性指标ICR=0.025 4<0.1,判断矩阵的一致性符合要求.对于每个准则下面的指标层指标也可用AHP法获得其权值,分别为: w C1=[0.25,0.75],wC2=[0.5,0.5],wC3=1,wC4=[0.5,0.5],并全部符合一致性检验.由此可以得到最终的指标权值为W=[0.148 7,0.295 6,0.123 0,0.123 0,0.109 9,0.100 4,0.100 4],得到加权后的规范化决策矩阵,如表4所示.表4 指标加权决策矩阵指标方法C11C12C21C22C3C41C42SVM[00811，00875]0127800721[01014，01131]0021100191[00770，00803]PNN[00402，00569]0012101008[00235，00904]0003400351[00234，00318]GASVM[01319，01342]028*******[01175，01212]0024600151[00268，00335]PSOSVM[01343，01355]029*******[01221，01230]0022800141[00284，00318]根据式(8)和式(9)可求得评估案例与正负理想点的区间距离:根据式(11)可以得到评分区间值为CSVM=[0.451 6,0.521 1],CPNN=[0.0965,0.192 1],CGA=[0.826 3,0.856 5],CPSO=[0.812 3,0.823 8],由此可以得到评估案例的优劣排序为CGA≻CPSO≻CSVM≻CPNN,由排序结果可知,基于GASVM的识别方法的效能要优于其余几种识别系统的效能,基于PSOSVM的识别方法略差于基于GASVM的识别方法,但这两种方法都明显好于其余两种方法.而如果采用原始贴近度计算公式计算得到的评分区间值为CSVM=[0.475 2,0.5106],CPNN=[0.235 7,0.346 2],CGA=[0.690 2,0.704 2],CPSO=[0.676 8,0.682 2],通过与本文所提方法比较得到本文所提方法计算得到各个方案的评分值之间的距离要大于原始计算方法得到的距离,从而能有效避免逆序的产生.为进一步验证本文所提方法的正确性,首先将基于PNN的识别方法剔除出评估案例集,由此得到的评分区间值为CSVM=[0.451 6,0.521 1],CGA=[0.826 3,0.856 5],CPSO=[0.812 3,0.823 8],由此可以得到评估案例的排序为CGASVM≻CPSOSVM≻CSVM,与原评估结果保持一致,而如果采用文献[15]提出的利用熵值进行赋权的方法得到的评分值分别为(有基于PNN的识别方法和没有基于PNN的识别方法两种情况)CSVM=[0.409 1,0.419 8],CPNN=[0.1525,0.185 7],CGA=[0.658 9,0.664 8],CPSO=[0.656 6,0.659 3],评估对象的优劣排序为评估对象的优劣排序为CSVM≻CGA≻CPSO,产生了逆序现象.然后将基于GASVM的识别方法剔除出评估案例集,在此情况下,AHP-I2TOPSIS得到的结果不变,利用熵值计算的实验结果为CSVM=[0.401 5,0.409 0],CPNN=[0.682 8,0.686 0],CPSO=[0.679 0,0.680 3],评估对象的优劣排序为CPNN≻CSVM≻CPSO,同样产生逆序.由此可验证本文所提方法能有效地避免逆序问题.4 结论对雷达辐射源信号识别效能的评估具有重要的军事意义,传统的评估方法缺乏科学性和完备性.为此,本文提出了基于AHP-I2TOPSIS的雷达辐射源信号识别效能评估方法,该方法主要对区间TOPSIS方法中的权值指标计算,正负理想点的确定以及区间距离和贴近度的计算进行改进,从而有效避免了逆序问题,并将AHP-I2TOPSIS方法应用于雷达辐射源信号识别效能评估中,通过评估实例证明了该评估方法的可行性,论文所得结果对进一步研究雷达辐射源信号识别效能评估方法具有一定的参考价值.参考文献[1] 韩俊, 何明浩, 朱元清,等. 基于双谱二维特征相像系数的雷达信号分选[J]. 电波科学学报. 2009, 24(5): 848-851.HAN Jun, HE Minghao, ZHU Yuanqing, et al. Sorting radar signal based on the resemblance coefficient of bispectrum two dimensions characteristic[J]. Chinese Journal of Radio Science, 2009, 24(5): 848-851. (in Chinese)[2] 余志斌, 金炜东, 张葛祥. 基于峰度的盲源分离算法研究与应用[J]. 电波科学学报, 2008, 23(1): 146-152.YU Zhibin, JIN Weidong, ZHANG Ge xiang. Research and applications of blind signal separation based on kurtosis[J]. Chinese Journal of Radio Science, 2008, 23(1): 146-152. (in Chinese)[3] 韩俊, 何明浩, 朱振波, 等. 基于复杂度特征的未知雷达辐射源信号分选[J]. 电子与信息学报, 2009, 31(11): 2552-2555.HAN Jun, HE Minghao, ZHU Zhengbo, et al. Sorting unknown radar emitter signal based on the complexity characteristics[J]. Journal of Electronics &Information Technology, 2009, 31(11): 2552-2555. (in Chinese)[4] WANG Huan, HE Minghao, XU Jing, et al. Performance Evaluation for Radar Signal Recognition Based on AHP[C]//NCIS-CMSP,2012: 554-561.[5] 王欢,何明浩,徐璟, 等. 雷达信号识别效能的模糊综合评价研究[J]. 雷达科学与技术, 2012, 4(10): 372-375.WANG Huan, HE Minghao, XU Jing, et al. Research on fuzzy comprehensive evaluation of radar signal recognition effect [J]. Radar Science and Technology, 2012, 4(10): 372-375. (in Chinese)[6] 徐璟,何明浩, 陈昌孝, 等. 雷达辐射源信号识别结果评估方法研究[J]. 电波科学学报, 2014, 29(2): 300-304,315.XU Jing, HE Minghao, CHEN Changxiao, et al. performance evaluation method for radar emitter signals recognition [J]. Chinese Journal of Radio Science, 2014, 29(2): 300-304,315. (in Chinese)[7] 庄钊文,黎湘,李彦鹏, 等. 自动目标识别效能评估技术[M]. 北京:国防工业出版社,2006:61-62.[8] 何俊, 赵宏钟, 刘峥, 等. 自动目标识别系统的区间评估分值模型及算法[J]. 信号处理, 2009, 25(5): 802-806.HE Jun, ZHAO Hongzhong, LIU Zheng, et al. Interval score evaluation model and its algorithm for ATR system[J]. Singal Processing, 2009, 25(5): 802-806. (in Chinese)[9] 李艳凯, 张俊容. TOPSIS法应用中的逆序问题[J]. 科技导报, 2008, 26(7): 47-50.LI Yankai, ZHANG Junrong. Order reversal in the use of the TOPSIS [J]. Science & Technology Review, 2008, 26(7): 47-50. (in Chinese)[10] 田锦, 谢拥军, 辛红全, 等. 复杂系统电磁兼容评估的改进TOPSIS方法[J]. 电子学报, 2013, 41(1): 105-109.TIAN Jin, XIE Yongjun, XIN Hongquan, et al. A synthetical EMC evaluation method for a complicated system based on a novel TOPSIS approach[J]. Acta Electronica Sinica, 2013, 41(1): 105-109. (in Chinese)[11] WU Jie, SUN Jiasen, SONG Malin, et al. A ranking method for DMUS with interval data based on dea cross-efficiency evaluation and topsis[J]. Journal of System Engineering and Electronics, 2013,22(2): 191-201. [12] LAHBY M, CHERKAOUI L, ADIB A. Hybrid network selection strategy by using M-AHP/E-TOPSIS for heterogeneous networks[C]//2013 8th International Conference on Intelligent Systems: Theories and Applications (SITA). Rabat May 8-9,2013: 1-6.[13] LAHBY M, CHERKAOUI L, ADIB A. An enhanced-TOPSIS based network selection technique for next generation wireless networks[C]//2013 20th International Conference on Telecommunications (ICT), Casblanca, May 6-8,2013: 1-5.[14] GONG An, HU Changjun,GAO Haikang. An enhanced TOPSIS method based on equality constrained optimization [C]//2013 Ninth International Conference on Natural Computation (ICNC), 2013, 889-893.[15] 张毅, 姜青山. 基于分层TOPSIS法的预警机效能评估[J]. 系统工程与电子技术, 2011, 33(5): 1051-1055.ZHANG Yi, JIANG Qinshan. Effectiveness evaluation of early-warning aircraft based on hierarchy TOPSIS[J]. Journal of System Engineering and Electronics, 2011, 33(5): 1051-1055. (in Chinese)。

• 8•一种基于样本熵的雷达辐射源信号分选西南交通大学电气工程学院 徐 赛 金炜东针对现有方法分选准确率低以及对噪声敏感的问题，提出一种新的雷达辐射源信号分选的方法，实现了低信噪比下雷达辐射源信号的高正确率分选。

对接收到的雷达辐射源信号进行Fourier 变换和归一化处理；然后对预处理后的信号重采样，提取信号的样本熵和功率谱熵特征；最后运用SVM 实现6类雷达辐射源信号的分选。

由仿真实验结果可知，当信噪比在0dB 以下时，6类雷达辐射源信号的平均正确识别率最低为92.03%；当信噪比为10dB 时，6类信号可以达到完全分离，验证了所提方法的有效性和可行性。

1 概述随着现代雷达技术的不断发展，电子对抗环境日趋复杂与密集，新体制雷达不断出现以及信号参数不断变化，因此提取雷达特征中的常规参数（如CF、PW、AOA、PA和TOA）等传统方法已难以适用于现代雷达辐射源信号分选。

雷达信号最具特色的参数之一是脉内特征，在此研究趋势之下国内外的数名学者针对脉内特征提取的工作做了不少，并且提出很多有效的方法来提取雷达辐射源信号的脉内特征，如相位差分法（RTK）、线核聚类、调制域分析法、数字中频法、小波变换法、复杂度特征以及相像系数（RC）等。

以上脉内特征参数在雷达辐射源信号的分选识别方法在应用中已取得了一定的成效（韩俊,何明浩,朱振波,等.基于复杂度特征的未知雷达辐射源信号分选[J].电子与信息学报,2009,31(11):2552-2556;刘凯,韩嘉宾,黄青华.基于改进相像系数和奇异谱熵的雷达信号分选[J].现代雷达,2015,7,37(09):80-85;刘生锋,严勇,陆建兵.随机相位编码在多普勒天气雷达中的应用[J].现代雷达,2014,36(06):26-28+34;陈婷,陈卫.基于覆盖算法的SVM 雷达辐射源识别[J].计算机工程,2011,37(10):179-181;Lipeng G,Juan J,Y uning Z.Sorting and recognition of in tra-pulse modulation signals based on FRET[C].//2012 5th Global Symposium on MillimeterWaves.Harbin,China;IEEE Press,2012:494-497;于新星,王永.基于在线核聚类的雷达信号分选方法[J].计算机工程,2012,38(03):270-272+275）。

基于信号特征深度重构的雷达辐射源识别方法作者：幸涛郭博雷张鹏来源：《现代信息科技》2020年第18期摘要：文章将机器学习引入雷达识别领域，提出基于信号特征深度重构的雷达辐射源识别方法。

利用深度置信网络对输入层特征逐层提取和特征重构的非监督特征提取特性，将不同辐射源信号特征的差异逐层放大，利用输入层与重构层的矢量夹角作为识别的模糊一致性评判标准，得到雷达辐射源识别结果，通过对模拟辐射源特征参数的识别测试，验证了算法的有效性。

关键词：机器学习;深度置信网络;雷达辐射源识别;矢量夹角中图分类号：TN957.5 文献标识码：A 文章编号：2096-4706（2020）18-0080-04Abstract：Machine-learning is introduced into the radar recognition in this paper. A method of radar emitter recognition based on deep feature reconstruction is proposed in this paper. We use the DBN’s unsupervising characteristics of feature extraction and reconstruction of in-layer features layer by layer，to amplify the difference of signal features of different emitter layer by layer. Vector angle between the input layer and the reconstructed layer is used as the fuzzy consistency of criterion to get result of recognition of radar emitter. The effectiveness of the algorithm is verified by the recognition test of the characteristic parameters of the simulated radiation source.Keywords：machine learning;DBN;radar emitter recognition;vector angle0 引言随着电子信息技术的不断发展，现代战场中的电子对抗愈发激烈，进而涌现了更多新型复杂体制的雷达辐射源，这些雷达信号的特征参数变幻莫测，雷达辐射源的识别变得更加艰难，加之现代战争中电磁环境复杂，频率覆盖范围几乎接近全频段，使得战场上的电磁环境高度密集，给雷达辐射源的识别带来了更高的难度。

雷达辐射源信号特征提取评估指标体系的构建
韦旭;潘谊春;程柏林;何缓
【期刊名称】《空军预警学院学报》
【年(卷),期】2018(032)001
【摘要】为解决传统评估指标选择片面、对特征提取刻画过于粗糙等问题,提出了一种三层结构的雷达辐射源信号特征提取评估指标体系.首先以复杂性、分离性、稳定性和适应性为准则,给出了九个具体指标对特征提取进行多角度的刻画,然后对评估指标的处理进行了理论分析,最后对评估指标进行了合理性检验.仿真结果表明,所构建的评估指标体系不存在冗余的问题,是切实可行的,为雷达辐射源信号特征提取的有效评估提供了基础.
【总页数】6页(P31-36)
【作者】韦旭;潘谊春;程柏林;何缓
【作者单位】空军预警学院,武汉430019;空军预警学院,武汉430019;空军预警学院,武汉430019;空军预警学院,武汉430019
【正文语种】中文
【中图分类】TN971
【相关文献】
1.雷达辐射源信号特征提取评估指标体系的构建 [J], 韦旭;潘谊春;程柏林;何缓;
2.基于小波脊线特征提取的雷达辐射源信号识别 [J], 孟凡杰;唐宏;王义哲
3.雷达辐射源信号识别效果评估指标体系构建 [J], 魏铭;徐璟;刘锐;郁春来
4.基于FDD-OFDM信号外辐射源双基雷达的低空目标微动特征提取 [J], 屈筱钰;李开明;张群;夏雨荷;林永照
5.基于PC-OFDM信号外辐射源雷达的低空旋翼目标微动特征提取 [J], 宋子龙;李开明;张群;李海云;蔡斌
因版权原因，仅展示原文概要，查看原文内容请购买。